AI 智能体怎么＂接入＂万物?聊聊三种通信协议MCP、A2A、ANP

阅读时长：约 12 分钟
适合人群：用过 AI 工具想深入了解、或正在构建 AI 应用的你

上一章我们聊了上下文工程，知道了"把什么信息喂给 AI"很重要。

但还有一个问题没解决：AI 怎么去调用外部工具？多个 AI 怎么互相合作？

这就是本章的主题——智能体通信协议。

一个具体的痛点

假设你想构建一个 AI 研究助手，它需要：

• 读取本地文件
• 查 GitHub 上的代码
• 发 Slack 消息
• 访问公司内部数据库

传统做法是为每个服务手写一个适配器类，每次接入新服务都要重写一堆 HTTP 请求、认证、错误处理代码。

这是在造重复的轮子，而且很难维护。

更麻烦的是，你用 OpenAI 写的工具，换成 Claude 就得重写格式——不同模型的 Function Calling 接口不一样。

通信协议就是来解决这个问题的。

它就像互联网的 TCP/IP 协议——无论你用什么设备，只要遵守同一套标准，就能互联互通。

三种协议，三个场景

目前业界主流的智能体通信协议有三种，分别解决不同的问题：

MCP（Model Context Protocol）Anthropic 提出。解决"智能体怎么访问外部工具"的问题。类比：USB-C 接口 —— 统一了所有设备的连接方式。

A2A（Agent-to-Agent Protocol）Google 提出。解决"多个智能体怎么互相合作"的问题。类比：点对点对话 —— 智能体之间可以直接交流，不需要中间人协调。

ANP（Agent Network Protocol）开源社区维护。解决"大规模智能体网络怎么互相发现"的问题。类比：互联网 DNS —— 你不需要记住每个服务的 IP，只需要说"我要找能做自然语言处理的智能体"。

怎么选？

• 智能体需要访问外部服务（文件、数据库、API）→ 用 MCP
• 需要多个智能体协作完成任务 → 用 A2A
• 构建大规模智能体生态，需要动态发现服务 → 用 ANP

MCP：智能体的"万能插头"

核心思路

MCP 定义了三层架构：

• Host（宿主）：用户直接交互的界面，比如 Claude Desktop
• Client（客户端）：负责与外部服务通信的中间层
• Server（服务器）：提供具体功能的服务，比如文件系统、GitHub API

当你问 Claude "我桌面有哪些文档"，背后发生的是：Claude → MCP Client → 文件系统 MCP Server → 返回文件列表 → Claude 生成回答。

MCP 提供三类能力

类型	说明	类比
Tools	可调用的函数，执行操作	动词：帮我查、帮我写
Resources	可读取的数据来源	名词：文件、数据库记录
Prompts	预定义的提示模板	说明书：按这个格式来

怎么用？

用 HelloAgents 框架接入 GitHub MCP 服务只需几行代码：

from hello_agents import SimpleAgentfrom hello_agents.tools import MCPToolagent = SimpleAgent(name="助手", ...)# 一行接入 GitHub 工具github_tool = MCPTool(    name="gh",    server_command=["npx", "-y", "@modelcontextprotocol/server-github"])agent.add_tool(github_tool)# 智能体自动获得所有 GitHub 能力response = agent.run("搜索关于 AI agents 的 Python 项目，前 5 个")

MCP 的"自动展开"机制：当你添加一个 MCP 工具到智能体，它会自动把服务器提供的所有工具展开为独立工具。比如一个 GitHub MCP 服务器，会自动展开为 gh_search_repositories、gh_create_issue、gh_get_file 等十几个工具，智能体可以像调用普通函数一样使用它们。

MCP vs Function Calling

很多人会问：我已经在用 Function Calling 了，为什么还需要 MCP？

它们不是竞争关系，而是互补的：

• Function Calling 是模型的能力：理解"什么时候该调用函数，怎么生成参数"
• MCP 是工程基础设施：定义"工具怎么描述、怎么调用、怎么返回结果"

类比：Function Calling 是你学会了"打电话"这项技能，MCP 是全球统一的"电话通信标准"。

丰富的社区生态

MCP 最大的优势是社区生态。你不用自己写工具适配器，直接用现成的：

• 官方服务器：文件系统、GitHub、PostgreSQL、Slack、Google Drive...
• 社区服务器：Playwright（浏览器自动化）、Obsidian、Jira、Notion...

超过数百个 MCP 服务器可以直接使用，覆盖绝大多数常见场景。

A2A：智能体之间的"对话"

为什么需要 A2A？

当任务复杂到需要多个专家协作——比如"研究员收集资料 → 撰写员写文章 → 编辑审阅优化"——传统的"星型拓扑"（所有请求都经过一个中心协调器）会产生三个问题：

• 单点故障：协调器挂了，整个系统瘫痪
• 性能瓶颈：所有流量都走中心节点
• 扩展困难：加个新智能体就要改中心逻辑

A2A 采用点对点（P2P）架构，智能体之间直接通信，没有中心节点。

核心抽象：任务 + 工件

A2A 的核心是两个概念：

• Task（任务）：一个有生命周期的工作单元，从创建 → 执行中 → 完成/失败
• Artifact（工件）：任务产出的成果，比如一篇文章、一份分析报告

这让多个智能体可以协商任务、追踪进度、传递成果。

实战：三智能体客服系统

# 技术专家智能体（运行在 6000 端口）tech_expert = A2AServer(name="tech_expert")@tech_expert.skill("answer")def answer_tech(text): ...# 销售顾问智能体（运行在 6001 端口）sales_advisor = A2AServer(name="sales_advisor")# 接待员智能体：接到问题，自动判断转给谁receptionist = SimpleAgent(name="接待员", ...)receptionist.add_tool(A2ATool(agent_url="http://localhost:6000"))receptionist.add_tool(A2ATool(agent_url="http://localhost:6001"))

客户问技术问题 → 接待员调用技术专家；问价格 → 转给销售顾问。每个智能体专注自己的领域，互不干扰。

ANP：智能体的"互联网"

场景：成百上千个智能体

当一个系统里有几百个智能体（自然语言处理、图像识别、数据分析、任务调度...），每次启动都手动配置"谁能连谁"是不现实的。

ANP 提供了：

• 服务注册：智能体启动时把自己的能力注册到网络
• 服务发现：需要某种能力时，动态查找谁能提供
• 智能路由：多个智能体都能处理时，选负载最低的那个

工作机制

ANP 的核心是 DID（去中心化身份标识）。每个智能体有自己的 DID，就像每个人有身份证。

整个流程：

1. 智能体 A 通过发现服务找到能处理任务的智能体 B
2. A 用私钥签名请求，B 用 A 的公钥验证身份
3. 验证通过后，双方按标准格式交换数据

这套机制让智能体可以在互联网上安全、自主地寻找合作伙伴，不需要预先配置所有连接。

把三层协议组合起来

三种协议构成完整的智能体通信栈：

层次	协议	解决的问题
网络层	ANP	如何在大规模网络中发现服务
协作层	A2A	多个智能体如何点对点通信
工具层	MCP	单个智能体如何访问外部工具

在 HelloAgents 框架里，三种协议统一封装成 Tool 接口：

from hello_agents.tools import MCPTool, A2ATool, ANPTool# 三种协议，统一的 add_tool 接口agent.add_tool(MCPTool(...))   # 接入外部服务agent.add_tool(A2ATool(...))   # 连接其他智能体agent.add_tool(ANPTool(...))   # 接入智能体网络

动手：创建自己的 MCP 服务器

你不只是协议的消费者——也可以自己创建 MCP 服务器，让全世界的智能体使用你封装的能力。

一个天气查询 MCP 服务器

from hello_agents.protocols import MCPServerweather_server = MCPServer(name="weather-server")def get_weather(city: str) -> str:    """获取指定城市的当前天气"""    # 调用天气 API...    return json.dumps(weather_data)def list_supported_cities() -> str:    """列出支持的城市"""    return json.dumps({"cities": ["北京", "上海", ...]})weather_server.add_tool(get_weather)weather_server.add_tool(list_supported_cities)weather_server.run()

写完后，可以上传到 Smithery（MCP 服务器的官方市场），其他开发者可以一键安装你的服务。

这就像开源社区的精髓——你贡献一个 MCP 工具，全世界的 AI 应用都可以使用。

小结

本章介绍了智能体通信的三层架构：

从"手写适配器"到"标准化协议"，是 AI 应用工程化的必经之路。

• MCP：给智能体装上"USB-C 万能接口"，一次适配，到处可用
• A2A：让多个智能体像团队一样点对点协作，没有单点瓶颈
• ANP：在大规模网络中自动发现和路由，构建智能体的"互联网"

下一章，我们将进入多智能体系统，学习如何构建更复杂的协作网络——让多个专业智能体像人类团队一样协同工作。

本文内容整理自 Datawhale《Hello Agents》

觉得有收获？点个赞告诉我 👇