5000字图文讲透：MCP+A2A协议如何让AI从「大模型」进化到「超级分布式智能体」

• MCP Hosts: 使用LLMs核心的程序，需要访问外部数据或工具（如Cursor）

• MCP Clients: 与 MCP 服务器保持1 : 1的连接

• MCP Servers: 轻量级程序，通过 MCP 暴露特定的功能，连接到本地或远程数据源

• 本地数据源: 由 MCP 服务器安全访问的文件、数据库或服务

• 远程服务: 由 MCP 服务器访问的互联网基 API 或服务

MCP通过开源和标准化，简化了AI模型与数据、工具和服务交互的方式，其优势如下：

• 简化开发: 写一次，多次集成，无需为每个集成重写自定义代码

• 灵活性: 切换 AI 模型或工具时无需复杂重新配置

• 实时响应: MCP 连接保持活动状态，实现实时上下文更新和交互

• 安全性与合规性: 内置访问控制和标准化的安全实践

• 可扩展性: 随着 AI 生态系统增长，轻松添加新功能——只需连接另一个 MCP 服务器

MCP协议通过定义 Resources（静态资源）、Prompts（提示词模板）和 Tools（可执行工具）三大核心能力，让开发者能够以模块化方式为 LLM 扩展文件系统访问、API 集成甚至物联网控制等交互能力。

下面MCP Server示例展示：如何使用社区Go SDK（mark3labs/mcp-go）快速构建自己的 MCP Server。

主要实现当前时间的查询，支持任意时区：

package main

import (
  "context"
  "fmt"
  "time"

  "github.com/mark3labs/mcp-go/mcp"
  "github.com/mark3labs/mcp-go/server"
)

func main() {
  // Create MCP server
  s := server.NewMCPServer(
    "Demo ?",
    "1.0.0",
  )

  // Add tool
  tool := mcp.NewTool(
    "current time",
    mcp.WithDescription("Get current time with timezone, Asia/Shanghai is default"),
    mcp.WithString(
      "timezone",
      mcp.Required(),
      mcp.Description("current time timezone"),
    ),
  )

  // Add tool handler
  s.AddTool(tool, currentTimeHandler)

  // Start the stdio server
  if err := server.ServeStdio(s); err != nil {
    fmt.Printf("Server error: %v\n", err)
  }
}

func currentTimeHandler(ctx context.Context, request mcp.CallToolRequest)(*mcp.CallToolResult, error) {
  timezone, ok := request.Params.Arguments["timezone"].(string)
  if !ok {
    return mcp.NewToolResultError("timezone must be a string"), nil
  }

  loc, err := time.LoadLocation(timezone)
  if err != nil {
    return mcp.NewToolResultError(fmt.Sprintf("parse timezone with error: %v", err)), nil
  }

  return mcp.NewToolResultText(fmt.Sprintf(`current time is %s`, time.Now().In(loc))), nil
}

然后，将代码编译成二进制文件：

下面，我在Trae工具上安装了Cline插件，配置好自己的DeepSeek API和key，再把编译好的MCP Server配置到Cline中：

配置OK后，在Cline上创建新任务，输入任务请求：请告诉我当前的北京时间？

这时，会提示已经连接到time-mcp-server，可以查询时间，问你是否同意？

然后，点击Act切换模式，就能通过你的time-mcp-server服务器查询时间，并返回：

通过这个示例可以看出，使用MCP SDK开发一个 MCP 服务非常便捷，且该服务能够轻松集成到任何支持 MCP 协议的客户端程序中，这大大降低了服务与应用程序之间的集成难度。

Agent2Agent协议（A2A）是一种开放协议，它为智能体提供了一种相互协作的标准方式，而不受底层框架或供应商的影响。由Google于2025年4月8日推出，旨在解决不同AI智能体之间的互操作性问题，得到了50多个技术合作伙伴的支持和贡献，包括Atlassian、Langchain、MongoDB、PayPal、Salesforce等。

项目地址：https://github.com/google/A2A

A2A通过标准化通信格式、身份认证和任务协调机制，使得来自不同厂商或框架的智能体（如客服Agent与日程管理Agent）能够无缝协作。例如，用户可通过A2A协议让一个智能体将任务（如“安排会议”）委托给另一个智能体，并实时追踪进度。

A2A协议有三个核心参与者：

• User

• Client

• Remote Agent（Server）

User存在于协议中，主要的作用是用于 认证&授权 。Client 代表用户向不透明智能体请求操作的实体（服务、智能体、应用程序），即任务的发起者。Remote Agent 指的是任务的执行者。

Client 和 Server 之间的通信，可以理解为就是一个个简单的请求和结果的响应，只不过这个请求是一个个的任务。一个 Agent（智能体） 既可以是 Client 也可以是 Server。

设计人员建议应用程序将 A2A 智能体建模为 MCP 资源（由其 AgentCard 表示）。这样，框架就可以使用 A2A 与用户、远程智能体以及其他智能体进行通信。

设计原则：

• 拥抱代理能力：A2A 致力于使智能体能够以自然、非结构化的模式进行协作，即使它们不共享内存、工具和上下文。我们正在实现真正的多智能体场景，而不将智能体局限于单一的“工具”。

• 基于现有标准：该协议建立在现有的流行标准之上，包括 HTTP、SSE、JSON-RPC，这意味着它更容易与企业日常使用的现有技术栈集成。

• 默认安全：A2A 旨在支持企业级身份验证和授权，在启动时与 OpenAPI 的身份验证方案相同。

• 支持长时间运行的任务：在设计 A2A 时就考虑了灵活性，并支持各种场景，使其能够出色地完成各种任务，从快速任务到深度研究，这些任务可能需要数小时甚至数天的时间（如果人工参与）。在此过程中，A2A 可以为用户提供实时反馈、通知和状态更新。

• 与模态无关：智能体世界不仅限于文本，这就是我们设计 A2A 来支持各种模态（包括音频和视频流）的原因。

A2A 促进“客户端”智能体与“远程”智能体之间的通信。客户端智能体负责制定和传达任务，而远程智能体负责执行这些任务，以提供正确的信息或采取正确的行动。

核心功能：

• 能力发现： 智能体可以使用 JSON 格式的“智能体卡片”来宣传其能力，从而允许客户端代理识别能够执行任务的最佳智能体并利用 A2A 与远程智能体进行通信。

• 任务和状态管理： 客户端与远程智能体之间的通信以任务完成为导向，智能体负责执行最终用户的请求。此“任务”对象由协议定义，并具有生命周期。它可以立即完成，或者对于长时间运行的任务，每个智能体可以进行通信，彼此保持同步，了解任务的最新完成状态。

• 协作： 智能体可以互相发送消息来传达上下文、回复、工件或用户指令。

• 用户体验协商： 每条消息包含“Parts”，即完整形成的内容片段，例如生成的图像。每个Part都有指定的内容类型，允许客户端和远程智能体协商所需的正确格式，并明确包含对用户 UI 功能（例如：iframe、视频、Web 表单等）的协商。

通过 A2A 协作，招聘软件工程师的过程可以显著简化。在 Agentspace 这样的统一界面中，用户（例如：招聘经理）可以委托其智能体寻找符合职位列表、工作地点和技能要求的候选人。然后，智能体会与其他专业智能体互动，以寻找潜在候选人。

用户收到这些建议后，可以指示其智能体安排进一步的面试，从而简化候选人寻找流程。面试流程完成后，可以联系另一位智能体协助进行背景调查。这只是 AI 智能体如何跨系统协作以寻找合格候选人的一个例子。

A2A 有望开启智能体互操作的新时代，促进创新，并创建更强大、更灵活的智能体系统。我们相信，该协议将为未来铺平道路，使智能体能够无缝协作，解决复杂问题，改善我们的生活。

开启 超级AI智能体 时代

假设有一家汽车修理店，该店雇佣了一些自主操作的工人，他们使用专用工具（例如千斤顶、万用表和套筒扳手）来诊断和维修车辆故障。这些工人经常需要诊断和修复他们从未见过的问题，维修过程可能需要与客户进行深入交流、进行研究，并与零件供应商合作。

将汽修店员工建模为 AI 智能体：

• MCP 是将这些智能体与其结构化工具（比如：千斤顶）连接起来的协议。

• A2A 是另一种协议，允许这些智能体（比如：用户、其他供应商与汽修店员工）之间进行沟通协作。