MCP（模型上下文协议）和A2A（Agent-to-Agent协议）是AI生态中两大核心协议，分别解决工具调用标准化和智能体协作的痛点。本文将从原理、实战到对比，带你彻底掌握这两项技术，并提供开源代码仓库供你动手实操！

一、MCP协议：AI的“万能适配器”

1. 核心原理
   MCP由Anthropic开源，旨在让AI模型通过标准化接口调用外部工具（如数据库、API）或数据源，无需为每个工具单独开发适配器。其核心组件包括：

• MCP Server：托管工具或数据源，响应AI请求。
• MCP Client：集成在AI模型中，发送请求并解析响应。
• JSON协议：定义请求/响应格式，确保跨平台兼容。

2. 实战：开发一个天气查询工具
   步骤1：创建MCP Server

from mcp import McpServer, Tool  
import requests  
class WeatherService(McpServer):  
    def __init__(self):  
        self.tools = [  
            Tool(  
                name="get_weather",  
                description="获取指定城市天气",  
                parameters={"city": "string"},  
                function=self.query_weather  
            )  
        ]  
    async def query_weather(self, city):  
        url = f"https://devapi.某平台.com/v7/weather/now?key=YOUR_KEY&location={city}"  
        try:  
            resp = requests.get(url)  
            return {  
                "temperature": resp.json()["now"]["temp"],  
                "condition": resp.json()["now"]["text"]  
            }  
        except Exception as e:  
            return {"error": str(e)}  
if __name__ == "__main__":  
    server = WeatherService()  
    server.run(port=8080)  

步骤2：调用MCP工具

from mcp import McpClient  
client = McpClient("http://localhost:8080")  
result = client.execute("获取上海的天气")  
print(result)  输出：{"temperature": 25, "condition": "晴"}  

效果：新工具接入效率提升90%，告别重复造轮子！

二、A2A协议：智能体协作的“TCP/IP”

1. 核心原理
   A2A由谷歌推出，允许不同厂商的AI智能体（Agent）通过标准化流程协作完成复杂任务，支持：

• 能力发现：通过JSON格式的“Agent Card”声明功能。
• 任务管理：定义任务生命周期（创建→协商→执行→补偿）。
• 多模态通信：支持文本、图像、音视频等数据格式。

2. 实战：跨框架Agent通信
   步骤1：定义Agent Card

{  
  "name": "物流Agent",  
  "capabilities": ["跟踪包裹", "生成物流报告"],  
  "input_formats": ["application/json", "text/csv"],  
  "response_time": {"p50": "15s", "p95": "30s"}  
}  

步骤2：实现任务管理

from a2a import Agent, Task  
class LogisticsAgent(Agent):  
    async def handle_task(self, task: Task):  
        if task.name == "跟踪包裹":  
            调用物流API获取数据  
            data = await self.fetch_tracking_info(task.params["package_id"])  
            task.artifacts.append({"status": data["status"], "location": data["location"]})  
            task.update_status("IN_PROGRESS")  
        elif task.name == "生成报告":  
            生成PDF报告并返回  
            report = await self.generate_report(task.artifacts)  
            task.artifacts.append({"report": report})  
            task.update_status("COMPLETED")  
if __name__ == "__main__":  
    agent = LogisticsAgent()  
    agent.start()  

效果：复杂系统开发周期缩短50%！

三、MCP vs A2A：如何选择与结合

联合应用案例：

• 库存预警系统：
  1. MCP调用数据库：实时查询库存数据。
  2. A2A分配任务：触发采购Agent补货，通知客服Agent告知用户。

四、总结与建议

1. 学习路径：
   • 从MCP入手，掌握工具调用标准化。
   • 进阶学习A2A，理解多Agent协作逻辑。
2. 实践建议：
   • 在mcp-in-action仓库中提交PR，贡献新工具。
   • 用a2a-in-action模拟跨Agent协作场景。
3. 未来方向：
   • 结合MCP与A2A，构建端到端AI自动化系统。