昨天发布，“谷歌版 MCP”登场！
谷歌推出了 A2A 协议，即 Agent-to-Agent，这项协议使得 AI Agent 智能体能够在不同的生态系统中安全地进行协作，无需考虑框架或供应商的差异。
不同平台构建的 AI Agent 智能体之间可以实现通信、发现彼此的能力、协商任务并开展合作，企业可以通过专业的智能体团队处理复杂的工作流程。
重点：它是开源的。
Github 地址：https://github.com/google/A2A
不多说，让我们先来看一个演示。
利用 A2A 协议，招聘流程可以如此高效：
在谷歌的 Agentspace 统一界面中，招聘经理可以向自己的智能体下达任务，让其寻找与职位描述、工作地点和技能要求相匹配的候选人。
然后，该智能体立即与其他专业智能体展开互动，寻找潜在候选人。
用户会收到推荐人选，之后可以指示自己的智能体安排进一步的面试，面试环节结束后，还可以启动另一个智能体来协助进行背景调查。
1、MCP 架构设计与 A2A 架构设计区别与联系剖析
尽管市面上的大语言模型（LLMs）种类繁多，但大家在使用时其实都是通过 API 来与大模型交互的。这些大模型的接口通常遵循一些通用的规范，比如： OpenAI 的标准。下面，我们就以 OpenAI 接口为例，来聊聊这些大模型都有哪些能力。
因此 Google 提出了一个新的 A2A（Agent-to-Agent） 协议概念。与此同时，MCP（Model Context Protocol） 也在逐步成为连接 LLM 与外部世界的标准。
那么，A2A 究竟是什么？它和 MCP 有什么不同？ 它们之间又是什么关系？对于我们 AI 学习者来说，理解这些协议对于把握 AI Agent 的发展方向至关重要。今天，就让我们结合 Google 的官方发布的信息，一起来深入了解一下。
1、为什么我们需要协议？
首先，我们要明白协议的重要性。无论是人类社会还是计算机世界，标准化的协议都是实现高效沟通和协作的基础。在 AI Agent 的世界里，协议主要解决两大互联领域的挑战：
第一、Agent 与 Tools（工具）的交互
Agent 需要调用外部 API、访问数据库、执行代码等。
第二、Agent 与 Agent（其他智能体或用户）的交互
Agent 需要理解其他 Agent 的意图、协同完成任务、与用户进行自然的对话。
标准化的协议能够大大降低不同系统、模型、框架之间集成的复杂度，促进整个生态的繁荣。
2、MCP：连接模型与世界的桥梁
在我们探索 A2A 之前，让我们先回顾一下大家可能已经熟悉的 MCP（Model Context Protocol）。
定义：MCP 是一个新兴的开放标准，它的目的是将大语言模型（LLMs）与各种数据源、资源和工具连接起来。**
核心作用：MCP 的核心作用是标准化模型与外部工具进行“函数调用”（Function Calling）等交互的方式。你可以把它想象成一个为大模型提供的标准化接口集，使大模型能够识别可用的工具，并了解如何利用这些工具。**
关注点：MCP 主要关注智能体（Agent）如何高效地利用结构化的工具和数据来完成特定的任务。**
3、A2A：开启 Agent 间自然协作的大门
让我们深入了解一下 A2A（Agent-to-Agent）协议。
定义：A2A 是一种应用层协议，其设计目的是使智能体（Agent）能够以一种自然的模态进行协作，类似于人与人之间的互动。
核心作用：A2A 专注于智能体之间的沟通与合作，以及智能体与用户之间的互动。它旨在使智能体能够像人类一样交流，传递意图、协商任务和共享信息。
关注点：A2A 的重点在于智能体作为“智能体”进行互动的能力，而不仅仅是作为工具的执行者。
示例：
用户与智能体的互动：用户（或代表用户的智能体）可以像与真人交谈一样对修理店智能体说：“给我看看左前轮的照片，似乎漏液了，这种情况多久了？” A2A 协议使得这种更自然、多轮次的对话式互动成为可能。
智能体之间的互动：修理店智能体在诊断出问题后，可能需要向零件供应商智能体查询某个零件的库存和价格。这种智能体之间的协作同样需要 A2A 协议来支持。
4、A2A 与 MCP 的关键区别
根据上述内容，我们可以概括出 A2A 和 MCP 之间的主要区别：
关注点的差异：
MCP：侧重于智能体（Agent）与工具/资源之间的交互，强调的是结构化的调用和数据获取。
A2A：侧重于智能体与智能体/用户之间的互动，强调的是更自然、更灵活的协作方式。
解决的问题的差异：
MCP：旨在解决如何让大语言模型（LLM）或智能体以标准化的方式使用外部工具和数据的问题。
A2A：旨在解决如何使不同的智能体能够像人类一样相互理解和协作的问题。
5、相辅相成而非取而代之：A2A 与 MCP 的协同效应
需要明确的是，A2A 与 MCP 并非相互排斥，而是相辅相成的关系。在构建复杂的智能体（Agent）应用时，这两种协议往往会被同时采用。
下图展示了一个典型的“智能体应用”架构：
第一、核心智能体（可能包含子智能体）是基于智能体框架和大语言模型（LLM）构建的。
第二、当智能体需要与外部的黑箱智能体（例如，Blackbox Agent 1, Blackbox Agent 2）进行协作沟通时，它会利用 A2A 协议。
第三、当智能体需要访问结构化的资源、工具或数据时（例如，通过一个集中的 MCP 服务器），它会遵循 MCP 协议。
第四、甚至外部智能体（比如 Blackbox Agent 2）也可能通过 MCP 获取有关核心智能体的信息（如图中的"Get agent card"操作）。
这个架构清楚地表明，智能体既需要 MCP 来“使用工具、获取资源”，也需要 A2A 来“与其他智能体对话、协作”。
6、对 AI 学习者来说意味着什么？
对于 AI 学习者而言，理解 A2A 和 MCP 的概念及其相互关系具有重要意义：
第一、掌握前沿趋势：了解这些协议有助于我们把握 AI Agent 领域为实现更强的自主性和协作性所做的最新努力。
第二、系统设计视角：在规划或设计未来的 AI 应用时，能够从协议层面思考如何集成不同的 Agent 和工具，从而构建更为复杂的系统。
第三、技术选型参考：当面对不同的 Agent 框架或平台时，可以关注它们是否支持或兼容类似 MCP 或 A2A 的协议，这可能会影响它们的互操作性和扩展性。
此外，谷歌已经与超过 50 家技术合作伙伴（例如 Atlassian、Box、Salesforce、SAP 等）和服务提供商建立了合作关系。这表明了行业对这些协议的认可和采用，对于 AI 学习者来说，也意味着这些协议可能会成为未来职业发展中的关键技能。
总结
A2A 和 MCP 是推动 AI 智能体（Agent）实现更高级互操作性的两个关键协议。MCP 专注于智能体与工具或资源的连接，标准化了函数调用过程；相对地，A2A 专注于智能体之间的自然协作和交流。这两个协议相辅相成，共同构成了未来复杂智能体应用的基础设施。
对于 AI 学习者来说，持续关注并理解这些协议的发展至关重要。这将帮助我们更好地掌握 AI 智能体技术的趋势，参与创造下一代智能应用程序。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】