智能体间协作的"巴别塔困境"如何破解？解读Agent通信4大协议：MCP/ACP/A2A/ANP

智能体间协作的"巴别塔困境"如何破解？解读Agent通信4大协议：MCP/ACP/A2A/ANP 智能体间协作的"巴别塔困境"如何破解？解读Agent通信4大协议：MCP/ACP/A2A/ANP Modified May 19, 2025 4. ANP：Web智能体的未来 在当前所有的代理协议中，代理网络协议 (ANP) 最符合主动推理和空间网络的要求。ANP 建立在分布式标识符 (distributed identifiers，DIDs) 和 JSON LD 链接数据之上，它允许智能体在语义上描述自己，在全局范围内发现彼此，并进行对等通信。 我们做一个简单的类比，想象一个全球性的，安全的AI 智能体在线市场，ANP 为智能体提供了 id (如数字护照) 和规则，以发现彼此，证明他们的身份，并公开和安全地协作。协议本身会携带身份信息、身份验证信息，目前主要是使用W3C的DID方案，一个智能体可以用自己的身份信息，与其他所有的智能体进行交互，不必在其他智能体平台申请账号。ANP采用了去中心化的身份安全通信，基于关联数据的语义建模，通过开放注册表或搜索索引智能体的描述进行发现。 ANP的核心概念是Interface，包括自然语言接口和结构化接口，将智能体交互方式的定义下放到了Interface中，支持自主发现、去中心化身份验证和语义推理，虽然 ANP 目前不支持像 rgm 这样的预测或分层推理体系结构，但是它的基础设施可以提供传输和发现层的智能体。 ANP的智能体描述则是基于JSON LD和http://schema.org，这是语义网的技术，具体可以参考《 从语义网到知识图谱 》一文。其目的是提高两个智能体对信息理解的一致性。ANP采用的是语义网的Linked Data技术，目标是构建一个便于AI访问和理解的AI原生数据网络。 同样，ANP可能缺乏共享的全局上下文和空间网络提供的事务性知识图谱。它能够连接智能体，但不连接它们的环境。这或许是空间网络开始接管的地方。 5.智能体间通信协议的思考 在一定意义上，A2A 和 MCP 是互补的，它们解决的是AI 智能体完全不同的部分，而且它们实际上可以配合得非常好。可以把 MCP 看作是让AI 智能体接入世界的协议， MCP使智能体能够访问文件、 api 和数据库，基本上就是他们做一些有用的事情所需要的所有结构化上下文。无论是提取实时销售数据还是生成自定义报告，MCP 都处理与工具和数据的连接。A2A 是智能体开始合作的地方，A2A 为他们提供了一种共享的语言和一套规则来发现彼此、委派任务、协商他们如何一起工作ーー即使他们是由不同的供应商构建或运行在不同的平台上。 简单而言，MCP 连接AI和工具，而A2A 连接 AI 和其他 AI，它们共同构成了构建智能协作系统的强大模块基础。 ACP采用了完全不同的方法。这完全是本地优先代理协调的问题，不需要云服务。ACP 不使用 HTTP 和基于 web 的发现，而是允许代理在共享运行时内部相互查找和通信。这非常适用于带宽有限或者需要低延迟 (比如机器人技术或者设备上的助手) 的场景, 或者隐私级别很高，以及在没有互联网的环境中部署 (例如，工厂车间、边缘节点)。 ACP 并非试图与 A2A 竞争，它只是填补了一个不同的利基市场。但是在一些设置中，特别是在严格控制的环境中，ACP 可能完全取代 A2A，因为它跳过了 web 本地协议的开销，只是在本地完成工作。 ANP 则像是充满了互联网情怀方法，实现智能体在互联网上的连接与协作。ANP的最大价值在于社区对未来智能体互联网的设想，是社区独特的互联网理念（连接即权力），以及DID+语义网的技术路线。这可能是ANP演进的核心动力。 MCP/ACP/A2A 使用注册表或服务描述符 (如代理卡) 来公布代理功能。每个协议都定义了自己的发现方法，通常需要一个已知的目录或端点。ANP 更进一步，通过 JSON LD 和 did 实现去中心化发现，使代理具有自主身份和开放 web 上的语义可见性。 特性 MCP ACP A2A ANP 功能聚焦 面向大模型的上下文注入 智能体的本地协作 跨平台的智能体通信 跨平台跨网络的智能体通信 通信模型 客户机/服务器（host/server 模型） 去中心化的本地运行时 基于HTTP的客户机/服务器，采用智能体Cards 基于HTTP的客户机/服务器，采用JSON LD 应用范围 垂直集成（模型调用工具） 本地优先的智能体运行时 智能体之间的水平集成 开放网络中智能体之间的水平集成 发现机制 在服务器上的工具注册 本地广播/运行时注册 HTTP上的A2A.json HTTP 上的智能体 descriptions 传输协议 HTTP(s),JSON IPC,ZeroMQ,gRPC(灵活） HTTP(s),JSON RPC2.0 HTTP(s), JSON LD 安全模型 App层验证，OAuth2，有范围的API 运行时沙箱，私有网络的安全性 OAuth2，受限的开放端点 W3C DID技术构建去中心化的身份认证 适用场景 大模型应用访问外部数据或外部工具 边缘智能，嵌入式系统，离线智能体 跨平台多智能体工作流 跨网络跨平台的多智能体工作流 用例 大模型连接一组内部的API 设备内的多个小智能体协调 企业级分布式智能体的协作 互联网分布式智能体的协作 接下来，一种理想的情况是各协议趋同互补。设想一个统一的智能体平台，其中 A2A 处理企业内部智能体之间的来回操作，MCP 管理对工具和数据的访问，ACP风格的运行时插件用于边缘或离线场景，ANP则可以安全地使用互联网上的各种智能体。一切正常运行，开发人员可以在此基础上进行构建，而无需担心哪个协议在幕后做什么。最坏的情况是支离破碎，不同的供应商推出不同风格的MCP/ACP/A2A/ANP ，结果就是一团糟，就像 web 服务的早期，没有大量的胶水代码，什么都不能与其他任何东西进行交互。 开源工具和中间件可以挽救这种局面。这些项目位于代理和协议之间，抽象出它们之间的区别，并为开发人员提供一个干净、统一的 API ーー同时根据代理运行的位置和方式在底层进行转换。 6.小结 MCP，ACP，A2A，ANP基本上都能够使智能体相互发现对方、协商任务和直接共享消息。在大多数情况下，每个智能体管理自己的本地状态和上下文。 • MCP 简化了智能体访问工具和数据的方式。 • ACP 为企业智能体生态系统引入了本地结构化协作。 • A2A 通过创建共享任务语言解决了供应商锁定问题。 • ANP 推进了代理身份和发现的去中心化愿景。 虽然 MCP、 ACP、 A2A 和 ANP 都在解决当今的智能体通信需求方面取得了长足的进步，但它们都诞生于一个特定的环境 —— AI 智能体，并在当前的互联网结构中运行。随着向主动推理智能体和分布式智能的演进，可能都有其局限性。 【参考资料与关联阅读】 • https://modelcontextprotocol.io • Https://google.github.io/ • https：//agentcommunicationprotocol.dev • https://github.com/agent network protocol • https://zhuanlan.zhihu.com/p/1893720346567353628 • https://zhuanlan.zhihu.com/p/1894506009025836067 • A SURVEY OF AGENT INTEROPERABILITY PROTOCOLS,https://arxiv.org/pdf/2505.02279 • 大模型应用的10种架构模式 • 7B？13B？175B？解读大模型的参数 • 大模型应用系列：从Ranking到Reranking • 大模型应用系列：Query 变换的示例浅析 • 从零构建大模型之Transformer公式解读 • 如何选择Embedding Model？关于嵌入模型的10个思考 • 解读文本嵌入：语义表达的练习 • 解读知识图谱的自动构建 • “提示工程”的技术分类 • 大模型系列：提示词管理 • 提示工程中的10个设计模式 • 解读：基于图的大模型提示技术 • 大模型微调：RHLF与DPO浅析 • Chunking：基于大模型RAG系统中的文档分块 • 大模型应用框架：LangChain与LlamaIndex的对比选择 • 解读大模型应用的可观测性 • 大模型系列之解读MoE • 在大模型RAG系统中应用知识图谱 • 面向知识图谱的大模型应用 • 让知识图谱成为大模型的伴侣 • 如何构建基于大模型的App • Qcon2023: 大模型时代的技术人成长（简） • 论文学习笔记：增强学习应用于OS调度 • 《深入浅出Embedding》随笔 • LLM的工程实践思考 • 大模型应用设计的10个思考 • 基于大模型（LLM）的Agent 应用开发 • 解读大模型的微调 • 解读向量数据库 • 解读向量索引 • 解读ChatGPT中的RLHF • 解读大模型（LLM）的token • 解读提示词工程（Prompt Engineering） • 解读Toolformer • 解读TaskMatrix.AI • 解读LangChain • 解读LoRA • 解读RAG • 大模型应用框架之Semantic Kernel • 浅析多模态机器学习 • 大模型应用于数字人 • 深度学习架构的对比分析 • 老码农眼中的大模型（LLM） 从语义网到知识图谱 Https://google.github.io/ 大模型应用的10种架构模式 7B？13B？175B？解读大模型的参数 大模型应用系列：从Ranking到Reranking 大模型应用系列：Query 变换的示例浅析 从零构建大模型之Transformer公式解读 如何选择Embedding Model？关于嵌入模型的10个思考 解读文本嵌入：语义表达的练习 解读知识图谱的自动构建 “提示工程”的技术分类 大模型系列：提示词管理 提示工程中的10个设计模式 解读：基于图的大模型提示技术 大模型微调：RHLF与DPO浅析 Chunking：基于大模型RAG系统中的文档分块 大模型应用框架：LangChain与LlamaIndex的对比选择 解读大模型应用的可观测性 大模型系列之解读MoE 在大模型RAG系统中应用知识图谱 面向知识图谱的大模型应用 让知识图谱成为大模型的伴侣 如何构建基于大模型的App Qcon2023: 大模型时代的技术人成长（简） 论文学习笔记：增强学习应用于OS调度 《深入浅出Embedding》随笔 LLM的工程实践思考 大模型应用设计的10个思考 基于大模型（LLM）的Agent 应用开发 解读大模型的微调 解读向量数据库 解读向量索引 解读ChatGPT中的RLHF 解读大模型（LLM）的token 解读提示词工程（Prompt Engineering） 解读Toolformer 解读TaskMatrix.AI 解读LangChain 解读LoRA 解读RAG 大模型应用框架之Semantic Kernel 浅析多模态机器学习 大模型应用于数字人 深度学习架构的对比分析 老码农眼中的大模型（LLM） 4. ANP：Web智能体的未来 在当前所有的代理协议中，代理网络协议 (ANP) 最符合主动推理和空间网络的要求。ANP 建立在分布式标识符 (distributed identifiers，DIDs) 和 JSON LD 链接数据之上，它允许智能体在语义上描述自己，在全局范围内发现彼此，并进行对等通信。 我们做一个简单的类比，想象一个全球性的，安全的AI 智能体在线市场，ANP 为智能体提供了 id (如数字护照) 和规则，以发现彼此，证明他们的身份，并公开和安全地协作。协议本身会携带身份信息、身份验证信息，目前主要是使用W3C的DID方案，一个智能体可以用自己的身份信息，与其他所有的智能体进行交互，不必在其他智能体平台申请账号。ANP采用了去中心化的身份安全通信，基于关联数据的语义建模，通过开放注册表或搜索索引智能体的描述进行发现。 ANP的核心概念是Interface，包括自然语言接口和结构化接口，将智能体交互方式的定义下放到了Interface中，支持自主发现、去中心化身份验证和语义推理，虽然 ANP 目前不支持像 rgm 这样的预测或分层推理体系结构，但是它的基础设施可以提供传输和发现层的智能体。 ANP的智能体描述则是基于JSON LD和http://schema.org，这是语义网的技术，具体可以参考《 从语义网到知识图谱 》一文。其目的是提高两个智能体对信息理解的一致性。ANP采用的是语义网的Linked Data技术，目标是构建一个便于AI访问和理解的AI原生数据网络。 从语义网到知识图谱 同样，ANP可能缺乏共享的全局上下文和空间网络提供的事务性知识图谱。它能够连接智能体，但不连接它们的环境。这或许是空间网络开始接管的地方。 5.智能体间通信协议的思考 在一定意义上，A2A 和 MCP 是互补的，它们解决的是AI 智能体完全不同的部分，而且它们实际上可以配合得非常好。可以把 MCP 看作是让AI 智能体接入世界的协议， MCP使智能体能够访问文件、 api 和数据库，基本上就是他们做一些有用的事情所需要的所有结构化上下文。无论是提取实时销售数据还是生成自定义报告，MCP 都处理与工具和数据的连接。A2A 是智能体开始合作的地方，A2A 为他们提供了一种共享的语言和一套规则来发现彼此、委派任务、协商他们如何一起工作ーー即使他们是由不同的供应商构建或运行在不同的平台上。 简单而言，MCP 连接AI和工具，而A2A 连接 AI 和其他 AI，它们共同构成了构建智能协作系统的强大模块基础。 ACP采用了完全不同的方法。这完全是本地优先代理协调的问题，不需要云服务。ACP 不使用 HTTP 和基于 web 的发现，而是允许代理在共享运行时内部相互查找和通信。这非常适用于带宽有限或者需要低延迟 (比如机器人技术或者设备上的助手) 的场景, 或者隐私级别很高，以及在没有互联网的环境中部署 (例如，工厂车间、边缘节点)。 ACP 并非试图与 A2A 竞争，它只是填补了一个不同的利基市场。但是在一些设置中，特别是在严格控制的环境中，ACP 可能完全取代 A2A，因为它跳过了 web 本地协议的开销，只是在本地完成工作。 ANP 则像是充满了互联网情怀方法，实现智能体在互联网上的连接与协作。ANP的最大价值在于社区对未来智能体互联网的设想，是社区独特的互联网理念（连接即权力），以及DID+语义网的技术路线。这可能是ANP演进的核心动力。 MCP/ACP/A2A 使用注册表或服务描述符 (如代理卡) 来公布代理功能。每个协议都定义了自己的发现方法，通常需要一个已知的目录或端点。ANP 更进一步，通过 JSON LD 和 did 实现去中心化发现，使代理具有自主身份和开放 web 上的语义可见性。 特性 MCP ACP A2A ANP 功能聚焦 面向大模型的上下文注入 智能体的本地协作 跨平台的智能体通信 跨平台跨网络的智能体通信 通信模型 客户机/服务器（host/server 模型） 去中心化的本地运行时 基于HTTP的客户机/服务器，采用智能体Cards 基于HTTP的客户机/服务器，采用JSON LD 应用范围 垂直集成（模型调用工具） 本地优先的智能体运行时 智能体之间的水平集成 开放网络中智能体之间的水平集成 发现机制 在服务器上的工具注册 本地广播/运行时注册 HTTP上的A2A.json HTTP 上的智能体 descriptions 传输协议 HTTP(s),JSON IPC,ZeroMQ,gRPC(灵活） HTTP(s),JSON RPC2.0 HTTP(s), JSON LD 安全模型 App层验证，OAuth2，有范围的API 运行时沙箱，私有网络的安全性 OAuth2，受限的开放端点 W3C DID技术构建去中心化的身份认证 适用场景 大模型应用访问外部数据或外部工具 边缘智能，嵌入式系统，离线智能体 跨平台多智能体工作流 跨网络跨平台的多智能体工作流 用例 大模型连接一组内部的API 设备内的多个小智能体协调 企业级分布式智能体的协作 互联网分布式智能体的协作 特性 特性 MCP MCP ACP ACP A2A A2A ANP ANP 功能聚焦 功能聚焦 面向大模型的上下文注入 面向大模型的上下文注入 智能体的本地协作 智能体的本地协作 跨平台的智能体通信 跨平台的智能体通信 跨平台跨网络的智能体通信 跨平台跨网络的智能体通信 通信模型 通信模型 客户机/服务器（host/server 模型） 客户机/服务器（host/server 模型） 去中心化的本地运行时 去中心化的本地运行时 基于HTTP的客户机/服务器，采用智能体Cards 基于HTTP的客户机/服务器，采用智能体Cards 基于HTTP的客户机/服务器，采用JSON LD 基于HTTP的客户机/服务器，采用JSON LD 应用范围 应用范围 垂直集成（模型调用工具） 垂直集成（模型调用工具） 本地优先的智能体运行时 本地优先的智能体运行时 智能体之间的水平集成 智能体之间的水平集成 开放网络中智能体之间的水平集成 开放网络中智能体之间的水平集成 发现机制 发现机制 在服务器上的工具注册 在服务器上的工具注册 本地广播/运行时注册 本地广播/运行时注册 HTTP上的A2A.json HTTP上的A2A.json HTTP 上的智能体 descriptions HTTP 上的智能体 descriptions 传输协议 传输协议 HTTP(s),JSON HTTP(s),JSON IPC,ZeroMQ,gRPC(灵活） IPC,ZeroMQ,gRPC(灵活） HTTP(s),JSON RPC2.0 HTTP(s),JSON RPC2.0 HTTP(s), JSON LD HTTP(s), JSON LD 安全模型 安全模型 App层验证，OAuth2，有范围的API App层验证，OAuth2，有范围的API 运行时沙箱，私有网络的安全性 运行时沙箱，私有网络的安全性 OAuth2，受限的开放端点 OAuth2，受限的开放端点 W3C DID技术构建去中心化的身份认证 W3C DID技术构建去中心化的身份认证 适用场景 适用场景 大模型应用访问外部数据或外部工具 大模型应用访问外部数据或外部工具 边缘智能，嵌入式系统，离线智能体 边缘智能，嵌入式系统，离线智能体 跨平台多智能体工作流 跨平台多智能体工作流 跨网络跨平台的多智能体工作流 跨网络跨平台的多智能体工作流 用例 用例 大模型连接一组内部的API 大模型连接一组内部的API 设备内的多个小智能体协调 设备内的多个小智能体协调 企业级分布式智能体的协作 企业级分布式智能体的协作 互联网分布式智能体的协作 互联网分布式智能体的协作 接下来，一种理想的情况是各协议趋同互补。设想一个统一的智能体平台，其中 A2A 处理企业内部智能体之间的来回操作，MCP 管理对工具和数据的访问，ACP风格的运行时插件用于边缘或离线场景，ANP则可以安全地使用互联网上的各种智能体。一切正常运行，开发人员可以在此基础上进行构建，而无需担心哪个协议在幕后做什么。最坏的情况是支离破碎，不同的供应商推出不同风格的MCP/ACP/A2A/ANP ，结果就是一团糟，就像 web 服务的早期，没有大量的胶水代码，什么都不能与其他任何东西进行交互。 开源工具和中间件可以挽救这种局面。这些项目位于代理和协议之间，抽象出它们之间的区别，并为开发人员提供一个干净、统一的 API ーー同时根据代理运行的位置和方式在底层进行转换。 6.小结 MCP，ACP，A2A，ANP基本上都能够使智能体相互发现对方、协商任务和直接共享消息。在大多数情况下，每个智能体管理自己的本地状态和上下文。 • MCP 简化了智能体访问工具和数据的方式。 • ACP 为企业智能体生态系统引入了本地结构化协作。 • A2A 通过创建共享任务语言解决了供应商锁定问题。 • ANP 推进了代理身份和发现的去中心化愿景。 虽然 MCP、 ACP、 A2A 和 ANP 都在解决当今的智能体通信需求方面取得了长足的进步，但它们都诞生于一个特定的环境 —— AI 智能体，并在当前的互联网结构中运行。随着向主动推理智能体和分布式智能的演进，可能都有其局限性。 【参考资料与关联阅读】 • https://modelcontextprotocol.io • Https://google.github.io/ Https://google.github.io/ • https：//agentcommunicationprotocol.dev • https://github.com/agent network protocol • https://zhuanlan.zhihu.com/p/1893720346567353628 • https://zhuanlan.zhihu.com/p/1894506009025836067 • A SURVEY OF AGENT INTEROPERABILITY PROTOCOLS,https://arxiv.org/pdf/2505.02279 • 大模型应用的10种架构模式 大模型应用的10种架构模式 • 7B？13B？175B？解读大模型的参数 7B？13B？175B？解读大模型的参数 • 大模型应用系列：从Ranking到Reranking 大模型应用系列：从Ranking到Reranking • 大模型应用系列：Query 变换的示例浅析 大模型应用系列：Query 变换的示例浅析 • 从零构建大模型之Transformer公式解读 从零构建大模型之Transformer公式解读 • 如何选择Embedding Model？关于嵌入模型的10个思考 如何选择Embedding Model？关于嵌入模型的10个思考 • 解读文本嵌入：语义表达的练习 解读文本嵌入：语义表达的练习 • 解读知识图谱的自动构建 解读知识图谱的自动构建 • “提示工程”的技术分类 “提示工程”的技术分类 • 大模型系列：提示词管理 大模型系列：提示词管理 • 提示工程中的10个设计模式 提示工程中的10个设计模式 • 解读：基于图的大模型提示技术 解读：基于图的大模型提示技术 • 大模型微调：RHLF与DPO浅析 大模型微调：RHLF与DPO浅析 • Chunking：基于大模型RAG系统中的文档分块 Chunking：基于大模型RAG系统中的文档分块 • 大模型应用框架：LangChain与LlamaIndex的对比选择 大模型应用框架：LangChain与LlamaIndex的对比选择 • 解读大模型应用的可观测性 解读大模型应用的可观测性 • 大模型系列之解读MoE 大模型系列之解读MoE • 在大模型RAG系统中应用知识图谱 在大模型RAG系统中应用知识图谱 • 面向知识图谱的大模型应用 面向知识图谱的大模型应用 • 让知识图谱成为大模型的伴侣 让知识图谱成为大模型的伴侣 • 如何构建基于大模型的App 如何构建基于大模型的App • Qcon2023: 大模型时代的技术人成长（简） Qcon2023: 大模型时代的技术人成长（简） • 论文学习笔记：增强学习应用于OS调度 论文学习笔记：增强学习应用于OS调度 • 《深入浅出Embedding》随笔 《深入浅出Embedding》随笔 • LLM的工程实践思考 LLM的工程实践思考 • 大模型应用设计的10个思考 大模型应用设计的10个思考 • 基于大模型（LLM）的Agent 应用开发 基于大模型（LLM）的Agent 应用开发 • 解读大模型的微调 解读大模型的微调 • 解读向量数据库 解读向量数据库 • 解读向量索引 解读向量索引 • 解读ChatGPT中的RLHF 解读ChatGPT中的RLHF • 解读大模型（LLM）的token 解读大模型（LLM）的token • 解读提示词工程（Prompt Engineering） 解读提示词工程（Prompt Engineering） • 解读Toolformer 解读Toolformer • 解读TaskMatrix.AI 解读TaskMatrix.AI • 解读LangChain 解读LangChain • 解读LoRA 解读LoRA • 解读RAG 解读RAG • 大模型应用框架之Semantic Kernel 大模型应用框架之Semantic Kernel • 浅析多模态机器学习 浅析多模态机器学习 • 大模型应用于数字人 大模型应用于数字人 • 深度学习架构的对比分析 深度学习架构的对比分析 • 老码农眼中的大模型（LLM） 老码农眼中的大模型（LLM） 🔗 原文链接： https://mp.weixin.qq.com/s/5udbNJFI... https://mp.weixin.qq.com/s/5udbNJFI... 原创 半吊子全栈工匠 喔家ArchiSelf2025年05月18日 20:25 北京 AI 智能体的兴起触发了AI应用协作的新领域。这些智能体不再局限于被动的聊天机器人或独立的系统，它们现在被设计用于推理、计划和协作ーー跨任务、跨域甚至跨组织。但随着这一愿景成为现实，一个挑战很快浮出水面： 智能体如何以一种安全、可伸缩和可互操作的方式可靠地相互交流、共享上下文并共同做出决策？ 一类新的通信协议应运而生。从模型上下文协议 (MCP) 到 IBM 和思科的智能体通信协议 (ACP) ，从谷歌的跨厂商智能体对智能体协议 (A2A) 到去中心化的代理网络协议 (ANP) ，这些协议正在竞相定义智能体在AI时代如何协调。 这些方法都带来了独特的优势，不是理论上的，它们正在被实现、试验和标准化ーー帮助开发人员解决当前的问题，并使第一波自治系统能够在生产环境中运行。它们对互操作性、上下文共享和安全通信的贡献不仅仅是有价值的，而且可能是必不可少的。 1. MCP ： 结构化上下文注入 Anthropic引入的模型上下文协议 (Model Context Protocol，MCP) 定义了一个标准化的接口，用于向大模型提供结构化的实时上下文。使得像 GPT 或 DeepSeek这样的语言模型可以访问工具和知识，减少了对硬编码集成或自定义流水线的需求，允许开发人员将 “实时” 信息插入其他静态模型 一个通俗一点的类比，可以将其视为大模型的通用适配器。它确保不同的应用程序可以轻松地插入它们的数据和函数，以便大模型可以有效地使用它们，而不管它们来自哪个源。 MCP的核心功能是上下文数据注入。MCP 允许外部资源 (如文件、数据库行或 API 响应) 直接拉入提示词或工作内存。所有这些都通过标准化的接口实现，因此大模型可以保持轻量且干净。MCP 还允许大模型动态地调用工具或者生成报告 ，并且按需调用。这就像给AI增加了一个可以访问一个工具箱，而且没有硬连接到模型本身的工具箱。MCP不是用所有可能的细节来填充提示词，而是帮助组合重要的背景信息，采用模块化的、即时的提示词构建，使用更智能的背景信息，更少的token，得到更好的输出。 MCP使用基于 json 的能力描述符在 HTTP (s) 上运行，在设计上是为与模型无关，任何具有大模型都可以利用兼容MCP的服务器。而且，与 API 网关和企业认证标准 (如 OAuth2) 兼容。 MCP 的典型应用场景是内部API与大模型的集成， 支持对结构化业务数据的安全、只读或交互式访问，而不暴露原始端点，能够为自治智能体配备来自 Salesforce、 SAP 或内部知识库等工具的运行时上下文。同时，根据用户会话、系统状态或任务流水线逻辑定制提示词。 MCP非常适用于业务或基于云的智能体生态系统中的多智能体工作流，使用标准化的 api 和 JSON 模式，旨在使用规划逻辑衡量AI之间的协作努力。基于MCP的智能体并不对物理世界进行推理，它们只提取数据、处理数据，然后根据事先训练和提示指令输出结果。智能体的理解是根据上下文注入的，而不是自我建模的。 2. ACP：受控环境中的结构化协作 智能体通信协议 (Agent Communication Protocol，ACP) 是一个开放标准，最初由 BeeAI 和 IBM 提出，用于支持在同一局部或边缘环境中运行的 AI 智能体 之间的结构化通信、发现和协作。 一个通俗的类比，我们