編者按： Google 新推出的 A2A 與 Anthropic 的 MCP 到底有何區(qū)別？它們是競爭關(guān)系還是互補的技術(shù)？

本文通過一個規(guī)劃夏威夷旅行的生動案例，清晰拆解了這兩大協(xié)議的本質(zhì)區(qū)別：MCP 更像是為單個 AI Agent 賦能的“超能力工具箱”，而 A2A 則是構(gòu)建了 AI Agent 專家團(tuán)隊間的“協(xié)作網(wǎng)絡(luò)”。作者基于實際項目經(jīng)驗，揭示了影響實際應(yīng)用這兩種協(xié)議的 3 項技術(shù)差異，同時還解讀了二者互為補充而非競爭的真實關(guān)系。

作者 | Zachary Huang

編譯 | 岳揚

01 引言：協(xié)作式人工智能的曙光

想想你是如何與同事合作完成那些復(fù)雜項目的 —— 你們互相分享信息、提出問題，并整合彼此的專業(yè)知識?，F(xiàn)在，請想象這些 AI Agent 也能做同樣的事情，它們不再各自為戰(zhàn)，而是通過協(xié)同工作來解決問題。

這正是 Google 于 2025 年 4 月 9 日發(fā)布的 Agent-to-Agent（A2A）協(xié)議[1]所追求的目標(biāo)。該協(xié)議將孤軍奮戰(zhàn)的 AI Agent 轉(zhuǎn)化為團(tuán)隊協(xié)作者：研究型助手可將研究成果無縫傳遞給文案助手，旅行規(guī)劃助手能直接與財務(wù)助手核對酒店預(yù)算 —— 全程無需人類扮演中間人的角色。開發(fā)者社區(qū)的熱情已然印證其價值，該協(xié)議上線數(shù)日即在 GitHub 斬獲 7000+ Stars[2] 的情況足以說明一切。但需注意的是，Anthropic 不久前推出的模型上下文協(xié)議（Model Context Protocol，MCP）[3]也抱有相似的愿景。

開發(fā)者該如何抉擇？A2A 是否只是換個了名字的 MCP？是否應(yīng)該優(yōu)先學(xué)習(xí)其中某個協(xié)議？抑或二者本就服務(wù)于不同場景？

本教程將撥開市場炒作的迷霧，為您實現(xiàn)：

• 用通俗易懂的語言解釋這兩種協(xié)議
• 揭示影響實際應(yīng)用這兩種協(xié)議的 3 項技術(shù)差異
• 解讀二者互為補充而非競爭的真實關(guān)系

本文不會有過多的技術(shù)術(shù)語，只有對這些協(xié)議是如何重塑人工智能協(xié)作范式的清晰見解。閱讀完本文，相信您將精準(zhǔn)掌握 A2A 相較 MCP 的獨特優(yōu)勢（反之亦然）。準(zhǔn)備好探索這場技術(shù)熱潮了嗎？讓我們來一探究竟！

02 MCP vs. A2A

假設(shè)您正在計劃一場夏威夷夢幻之旅，需要考慮的事情太多了！您需要：

• 查看天氣預(yù)報以確定最佳出行月份
• 在預(yù)算內(nèi)篩選最合適的航班
• 根據(jù)當(dāng)?shù)厝说慕ㄗh規(guī)劃活動項目
• 進(jìn)行貨幣轉(zhuǎn)換，了解當(dāng)?shù)匚飪r水平

這些任務(wù)涉及完全不同的專業(yè)領(lǐng)域！現(xiàn)在假設(shè)您擁有一位名為 Claude 的 AI Agent。您可以詢問："Claude，下周茂宜島（Maui）的天氣如何？"

但問題在于：Claude 是根據(jù)過往的數(shù)據(jù)訓(xùn)練出來的，既不了解實時的天氣狀況，也無法預(yù)測下周的天氣。這就好比去詢問你那位雖然聰明但近期未到訪過該城市的朋友 —— 他們確實無從知曉！此時就需要本文討論的這兩大技術(shù)協(xié)議來破局。

2.1 MCP：賦予 AI Agent 超能力

模型上下文協(xié)議（Model Context Protocol，MCP）如同為任意 AI Agent 裝備"按需調(diào)用專業(yè)工具"的超能力。

未啟用 MCP 時的對話場景可能如下：

您問："下周茂宜島（Maui）的天氣如何？"

Claude 答："我無法獲取實時天氣數(shù)據(jù)或天氣預(yù)報，建議您查詢氣象服務(wù)網(wǎng)站。"

這樣的回答顯然令人失望。但啟用 MCP 后：

您問："下周茂宜島的天氣如何？"

Claude 答：[通過 MCP 連接氣象服務(wù)] "最新氣象預(yù)報顯示，下周茂宜島天氣晴朗，氣溫約82°F，周三下午可能有短暫陣雨。"

這個過程背后包含四個簡單的步驟：

1) 發(fā)現(xiàn)可用的“超能力” 。Claude 會檢索工具庫，詢問："今天我有哪些酷炫工具可以使用？" 然后發(fā)現(xiàn)有一個氣象服務(wù)可以使用。（代碼實現(xiàn)：調(diào)用 list_tools[4]）

2) 構(gòu)建服務(wù)請求。Claude 生成一條精準(zhǔn)的指令："嘿，天氣工具，請?zhí)峁┫轮苊藣u的天氣預(yù)報"（但是這條指令是以計算機語言表述的）（代碼實現(xiàn)：調(diào)用 call_tool[5]）

3) 獲取到專家水平的響應(yīng)。氣象服務(wù)施展魔法并返回響應(yīng)："茂宜島：82°F，晴，周三下午有小雨！"（代碼實現(xiàn)：執(zhí)行 Tool.run[6]）

4) 轉(zhuǎn)譯為人類語言。Claude 將專業(yè)的天氣預(yù)報轉(zhuǎn)化為通俗易懂的對話聊天式回復(fù)（代碼實現(xiàn)：從call_tool[7] 獲取結(jié)果）

此處的神奇之處在于，MCP 為任意 AI Agent 與任意工具的交互構(gòu)建了一條標(biāo)準(zhǔn)化的通道。 這就像構(gòu)建了一個適配所有電器與插座的通用適配器。

• 對工具開發(fā)者而言：只需按照 MCP 標(biāo)準(zhǔn)開發(fā)氣象 API、計算器或電子郵件發(fā)送器等工具，即可兼容 Claude、GPT、Gemini 等所有支持 MCP 的 AI Agent。
• 對普通用戶而言：用戶所使用的 AI Agent 突然解鎖了實時天氣查詢、電子郵件發(fā)送、會面預(yù)約等超能力，所有功能無需針對每項任務(wù)單獨編程即可實現(xiàn)。

2.2 A2A：組建您的 AI 夢之隊

但面對復(fù)雜的夏威夷行程規(guī)劃，僅獲取天氣數(shù)據(jù)還遠(yuǎn)遠(yuǎn)不夠 —— 你還需要整合航班和酒店的預(yù)定、安排活動項目、控制預(yù)算等多領(lǐng)域的專業(yè)能力。這正是 Agent-to-Agent（A2A）協(xié)議大展身手的舞臺。如果說 MCP 是連接 AI 與各種工具的橋梁，A2A 則是用來建立專業(yè) AI Agents 間的協(xié)作網(wǎng)絡(luò)。

想象一下假如你擁有這樣一只旅行夢之隊：

• 深諳航空路線與票價的航班專家
• 能精準(zhǔn)匹配你的住宿偏好的酒店達(dá)人
• 熟悉夏威夷各種活動與文化的本地向?qū)?/li>
• 嚴(yán)格把控支出的預(yù)算管家

借助 A2A，您的個人助手（Personal Agent）可將假期規(guī)劃任務(wù)分派給這些專家，繼而整合他們的專業(yè)建議。

未啟用 A2A 時的對話場景可能如下：

您問："請為我規(guī)劃 6 月份的夏威夷 5 日游，預(yù)算 3000 美元。"

個人助手答："我能提供一些常規(guī)性的建議，但無法獲取實時航班價格或酒店空房信息。至于活動，我能推薦一些熱門的選擇，但無法確定是否符合您的旅行日期或旅行預(yù)算。"

這對于擁有一個夢想中的假期顯然幫助有限！但啟用 A2A 后：

您問："請為我規(guī)劃 6 月份的夏威夷 5 日游，預(yù)算 3000 美元。"

個人助手答：[通過 A2A 調(diào)度專家助手] "已為您制定完整的 6 月份夏威夷 5 日行程！從洛杉磯國際機場出發(fā)的往返機票（650美元）與茂宜島的海濱酒店（1200美元）合計 1850 美元，剩余 1150 美元的活動費用?；顒右?guī)劃如下：次日莫洛基尼火山口浮潛（145美元/人）、第三日傳統(tǒng)盧奧晚宴（120美元/人）、第四日哈納公路之旅（210美元/人）。剩余約 675 美元可用于餐飲與紀(jì)念品。您希望我為您預(yù)訂其中任何一項嗎？"

在幕后，您的個人助手（Personal Agent）正通過 A2A 協(xié)議編排這場假期交響曲：

1) 找到合適的專家。 個人助手翻閱其數(shù)字版的"商務(wù)名片簿"（AgentCard[8]），篩選能在旅行、活動安排與制定預(yù)算等方面能提供幫助的專家助手（代碼實現(xiàn)：調(diào)用 A2ACardResolver[9] 獲取卡片）

2) 任務(wù)分解和派發(fā)。 個人助手將您的假期夢想拆解為多個易于管理的任務(wù)：

• 任務(wù)1：查詢航班/酒店 → 旅行助手
• 任務(wù)2：推薦活動 → 本地向?qū)е?/li>
• 任務(wù)3：預(yù)算審核 → 預(yù)算助手

3) 航班任務(wù)派發(fā)

• 個人助手將任務(wù) 1 封裝為數(shù)字包（Task[10]），分配追蹤編號如"task-123"
• 通過 tasks/send 指令發(fā)送至旅行助手（代碼實現(xiàn)：調(diào)用 A2AClient.send_task[11] 與 TaskSendParams[12]）
• 旅行助手開始尋找最合適的航班與酒店
• 個人助手 → 旅行助手："請為總預(yù)算為 3000 美元的一對情侶查找 6 月份從洛杉磯國際機場飛往夏威夷的平價航班，以及茂宜島 5 日的酒店選擇。"
• 旅行助手 → 個人助手："已找到夏威夷航空公司洛杉磯國際機場（LAX）至 OGG（茂宜島）的往返機票，650 美元/人。阿羅哈海灘度假村（Aloha Beach Resort）提供 240 美元/晚的客房，5 晚合計 1200 美元。兩項均含可免費取消的服務(wù)條款。"

4) 在“活動安排”與“預(yù)算制定”階段上重復(fù)以上步驟

• 個人助手對其他任務(wù)執(zhí)行相同的封裝-派發(fā)流程，為每位專家分配專屬任務(wù)與追蹤編號
• 個人助手 → 本地向?qū)В?請為 6 月份的茂宜島情侶 5 日游推薦最佳活動方案，剩余預(yù)算 1150 美元。"
• 本地向?qū)?→ 個人助手："推薦活動：莫洛基尼火山口浮潛（145 美元/人）、老拉海納盧奧晚宴（120 美元/人）、哈納公路導(dǎo)覽游（210 美元/人）。這些項目六月可預(yù)定且評分極高。"
• 個人助手 → 預(yù)算助手："請審核該方案是否符合 3000 美元預(yù)算：650 美元的機票+1200 美元的酒店+475 美元的主要活動安排，剩余預(yù)算用于餐飲與紀(jì)念品支出。"
• 預(yù)算助手 → 個人助手："核心支出 2325 美元，剩余 675 美元（約 135 美元/日）可用于餐飲與購物。若靈活搭配較為高端的餐廳用餐與經(jīng)濟(jì)型簡餐，該預(yù)算在夏威夷屬合理范圍。"

5) 狀態(tài)跟蹤機制

• 個人助手通過 tasks/get 指令定期查詢："任務(wù) task-123 完成了嗎？"（代碼實現(xiàn)：調(diào)用 A2AClient.get_task[13]）
• 當(dāng)助手返回"已完成"狀態(tài)（TaskStatus[14], TaskState[15]），個人助手提取響應(yīng)包中的成果（Artifact[16]）

6) 制定完美的假期方案。個人助手將所有專家建議制定成專屬您的完美假期方案！

最終，您的個人助手將所有專家知識整合為一個連貫的旅行計劃。整個過程您無需參與 —— 您只需坐享這份由專家團(tuán)隊精心打造的完整行程！

2.3 完美的組合

當(dāng) MCP 和 A2A 協(xié)同工作時，真正的奇跡就會發(fā)生：

1. 您的個人助手通過 A2A 連接專業(yè) AI 智能體
2. 每個專業(yè)智能體通過 MCP 連接所需的特定工具
3. 由此形成 AI 智能體網(wǎng)絡(luò)，每個智能體都擁有獨特的超能力，共同為您服務(wù)

這就像擁有一個專家顧問團(tuán)隊（A2A）且為每個顧問配備專屬的工作設(shè)備（MCP）。它們合力可完成單個 AI Agent 無法獨自處理的復(fù)雜任務(wù)。

其中的關(guān)鍵區(qū)別在于誰在與誰對話：

• MCP: AI 智能體與工具進(jìn)行對話（Claude + 天氣服務(wù)）
• A2A: AI 智能體與其他 AI 智能體進(jìn)行對話（行程規(guī)劃師 + 酒店專家）

最妙之處在于其可擴展性。通過統(tǒng)一標(biāo)準(zhǔn)實現(xiàn)"一次開發(fā)，通用適配"——任何新開發(fā)的工具或智能體都能無縫接入現(xiàn)有生態(tài)，不同組件之間就像標(biāo)準(zhǔn)化接口的樂高積木，無需針對特定組合重復(fù)開發(fā)對接程序。

03 Beyond Tools vs. Agents：介紹他們真正的技術(shù)差異

"MCP 中智能體和工具對話，A2A 中智能體和其他智能體對話"這一解釋雖然淺顯易懂，但你可能會疑惑："這種劃分是否過于簡單？"

沒錯！"工具"與"智能體"的界限其實很模糊。事實上，正如 OpenAI 的文檔所示[17]，我們甚至可以將整個智能體當(dāng)作工具來使用！想象一下，讓你的 AI 智能體將另一個 AI 智能體作為工具調(diào)用 —— 這種操作會立即引發(fā)系統(tǒng)層級的指數(shù)級疊加。

如果您不滿足于表面解釋而想深入技術(shù)本質(zhì)，那就來對地方了。讓我們拋開"誰與誰對話"的表層差異，剖析使這兩個協(xié)議產(chǎn)生根本性不同的代碼層特征！

重要說明：以下分析內(nèi)容基于 Zach 在實際開發(fā)過程中形成的個人理解，部分細(xì)節(jié)可能出錯！若發(fā)現(xiàn)任何問題，歡迎留言探討 —— 這正是我們共同進(jìn)步的最佳方式。

3.1 差異1：自然語言與結(jié)構(gòu)化模式

使用 A2A 時，您只需說"100美元等于多少加元？"；而使用 MCP 時，必須嚴(yán)格按照貨幣工具要求的格式輸入 —— 例如 {"currency_from": "USD", "currency_to": "CAD", "amount": 100}。這是完全不同的交流方式！

A2A 的交流方式類似人類對話

A2A 采用類似人類自然對話的方式交流：

# A2A Client sending a task
user_message = Message(
    role="user",
    parts=[TextPart(text="How much is 100 USD in CAD?")]
)

接收消息的 Agent 能以最自然的方式理解請求 —— 就像向朋友求助時沒有嚴(yán)格的格式要求。

MCP 要求提供精確參數(shù)

而 MCP 則要求嚴(yán)格匹配預(yù)定義模式（predefined schema）中的參數(shù)：

# MCP Client calling a tool
tool_name ="get_exchange_rate"
# Must match EXACTLY what the tool expects
arguments ={"currency_from":"USD","currency_to":"CAD"}

如果未提供工具要求的精確參數(shù)（例如使用"from_currency"而非"currency_from"），調(diào)用就會失敗。這里沒有回旋余地！

Why This Matters

試想一下客服服務(wù)場景：A2A 如同能與你自然溝通的客服代表，即使你的問題無法歸類到預(yù)設(shè)標(biāo)簽中，也能準(zhǔn)確理解需求；MCP 則像填寫必須嚴(yán)格對號入座的表格，只能在特定字段輸入指定內(nèi)容。

A2A 的自然語言方法能應(yīng)對"非標(biāo)準(zhǔn)"請求并適應(yīng)新場景 —— 例如詢問"100美元夠不夠在多倫多吃雙人份晚餐？"，自然語言 Agent 能綜合貨幣知識和當(dāng)?shù)夭惋嫸▋r。而 MCP 的嚴(yán)格模式能確?？煽?、可預(yù)測的結(jié)果 —— 非常適合需要標(biāo)準(zhǔn)問題的精準(zhǔn)答案的場景。

3.2 差異2：任務(wù)生命周期與函數(shù)調(diào)用

A2A 將工作視為具有生命周期的完整任務(wù)，而 MCP 則將其視為獨立的函數(shù)調(diào)用。這類似于項目經(jīng)理（A2A）與計算器（MCP）的區(qū)別。

A2A 的多階段任務(wù)管理

A2A 的核心是圍繞“任務(wù)”概念構(gòu)建的，“任務(wù)”具有包含多個狀態(tài)的完整生命周期：

# A2A Task has explicit states in its lifecycle
{
"id":"task123",
"status":{
"state":"running",# Can be: pending → running → completed/failed
"startTime":"2025-04-12T10:30:00Z"
},
"artifacts":[...]# Partial results as they're created
}

“任務(wù)”可以在不同狀態(tài)間自然流轉(zhuǎn) —— 可以是啟動狀態(tài)、需要更多輸入、生成部分結(jié)果，最終的完成或失敗狀態(tài)。A2A 協(xié)議本身就能管理這一生命周期，使其非常適合具有不確定性的復(fù)雜、多階段的工作。

MCP 的單階段操作

MCP 的操作本質(zhì)上是單階段的 —— 它們要么成功要么失?。?/p>

# MCP has no built-in "in-progress" or "needs more input" states
result = client.call_tool("get_exchange_rate",{"from":"USD","to":"CAD"})

# If arguments are invalid or missing, it simply fails with an error
# There's no protocol-level "input-required" state

如果工具需要更多信息，無法通過協(xié)議直接請求 —— 它必須返回報錯信息，或由客戶端應(yīng)用程序處理創(chuàng)建一個新的、單獨的請求。進(jìn)度更新是可選的附加功能，而非操作生命周期的核心部分。

Why This Matters

想象一下翻新房屋與使用單個工具的區(qū)別。A2A 就像雇傭一位承包商管理整個翻新項目 —— 他們會處理所有階段、向你匯報進(jìn)度，并解決突發(fā)問題。MCP 則像單獨呼叫各個專家 —— 水管工做一件事，電工做另一件事，無人全程跟進(jìn)整體項目進(jìn)度。

A2A 在需要適應(yīng)性、存在不確定性且涉及復(fù)雜多階段的工作中表現(xiàn)卓越，例如項目研究、創(chuàng)意工作或解決復(fù)雜問題。

MCP 在需要精確的獨立操作（具有可預(yù)測的輸入和輸出）時表現(xiàn)優(yōu)異，例如數(shù)據(jù)計算、數(shù)據(jù)檢索或特定類型的數(shù)據(jù)轉(zhuǎn)換。

3.3 差異3：宏觀的、通用性強的技能 vs. 明確的、步驟化的具體功能

A2A 是籠統(tǒng)地描述智能體能做什么，而 MCP 則詳細(xì)說明了可用的具體功能及其調(diào)用方式。

A2A 的能力描述

A2A 以概括性的、靈活的術(shù)語描述智能體的能力：

# A2A AgentCard example
agent_skill = AgentSkill(
id="research_capability",
    name="Research and Analysis",
    description="Can research topics and provide analysis.",
    examples=[
"Research quantum computing advances",
"Analyze market trends for electric vehicles"
]
# Notice: no schema for how to invoke these skills!
)

它就像一份簡歷，告訴你某人擅長什么，而不是具體為他如何分配工作。

MCP 的功能規(guī)范

MCP 精確定義了每項可用功能：

# MCP tool definition
{
"name":"get_exchange_rate",
"description":"Get exchange rate between currencies",
"inputSchema":{
"type":"object",
"properties":{
"currency_from":{"type":"string"},
"currency_to":{"type":"string"}
},
"required":["currency_from","currency_to"]
}
}

它就像一本說明書，沒有任何解釋的余地。

Why This Matters

想象一下工作分配場景。使用 A2A 類似于只告知某個團(tuán)隊成員"你負(fù)責(zé)這個項目的調(diào)研部分" —— 他們將根據(jù)自身專業(yè)知識自行規(guī)劃實施細(xì)節(jié)。使用 MCP 則如同給出詳細(xì)的逐步操作指令："用這三個關(guān)鍵詞搜索這三個數(shù)據(jù)庫，并按此格式整理結(jié)果"。

A2A 模式鼓勵創(chuàng)造性思維、主動性和應(yīng)對突發(fā)情況的能力。智能體可根據(jù)探索過程中發(fā)現(xiàn)的新信息動態(tài)調(diào)整策略。

MCP 模式則確保執(zhí)行過程的一致性、可預(yù)測性，以及對操作流程和結(jié)果的精準(zhǔn)控制。這種方式特別適用于需要嚴(yán)格遵循既定程序的場景。

04 二者的理念差異

這三項技術(shù)差異反映了對于 AI 協(xié)作的不同理念：

• MCP 的核心理念："明確告知需要完成的具體內(nèi)容及執(zhí)行方式"
• A2A 的核心理念："告訴我你想要完成什么，我將自主規(guī)劃實現(xiàn)路徑"

可以將 MCP 類比為樂高積木 —— 精準(zhǔn)、可預(yù)測、組合方式明確。A2A 則更似陶土 —— 靈活、適應(yīng)性強、能夠呈現(xiàn)您最初可能未曾設(shè)想的形態(tài)。

其精妙之處在于無需二選一！許多復(fù)雜的系統(tǒng)將同時運用這兩種模式：MCP 用于精確執(zhí)行工具，A2A 用于專業(yè)智能體之間協(xié)作解決問題。

05 結(jié)論：協(xié)作型 AI 即未來

我們已剖析了 A2A 與 MCP 的核心差異，其本質(zhì)在于：它們不是非此即彼的技術(shù)標(biāo)準(zhǔn)，而是解決同一難題不同部分的互補性方案。

可將 MCP 視為精確工具的構(gòu)建者，A2A 則是專家團(tuán)隊的組建者。當(dāng)二者協(xié)同運作時，真正的奇跡就出現(xiàn)了：

• MCP 通過標(biāo)準(zhǔn)化的工具連接為單個 AI 智能體賦予超能力
• A2A 使這些強化后的智能體能夠協(xié)作攻克復(fù)雜任務(wù)
• 二者合力構(gòu)建的生態(tài)系統(tǒng)，實現(xiàn)了專業(yè)能力與知識經(jīng)驗的無障礙交互共享

對開發(fā)者而言，這意味著他們不必糾結(jié)于人為制造的協(xié)議陣營對立。相反，你可以問問自己："我需要精準(zhǔn)的工具執(zhí)行（MCP）、智能體協(xié)作（A2A），還是兩者都需要？"答案完全取決于您的具體應(yīng)用場景。

未來將如何發(fā)展？隨著 AI 生態(tài)的成熟，這兩大協(xié)議的融合將日益加深。這些協(xié)議背后的企業(yè)都明白，協(xié)同工作能力才是未來的趨勢——孤島式的 AI 智能體終將被淘汰。最具價值的應(yīng)用不會局限于單一智能體搭配若干工具，而是統(tǒng)籌協(xié)調(diào)由專業(yè)智能體組成的完整團(tuán)隊。 開發(fā)者若能把握這一技術(shù)交匯點，就將成為構(gòu)建下一代真正具備協(xié)作能力的 AI 系統(tǒng)的先行者。

About the author

Zachary Huang

Incoming Researcher @MSFTResearch AI Frontiers. I work on LLM Agents and Sys | Phd@ColumbiaCompSci | Prev: @GraySystemsLab @databricks | Fellowship: @GoogleAI

END

本期互動內(nèi)容 ??

?您是否已經(jīng)在項目中應(yīng)用了這些協(xié)議？歡迎分享您的實踐經(jīng)驗和取得的成果。

文中鏈接

[1]??https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/??

[2]??https://github.com/google/A2A??

[3]??https://www.anthropic.com/news/model-context-protocol??

[4]??https://github.com/modelcontextprotocol/python-sdk/blob/70115b99b3ee267ef10f61df21f73a93db74db03/src/mcp/server/fastmcp/server.py#L173??

[5]??https://github.com/modelcontextprotocol/python-sdk/blob/70115b99b3ee267ef10f61df21f73a93db74db03/src/mcp/client/session.py#L256??

[6]??https://github.com/modelcontextprotocol/python-sdk/blob/70115b99b3ee267ef10f61df21f73a93db74db03/src/mcp/server/fastmcp/tools/base.py#L78??

[7]??https://github.com/modelcontextprotocol/python-sdk/blob/70115b99b3ee267ef10f61df21f73a93db74db03/src/mcp/client/session.py#L256??

[8]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L331??

[9]??https://github.com/google/A2A/blob/main/samples/python/common/client/card_resolver.py??

[10]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L85??

[11]??https://github.com/google/A2A/blob/main/samples/python/common/client/client.py#L34??

[12]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L129??

[13]??https://github.com/google/A2A/blob/main/samples/python/common/client/client.py#L68??

[14]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L65??

[15]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L11??

[16]??https://github.com/google/A2A/blob/main/samples/python/common/types.py#L75??

[17]??https://openai.github.io/openai-agents-python/tools/#agents-as-tools??

本文經(jīng)原作者授權(quán)，由 Baihai IDP 編譯。如需轉(zhuǎn)載譯文，請聯(lián)系獲取授權(quán)。

原文鏈接：

??https://zacharyhuang.substack.com/p/a2a-protocol-simply-explained-here??