7.0
热点
AI SCORE
编程提效2025-05-25 19:00
Agent2Agent 与 MCP 的实战组合
DEV Community · HeetVekariya#MCP#Agent
Editor brief · 编辑速览
介绍如何结合 A2A 和 MCP 实现多智能体协作。这是构建复杂智能体系统时的关键技术。
介绍如何结合 A2A 和 MCP 实现多智能体协作。这是构建复杂智能体系统时的关键技术。
继续 A2A 和 MCP 系列的博客，本文聚焦于它们的结合实现。我们之前已经探讨了 A2A 和 MCP 的介绍及各自的独立实现。现在，我们将它们整合到一个统一的完整设置中。
Model Context Protocol（MCP）是一套规则集合，定义了 MCP 客户端与 MCP 服务器之间的通信应该如何被管理，以便有效利用第三方服务。
Agent-to-Agent Protocol（A2A）是一种开放协议，允许 agent 跨越不同的生态系统、框架或组织进行互操作。它支持一个动态的多 agent 环境，其中 agent 可以互相通信、发现彼此，并自主协作。
我已经为 AI 社区开发了一个 A2A 注册表，欢迎查看并在你的网络中分享。
你可能在各种博客中看到过 A2A 和 MCP 的独立实现，但很少有资源涵盖它们的结合使用。本博客旨在弥补这一空白，并引导你通过实践集成这两种协议。
在深入实际实现之前，重要的是理解 A2A 和 MCP 在结合设置中如何协同工作的基本流程。
在这个设置中，我们从一个主机 agent 开始，这是一个部署在我们自有基础设施内的 agent。这个 agent 配置为与其自己的 MCP 服务器通信，使其能够访问所需的第三方服务。
另一方面，我们有部署在外部基础设施上的远程 agent。这些 agent 可以通过 A2A 协议被发现，通常通过 /.well-known/agent.json 端点。主机 agent 使用这个 URL 来查找和与远程 agent 建立通信。
就像主机 agent 一样，远程 agent 也根据它们的特定需求配置了自己的 MCP 服务器。这个设置允许不同环境中的 agent 彼此发现和通信，同时仍然利用各自的 MCP 服务器与服务交互。
这个实现的目标是构建一个系统，能够通过动态检索来响应关于公司的自然语言查询：
与其硬编码 API 调用不同，我们将利用 A2A 和 MCP 协议来使 AI agent 能够按需发出这些请求。
例如，当被问到：
"告诉我关于苹果公司的股票和公司在做什么"
系统将：
接下来，我们将介绍使这个系统生效所需的组件。
为了访问实时信息，该项目定义了两个 MCP 服务器，它们包装公开 API。这些服务器充当 agent 与外部服务之间的桥梁，将 agent 请求转换为 API 调用，并以结构化格式返回数据。
每个 MCP 服务器与特定的外部数据提供商交互。通过遵守 MCP 标准，这些服务器允许任何 agent 使用它们，而无需直接处理低级 API 集成。在这个系统中，我们定义两个 MCP 服务器，一个用于网络搜索，另一个用于财务数据。一旦配置，这些服务器独立运行并处理 agent 请求。
路径：mcp_server/sse/search_server.py
路径：mcp_server/stdio/search_server.py
Agent 的设计具有明确的专业化分工。一个中央规划 agent 处理传入的用户查询，识别需要什么子信息，然后将任务委托给其他 agent。例如，一个 agent 可能执行网络搜索，而另一个专注于财务分析。这些 agent 与各自的 MCP 服务器通信以获取数据。
主机 Agent
搜索报告 Agent
股票报告 Agent
随着架构和组件的就位，让我们深入实际实现。
在我们开始编码之前，请确保满足以下先决条件。
如果你使用的是 Gemini API 的免费层，你需要更新整个项目中的模型名称。将 gemini-2.5-pro-exp-03-25 替换为可用的免费层模型，如 gemini-2.0-flash。
相应地更新以下文件：
注意：在这个特定的实现中，我们不会使用 Google 搜索 agent。但是，如果你计划包含它，你需要一个 Serper API 密钥，可以从 serper.dev 获取。
要开始实现，请按照以下步骤操作：
git clone https://github.com/Tsadoq/a2a-mcp-tutorial.git
在项目的根文件夹中，创建一个 .env 文件并添加以下环境变量：
FINNHUB_API_KEY=<your_api_key>
GOOGLE_API_KEY=<your_api_key>
SERPER_DEV_API_KEY=<your_api_key> # Required only if you plan to use the Google Search agent
使用以下命令运行股票 MCP 服务器：
uv run mcp_server/sse/stocks_server.py
这个服务器提供两个工具：
这个 MCP 服务器主要由股票报告 Agent 使用来收集财务数据。
uv run a2a_servers/agent_servers/stock_report_agent_server.py
这个 agent 将在 http://0.0.0.0:10000 上可用，并通过 /.well-known/agent.json 端点暴露其功能。其配置如下所示：
{
"name": "stock_report_agent",
"description": "An agent that provides US stock prices and info.",
"url": "http://0.0.0.0:10000",
"version": "1.0.0",
"capabilities": {
"streaming": false,
"pushNotifications": false,
"stateTransitionHistory": true
},
"defaultInputModes": [
"text"
],
"defaultOutputModes": [
"text"
],
"skills": [
{
"id": "SKILL_STOCK_REPORT",
"name": "stock_report",
"description": "Provides stock prices and info."
}
]
}
这个 agent 通过 return_sse_mcp_tools_stocks 函数获得对股票 MCP 服务器中定义的工具的访问权限。这个函数连接到 MCP 服务器（在端口 8181 上运行，如之前启动的那样）来检索可用的工具。
即使我们在这个实现中没有积极使用 Google 搜索 Agent，它仍然需要运行。主机 Agent 要求所有配置的 agent 在其初始化之前都是活跃的。
运行以下命令：
uv run mcp_server/sse/stocks_server.py
uv run a2a_servers/agent_servers/google_search_agent_server.py
uv run a2a_servers/agent_servers/host_agent_server.py
这是中央协调 agent。它接收用户查询，将其分解为子任务，并将这些任务委托给相关的 agent（例如，股票报告 Agent 和 Google 搜索 Agent）。
要向系统发送查询，请启动本地 A2A 客户端：
uv run a2a_servers/host_agent_server.py
这个脚本充当 A2A 客户端，向主机 Agent 发送用户查询，我们在之前的步骤中初始化了它。
完整过程可以可视化如下：
User (Query)
↓
run_from_local_client.py (A2A Client)
↓
Host Agent (plans the task)
├──> Stock Report Agent → MCP Stock Server → FinnHub API
└──> Google Search Agent → MCP Search Server → Serper.dev
↓
Host Agent compiles and sends final report
主机 Agent 部署在我们的基础设施上，通过 A2A 客户端本地访问。
股票报告 Agent 和 Google 搜索 Agent 在概念上被视为远程 agent。理想情况下，它们会部署在各自的远程域上，并通过 /.well-known/agent.json 端点访问。
但是，对于这个本地实现，我们通过在同一台机器（localhost）的不同端口上部署所有 agent 来模拟这个环境。
现在一切都已启动并运行，让我们使用本地客户端尝试几个查询。
Enter your query: what agents do you have access to ?
Answer:
I have access to the following agents:
- google_search_agent: An agent that handles search queries and can read pages online.
- stock_report_agent: An agent that provides US stock prices and info.
在这种情况下，主机 Agent 直接使用其发现能力来响应。没有任务被发送给远程 agent。
注意：A2A 客户端一次只能处理一个请求，所以你需要为每个查询手动重新运行它。
Enter your query: which symbol is used to retrieve stock details of Apple company ?
Answer:
AAPL is the symbol used to retrieve stock details of Apple Inc. I used the stock_report_agent to get this information.
Enter your query: What is the current stock value of APPL ?
Answer:
The current stock price of AAPL is 195.27, with a change of -6.09 and a percentage change of -3.0244. The day's high was 197.7, and the day's low was 193.46. The day's open price was 193.665, and the previous close price was 201.36.
这个结果与实时数据相匹配，如下所示：
你可以在运行股票 MCP 服务器和股票报告 Agent 的终端窗口中观察请求和响应日志。
你也可以通过启用 Google 搜索 Agent 来尝试结合查询。这允许主机 Agent 将任务委托给多个 agent 并聚合更丰富的、上下文相关的响应。
这个演示说明了 AI agent 如何可以通过使用 A2A 和 MCP 协议进行实时数据检索而得到增强。通过模块化职责并允许 agent 独立查询相关数据，我们创建了一个可扩展、可互操作的系统。
结合 A2A（Agent-to-Agent）和 MCP（Model Context Protocol）为 agent 协作、委托任务和动态获取实时数据提供了一种强大的方式。这个架构不仅简化了连接到第三方服务的过程，还构建了一个灵活且可扩展的系统，其中 agent 可以在不同的领域中推理、规划和行动。
这个博客演示了如何从头开始设置这样一个系统，并展示了实时功能的实际应用。从股票价格查询到规划多 agent 工作流，这是一个坚实的基础，可以在其上构建和扩展。
如果你发现这很有帮助，别忘了分享并关注更多 agent 驱动的见解。有想法或工作流在心中？加入下方评论中的讨论，或在 Twitter 或 LinkedIn 上联系。
源代码致谢：Matteo Villosio
图表致谢：Git Diagram