随着大模型（LLM）应用的快速发展，行业涌现出多种标准协议，帮助开发者更轻松地将AI模型与外部资源、其他智能体以及用户界面集成在一起。本篇文章面向具备一定技术基础但不熟悉大模型应用开发的读者，通俗介绍三大主流的集成协议——MCP、A2A 和 AG-UI——分别解决不同的集成难题。

MCP（Model Context Protocol，模型上下文协议）

【起源】

从简单的LLM（大模型）发展到更具自主能力的Agent（智能体）的标志之一是模型对外部工具与资源的连接与应用。但是，在没有统一标准时，AI 应用想要调用不同的数据源或工具往往需要编写定制的接口做单独适配，形成典型的 M×N 集成难题：M 个应用/模型和 N 个工具可能需要 M×N 次重复开发。这不仅让系统集成复杂、维护成本高，也限制了模型获取外部信息的能力。

这就像你的一台电脑，需要USB接口来连接各种键盘、鼠标、打印机、硬盘、摄像头等，而不是针对每个设备配备不同的接口和驱动。

为了解决这一问题，Anthropic 公司于 2024 年 11 月开源推出了 MCP（模型上下文协议） 。有人形象地将它比喻为 “AI 应用的 USB-C 接口” ——正如 USB-C 标准化了设备连接方式，MCP 提供统一的“接口”让 AI 应用/模型即插即用地连接各种外部数据源和工具，产生更准确的响应或自主完成任务。

【架构】

MCP 标准化了一种向AI应用/LLM提供上下文数据和工具的方式 。其架构采用****客户端-服务器模型****：

• 在需要使用外部资源/工具的 LLM 应用中嵌入 MCP 客户端，作为请求发起方

• 将外部资源/工具封装成轻量的 MCP Server，暴露标准化接口供LLM应用调用

MCP协议对以下部分进行了标准化：

• 消息与传输协议（JSON-RPC/HTTP/SSE等）

• 服务端与客户端提供的主要功能、交互流程与消息格式

• 必要的辅助功能（初始化、安全、服务端通知机制等）

【开发】

通常的MCP开发可以分为两种：

• *开发 MCP Server(s)*

也就是把你的数据源、工具、知识库等“封装”成一个符合 MCP 协议的 *MCP 服务器*，供 LLM 应用调用。这只需要借助MCP官方提供的多语言SDK即可；也有一些开源项目可以帮助把已有的企业API包装成MCP Server。

• **借助 MCP Server 开发 LLM 应用****

也就是在你的 LLM 应用里借助MCP 客户端调用一个或多个 MCP Server，获取外部能力。同样可以用 MCP 官方提供的 SDK 来实现；此外，像LangGraph这样的开发框架通常会提供MCP适配器以进一步简化集成工作。

这就像一台孤立的电脑需要连接到其他电脑/服务器，以交换数据和能力。不管你是Mac还是Windows/Linux，你需要统一说“TCP/IP”这样的语言，大家才能听懂。

谷歌在 2025 年 4 月的 Cloud Next 大会上正式发布了全新的 A2A 协议（Agent2Agent），为 AI 智能体之间的协作提供标准解决方案。旨在建立一个跨平台、跨供应商的****通用语言****，让不同架构的 AI Agent 也能无缝地互相通信、交换信息，安全高效地协同完成任务 **。**正如互联网协议让全球计算机连成网络，A2A 协议希望让各式各样的AI智能体连成一个“多智能体网络”。

这张图清晰的展示了A2A协议与MCP协议的定位差别：

【架构】

A2A协议定义了两个AI Agent之间如何通信与协作的格式和流程。基于A2A的集成架构如下：

**A2A也是**客户端-服务端****的通信模式，但这里的“客户端”和“服务端”都是智能体：发起请求的一方暂扮演客户端角色，被请求执行任务的一方则作为服务端提供能力 。在不同场景下，智能体可以动态地扮演这两种角色，实现点对点的灵活交互：

• *Agent Card（智能体卡片）*：相当于每个智能体对外公布的“服务说明书”和“名片”。描述智能体的名称、版本、调用端点、具备的技能、所需的认证方式等

• A2A Server：用来将一个Agent通过A2A协议对外开放的Server。接受任务请求并给予响应或通知；相对于MCP Server开放工具，A2A Server则开放出Agent。

• A2A Client：访问A2A Server的其他Agent。可见Client与Server是相对的，一个客户端Agent同时也可以通过A2A Server开放给其他应用。

A2A协议的交互流程相对MCP要更加复杂（毕竟调用Agent要比调用Tool复杂），这里仅了解其核心设计：

• 任务模型：服务端 Agent 实现标准的任务接口，负责接收并处理任务请求，管理任务状态并推送结果；客户端 Agent 则通过HTTP调用服务端 Agent的这些接口

• **任务流程：**任务通常按以下状态流转：已提交 (submitted) → 处理中 (working) → （可能需要额外输入 input-required）→ 完成 (completed) 或失败 (failed) 。A2A支持异步任务协作：有完善的通知和回调机制

• 交换内容：交互过程中双方可以交换消息和工件两类内容：消息可以包含文本、文件、结构化数据等多种形式内容；而工件则代表任务产出的最终结构化结果

【开发】

作为开放标准协议，A2A 的第一个版本的规范文档已经对公众发布；且已经发布了初步版本的SDK（Python、JS、Go、Java版本）与Samples，感兴趣的开发者可以先行试验，在小规模项目或测试中验证Agent互操作的可行性。

• **实现A2A Server：**如果你的智能体要作为“服务端”提供功能，需要实现协议规定的A2A Server的服务接口。如果你的框架已经开始支持 A2A接口封装（比如Google ADK），很可能只需配置开启 A2A 支持即可 。

• 调用其他 Agent**：**如果是作为“客户端”一方，你需要编写逻辑去发现目标 Agent 的地址并获取其 Agent Card。然后按照 Agent Card 提供的信息，调用其任务接口并获得结果。

【起源】

在 AI 系统中，最后与人直接互动的一环是用户界面（UI）。无论是聊天机器人面板、智能助手的应用界面，还是嵌入办公软件的AI功能，都需要一个前端界面来展示AI输出、获取用户输入。然而，以往每个AI代理接入界面往往采用各自不同的方法：有的通过简单的HTTP接口刷新页面，有的用 WebSocket 推送消息，有的需要轮询更新。导致开发者必须针对每个Agent单独编写交互逻辑，用户体验也很不一致。

CopilotKit 团队在 2025 年5月正式开源发布了 AG-UI 协议：*为 AI 智能体（Agent）与用户界面（UI）之间的实时、双向、结构化通信制定一个开放标准* 。AG-UI聚焦在前后端实时交互的问题上，确保无论后端智能体如何实现，前端UI都能用统一方式与之对话。可以理解成前端和后端AI智能体之间的“翻译官”：把智能体的话转换成界面懂的格式，同时把用户操作转换成智能体理解的事件 。有了它，不同AI代理都能说统一的“语言”和界面交流，开发者不再需要为每种代理各写一套UI接口。

【架构】

与传统的请求-响应模式不同，AG-UI 将前后端的交互抽象为一系列事件流：前端应用和后端智能体通过发送/接收事件来沟通彼此的状态和意图 。

AG-UI的关键特点有：

• *事件驱动的实时交互*：AG-UI 定义了标准化的事件模型，支持前后端之间保持持续的事件流通信 。代理的一举一动（发送消息、调用工具、状态更新等）都会以事件形式推送给前端；用户的操作（输入消息、点击按钮等）也作为事件发送给后端。协议规范了十余种事件类型（例如文本消息事件、工具调用开始事件、状态更新事件等） ，涵盖了常见的交互场景。前端通过订阅事件流可以实时获取AI的进展，不用频繁轮询；后端通过监听事件可以即时响应用户输入。**

• 双向协作**：**AG-UI 支持真正的双向协同。智能体能够连续输出内容给用户，也能根据用户的反馈调整自己的行为（Humain-in-the-Loop）；而前端也可以根据智能体的状态实时渲染UI（比如显示处理进度、工具调用的结果等），或把UI上的动作实时反馈给智能体。这使得 AI 更像一个随时互动的助手而非被动回答的机器。

此外，AG-UI没有严格限定低层传输机制，开发者可以根据需要选择SSE/WebSocket等多种方式，只要保证事件按规定格式和顺序达到即可。

总结

总体而言，MCP、A2A 和 AG-UI 这三个协议分别解决了大模型应用开发中不同层面的集成问题：

• MCP 提供模型对接外部数据与工具的统一接口，被誉为 “AI应用的USB-C端口”。它解决的是 “一个智能体如何接入外部资源” 的问题，让开发者不再为每种数据源写繁琐的适配代码 。

• A2A 则建立了智能体之间协作的共同语言，可视作 “AI智能体的网络协议”。它重点解决 “多个智能体如何互相对话协同” 的问题，为跨平台、多Agent的复杂系统奠定了标准基础 。

• AG-UI 专注于智能体与用户界面的实时交互，被喻为 “前端与AI的通用翻译官”。它回答的是 “智能体如何与用户高效沟通”，让AI的强大能力以一致且人性化的方式呈现在用户面前。

  

显然，这三者并非彼此替代的竞争关系，而是各有侧重、环环相扣，构成了大模型应用集成的完整生态 。开发者可以将它们组合使用：借助 MCP，让AI具备广泛的外部知识和工具操作能力；借助 A2A，让多个AI分工合作完成更复杂的任务；借助 AG-UI，将AI深度融入用户界面，实现流畅的人机交互 。通过标准化这些关键环节，AI 应用开发正变得类似搭积木：不同模块有清晰的接口契约，组合起来就能快速构建出功能强大的系统。

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。

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】