MCP+A2A融合协议落地:Agent协议层标准化,信任层才是最大硬仗
2026年6月25日Linux Foundation Agentic AI Foundation 正式发布了 MCP A2A 融合草案。说实话这个时间点选得挺有意思——正好赶在 WAIC 2026 开幕前一个月等于是给整个行业递了一张标准化路线图。如果你一直在关注 AI Agent 领域应该对这个消息不意外。MCPModel Context Protocol和 A2AAgent-to-Agent这两个协议一个管 Agent 和工具之间的通信一个管 Agent 和 Agent 之间的通信。过去半年这两个协议各自发展社区里也一直在讨论到底选哪个。现在 Linux Foundation 一句话把这事儿定了调不是二选一是互补。先搞清楚 MCP 和 A2A 分别解决什么问题MCP 最早由 Anthropic 提出解决的是 Agent 和外部工具之间的标准化连接问题。简单说以前你要让 Agent 调用一个 API、查一个数据库、读一个文件每种工具都要单独写适配代码。MCP 定义了一套统一的协议Agent 只需要实现 MCP Client工具提供方只需要实现 MCP Server两边就能自动对接。用过的都懂这就好比 USB 接口出现之前每个外设都有自己的接口标准键盘是 PS/2、鼠标是串口、打印机是并口——乱得一塌糊涂。MCP 就是 AI Agent 世界的 USB 标准。A2A 则是 Google 主推的解决的是 Agent 之间的通信和协作问题。当你有多个 Agent 需要协同工作——比如一个 Agent 负责搜索信息、一个 Agent 负责分析数据、一个 Agent 负责写报告——它们之间怎么传递任务、怎么协商优先级、怎么处理冲突A2A 就是干这个的。下面这张图把两者的分工画得很清楚A2A域MCP域MCPMCPMCPMCPMCPA2A 任务委派A2A 结果同步A2A 协商Agent A数据库工具API工具文件系统Agent B搜索工具代码执行器Agent C说白了MCP 管的是Agent 怎么用工具A2A 管的是Agent 之间怎么聊天。两者不是竞争关系而是解决不同层面的问题。融合草案到底定了什么Linux Foundation 这次的融合草案核心做了三件事第一明确了协议边界。MCP 和 A2A 不再各自为政而是有了明确的分工定义。MCP 负责 Agent ↔ Tool 的通信A2A 负责 Agent ↔ Agent 的通信。社区不用再纠结选哪个了两个都要用。第二统一了治理框架。两个协议都放在 Linux Foundation 旗下管理这意味着它们会共享相同的版本迭代节奏、安全审计标准、社区治理规则。对开发者来说不用再担心今天学了这个协议明天它被另一个协议替代了。第三定义了互通接口。融合草案里最关键的是一套桥接规范——当 Agent A 通过 MCP 调用了一个工具产生的中间结果需要传递给 Agent B 时怎么通过 A2A 把这个结果传过去草案定义了一套标准的序列化格式和传递机制。用代码来直观感受一下这个桥接过程importjsonfromdataclassesimportdataclass,asdictfromtypingimportAnydataclassclassMCPToolResult:MCP 工具调用结果tool_name:strresult:Any error:str|NoneNonedataclassclassA2ATask:A2A 任务定义task_id:strfrom_agent:strto_agent:strpayload:dictpriority:int1classMCP2A2ABridge: MCP → A2A 桥接器 将 MCP 工具调用结果封装为 A2A 任务消息 def__init__(self,agent_id:str):self.agent_idagent_id self.task_counter0defwrap_tool_result(self,mcp_result:MCPToolResult,target_agent:str)-A2ATask:将 MCP 结果包装为 A2A 任务self.task_counter1# 构建 A2A 消息体附带 MCP 调用上下文payload{source:mcp_bridge,tool_name:mcp_result.tool_name,tool_result:mcp_result.result,mcp_call_id:f{self.agent_id}_mcp_{self.task_counter},timestamp:2026-07-22T10:00:00Z}returnA2ATask(task_idftask_{self.task_counter},from_agentself.agent_id,to_agenttarget_agent,payloadpayload,priority1)# 使用示例bridgeMCP2A2ABridge(agent_idsearch_agent_01)# 模拟 MCP 调用数据库工具db_resultMCPToolResult(tool_namepostgres_query,result{rows:1500,columns:[id,name,score]})# 通过桥接器传给分析 Agenttaskbridge.wrap_tool_result(db_result,target_agentanalysis_agent_02)print(f生成 A2A 任务:{task.task_id})print(f目标 Agent:{task.to_agent})print(f载荷:{json.dumps(task.payload,ensure_asciiFalse,indent2)})这个桥接器虽然简单但体现了融合草案的核心思想MCP 和 A2A 不是两个孤岛而是通过标准化的桥接层无缝衔接。协议层就绪了信任层才是硬仗融合草案发布后社区的反应挺有意思。技术圈一片叫好觉得Agent 标准化终于有了定论。但企业级用户的态度更谨慎他们在关心另一个问题协议标准了但谁来保证 Agent 的行为是可信的说实话这确实是个真问题。回顾一下 Agent 的发展历程就能看出来2023-2024LLM 基础能力2025工具调用Function Calling2026 上半年MCP/A2A协议标准化2026 下半年信任层Agent 安全权限控制行为审计沙箱隔离结果验证当你的 Agent 可以自主调用工具、自主和其他 Agent 通信、自主执行任务时权限控制就变成了生死攸关的问题。比如一个财务 Agent 能不能直接调用银行转账 API一个代码 Agent 能不能直接 push 到生产分支这些不是协议能解决的问题需要在协议之上构建一套信任层。目前业界有几个方向在探索OAuth 2.0 扩展把 OAuth 的作用域Scope机制引入 Agent 工具调用Agent 只能访问被授权范围内的资源沙箱执行环境类似 Docker 容器的隔离机制Agent 的所有操作在沙箱内完成不影响宿主系统行为审计链用区块链记录 Agent 的每一次决策和操作实现事后可追溯对开发者的实际影响协议层标准化之后对开发者来说有几个直接的好处开发效率大幅提升。以前你要对接一个新的 API需要自己写适配层。现在只要这个 API 有 MCP Server你的 Agent 就能直接调用。社区里 MCP Server 的数量正在快速增长从数据库、搜索引擎到云服务覆盖越来越全。多 Agent 协作门槛降低。A2A 标准化之前多 Agent 系统基本都是各家自己搓的通信协议。现在有了统一标准不同团队开发的 Agent 可以直接对话——前提是大家都遵循 A2A 规范。技术栈选择更灵活。你可以用 LangChain 的 Agent 框架同事用 AutoGen 的框架只要两者都支持 MCP A2A就能互相配合。这比之前要么全用 LangChain要么全用 AutoGen的局面好太多了。下面是一个 MCP Server 的简单实现示例展示怎么把一个现有的 API 包装成 MCP 工具frommcp.serverimportServer,Toolfrommcp.typesimportTextContentimporthttpx# 创建 MCP ServerserverServer(weather-tool)server.tool()asyncdefget_weather(city:str)-list[TextContent]:查询城市天气 - 这是一个 MCP 工具asyncwithhttpx.AsyncClient()asclient:respawaitclient.get(fhttps://api.weather.com/v1/current,params{city:city})dataresp.json()return[TextContent(typetext,textf{city}当前温度:{data[temp]}°C, f湿度:{data[humidity]}%, f天气:{data[condition]})]# 启动 Serverif__name____main__:importasyncio asyncio.run(server.run())说实话这套东西写起来比想象中简单。MCP 的 Python SDK 封装得很干净核心就是定义工具函数、注册到 Server、启动服务。你的 Agent 只需要配置这个 MCP Server 的地址就能直接调用get_weather这个工具。写在最后MCP A2A 融合草案的发布标志着 AI Agent 从散兵游勇阶段进入了正规军阶段。协议层标准化是生态繁荣的前提——就像 HTTP 标准化之后 Web 才真正爆发一样。但协议层只是第一步。接下来的信任层、安全层、治理层每一个都比协议层更难啃。用 Linux Foundation 的话说“协议层已就绪信任层才是真正的硬仗。”对开发者来说现在是最好的入局时机。协议刚定下来生态还在早期现在把 MCP A2A 这套东西吃透等 Agent 真正大规模落地的时候你就有了先发优势。标签MCP协议、A2A协议、AI Agent、Linux Foundation、Agent标准化

相关新闻

MSPM0 ADC与温度传感器:从原理到实践的深度解析

MSPM0 ADC与温度传感器:从原理到实践的深度解析

1. MSPM0 ADC与温度传感器:从原理到实践的深度解析在嵌入式系统开发中,将物理世界的连续模拟信号(比如温度、压力、光照)转换为微控制器能够处理的数字信号,是赋予设备“感知”能力的第一步。德州仪器(TI&a…

2026/7/24 0:04:07阅读更多 →
JPA 返回的接口 数据怎么样装到对象里边

JPA 返回的接口 数据怎么样装到对象里边

在 JPA 中,将查询结果映射到自定义对象(VO/DTO),主要有以下几种方式。结合你项目中的实际情况(同时使用了 JPA 和 MyBatis-Plus),我按推荐度从高到低列出:一、接口投影(I…

2026/7/24 0:04:07阅读更多 →
java 两个 long id 怎么合并成一个long id 并且不重复

java 两个 long id 怎么合并成一个long id 并且不重复

“把两个 Long ID 合并成一个唯一的 Long ID,且保证不重复”这个需求,在 Java 里直接做数学上的“完美合并”是不可能的。因为两个 Long(各 64 位)要合并成一个 Long(64 位),在信息论上是有损压…

2026/7/24 0:04:07阅读更多 →
2024主流AI写作工具深度评测与选型指南

2024主流AI写作工具深度评测与选型指南

1. AI写作工具市场现状与核心需求2024年的AI写作领域已经形成了国内外产品同台竞技的局面。从学术论文到商业文案,从创意写作到技术文档,不同场景下的写作需求催生了各具特色的AI工具。ChatGPT作为国际标杆产品,DeepSeek代表国内技术新锐&…

2026/7/24 6:13:34阅读更多 →
Nginx与Apache服务器配置安全加固实战指南

Nginx与Apache服务器配置安全加固实战指南

1. 项目概述:当配置成为攻击者的“后门”在Web安全领域,我们常常将目光聚焦在应用框架的漏洞、数据库的注入攻击或是业务逻辑的缺陷上。这没错,它们是攻击的高频目标。但作为一名运维老兵,我见过太多因为“地基”不稳而导致的系统…

2026/7/24 6:13:34阅读更多 →
深入解析TI TPS65810/11 PMIC:从电源管理原理到嵌入式系统实战

深入解析TI TPS65810/11 PMIC:从电源管理原理到嵌入式系统实战

1. 项目概述与PMIC核心价值在嵌入式系统,尤其是智能手机、平板电脑这类对功耗和空间都极其敏感的设备里,电源管理单元的设计往往是决定产品成败的关键。你可能会觉得,不就是几个降压电路和LDO吗?但当你真正上手,面对处…

2026/7/24 6:13:34阅读更多 →
AI跨域训练性能暴跌?C++通信库的7大缺陷与优化实战

AI跨域训练性能暴跌?C++通信库的7大缺陷与优化实战

1. 项目概述:当AI撞上C的“墙”最近在跟几个做AI平台架构的朋友聊天,大家不约而同地提到了一个痛点:辛辛苦苦搭建的分布式AI训练系统,一到跨域(比如从公司北京机房到上海机房,或者从公有云A迁移到公有云B&a…

2026/7/24 6:13:34阅读更多 →
微信支付授权—扫码/押金授权操作教程—东方仙盟

微信支付授权—扫码/押金授权操作教程—东方仙盟

第一步:电脑上打开 微信支付微信支付 - 中国领先的第三方支付平台 | 微信支付提供安全快捷的支付方式微信支付是腾讯公司的支付业务品牌,微信支付商户平台支持线下场所、公众号、小程序、PC网站、APP、企业微信等经营场景快速接入微信支付。微…

2026/7/24 6:13:34阅读更多 →
华为OD机试C++题解:滑动窗口与哈希集合破解字符串解密

华为OD机试C++题解:滑动窗口与哈希集合破解字符串解密

1. 项目概述:从一道机试题看华为OD的选拔逻辑最近在技术社区和求职圈里,华为OD(Outsourcing Dispatch)的机试成了一个绕不开的话题。很多朋友,尤其是刚接触C不久或者准备转行做开发的,一听到“机试”两个字…

2026/7/24 6:11:34阅读更多 →
Go语言静态资源打包方案对比与实践指南

Go语言静态资源打包方案对比与实践指南

1. 项目背景与核心需求在Go语言开发中,我们经常需要处理静态资源文件的打包问题。无论是Web应用的模板文件、前端资源,还是配置文件、证书等,都需要随程序一起分发。传统做法是将这些文件与编译后的二进制文件放在同一目录下,但这…

2026/7/24 0:58:53阅读更多 →
Go语言实现高性能LDAP认证服务的架构与实践

Go语言实现高性能LDAP认证服务的架构与实践

1. 项目背景与核心价值LDAP(轻量级目录访问协议)作为企业级身份认证的黄金标准,已经服务了超过80%的财富500强公司。我在金融科技领域实施统一认证体系时,发现传统Java方案存在启动慢、内存占用高等痛点。而Go语言凭借其协程并发模…

2026/7/24 0:58:53阅读更多 →
【AI面试官实战指南】:用ChatGPT模拟10类高频技术岗面试,3天提升应答精准度92%

【AI面试官实战指南】:用ChatGPT模拟10类高频技术岗面试,3天提升应答精准度92%

更多请点击: https://intelliparadigm.com 第一章:AI面试官实战指南的核心价值与适用场景 AI面试官并非替代人类HR的“黑箱工具”,而是以可解释、可审计、可迭代的方式,赋能招聘全链路的关键基础设施。其核心价值在于将主观经验沉…

2026/7/24 0:58:53阅读更多 →
我的编程之路:第一篇博客

我的编程之路:第一篇博客

大家好,我是一名编程初学者,同时这也是我编程学习之路上的第一篇博客。在这里,我想要向大家介绍我的一些想法和规划。a.自我介绍我是一个刚刚接触编程的新手,目前在学习c语言,我对编程世界充满了强烈的好奇。当然&…

2026/7/24 0:00:06阅读更多 →
【LeetCode 54】螺旋矩阵

【LeetCode 54】螺旋矩阵

问题描述: 解法: 1、模拟(参考自【LeetCode 54】螺旋矩阵-CSDN博客) int *spiralOrder(int **matrix, int matrixSize, int *matrixColSize, int *returnSize) {static const int dirs[4][2] {{0, 1}, {1, 0}, {0, -1}, {-1, …

2026/7/24 0:00:06阅读更多 →
2026 WAIC:模型隐身、智能体疯野,厂商竞赛聚焦办公场景与商业闭环

2026 WAIC:模型隐身、智能体疯野,厂商竞赛聚焦办公场景与商业闭环

知春路不相信模型领先今年WAIC大会,昔日AI六小龙来了五家,分别是Kimi、阶跃星辰、Minimax、百川智能、零一万物。连放弃基模的百川和零一万物都来了,唯一缺席的竟是近几个月来风光无限的智谱。(DeepSeek一直不参加)WAI…

2026/7/24 0:00:06阅读更多 →
YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

如果你在部署 YOLOv8 时,发现推理速度只有可怜的 1-2 FPS,而别人的演示视频却能跑到 30 FPS 以上,那么问题很可能不在模型本身,而在于你的整个处理链路。很多开发者拿到一个训练好的 YOLOv8 模型后,会直接使用官方示例…

2026/7/23 22:58:43阅读更多 →
Coze与Dify对比指南:低代码AI应用开发从入门到实战

Coze与Dify对比指南:低代码AI应用开发从入门到实战

1. 从零到一:为什么你需要了解 Coze 和 Dify?如果你对 AI 应用开发感兴趣,但一看到“大模型”、“智能体”、“工作流”这些词就头疼,觉得门槛太高,那这篇文章就是为你准备的。很多开发者,包括我自己&#…

2026/7/23 18:58:18阅读更多 →
AI生图工具怎么选?2026年6月版实测对比

AI生图工具怎么选?2026年6月版实测对比

做自媒体的朋友应该都有体会:配图一直是个让人头疼的问题。2026年,AI生图工具已经非常成熟了,但工具太多反而不知道怎么选。以下是截至2026年6月我对主流AI生图工具的实测对比。Midjourney V8.1:速度之王2026年6月11日&#xff0c…

2026/7/23 18:58:18阅读更多 →