一文搞明白！MCP vs Function Calling vs A2A 关系

最新推荐文章于 2025-05-15 22:56:41 发布
最新推荐文章于 2025-05-15 22:56:41 发布
阅读量896 收藏 14
点赞数 21
文章标签： 自然语言处理 AI大模型 ai LLM MCP A2A 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/star_nwe/article/details/147246795
版权

一、MCP vs Function Calling vs A2A 关系

1、MCP↔Function Calling 关系：设计理念与应用场景的差异

尽管 MCP 和 Function Calling 都旨在促进大语言模型（LLM）与外部工具和服务的交互，但它们在设计理念和应用场景上存在显著差异，尤其是在可扩展性方面。

img

1）Function Calling 的局限性

Function Calling 由于缺乏统一标准，不同 LLM 需要各自的函数定义格式。如果有 M 个不同 LLM 应用和 N 个不同工具/服务，理论上可能需要实现 M×N 次重复的对接工作。此外，Function Calling 本身并不直接支持多步调用组合，大模型只能一次调用一个函数，获取结果后如果需调用下一个函数，需要由应用逻辑将结果馈入大模型下一轮对话，再触发下一个函数调用。虽然在原理上可以实现函数输出作为输入形成链条，但这一切需要开发者在应用层精心编排，大模型自身缺乏对跨调用流程的全局观。

img

2）MCP 的扩展性优势

MCP 的扩展性则通过统一的接口标准，将复杂的 M（个模型）×N（个外部工具对接）问题转化为 M+N 的问题。工具创建者只需为每个工具/系统实现一次 MCP Server，应用开发者只需为每个应用实现一次 MCP Client，各自遵循通用协议即可协同工作，扩展新功能的边际成本大幅降低。

img

2、MCP↔A2A 关系：能力互补

那么，为什么在有了 MCP 之后，还需要 A2A 来协作不同 Agent 呢？对比 MCP 与 A2A，可以发现两者的关系更多是一种能力的互补：MCP 让 Agent 能够使用工具，而 A2A 让 Agent 能够与其他 Agent 协作。一个解决“做什么”，一个解决“与谁合作”。

img

背后的逻辑就像上班，有的同事（Agent）擅长研发汽车发动机，有的同事（Agent）擅长组装。所有人通过一个流水线串联共同完成一个项目，一定比一个同事（Agent）独自研发汽车，然后再组装并营销的效率更高。

3、A2A↔Function Calling 关系：能力协同

A2A 可以支持 Agent 之间的通信，而每个 Agent 可以通过 Function Calling 调用外部工具。

img

这种结合可以实现复杂的任务分配和协作，提升系统的整体性能。

4、未来趋势：技术融合

长期来看，我们可能会看到这三大通信机制（Function Calling、MCP、A2A）逐渐融合的趋势。不过，目前 OpenAI 和 Anthropic 尚未支持 A2A。这可能是因为，尽管大家在技术布道时都有自己的理念，但最终如何选择取决于商业决策。然而，从长期来看，技术融合之路势在必行。

img

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

在这里插入图片描述

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

BERT可视化工具bertviz体验
段智华的博客
02-15 6303
BERT可视化工具体验：bertviz是用于BERT模型注意力层的可视化页面。 1，bertviz的github地址：https://github.com/jessevig/bertviz 2，将bertviz项目clone到本地，启动Jupyter notebbok。 D:\PycharmProjects\bertviz-master>jupyter notebook 3，b...
用可视化方式解析BERT：深入理解上亿参数中的模式
DbjkKubernetes的博客
09-23 163
通过降维技术、相似度分析和其他可视化方法，我们可以将BERT模型的上亿个参数转化为直观的模式展示。当然，本文只是介绍了一些简单的可视化方法，实际上还有许多其他的技术和工具可以用于BERT模型的解构和分析。在本文中，我们将探索如何利用可视化方法来揭示BERT模型的内部机制，并提供相应的源代码。上述代码中，我们使用Hugging Face的transformers库加载了一个预训练的BERT模型，并获取了其所有参数。通过这样的可视化分析，我们可以更好地理解BERT模型中参数之间的关系和模式。
OpenAI重磅：首款AI Agent曝光！
m0_56255097的博客
01-19 927
前2天，OpenAI的一个全新子域名operator.chatgpt-staging.com被发现，这个便是Sam Altman在最新博客"reflections"中提到的重磅产品 —— OpenAI即将在2025年1月发布的首个AI Agent。这个消息一出，立刻引发了整个AI社区的热议。
一文讲透 MCP 与 Function calling，你想看的都在这里
Python_cocola的博客
04-11 1661
最终结果。GPT 返回了一个类型为。
MCP和Function Calling的区别
逐梦苍穹的博客
03-17 2141
最通俗易懂的讲解MCP和Function Calling的区别
MCP Server、Function Call与Agent：一文为你揭秘它们的核心区别！
m0_65555479的博客
03-06 2709
MCP Server、Function Call和Agent在AI生态中扮演着不同角色，分别对应“工具箱”、“瑞士军刀”和“智能工人”。三者各有优劣，开发者应根据任务复杂度、团队协作需求和安全隔离性综合选择。通过合理搭配，可以构建出高效、灵活的AI系统，释放大模型的最大潜力。
人工智能杂谈（五）MCP与Function Calling深度对比分析：技术演进、核心差异与未来展望
致力于硬件设计、人工智能知识及技术的分享，不断鞭策自己成长，共同进步！
05-03 1136
Function Calling技术最早由OpenAI在2023年6月随GPT-4模型推出，旨在解决大模型与外部系统交互的标准化问题。核心演进特征体现为：从单模型绑定 → 多平台适配 → 协议标准化过渡。
一文读懂A2A（Agent-to-Agent）开放协议：AI领域的TCP/IP协议
最新发布
女王の专属领地
05-15 926
A2A（Agent-to-Agent Protocol）是由谷歌于2025年推出的开放协议标准，旨在实现不同智能体之间的直接互通与协作。它通过标准化接口支持智能体间的动态服务发现、任务分配、数据交换和实时协作，打破“智能体孤岛”的局限。A2A的核心特性包括动态能力发现、任务生命周期管理、多模态协作和安全通信。它解决了传统AI系统中的生态碎片化、复杂任务瓶颈和实时协作缺失等问题，提升了开发效率和协作成本。A2A采用分布式三层架构，通过HTTP/SSE/JSON-RPC等协议实现智能体间的通信。应用场景涵盖企业
大模型MCP协议与Function Calling：构建更智能的AI生态系统
Ya-Jun 的博客
03-15 1653
MCP协议（Model Context Protocol）是由Anthropic推出的开源协议，旨在为大型语言模型与外部数据源、工具及服务提供标准化连接方式，解决传统集成方案碎片化的问题。MCP主机：如Claude Desktop或IDE工具。客户端：协议连接器。服务器：轻量级程序。本地或远程资源：如数据库、API等。通过统一协议，MCP实现了模型与数据源的安全双向交互。Function Calling是一种允许语言模型直接调用外部函数的技术。
MCP 和 Function Calling：概念
2401_84204207的博客
04-03 1323
Function Calling 是特定大模型（如 OpenAI 的 GPT-4、Qwen2 等）提供的一种机制，使模型能够主动生成结构化输出，以调用外部系统中预定义的函数或 API。MCP（Model Context Protocol，模型上下文协议）是 Anthropic 公司在 2024 年 11 月推出的一种标准协议。它的目的是给 AI 模型（如大语言模型）和外部数据源或工具之间建立起统一的通信接口。
BERT可视化工具bertviz
u013250861的博客
06-14 676
BertViz 是一种交互式工具，用于在Transformer语言模型（如 BERT、GPT2 或 T5）中可视化注意力网络。它可以通过支持大多数Huggingface 模型，可以简单地通过 Python API 在 Jupyter 或 Colab 笔记本中运行。BertViz 扩展了 Llion Jones的Tensor2Tensor 可视化工具，添加了多个视图，每个视图都为注意力机制提供了独特的视角。具体计算原理：https://towardsdatascience.com/deconstructing
bertviz：在Transformer模型中可视化注意力的工具（BERT，GPT-2，Albert，XLNet，RoBERTa，CTRL等）
02-03
贝特维兹 BertViz是用于可视化Transformer模型中注意力的工具，支持库中的所有模型（BERT，GPT-2，XLNet，RoBERTa，XLM，CTRL等）。 它扩展了的以及的库。 资源资源 :joystick_selector: :writing_hand_selector: :open_book: 总览 正面图 头部视图可视化给定转换器层中一个或多个注意头产生的注意模式。 它基于出色的。 尝试此 其中已预加载了头部视图。 头部视图支持Transformers库中的所有模型，包括： BERT： GPT-2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 模型视图 模型视图提供了对模型所有层和头部的关注的鸟瞰图。 试用此 其中已预加载了模型视图。 模型视图支持Transformers库中的所有模型，包括： BERT： GPT2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 神经元视图 神经元视图将查询和键向量中的单个神经元可视化，并
Model Context Protocol (MCP) 与 传统 Function Calling 到底什么区别,怎么选?
m0_59163425的博客
03-18 947
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，故此将并将重要的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。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。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。
一文搞懂MCP协议与Function Call的区别
weixin_55010563的博客
03-24 524
order_clothes 函数里，asyncio.create_task(prepare_clothes()) 这行代码就相当于你下了单，程序不会等着 prepare_clothes 函数执行完，而是会继续执行后面的代码，打印出“下单成功，你可以去做别的事啦”。你走进餐厅，跟服务员说“给我来一份红烧肉”，服务员听到你的话后，就去厨房把你的需求告诉厨师，厨师按照这个需求去做菜，做好了之后服务员再把菜端给你。就是说你调用一个函数之后，程序会一直等着这个函数执行完，把结果返回给你，才会继续执行后面的代码。
BertViz: 深入探索BERT模型的可视化工具
gitblog_00046的博客
03-20 953
BertViz: 深入探索BERT模型的可视化工具 bertvizBertViz: Visualize Attention in NLP Models (BERT, GPT2, BART, etc.) 项目地址:https://gitcode.com/gh_mirrors/be/bertviz 是一个强大的开源项目，专为理解、调试和优化Transformer架构，尤其是BERT（Bidirect...
首次使用BERT的可视化指导
之乎者也·的博客
01-07 1090
我们的目标是创建一个模型，它能够处理一个句子（就像我们数据集中的句子那样）并且输出1（表明该句子具有正面情感）或者0（表明该句子具有负面情感）。由于每个句子的长度可能会不同，因此需要对句子进行填充（Padding），保持每个句子的输入维度一致，句子填充的长度为该数据集中句子长度的最大值。，这会造成一定的困扰。本文中使用的数据集为SST2，它包含了电影评论的句子，每一句带有一个标签，或者标注为。这样，我们就把之前的每一个句子映射成了1个768维的句子向量，然后就利用。的事儿了，它负责将输入的向量进行分类。
检索增强生成RAG系列5--RAG提升之路由（routing）
代码还是得自己扣
07-02 1819
在系列3和系列4我讲了关于一个基本流程下，RAG的提高准确率的关键点，那么接下来，我们再次讲解2个方面，这2个方面可能与RAG的准确率有关系，但是更多的它们是有其它用途。本期先来讲解RAG路由。
一文搞懂MCP协议
04-02
<think>好的，我现在需要帮助用户了解MCP协议的基本概念和用法。首先，我应该先回顾一下用户提供的引用内容，确保信息准确。 根据引用[1]，MCP协议全称是Model Context Protocol，即模型上下文协议，属于理论篇的资源部分。这说明MCP协议可能涉及模型资源的上下文管理，可能用于协调不同模型或系统之间的交互。 引用[2]提到MCP是开源项目，旨在推动行业标准化和系统互操作性。Anthropic计划提供客户端示例和协议文档来帮助开发者。这部分信息指出MCP的用途在于促进不同系统的协作，并且有实际的应用支持，比如参考实现。 接下来，我需要整理这些信息，用清晰的结构呈现MCP的基本概念、核心功能、使用方法和应用场景。要注意用户可能作为开发者，需要具体的用法指导，比如如何接入协议、有哪些工具可用。 用户的问题包括介绍和使用方法，所以应该分两部分回答。基本概念部分要解释MCP的定义、目的和核心思想。使用方法可能需要分步骤，比如环境配置、协议集成、资源定义、通信机制等。同时，结合引用中的开源生态和参考实现，可以提到客户端示例和文档资源。 还需要生成相关问题，这些问题应该围绕用户可能进一步想了解的内容，比如技术架构、实际案例、与其他协议的区别，以及如何参与开源项目等。 最后，要确保回答符合格式要求：行内公式用$...$，独立公式用$$...$$，正确使用LaTeX语法，用中文，并在引用处添加标识。检查是否有遗漏的信息点，比如MCP在资源管理中的具体作用，或者Anthropic提供的支持细节。 总结下来，回答的结构应该是： 1. MCP协议基本概念 2. 核心功能 3. 使用方法（分步骤） 4. 应用场景 5. 相关资源 6. 生成的问题列表 确保每个部分都参考了提供的引用内容，并且自然地插入引用标识。同时，保持语言简洁明了，便于用户理解。</think>### MCP协议介绍及使用方法 MCP协议（Model Context Protocol）是一种用于协调模型与上下文资源的标准化协议，核心目标是实现异构系统间的**资源抽象**和**互操作性管理**[^1]。其设计理念强调通过规范化接口定义，降低不同模块间的耦合度，提升系统扩展性。 #### 一、基本概念 1. **资源定义** MCP将所有可操作对象抽象为$Resource$类型，数学表达为： $$Resource = (Identifier, Metadata, State)$$ 其中$Identifier$是唯一标识符，$Metadata$包含版本、依赖等属性，$State$表示实时状态。 2. **上下文同步** 采用基于事件的通信机制，当资源状态变化时，通过$Δ=State_{new}-State_{old}$生成增量更新信号，减少数据传输量。 #### 二、核心功能 - **动态绑定**：支持运行时建立模型与资源的关联关系 - **状态同步**：实现跨进程/跨设备的状态一致性 - **依赖解析**：自动处理资源间的版本兼容性问题 #### 三、使用方法 1. **环境配置** ```bash pip install mcp-core # 安装Python参考实现[^2] ``` 2. **协议集成** ```python from mcp import ResourceClient client = ResourceClient(endpoint="http://api.modelhub.org/mcp") ``` 3. **资源定义** ```yaml # model-config.yaml resources: dataset: type: FileResource uri: s3://bucket/training_data.parquet checksum: sha256:9f86d08... ``` 4. **通信示例** ```python # 获取资源状态 status = client.get_resource_state("dataset") # 订阅变更事件 client.subscribe("dataset", callback=handle_update) ``` #### 四、应用场景 1. 分布式模型训练中的资源协调 2. 多模态系统间的数据管道构建 3. 边缘计算环境下的设备协同 #### 五、相关资源 - 官方协议文档：https://mcp-protocol.org/specs - Python客户端示例库：github.com/mcp-org/python-sdk[^2] - 交互式调试工具：MCP Explorer桌面应用
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值