从 MCP 到 A2A:Agent 如何接入工具、与其他 Agent 协作
摘要比较 REST/RPC、MCP 与 A2A 的适用边界:MCP 统一工具接入,A2A 借助 Agent Card、Task、Message、Artifact 完成独立 Agent 间的任务委派,并给出组合结构。
技术主题
模型、工具、任务与智能体之间的协同调度。
编排解决的是执行过程中的决策和协调:由谁执行、什么条件下切换步骤、任务失败时如何处理,以及结果交给谁继续。简单的固定流程可以通过工作流表达,而存在动态分派和多方协作时,则需要更清晰的控制协议。本专题结合 LangGraph 与 Multi-Agent 的实例,区分控制流、任务状态和实际执行能力。
5 篇内容
摘要比较 REST/RPC、MCP 与 A2A 的适用边界:MCP 统一工具接入,A2A 借助 Agent Card、Task、Message、Artifact 完成独立 Agent 间的任务委派,并给出组合结构。
摘要Multi-Agent 系统的分水岭是控制流:谁来决定下一步。正文区分顺序、条件、并行三类显式工作流,以及计划式编排、移交与对话式协作三种运行时路径,并给出判断标准。
摘要梳理单 Agent 与 Multi-Agent 的能力边界,说明专业化、通信、协调与控制流带来的新增机制,并给出架构选择的判断依据。
摘要LangGraph 执行路径控制有三种方式:固定 Edge、Conditional Edge 和 Command。本文详细介绍后两种及其应用场景。
摘要从 Agent Loop 的局限出发,说明 LangGraph 的 State、Node、Edge、状态更新与 Reducer 如何管理复杂执行流程。