11张图全面总结 MCP、A2A、Function Calling 架构设计间关系

MCP（Model Context Protocol）的热度还未消散，新的 Agent 接口标准 A2A（Agent2Agent）又悄然登场。Google 在 Cloud Next 大会上正式推出了 Agent2Agent（A2A）开放协议。简单来说，A2A 旨在为 Agent 之间的通信提供一个开放标准，促进不同 Agent 之间的协作与交互。

目前，AI 领域有三大巨头在 Agent 生态中积极布局：

Anthropic：推出了 MCP，旨在标准化 AI 大模型与外部工具和数据源的交互。
Google：推出了 A2A，专注于 Agent 之间的通信和协作。
OpenAI：早在 2023 年就推出了 Function Calling，为大模型提供了工具调用功能。

这三大巨头的举措，仿佛是在为 AI Agent 的发展铺设一条从个体到集体的进化之路。从大模型本身，到为大模型添加工具调用功能，再到大模型与工具的交互标准，最后到 AI Agent 之间的通信协议，这一系列的发展就像是为一个聪明的大脑逐步武装四肢，赋予多种能力，最终使其能够协作完成复杂任务，形成一个高效的团队。

接下来，我们对 MCP、A2A 和 Function Calling 进行全面的解读与对比，探讨它们之间的具体区别以及如何实现合作。

—1— Function Calling：直接但缺乏扩展性

Function Calling 是由 OpenAI 等公司推动的一种技术，它允许大语言模型（LLM）通过自然语言指令与外部工具和服务进行交互，从而将自然语言转换为具体的 API 调用。这一技术解决了大语言模型在训练完成后知识更新停滞的问题，使大模型能够获取实时信息，比如：当前的天气、股市收盘点数等。

第一、工作原理

Function Calling 的工作原理可以通过以下 4 个步骤来理解：

识别需求：
- 大模型识别出用户的问题需要调用外部 API 来获取实时信息。
- 比如：用户询问“今天北京的天气如何？”大模型会识别出这是一个关于实时天气的问题。
选择函数：
- 大模型从可用的函数库中选择合适的函数。
- 在这个例子中，大模型会选择 get_current_weather 函数。
准备参数：
- 大模型准备调用函数所需的参数。
- 例如：

{
    "location": "北京",
    "unit": "celsius"
}

调用函数：
- AI 应用使用这些参数调用实际的天气 API，获取北京的实时天气数据。
整合回答：
- 大模型将获取的数据整合成一个完整的回答，比如：“根据最新数据，北京今天的天气晴朗，当前温度 23°C，湿度 45%，微风。今天的最高温度预计为 26°C，最低温度为 18°C。”

第二、对开发者的好处

对于开发者来说，使用 LLM 的 Function Calling 入门相对容易。

开发者只需按照 API 的要求定义函数规格（通常是 JSON 格式），并将其随 Prompt 请求发送给大模型。
大模型会根据需要调用这些函数，整个逻辑相当直观。
因此，对于单一大模型、少量功能的简单应用，Function Calling 的实现非常直接，几乎可以“一键”将大模型输出对接到代码逻辑中。

第三、局限性

然而，Function Calling 也有一些局限性：

缺乏跨大模型的一致性：
- 每个 LLM 供应商的接口格式略有差异，这使得开发者在支持多个大模型时需要为不同的 API 做适配，或者使用额外的框架来处理这些差异。
平台依赖性：
- Function Calling 通常依赖于特定的平台或框架，这限制了其在不同环境中的通用性。
扩展性有限：
- 虽然 Function Calling 能够解决特定问题，但在面对更复杂的任务时，其扩展性可能会受到限制。
- 开发者可能需要为每个新功能编写新的函数，并确保这些函数与模型的交互逻辑兼容。

第四、总结

Function Calling 是一种强大的工具，它为大语言模型提供了与外部工具和服务交互的能力，从而解决了大模型知识更新停滞的问题。

然而，它的局限性在于缺乏跨模型的一致性和平台依赖性。
尽管如此，Function Calling 仍然是一个重要的技术，尤其是在需要快速实现特定功能时。
未来，随着技术的不断发展，我们期待看到更多能够克服这些局限性的解决方案。

—2— MCP：构建 AI 应用与外部工具的桥梁

MCP（Model Context Protocol）是由 Anthropic 公司提出的一种协议，旨在解决不同大语言模型（LLM）与不同外部工具集成的标准化问题。通过 MCP，开发者能够以一种统一的方式将各种数据源和工具连接到 AI 大模型，从而提升大模型的实用性和灵活性。

目前，MCP 生态已经得到了广泛的支持，包括：Anthropic 的 Claude 系列、OpenAI 的 GPT 系列、Meta 的 Llama 系列、DeepSeek、阿里的通义系列以及 Anysphere 的 Cursor 等主流模型均已接入 MCP 生态。

第一、MCP 的架构设计

MCP 采用了客户端-服务器架构，主要包括以下几个核心组件：

MCP 主机（Hosts）：
- 角色：需要访问数据的程序，例如 Claude Desktop、各种 IDE 或 AI 工具。
- 功能：负责向用户提供 AI 功能，并作为用户与 AI 模型之间的桥梁。
MCP 客户端（Clients）：
- 角色：协议客户端，负责维持与 MCP 服务器的 1:1 连接。
- 功能：处理通信细节，确保主机和服务器之间的数据传输顺畅，从而实现高效的数据交互。
MCP 服务器（Servers）：
- 角色：轻量级程序，每个服务器都通过标准化的 Model Context Protocol 暴露特定功能。
- 功能：连接 AI 大模型与实际数据源，使模型能够访问和操作数据。
数据源：
- 本地数据源：包括计算机上的文件、数据库和服务，MCP 服务器可以安全地访问这些资源。
- 远程服务：通过互联网可用的外部系统（比如：通过 API），MCP 服务器可以连接这些系统，从而扩展模型的能力。