什么值得买App下载 App ›
连续签到专享现金活动

图解大模型,第十一章:AI Agent 与 MCP 协议生态

AI Agent 是基于大模型构建的自主智能系统,区别于传统的被动响应模式,它具备感知环境、自主规划、持续执行并根据反馈调整的能力。如果说 Function Calling 赋予了大模型调用工具的“手”,AI Agent 则为其配备了自主运行的“大脑”。其核心执行遵循“感知→规划→行动→反馈”的循环流程:感知层获取环境信息与工具结果;规划层将大目标分解为可执行序列;行动层调用工具或代码执行具体操作;反馈层则根据执行结果调整后续策略。这种循环机制使 Agent 能够独立完成复杂的多步骤任务,无需人工干预每一个环节。
01Agent 主流框架对比

ReAct vs Plan-and-Execute

即时反应模式
  • 核心机制:交替进行思考(Thought)、行动(Action)与观察(Observation)

  • 优势:通过显式推理过程,容易发现并纠正错误,适合短任务

  • 劣势:缺乏全局视野,在处理长任务时容易偏离原始目标(“迷路”)

全局规划模式
  • 架构:规划器分解任务→执行器顺序操作→再规划器评估调整

  • 优势:具备全局视野,更适合需要长链条规划的复杂任务

  • 劣势:架构相对复杂,依赖规划器与执行器的紧密配合

02多 Agent 协作模式
单个 Agent 在处理复杂任务时存在上下文窗口有限、专业分工不足及无法并行执行等局限。为解决这些问题,业界主流采用“编排者 + 工作者”的多 Agent 协作模式。该模式中,Orchestrator(编排者)负责任务的分解与协调,不直接执行具体操作;多个 Worker Agent(工作者)各司其职(如代码专家、数据专家),接收子任务后独立完成并回报结果;最终由 Orchestrator 汇总结果以完成整体任务。这种分层架构有效提升了系统的专业性与处理效率。
03工具集成标准化:MCP 协议
在 MCP 协议出现之前,AI 工具集成面临严重的碎片化问题,每个工具与模型的组合都需要单独开发适配代码。MCP(Model Context Protocol)由 Anthropic 于 2024 年 11 月开源,旨在成为 AI 工具集成的通用接口,实现“写一次,处处可用”。
维度传统 API 集成MCP 协议集成
复杂度N×M(每个模型对每个工具需单独适配)N+M(通过统一协议消除重复工作)
架构角色紧耦合,专用适配器Host(宿主)、Client(客户端)、Server(服务端)三层解耦
核心价值点对点连接,扩展性差标准化接口,工具一次实现即可被多宿主使用

传统集成与 MCP 协议架构对比

  • Tools(工具):可执行的功能,类似 Function Calling
  • Resources(资源):可读取的数据源,如文件、数据库或 API 响应
  • Prompts(提示词模板):预定义的 Prompt 模板,供宿主应用调用
04协议生态全景与发展趋势
  • 2025年04-01月
  • 2024年11-01月
除 MCP 外,2025 年还涌现了多个协议标准,共同构建 AI Agent 的基础设施层。A2A(Agent-to-Agent)由 Google 推动,专注于 Agent 之间的通信协作;ACP(Agent Communication Protocol)则由 IBM 和 Linux Foundation 支持,面向企业级应用,强调通信的可靠性、安全性与可审计性。截至 2026 年初,MCP 已凭借先发优势成为事实标准,获得 Claude、Cursor、VS Code Copilot 等主流工具的原生支持,社区 Server 数量已超 5000 个,而 A2A 仍处于早期推广阶段,ACP 则在金融、医疗等监管严格的行业发挥独特价值。

评论

评论区空态插画

当前文章无评论,是时候发表评论了