ai-agents-for-beginners

使用具代理性協議 (MCP、A2A 及 NLWeb)

Agentic 協議

(按上方圖片以觀看本課程的影片)

隨著 AI 代理的使用增加，也愈來愈需要確保標準化、安全性，並支援開放創新的協議。在本課程中，我們將介紹三種旨在滿足此需求的協議 —— 模型上下文協議 (Model Context Protocol, MCP)、代理對代理 (Agent-to-Agent, A2A) 以及 自然語言網頁 (Natural Language Web, NLWeb)。

介紹

在本課程中，我們將涵蓋：

• MCP 如何允許 AI 代理存取外部工具與資料以完成使用者任務。

• A2A 如何促成不同 AI 代理之間的通訊與協作。

• NLWeb 如何將自然語言介面帶到任何網站，讓 AI 代理能發現並與內容互動。

學習目標

• 識別 MCP、A2A 與 NLWeb 在 AI 代理情境中的核心目的與優點。

• 解釋 每個協議如何促進大型語言模型、工具與其他代理之間的通訊與互動。

• 認識 每個協議在建立複雜代理系統中所扮演的不同角色。

模型上下文協議

模型上下文協議 (Model Context Protocol, MCP) 是一個開放標準，提供一種標準化的方式，讓應用程式可以向大型語言模型提供上下文與工具。這使得不同資料來源與工具的「通用接頭」成為可能，AI 代理可以以一致的方式連接。

讓我們看看 MCP 的組成、與直接使用 API 相比的好處，及 AI 代理可能如何使用 MCP 伺服器的範例。

MCP 核心組件

MCP 採用 客戶端-伺服器架構，核心組件包括：

• Hosts（主機） 是啟動與 MCP 伺服器連線的 LLM 應用程式（例如像 VSCode 這類的程式碼編輯器）。

• Clients（客戶端） 是主機應用程式內部的元件，負責與伺服器維持一對一的連線。

• Servers（伺服器） 是公開特定功能的輕量程式。

協議中包含三個核心原語，這些即為 MCP 伺服器的功能：

• Tools（工具）：這些是 AI 代理可以呼叫以執行動作的離散操作或函數。例如，天氣服務可能公開一個「取得天氣」工具，或電子商務伺服器可能公開「購買產品」工具。MCP 伺服器在其功能清單中會公布每個工具的名稱、描述以及輸入/輸出模式。

• Resources（資源）：這些是 MCP 伺服器可以提供的唯讀資料項目或文件，客戶端可以按需檢索。例如檔案內容、資料庫記錄或記錄檔。資源可以是文字（如程式碼或 JSON）或二進位（如影像或 PDF）。

• Prompts（提示）：這些是預先定義的範本，提供建議的提示，用以支援更複雜的工作流程。

MCP 的優點

MCP 為 AI 代理帶來顯著優勢：

• 動態工具發現：代理可以動態接收伺服器提供的可用工具清單以及它們的功能描述。這與傳統 API 不同，傳統 API 常需靜態編碼整合，任何 API 變更都需要程式碼更新。MCP 採取「整合一次」的方式，帶來更高的適應性。

• 跨 LLM 的互通性：MCP 可跨不同大型語言模型運作，提供在核心模型之間切換以評估較佳效能的彈性。

• 標準化的安全性：MCP 包含標準的驗證方法，在新增對其他 MCP 伺服器的存取時可提升擴展性。這比管理多種傳統 API 的金鑰與驗證類型更簡單。

MCP 範例

MCP 圖示

想像有位使用者想用 AI 助手透過 MCP 預訂機票。

  1. 連線：AI 助手（即 MCP 客戶端）連接到由航空公司提供的 MCP 伺服器。

  2. 工具發現：客戶端詢問航空公司的 MCP 伺服器：「你們有哪些可用的工具？」伺服器回應如「搜尋航班」和「訂票」等工具。

  3. 呼叫工具：你接著請 AI 助手：「請幫我搜尋從波特蘭到火奴魯魯的航班。」AI 助手使用其大型語言模型，判斷需要呼叫「搜尋航班」工具，並將相關參數（出發地、目的地）傳給 MCP 伺服器。

  4. 執行與回應：MCP 伺服器作為封裝器，實際呼叫航空公司的內部訂票 API。然後接收航班資訊（例如 JSON 資料）並回傳給 AI 助手。

  5. 進一步互動：AI 助手呈現航班選項。當你選定某班航班後，助手可能會在同一 MCP 伺服器上呼叫「訂票」工具，完成訂位。

代理對代理協議 (A2A)

當 MCP 專注於連接大型語言模型與工具時，代理對代理協議 (Agent-to-Agent, A2A) 更進一步，讓不同 AI 代理之間得以通訊與協作。A2A 將不同組織、環境與技術堆疊的 AI 代理連接起來，以完成共同的任務。

我們將檢視 A2A 的組件與優點，並以旅遊應用為例說明其應用方式。

A2A 核心組件

A2A 著重於使代理之間能夠溝通並協同完成使用者的子任務。協議中的每個組件都貢獻於此：

Agent Card（代理卡）

類似 MCP 伺服器共享工具清單的方式，Agent Card 包含：

Agent Executor（代理執行器）

代理執行器負責將使用者對話的上下文傳遞給遠端代理，遠端代理需要這些資訊以理解需完成的任務。在 A2A 伺服器中，代理會使用其自身的大型語言模型來解析傳入請求，並使用自己的內部工具執行任務。

Artifact（產物）

當遠端代理完成所要求的任務後，其工作成果會被建立為產物。產物包含代理工作結果、已完成內容的描述，以及透過協議傳送的文字上下文。產物送出後，與遠端代理的連線會關閉，直到再次需要為止。

Event Queue（事件佇列）

此組件用於處理更新與傳遞訊息。在生產環境中，對代理系統而言非常重要，以避免在任務尚未完成時代理之間的連線被關閉，特別是當任務完成時間可能較長時。

A2A 的優點

• 加強協作：它讓來自不同廠商與平台的代理能互動、分享上下文並協同工作，促成跨越傳統斷鏈系統的無縫自動化。

• 模型選擇彈性：每個 A2A 代理可決定使用哪個大型語言模型來處理其請求，允許針對每個代理使用最佳化或微調的模型，不像某些 MCP 情況只連接單一 LLM。

• 內建驗證：驗證直接整合在 A2A 協議中，為代理互動提供強大的安全框架。

A2A 範例

A2A 圖示

讓我們在旅遊訂票情境上做延伸，但這次使用 A2A。

  1. 使用者向多代理請求：使用者與一個「旅遊代理」A2A 客戶端/代理互動，可能會說：「請為我在下週預訂整趟去火奴魯魯的旅程，包括機票、飯店和租車」。

  2. 由旅遊代理進行協調：旅遊代理收到這個複雜請求，它使用自己的大型語言模型推理任務，判定需要與其他專門代理互動。

  3. 代理間通訊：旅遊代理接著使用 A2A 協議連接下游代理，例如由不同公司所建立的「航空代理」、「飯店代理」與「租車代理」。

  4. 委派任務執行：旅遊代理將具體任務發送給這些專門代理（例如「尋找飛往火奴魯魯的航班」、「訂飯店」、「租車」）。這些專門代理各自運行自己的大型語言模型並使用自己的工具（這些工具本身也可能是 MCP 伺服器），各自完成訂票的特定部分。

  5. 整合回應：當所有下游代理完成任務後，旅遊代理彙整結果（航班細節、飯店確認、租車預訂），並以綜合的聊天式回應回傳給使用者。

自然語言網頁 (NLWeb)

網站長期以來一直是使用者存取網際網路資訊與資料的主要方式。

讓我們來看看 NLWeb 的不同組件、NLWeb 的優點，以及透過我們的旅遊應用範例來說明 NLWeb 的運作原理。

NLWeb 的組件

以範例說明 NLWeb

NLWeb 圖示

再以我們的旅遊訂票網站為例，但這次網站由 NLWeb 提供支援。

  1. 資料攝取：旅遊網站現有的產品目錄（例如航班清單、飯店描述、旅遊套裝）會使用 Schema.org 格式化或透過 RSS feed 載入。NLWeb 的工具會攝取這些結構化資料，建立 embeddings，並將它們儲存在本地或遠端的向量資料庫中。

  2. 自然語言查詢（人類）：使用者造訪網站，並非透過導覽選單，而是在聊天介面輸入：「幫我找下週在火奴魯魯有游泳池且適合家庭入住的飯店」。

  3. NLWeb 處理：NLWeb 應用程式接收此查詢。它會將查詢送至大型語言模型以進行理解，並同時在其向量資料庫中搜尋相關的飯店清單。

  4. 準確結果：大型語言模型協助詮釋資料庫的搜尋結果，根據「適合家庭」、「有游泳池」與「火奴魯魯」等條件識別最佳匹配，然後格式化為自然語言回應。關鍵是，回應會引用網站目錄中的實際飯店，避免捏造資訊。

  5. AI 代理互動：由於 NLWeb 同時作為 MCP 伺服器，外部的 AI 旅遊代理也可以連接到該網站的 NLWeb 實例。AI 代理接著可以使用 ask MCP 方法直接查詢網站： ask("Are there any vegan-friendly restaurants in the Honolulu area recommended by the hotel?")。NLWeb 實例會處理此請求，利用它所載入的餐廳資料庫（若有）並回傳結構化的 JSON 回應。

對 MCP/A2A/NLWeb 還有更多問題？

加入 Microsoft Foundry Discord，與其他學習者交流、參加辦公時間並提出你的 AI 代理相關問題。

資源

免責聲明： 本文件已使用 AI 翻譯服務「Co‑op Translator」（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們力求準確，但自動翻譯可能仍包含錯誤或不準確之處。原文應視為具權威性的版本；如涉及重要資訊，建議採用專業人工翻譯。我們對因使用本翻譯而引致的任何誤解或曲解概不負責。

This site is open source. Improve this page.