-
背景阐述
本文大部分内容都是基于openAI 的 chatGPT自动生成。作者进行了一些细微的调整。
LLM 带来了很多思维的活跃，基于LLM，产生了很多应用，很多应用也激活了LLM的新的功能。 Function calling，MCP（Modal Context Protocol/模态上下文协议）， MCP（Multi-step capability Protocol/多步能力协议） 和 A2A 都是基于LLM的Agent的功能，这篇博客的作用就是阐明它们的区别。
2. Function calling/外部函数调用
起到和LLM交互的是提示工程，在提示工程中，需要和LLM以外的系统对接，特别是强绑定的系统，比如大数据系统，报价系统，。。，得到数字后，填入大模型的提示语句中去。
外部函数调用的好处是可以结合传统的系统的进行交互，不需要任何协议。
def get_weather(location: str) -> str:return "巴黎今天天气多云，16°C"
（以下内容ChatGPT 生成）json：
{"functions": [{"name": "get_weather","description": "获取指定城市的天气","parameters": {"type": "object","properties": {"location": {"type": "string","description": "城市名称"}},"required": ["location"]}}],"prompt": "请告诉我巴黎今天的天气。"
}
3. MCP （Modal context protocol/模态上下文协议）（chatGPT 生成）
这是一个让LLM能记住你说过什么，知道你在用什么工具，处在哪种模式下的协议。如果你在一个对话中说了：“刚才说的那个电影不错”，MCP 能让AI 理解“那个电影”是你前面提到的那部。
在生活上，再比如： 你和助理在对话：
。你说：“我明天要飞巴黎。”
。后面你说：“查一下天气。”
如果没有context（上下文），助理会懵：“查哪里的天气？” 有MCP协议，AI知道你提到了“巴黎”，就能自动把“巴黎”作为参数传进去。
MCP的一些特性：
。保留对话历史
。管理工具模式 （比如你正在用哪种插件，调用了哪些函数）
。提供上下文记忆支持。
4. MCP （Multi-step capability protocol/多步能力协议）
是让LLM 能“自己规划并一步步完成复杂任务” 的一种协议
比如：你说：“帮我订巴黎的机票，查天气，推荐穿搭。”
AI 不只作一件事，而是这样想：
- 我的先查航班 -> 工具A
- 然后查天气 -> 工具B
- 根据天气推荐穿搭 -> 工具 C
伪代码：
# 用户输入任务
user_input = "我要下周去巴黎，帮我查天气并推荐穿搭"# Step 1: LLM 解析意图
steps = plan_task(user_input)
# steps = [
# {"tool": "get_weather", "args": {"location": "巴黎", "date": "下周"}},
# {"tool": "recommend_outfit", "args": {"weather_info": "<来自上一步结果>"}}
# ]# Step 2: MCP协议驱动工具执行
weather = call_tool("get_weather", location="巴黎", date="下周")
outfit = call_tool("recommend_outfit", weather_info=weather)# Step 3: LLM 整合最终答案
final_answer = format_response(weather, outfit)# 输出
print(final_answer)
每一步都调用一个工具，等一个结果，再进入下一步。整个过程是AI自己规划的，不是你一步步指令。
在生活上，再比如， 你跟一个懂事的助理说：“我下周要去巴黎，帮我安排一下。”
。助理就自己去查航班✈️
。然后查巴黎天气☁️
。在给你搭配穿搭
这个流程不需要你手动指挥每一步。
MCP/多步能力协议的特性：
。任务规划
。多工具结合调用
。能解决需要多个步骤的复杂问题
如果你在使用像 OpenAI Assistants v2 或者 LangGraph / LangChain Agents，就已经是在使用 多步能力协议 的变体了。
| 协议名 | 简单解释 | 类比 | 核心用途 |
| 模态上下文协议 | 让 AI 记住上下文和当前状态 | 记住你说过什么 | 上下文管理、记忆 |
| 多步能力协议 | 让 AI 会自己分步骤完成任务 | 懂事的助理帮你安排事情 | 多工具任务执行 |
5. A2A （Agent to agent protocol）
就是“AI 助理之间的沟通规则”，让多个职能体可以相互配合。
伪代码示意A2A交互逻辑
# 用户输入
user_input = "我下周去巴黎，查天气并推荐穿搭"# AgentStylist 接到请求后：
def agent_stylist_handle(user_input):# 1. 识别出需要天气数据location = "巴黎"date = "下周"# 2. 向 AgentWeather 请求天气（A2A 协议调用）weather = send_to_agent("AgentWeather", {"location": location,"date": date})# 3. 根据天气生成穿搭建议outfit = recommend_outfit(weather)# 4. 回复用户return f"巴黎{date}天气：{weather}。建议穿：{outfit}。"
这种协议背后可能使用 JSON，消息队列，RPC，或自然语言通信等方式。
有些系统比如 微软等AutoGen，LangGraph，OpenAgents内置这种对话。
真实的微软AutoGen 框架程序：
from autogen import AssistantAgent, GroupChatweather_agent = AssistantAgent(name="WeatherAgent", ...)
stylist_agent = AssistantAgent(name="StylistAgent", ...)# 组建一个 GroupChat（自动使用 A2A 协议）
chat = GroupChat(agents=[weather_agent, stylist_agent], messages=[...])chat.start()
总结：
A2A 协议让多个智能体像“会合作的团队”一样工作，自动沟通，自动分工，自动协作。用户只管发指令，背后多个Agent自己协调完成任务。
