Agent 生态爆发前夜：一文读懂《AI Agent Protocols》(含 7 大类型未来趋势)

mrjiangkai 2025-05-22

展开全文

嘿，大家好！这里是专注于前沿 AI 和智能体的频道~

Agent爆火，催生了一大堆的Agent协议。刚好有一篇综述，进行了全面的对比分析，今天给家人们分享一下具体内容。

什么是 LLM Agent 和 Agent Protocol？

首先快速过一下基础概念。LLM Agent 不仅仅是能生成文本的大模型，它们更像是能自主决策、有记忆、会规划、还能调用外部工具（比如 API、数据库）来完成任务的智能系统。一个典型的 LLM Agent 通常包含：基础模型 (Foundation Model) 提供核心的理解和推理能力；记忆系统 (Memory Systems) 分短期和长期，保证对话连贯和知识积累；规划能力 (Planning) 把复杂任务拆解成小步骤；工具使用 (Tool-Using) 调用外部 API 或工具来弥补自身能力的不足；以及行动执行 (Action Execution) 与环境进行实际交互。

而 Agent Protocol 就是一套标准化的规则、格式和流程，用来规范 Agent 之间以及 Agent 与外部系统（如数据、工具）的沟通。相比传统的 API、GUI 或 XML 交互方式，Agent Protocol 在效率、操作范围、标准化和 AI 原生性上都有明显优势，是构建复杂、动态、可扩展 Agent 生态系统的关键。它们就像 Agent 世界的通用语言，能打破不同厂商、不同架构 Agent 之间的壁垒，实现互操作性、安全治理，甚至催生出超越单个 Agent 能力的集体智能。

Agent Protocol ：如何分类？

面对五花八门的 Agent Protocol，这篇综述首次提出了一个清晰的二维分类框架：

按交互对象 (Object Orientation)：分为 Context-Oriented (面向上下文) 和 Inter-Agent (面向 Agent 间) 两种。
按应用场景 (Application Scenario)：分为 General-Purpose (通用) 和 Domain-Specific (特定领域) 两种。

面向上下文的协议 (Context-Oriented Protocols)

这类协议主要解决 Agent 如何从外部世界（数据、工具、服务）获取完成任务所需信息（上下文）的问题。以前主要靠针对特定模型微调函数调用能力，但缺乏标准导致接口五花八门，开发维护成本高。

通用协议代表：MCP (Model Context Protocol) 由 Anthropic 提出，目标是建立一个连接 LLM Agent 和外部资源的通用、开放标准。它采用 Client-Server 架构，将工具调用与 LLM 响应解耦，解决了不同模型和工具提供商带来的碎片化问题，提高了集成性、可扩展性和安全性（比如避免敏感信息直接暴露给云端 LLM）。
特定领域协议：agents.json 这是一个开源的、机器可读的规范，构建在 OpenAPI 之上，让网站可以声明 AI Agent 兼容的接口、认证和多步工作流，方便 Agent 理解和调用网站 API。

面向 Agent 间的协议 (Inter-Agent Protocols)

随着任务越来越复杂，单个 Agent 能力有限，多 Agent 协作成为趋势。这类协议就是为了规范 Agent 之间的沟通、发现和协作。

通用协议群雄逐鹿：

**ANP (Agent Network Protocol)**：由开源社区推动，愿景是构建一个开放、安全、高效的 Agent 互联网络（'Internet of Agents'），使用 W3C DID 进行身份认证，并有元协议层让 Agent 能自主协商沟通方式。
**A2A (Agent-to-Agent)**：Google 提出，面向企业级 Agent 协作，强调简单性（复用 HTTP/JSON-RPC/SSE）、企业级就绪（安全、可追溯）、异步优先和多模态支持。
**AITP (Agent Interaction & Transaction Protocol)**：NEAR 提出，利用区块链技术，专注于跨信任边界的 Agent 安全通信、协商和价值交换。
**AConP (Agent Connect Protocol)**：Cisco 提出，定义了一套标准的 API 来调用和配置 Agent，主要关注 Agent 的生命周期管理。
**AComP (Agent Communication Protocol)**：IBM 提出，旨在标准化实用的通信功能，促进自动化和协作，目前还在设计阶段。
Agora：牛津大学提出，试图解决 Agent 通信中的“三难困境”（多样性、效率、可移植性），让 LLM Agent 能根据场景自主协商和选择通信协议（结构化协议、LLM 生成的例程、自然语言）。

特定领域协议：针对特定场景进行优化。

人机交互 (Human-Agent)：如 PXP 协议促进人与 Agent 之间的可理解交互；LOKA 协议构建去中心化的身份、问责和伦理框架。
机器人-Agent 交互 (Robot-Agent)：如 CrowdES 用于模拟真实人群行为，供机器人交互；SPPs 用于匿名机器人间的分布式定位。
系统-Agent 交互 (System-Agent)：如 LMOS 提供构建 Agent 互联网的基础架构；Agent Protocol 定义了控制台与 Agent 交互的通用标准。

一个有意思的观点是，面向上下文和面向 Agent 间的协议可能正在趋同。可以把工具看作低自主性 Agent，而其他 Agent 也可以看作高自主性的“工具”。未来这两类协议可能会更加融合。

如何评价一个 Agent Protocol？

评价协议不能只看当前功能，因为它们迭代很快（比如 MCP 就快速增加了 HTTP 支持和认证）。这篇综述借鉴了互联网协议的评估经验，提出了七个关键维度：

效率 (Efficiency)：通信速度快、资源消耗少。关注延迟、吞吐量、资源利用率（包括 LLM 的 token 消耗）。
可扩展性 (Scalability)：随着 Agent/工具/网络规模增长，性能是否稳定。关注节点扩展、链路扩展、能力协商的效率。
安全性 (Security)：可信交互，包括身份认证、访问控制、数据保护。关注认证方式多样性、权限控制粒度、上下文脱敏机制。
可靠性 (Reliability)：通信稳定、准确、容错。关注丢包重传、流量和拥塞控制、持久连接。
可扩展性 (Extensibility)：能否在不破坏兼容性的前提下增加新功能。关注向后兼容性、灵活性、定制与扩展能力。
可操作性 (Operability)：协议实现、管理和集成的难易程度。关注代码量、部署配置复杂度、可观察性。
互操作性 (Interoperability)：能否在不同平台、系统、网络环境间无缝通信。关注跨系统/浏览器兼容性、跨网络/平台适应性。

论文还通过 MCP 的版本迭代和从 MCP 到 ANP/A2A 的演化案例，说明了协议在实践中是如何平衡功能、性能和安全等多个目标的。

实战

为了更直观地理解不同协议，综述里边用了一个“规划 5 天北京到纽约旅行”的案例对比了 MCP, A2A, ANP 和 Agora：

MCP：像个大总管。一个中央 Agent (MCP Travel Client) 负责调用所有外部服务（机票、酒店、天气），然后汇总信息生成计划。优点是简单可控，缺点是中心化依赖高，不易扩展。
A2A：像个部门协作。任务被分配给专门的 Agent（交通、住宿、活动），这些 Agent 可以直接相互沟通（比如机票 Agent 直接问天气 Agent 获取信息），最后由一个协调者汇总。更灵活，适合企业内复杂协作。
ANP：像跨公司合作。不同领域的 Agent（航空公司、酒店、天气网站）通过标准化的协议进行跨域交互和协商。适合独立 Agent 之间基于明确接口的协作。
Agora：像个智能翻译官。先用自然语言理解用户需求，然后生成标准化的协议分发给各个专业 Agent（机票、酒店、天气、预算）。将自然语言处理与 Agent 执行分离，适应性强。

这个案例展示了不同协议的设计哲学和适用场景：MCP 适合流程固定的任务；A2A 适合需要灵活内部协作的场景；ANP 擅长跨域标准化交互；Agora 则聚焦于从自然语言到协议的智能转换。