LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解

尼禄發表於 2025-8-23 09:56:00

LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解

<h1 id="llm-mcp协议a2a协议rag智能体ai-agent-图解详细讲解">LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解</h1>
@<div class="toc"><div class="toc-container-header">目录</div><ul><li>LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解</li><li>MCP 概述<ul><li>如何理解 LLM 和 MCP</li><li>MCP 能做什么？<ul><li>对于程序员来说 MCP 能</li><li>对于大众用户来说 MCP 能</li></ul></li><li>MCP 的理解</li><li>程序员使用 MCP<ul><li>使用前的准备工作：</li><li>stdio 的本地环境安装</li></ul></li><li>MCP 的工作原理</li><li>MCP 的工作流程</li></ul></li><li>A2A 协议</li><li>RAG 概述<ul><li>为什么需要 RAG</li></ul></li><li>智能体(AIAgent) 的概述<ul><li>智能体(AIAgent) 的核心五要素：<ul><li>一. 核心要素 1：大模型(LLM)</li><li>二. 核心要素 2：记忆(Memory)</li><li>三. 核心要素 3：工具使用(Tool Use)</li><li>四. 核心要素 4：规划决策(Planning)</li><li>五. 核心要素 5：行动(Action)</li></ul></li></ul></li><li>最后：</li></ul></div>
<h1 id="mcp-概述">MCP 概述</h1>
两个互联网领域的重大挑战：
<ul>
<li>第一：Agent 与 Tools(工具)的交互</li>
</ul>
Agent 需要调用外部工具和 API，访问数据库，执行代码等
MCP 协议解决
<ul>
<li>第二：Agent 与 Agent(其他智能体或用户)的交互</li>
</ul>
Agent 需要理解其他 Agent 的意图，协同完成任务，与用户进行自然的对话。
A2A 协议解决
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095527704-596886756.gif">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524293-1510420535.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525848-260004048.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525858-68453862.png">
<h2 id="如何理解-llm-和-mcp">如何理解 LLM 和 MCP</h2>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095526262-1608094467.png">
<h2 id="mcp-能做什么">MCP 能做什么？</h2>
<h3 id="对于程序员来说-mcp-能">对于程序员来说 MCP 能</h3>
<ul>
<li>举例 1：开发部署：</li>
</ul>
开发者通过自然语言指令“部署新版本到测试环境”，触发 MCP 链式调用 GitLab API （代码合并）、Jenkins API（构建镜像）、Slack API（通知团队）。
<ul>
<li>举例 2：SQL 查询</li>
</ul>
开发者通过自然语言输入，比如“查询某集团部门上个季度销售额”，就能查询出数据库的数据，并结合大模型进行回答，不再需要编写 SQL，MCP 自动转换为精准 SQL 语句并执行。
举例 3：manus 智能体
Manus的每一次任务处理都至少需要调用网页搜索、网页访问、网页信息获取、本地文件创建、代码解释器等几十个外部工具。
这里就暴露了两个问题。
问题1：可供大模型调用的工具不足。
问题2：调用工作量很大。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095527782-1568342520.png">
借助 MCP，只要支持了该协议，就能轻松将各种数据源和工具连接到 LLM。
<h3 id="对于大众用户来说-mcp-能">对于大众用户来说 MCP 能</h3>
举例 1：旅游规划
当我要去旅行时，旅行规划助手通过 MCP 同时调用天气 API（获取目的地气象）、交通 API（查询航班动态）、地图 API（规划路线），AI 自动生成带实时数据的行程方案。
举例 2：联网搜索
我们在与 LLM 交互时，经常需要联网搜索最新信息以减少幻觉。然而，这里也存在问题：
1、并非所有聊天机器人都支持联网功能
2、即使支持联网，也可能不包含你习惯使用的搜索引擎。
在没有 MCP 的情况下，用户只能等待开发者添加特定搜索引擎的支持。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524226-1175996882.png">
有了 MCP 后，只需简单配置，就能将所需服务接入当前使用的聊天机器人。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525882-987934753.png">
举例 3：业绩查询
用户询问“查询上季度营业额”，MCP 自动组合调用 CRM 系统 API（获取客户数据） + 财务系统 API（调取报表）+ 邮件 API（发送总结报告）。
<h2 id="mcp-的理解">MCP 的理解</h2>
MCP（Model Context Protocol，模型上下文协议），2024年11月底，由 Anthropic 推出的一种开放标准。旨在为大语言模型（LLM）提供统一的、标准化方式与外部数据源和工具之间进行通信。
MCP（Model Context Protocol，模型上下文协议），2024年11月底，由 Anthropic 推出的一种开放标准。旨在为大语言模型（LLM）提供统一的、标准化方式与外部数据源和工具之间进行通信。
<ul>
<li>传统AI集成的问题：这种为每个数据源构建独立连接的方式，可以被视为一个M*N问题。</li>
<li>问题：架构碎片化，难以扩展，限制了AI获取必要上下文信息的能力</li>
<li>MCP解决方案：提供统一且可靠的方式来访问所需数据，克服了以往集成方法的局限性。</li>
</ul>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095526704-34024158.png">
MCP 作为一种标准协议，极大地简化了大语言模型与外部世界的交互方式，使开发者能够以统一的方式为 AI 应用添加各种能力。
MCP 的官方文档：https://modelcontextprotocol.io/introduction
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525902-1369031723.png">
<hr>
<h2 id="程序员使用-mcp">程序员使用 MCP</h2>
MCP 的应用场景：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095526048-1881243505.png">
<h3 id="使用前的准备工作">使用前的准备工作：</h3>
MCP 的通信机制：
根据 MCP 的规范，当前支持两种通信机制（传输方式）：
<ul>
<li>stdio(标准输入输出)：主要用在本地服务上，操作你本地的软件或者本地的文件。比如 Bleander 这种就只能用 Stdio 因为它没有在线服务。MCP 默认通信方式。</li>
<li>SSE(Server-Sent-Events)： 主要用在远程通信服务上，这个服务本身就有在线的 API，比如访问你的谷歌邮箱，天气情况等。简单的理解就是一种流式输出（服务器接受一点，就输出一点）</li>
</ul>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525847-1552174402.png">
MCP的通信机制：stdio方式：
优点
• 这种方式适用于客户端和服务器在同一台机器上运行的场景，简单。
• stdio模式无需外部网络依赖，通信速度快，适合快速响应的本地应用。
• 可靠性高，且易于调试。
缺点
• Stdio 的配置比较复杂，我们需要做些准备工作，你需要提前安装需要的命令行工具。
• stdio模式为单进程通信，无法并行处理多个客户端请求，同时由于进程资源开销较大，不适合在本地运行大量服务。（限制了其在更复杂分布式场景中的使用）
<hr>
MCP的通信机制：SSE方式：
场景
• SSE方式适用于客户端和服务器位于不同物理位置的场景。
• 适用于实时数据更新、消息推送、轻量级监控和实时日志流等场景
• 对于分布式或远程部署的场景，基于 HTTP 和 SSE 的传输方式则更为合适。
优点
• 配置方式非常简单，基本上就一个链接就行，直接复制他的链接填上就行
<hr>
<h3 id="stdio-的本地环境安装">stdio 的本地环境安装</h3>
stdio的本地环境有两种：
<ul>
<li>一种是Python 编写的服务，</li>
<li>一种用TypeScript 编写的服务。分别对应着uvx 和 npx 两种指令。</li>
</ul>
** stdio的本地环境安装：uvx**
第1种：若已配置Python环境，可使用以下命令安装：
<pre><code class="language-bash">pip install uv
</code></pre>
<blockquote>
安装了 uv ，就会按照对应 uvx
</blockquote>
两种安装方式：
第2种：在Windows下可以通过PowerShell运行命令来安装 uv。
<pre><code class="language-bash">
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex”
</code></pre>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525103-478780030.png">
验证：重启终端并运行以下命令检查是否正常：
<pre><code class="language-bash">uv --version
uvx --help
</code></pre>
stdio的本地环境安装：npx
Node.js下载的官网：https://nodejs.org/zh-cn
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524292-999457034.png">
配置环境变量，并测试
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524264-676444970.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524324-2106766298.png">
<h2 id="mcp-的工作原理">MCP 的工作原理</h2>
MCP 的 C / S 架构：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524232-1576015257.png">
5 个核心概念：
MCP 遵循客户端 —— 服务器架构(client-server) ，其中包含以下几个核心概念：
<ol>
<li>MCP 主机（MCP Hosts）</li>
<li>MCP 客户端（MCP Clients）</li>
<li>MCP 服务器（MCP Servers）</li>
<li>本地资源（Local Resources）</li>
<li>远程资源（Remote Resources）</li>
</ol>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524255-1523063748.png">
MCP Host：
作为运行 MCP 的主应用程序，例如 Claude Desktop、Cursor、Cline 或 AI 工具。为用户提供与LLM交互的接口，同时集成 MCP Client 以连接 MCP Server。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524221-935273108.png">
MCP Client：
MCP client 充当 LLM 和 MCP server 之间的桥梁，嵌入在主机程序中，主要负责：
• 接收来自LLM的请求；
• 将请求转发到相应的 MCP server
• 将 MCP server 的结果返回给 LLM
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524181-1154096844.png">
有哪些常用的Clients
MCP 官网(https://modelcontextprotocol.io/clients)) 列出来一些支持 MCP 的 Clients。分为两类：
• AI编程IDE：Cursor、Cline、Continue、Sourcegraph、Windsurf 等
• 聊天客户端：Cherry Studio、Claude、Librechat、Chatwise等
更多的Client参考这里：
MCP Clients：https://www.pulsemcp.com/clients
Awesome MCP Clients：https://github.com/punkpeye/awesome-mcp-clients/
MCP Server：
每个 MCP 服务器都提供了一组特定的工具，负责从本地数据或远程服务中检索信息。是 MCP 架构中的关键组件。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095527644-381474649.png">
与传统的远程 API 服务器不同，MCP 服务器既可以作为本地应用程序在用户设备上运行，也可部署至远程服务器。
比如你让助手：
• “帮我查航班信息” → 它调用航班查询 API
• “算一下 37% 折扣后多少钱” → 它运行计算器函数
作用：让 LLM 不仅能“说”，还能“做”（执行代码、查询数据等）
MCP Server 的本质：本质是运行在电脑上的一个nodejs 或 python程序。可以理解为客户端用命令行调用了电脑上的 nodejs或 python程序。
• 使用 TypeScript 编写的 MCP server 可以通过 npx 命令来运行
• 使用 Python 编写的 MCP server 可以通过 uvx 命令来运行。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525055-826114885.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524743-80189952.png"><img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095526436-1673914093.png"><img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524243-772576741.png"><img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525895-1847605852.png">
<h2 id="mcp-的工作流程">MCP 的工作流程</h2>
API 主要有两个
• tools/list：列出 Server 支持的所有工具
• tools/call：Client 请求 Server 去执行某个工具，并将结果返回
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095527804-86578925.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525243-316921225.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524258-1796216840.png">
数据流向图：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524965-1144884372.png">
<h1 id="a2a-协议">A2A 协议</h1>
A2A协议：开启Agent间自然协作
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524253-911775551.png">
在 AI Agent 的世界里，主要解决两大互联领域的挑战：
<ul>
<li>第一、Agent 与 Tools（工具）的交互</li>
</ul>
Agent 需要调用外部 API、访问数据库、执行代码等。
<ul>
<li>第二、Agent 与 Agent（其他智能体或用户）的交互</li>
</ul>
Agent 需要理解其他 Agent 的意图、协同完成任务、与用户进行自然的对话。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524756-732600998.png">
A2A 的发布：
谷歌，25年4月10日发布开源的、应用层协议 A2A（Agent-to-Agent 协议），即 Agent-to-Agent。其设计目的是使智能体（Agent）间能够以一种自然的模态进行协作，类似于人与人之间的互动。
Github 地址：https://github.com/google/A2A
A2A 的设计意义：
基于不同底层框架和供应商平台创建的 AI Agent 之间可以实现通信、发现彼此的能力、协商任务并开展合作，企业可以通过专业的智能体团队处理复杂的工作流程。这无疑是其最为突出的贡献。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524919-255936611.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525335-512885072.png">
举例：阿里云 & 火山云
阿里云上创建的 AI Agent，通过A2A协议，可以与火山云上创建的 AI Agent 进行无缝的通信与协作。
举例2：修理汽车：
用户（或代表用户的智能体）对修理店智能体说：“给我看看左前轮的照片，似乎漏液了，这种情况多久了？”
• A2A 协议使得人与智能体之间这种更自然、多轮次的对话式互动成为可能。
修理店智能体在诊断出问题后，可能需要向零件供应商智能体查询某个零件的库存和价格。
• 这种智能体与智能体之间的协作同样需要 A2A 协议来支持。
举例3：人才招聘：
利用 A2A 协议，招聘流程可以如此高效：
在谷歌的 Agentspace 统一界面中，招聘经理可以向自己的智能体下达任务，让其寻找与职位描述、工作地点和技能要求相匹配的候选人。
然后，该智能体立即与其他专业智能体(专门是用来寻找并招聘我们的人才的智能体)展开互动，寻找潜在候选人。用户会收到推荐人选，之后可以指示自己的智能体安排进一步的面试，面试环节结束后，还可以启动另一个智能体来协助进行背景调查。
专业的事情，交给专业的处理这部分内容的智能体解决。
<h1 id="rag-概述">RAG 概述</h1>
什么是 RAG：
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索（Retrieval）与文本生成（Generation）的技术，旨在提升大语言模型在回答专业
问题时的准确性和可靠性。
<h2 id="为什么需要-rag">为什么需要 RAG</h2>
场景 1：大型语言模型(LLM) 的训练依赖于网络上海量公开的静态数据(注意仅仅只是公开的数据而已)，而某些特定领域(如企业内部资料，专有技术文档等等)的数据通常不会作为公开的训练数据，导致模型在面对这些领域的查询时，可能因缺乏足够的信息而生产不准确甚至虚构的回复。
解决方案： 为了解决这一类问题，RAG 技术通过引入向量数据库(Vector Database)作为外部知识源，将模型缺失的知识以结构化的形式提供。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524854-984141403.png">
场景 2：
随着 LLM(大模型) 规模扩大，训练成本与周期相应增加。因此，包含最新信息的数据难以融入模型训练过程，无法及时反映最新的信息或动态变化。导致 LLM 在应对诸如 “请推荐当前热门影片”等时间敏感问题。
解决方案：提供联网搜索功能。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524289-1839836996.png">
LLM 在考试的时候面对陌生的领域，答复能力有限，然后就准备放飞自我了，而此时 RAG 给了一些提示和思路，让 LLM 懂了开始往这个提示的方向做，最终考试的正确率从 60% 到了 90%。
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525342-256270943.png">
<h1 id="智能体ai--agent-的概述">智能体(AIAgent) 的概述</h1>
2025年，被视为智能体落地的元年！
<hr>
<ul>
<li>智能体在自主能力、决策能力、协作交互等方面展现出优势，弥补了大模型的不足，是未来大模型最主流的使用方式。</li>
</ul>
目前国内各大厂商推出的大模型智能体：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524210-170062125.png">
智能体的应用领域：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525048-1669428450.png">
什么是智能体：
<blockquote>
OpenAI的元老翁丽莲于2023年6月在个人博客首次提出了现代AI Agent 架构。
</blockquote>
智能体（AI Agent）是一种能够自主行动，感知环境，做出决策并与环境交互的计算机系统或实体，通常依赖大型语言模型作为其核心决策和处理单元，具备独立思考，调用工具去逐步完成给定目标的能力。
智能体架构：
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095524714-70168850.png">
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095525406-1373693062.png">
<hr>
<h2 id="智能体ai--agent-的核心五要素">智能体(AIAgent) 的核心五要素：</h2>
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095526141-1638591961.png">
<h3 id="一-核心要素-1大模型llm">一. 核心要素 1：大模型(LLM)</h3>
大模型作为“大脑”：提供推理，规划和知识理解能力，是 AI Agent 的决策中枢。
<h3 id="二-核心要素-2记忆memory">二. 核心要素 2：记忆(Memory)</h3>
记忆被分为：短期记忆，长期记忆。
<ul>
<li>短期记忆：存储单次对话周期的上下文信息，属于临时信息存储机制。受限于模型的上下文窗口长度。</li>
<li>长期记忆：可以横跨多个任务或时间周期，可存储并调用核心知识，非即时任务。</li>
</ul>
长期记忆，可以通过大模型参数微调(固化知识)，知识图谱(结构化语义网络)，或向量数据库(相似数据库)(相似性检索)方式实现。
<h3 id="三-核心要素-3工具使用tool-use">三. 核心要素 3：工具使用(Tool Use)</h3>
工具使用：调用外部工具(如 API，数据库)扩展能力边界。
<h3 id="四-核心要素-4规划决策planning">四. 核心要素 4：规划决策(Planning)</h3>
规划决策：通过任务分解，反思与自省框架实现复杂任务处理。例如：利用思维链(Chain of Thought) 将目标拆解为子任务，并通过反馈优化策略。
<h3 id="五-核心要素-5行动action">五. 核心要素 5：行动(Action)</h3>
行动： 实际执行决策的模块，涵盖软件接口操作(如自动订票)和物理交互(如机器人执行搬运)。比如：检索，推理，编程等。
<h1 id="最后">最后：</h1>
<blockquote>
“在这个最后的篇章中，我要表达我对每一位读者的感激之情。你们的关注和回复是我创作的动力源泉，我从你们身上吸取了无尽的灵感与勇气。我会将你们的鼓励留在心底，继续在其他的领域奋斗。感谢你们，我们总会在某个时刻再次相遇。”
<img src="https://img2024.cnblogs.com/blog/3084824/202508/3084824-20250823095527377-1759252714.gif">
</blockquote> 
来源：https://www.cnblogs.com/TheMagicalRainbowSea/p/19054054

頁: [1]

琼殿技术论坛's Archiver

LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解