一句话

a2a-sdk 专门实现 A2A(Agent 对 Agent)协议,本身不内置 MCP 支持;但两者是互补的——A2A 管”智能体之间协作”,MCP 管”智能体调工具”,常组合使用。

1. A2A vs MCP 分工

协议核心功能类比
A2A让 AI 智能体之间互相发现、通信、协作、委派任务智能体的”外交语言”
MCP让 AI 智能体统一、标准化地调用外部工具(数据库/API/文件)智能体的”USB-C 接口”

典型架构:总管智能体用 A2A 把任务分派给各专家智能体;每个专家智能体内部用 MCP 调用自己领域的工具。

2. 让 a2a 用上 MCP 的几种方式

  1. 自定义集成(最灵活):用 a2a-sdk 建 A2A 服务器,内部用 mcp 库作 MCP 客户端连 MCP 服务器。
  2. 社区扩展 python-a2a:
    • 提供 FastMCPAgent 混合类,简化把 MCP 工具集成进 A2A 智能体
    • 提供 ToolServer,可把 LangChain 工具直接托管为 MCP Server

3. MCP 工具 → LangChain 工具(python-a2a)

from python_a2a.mcp import MCPClient
from python_a2a.langchain import to_langchain_tool
 
client = MCPClient("http://localhost:8010")
 
# 方式1:逐个获取(明确知道要哪些工具)
get_weather_tool = to_langchain_tool("http://localhost:8010", "get_weather")
 
# 方式2:★只传服务器地址 → 返回"所有工具的列表",更简洁
tools = to_langchain_tool("http://localhost:8010")
 
# 方式3:获取全部后按名字过滤(最灵活)
all_tools = to_langchain_tool("http://localhost:8010")
tools = [t for t in all_tools if t.name in ["get_weather", "query_high_frequency_question"]]
 
agent = create_tool_calling_agent(llm, tools, prompt_template)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
await agent_executor.ainvoke({"input": query})

⚠️ 易错点:to_langchain_tool("http://host:8010")(只传地址)返回的是列表;带第二个参数(工具名)的才返回单个工具对象。两者不能互换当同一种用。

4. 调用工具传参

client.call_tool("get_weather", {"city": "Beijing", "days": 3}),第二个参数用字典传参;也支持关键字参数 call_tool("get_weather", city="Beijing")(参数名须与工具定义完全一致)。

相关笔记