delorex/test-repo
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat(ai-protocols): add MCP and A2A protocol demos and documentation

Browse Source 
docs(ai-protocols): update AI protocols page with visual demos and detailed explanations
style(git-demos): improve responsive design and layout for git visualization components
refactor(ai-history): simplify and clean up demo components
chore: update config to register new AI protocol components
This commit is contained in:
sanbuphy
2026-02-22 18:26:19 +08:00
parent 4b83a4c23e
commit e5a5b9df5b
31 changed files with 5093 additions and 5333 deletions
Download Patch File Download Diff File Expand all files Collapse all files
docs/zh-cn/appendix/8-artificial-intelligence/ai-history.md
+92 -286
View File
@@ -1,348 +1,154 @@
# AI 简史与核心概念
> 💡 **学习指南**：本章节通过交互式演示，带你回顾 AI 如何从“只会算数的机器”进化成“能写诗的艺术家”。
>
> 我们将聚焦于三次核心的思维跃迁：从**教它规则**，到**让它模仿**，最终实现**让它创造**。同时，我们也会梳理关键的历史节点，带你理清技术发展的脉络。
---
title: 'AI 简史：从符号逻辑到千亿参数大模型'
description: 'AI 发展 70 年，经历了三次浪潮、两次寒冬，最终融合为今天的大模型时代。'
---
# AI 简史：从符号逻辑到千亿参数大模型
AI 发展 70 年，经历了**三次浪潮、两次寒冬**，从符号主义的逻辑推演，到连接主义的神经网络，再到行为主义的强化学习，最终融合为今天的大模型时代。以下是清晰的发展脉络与关键里程碑。
<AiEvolutionDemo />
### 关键里程碑 (Timeline)
---
<AIEvolutionTimelineDemo />
## 一、理论奠基与符号主义的诞生（1940s-1950s）
## 0. 引言：机器能思考吗？
### 核心人物与理论
1950 年，艾伦·图灵提出了一个问题：**"机器能思考吗？"**
- **1943 年**：沃伦・麦卡洛克与沃尔特・皮茨提出 **MP 神经元模型**，首次用数学描述神经网络
- **1950 年**：艾伦・图灵发表《计算机器与智能》，提出**图灵测试**，定义机器智能标准
- **1956 年**：**达特茅斯会议**，约翰・麦卡锡首次提出"人工智能"概念，标志 AI 学科正式诞生
为了回答这个问题，人类尝试了三种截然不同的解法：
::: tip 符号主义兴起
**符号主义**（逻辑主义/计算机学派）主张 **智能 = 符号推理**，将知识编码为符号，通过逻辑规则推导解决问题，是**自上而下**的智能模拟路径。
:::
1. **教它规则**（逻辑）：像教小孩一样，把所有规则写给它。
2. **让它模仿**（概率）：给它看大量数据，让它自己找规律。
3. **让它创造**（生成）：不仅能分类，还能根据理解创造新东西。
### 早期突破
本教程将带你亲手体验这三个阶段。
- **1956 年**：纽厄尔和西蒙开发**逻辑理论家**（Logic Theorist），首个能证明数学定理的 AI 程序
- **1958 年**：麦卡锡发明 **LISP 语言**，成为 AI 研究的重要工具
- **1959 年**：乔治・德沃尔与约瑟夫・恩格尔伯格开发首台**工业机器人**，标志 AI 从理论走向应用
---
## 1. 符号主义：教机器"守规矩"（20世纪50年代 - 80年代）
## 二、符号主义黄金时代与第一次 AI 浪潮（1960s-1970s）
早期的 AI 科学家认为：智慧就是**逻辑推理**。
只要我们把世界上的所有知识都写成 `If...Then...` 的规则，机器就能像人一样聪明。
### 专家系统的辉煌
这被称为**专家系统**或**符号主义人工智能**。
符号主义在**专家系统**领域取得巨大成功，通过将领域专家知识编码为规则库，解决特定领域复杂问题。
### 1.1 什么是"基于规则"？
| 时间 | 标志性成果 | 意义 |
| --- | --- | --- |
| **1965 年** | Dendral 系统 | 首个专家系统，用于化学分子结构分析 |
| **1977 年** | MYCIN 系统 | 诊断血液感染的专家系统，准确率达 69% |
| **1980 年** | XCON 系统 | 为 DEC 公司配置计算机，节省 4000 万美元/年 |
就像教小孩：
### 第一次 AI 寒冬（1974-1980）
- 如果看到红灯，就停下。
- 如果下雨，就带伞。
::: warning ❄️ 第一次 AI 寒冬
符号主义局限性显现：
- **知识获取瓶颈**：规则需人工编写，无法自动获取
- **脆性问题**：难以处理例外情况，稍微偏离规则就崩溃
- **计算能力不足**：当时的硬件无法支撑复杂推理
在代码中，这表现为：
```javascript
// 基于规则的 AI 示例
function decideTrafficLight(color) {
if (color === 'red') {
return 'stop'
} else if (color === 'yellow') {
return 'caution'
} else if (color === 'green') {
return 'go'
} else {
return 'unknown'
}
}
```
### 1.2 专家系统的巅峰：MYCIN
1970 年代，斯坦福大学开发的 MYCIN 系统能诊断血液感染，准确率达到专家水平。
它的工作原理是：
```lisp
// MYCIN 系统的规则示例 (伪代码)
(IF
(organism IS gram-positive) AND
(morphology IS coccus) AND
(growth-chains IS chains)
THEN
(identity IS 0.7 streptococcus))
```
_数据示例 (知识库格式)_：
```json
// 专家系统知识库示例
{
"rules": [
{
"id": "RULE-001",
"conditions": ["traffic_light == red", "speed > 0"],
"action": "brake",
"priority": 1
},
{
"id": "RULE-002",
"conditions": ["weather == rainy", "visibility < 100m"],
"action": "turn_on_lights",
"priority": 2
}
]
// 系统按优先级依次匹配规则，遇到匹配就执行
}
```
### 1.3 交互演示：规则 vs 学习
下方的演示展示了两种方式的区别。
- **左边 (规则)**：你必须显式地写代码 `if (size > 6)`。如果世界变了（比如苹果变小了），你的代码就失效了。
- **右边 (学习)**：你不需要写规则。你只需要给机器看一堆苹果和樱桃的数据，点击 **Train**，它自己会"悟"出一个分界线。
<RuleBasedVsLearningDemo />
### 1.4 符号主义的局限性
规则看起来很完美，但现实世界太复杂了。
<CombinatorialExplosionDemo />
**问题 1：组合爆炸**
- 试图写下"识别猫"的所有规则？不可能！
- "有胡须"？老鼠也有。
- "有尖耳朵"？狗也有。
- "毛茸茸的"？兔子也是。
- 现实世界有无限边界情况，规则永远写不完。
**问题 2：无法处理不确定性**
- 如果规则冲突怎么办？
- 如果遇到没见过的情况怎么办？
- 规则系统很"脆弱"，缺少人类常识。
> ⚠️ **教训**：试图用有限规则描述无限现实，注定失败。这导致了 1980 年代的**AI 寒冬**。
美国 DARPA 削减 AI 研究经费，AI 进入第一次低谷期。
:::
---
## 2. 连接主义：教机器"像人脑一样思考"（21世纪10年代至今）
## 三、专家系统复兴与第二次 AI 浪潮（1980s）
既然规则写不完，不如换个思路：**让机器自己学**？
科学家开始模仿人脑的结构——**神经元**。
### 商业应用爆发
这就是**连接主义**的核心思想。
- 日本"**第五代计算机计划**"（1982）推动全球 AI 投资热潮
- 美国 DEC、IBM 等公司推出商用专家系统开发工具
- 符号主义达到巅峰，成为 AI 领域绝对主流
### 2.1 人脑的启示
人脑有约 860 亿个神经元，每个神经元通过突触连接成千上万个其他神经元。
**关键发现**：
- 单个神经元很"笨"（只是兴奋或不兴奋）
- 但几百亿个神经元连在一起，就产生了智能
### 2.2 感知机
1957 年，康奈尔大学的 Frank Rosenblatt 发明了感知机——这是最简单的人工神经元。
它的工作原理：
1. **接收输入**：从多个"突触"接收信号（$x_1, x_2, ...$）
2. **加权求和**：每个输入有对应的**权重**，代表重要性
3. **激活判断**：如果总和超过某个**阈值（偏置）**，就激活（输出 1）
```text
如果不带公式，怎么理解？
简单来说就是：打分机制。
总分 = (输入1 × 权重1) + (输入2 × 权重2) + ... + 基础分
如果 总分 > 0，输出 1 (激活)
否则，输出 0 (静默)
```
### 2.3 交互演示：玩转神经元
调整下方的**权重**和**偏置**，看看能否控制神经元的输出。
- **权重（$w$）**：代表输入的"重要性"。$w$ 越大，这个输入对结果影响越大。
- **偏置（$b$）**：代表神经元的"门槛"。$b$ 越小，神经元越容易兴奋（输出 1）。
### 连接主义的早期尝试
<PerceptronDemo />
### 2.4 从单神经元到深度学习
- **1958 年**：罗森布拉特发明**感知机**，首个可学习的神经网络模型
- **1969 年**：明斯基与佩珀特出版《感知机》，指出单层感知机无法解决**异或问题**，导致连接主义研究陷入停滞
单个神经元能做什么？只能做简单分类（比如判断"苹果还是樱桃"）。
### 第二次 AI 寒冬（1987-1993）
但如果把神经元分层连接：
::: warning ❄️ 第二次 AI 寒冬
- 专家系统**维护成本高昂**，难以扩展到复杂领域
- 个人电脑崛起，第五代计算机计划失败
- AI 市场崩盘，研究经费再次大幅削减
:::
```
输入层 (图片像素)
↓
隐藏层 1 (识别边缘)
↓
隐藏层 2 (识别形状)
↓
隐藏层 3 (识别物体部件)
↓
输出层 (识别物体)
```
---
这就是**神经网络**。当网络有很多层时，我们称之为**深度学习**。
## 四、机器学习兴起与连接主义复苏（1990s-2000s）
<NeuralNetworkVisualizationDemo />
### 符号主义衰落，机器学习崛起
### 2.5 神经网络是如何学习的？
- **1997 年**：IBM **深蓝** 击败国际象棋世界冠军卡斯帕罗夫，是符号主义最后的辉煌
- 同时，**统计机器学习**开始取代基于规则的方法，支持向量机（SVM）、决策树等算法成为主流
不像专家系统需要人写规则，神经网络通过**看数据**自己学。
**学习过程（反向传播）**：
1. **前向传播**：输入数据，得到预测结果
2. **计算误差**：对比预测和真实答案
3. **反向传播**：根据误差调整每个神经元的权重
4. **重复**：重复几百万次，直到误差足够小
### 连接主义的重生
<BackpropagationDemo />
_数据示例 (训练数据格式)_：
```json
// 图像分类训练数据示例
{
"dataset": "cats_vs_dogs",
"samples": [
{
"image": "cat_001.jpg",
"label": 1, // 1 = 猫
"features": [0.2, 0.8, 0.5, ...] // 提取的特征向量
},
{
"image": "dog_001.jpg",
"label": 0, // 0 = 狗
"features": [0.7, 0.3, 0.9, ...]
}
]
// 神经网络会自动学习：什么样的 feature 组合更可能是猫
}
```
### 2.6 连接主义的突破：2012 年 AlexNet
2012 年，AlexNet 在 ImageNet 竞赛中以压倒性优势夺冠，标志着深度学习时代的到来。
**关键因素**：
- **大数据**：ImageNet 提供了 1400 万张标注图片
- **大算力**：GPU 的并行计算能力让训练深度网络成为可能
- **新算法**：ReLU 激活函数、Dropout 正则化等技术突破
### 2.7 连接主义的局限
深度学习很强大，但也不是完美的：
- **黑盒问题**：虽然能识别猫，但我们说不清"它是怎么识别的"
- **数据饥渴**：需要海量标注数据，获取成本高
- **缺乏常识**：能识别出这是“猫”，但理解不了“猫喜欢抓老鼠”或“猫通常怕狗”这种常识关系（因为它只是在做像素级的统计匹配，而非真正的概念理解）
- **1986 年**：鲁梅尔哈特等人提出**反向传播算法**，解决多层神经网络训练难题
- **1997 年**：李飞飞创立 **ImageNet 数据集**，为后续深度学习提供数据基础
- **2006 年**：杰弗里・辛顿提出**深度信念网络**，通过逐层预训练解决梯度消失问题，开启深度学习时代
---
## 3. 生成式人工智能：机器有了"创造力"（21世纪20年代至今）
## 五、深度学习革命与连接主义主导（2010s）
以前的 AI 主要是**判别式**（这是猫还是狗？）。
现在的 AI 是**生成式**（画一只猫！）。
### 关键技术突破
这一切的背后，是 **Transformer** 架构的诞生。它让 AI 学会了理解上下文，学会了"举一反三"。
<NeuralNetworkVisualizationDemo />
### 3.1 从"识别"到"创造"
传统深度学习（判别式模型）：
- 输入：一张图
- 输出：这是猫（概率 98%）
生成式 AI：
- 输入：一句话"一只戴着墨镜的猫"
- 输出：生成一张对应的图片
<DiscriminativeVsGenerativeDemo />
### 3.2 Transformer：AI 的"瑞士军刀"
2017 年，Google 发表论文《Attention Is All You Need》（注意力机制就是你所需的全部），提出 Transformer 架构。
它的核心创新：**注意力机制**
**原理**：让模型在处理一个词时，能"关注"到句子中其他相关的词。
例如："小明把苹果给了**他**的母亲"
当模型处理"他"时，注意力机制会让它关注到"小明"，从而理解"他"指代的是小明。
| 时间 | 突破 | 影响 |
| --- | --- | --- |
| **2012 年** | AlexNet 在 ImageNet 竞赛中错误率降至 15.3% | 标志深度学习超越传统方法，引爆计算机视觉革命 |
| **2014 年** | GAN（生成对抗网络）提出 | AI 具备生成逼真图像、音频能力，推动生成式 AI 发展 |
| **2015 年** | ResNet（残差网络）解决深层网络训练难题 | 网络层数突破 1000 层，进一步提升模型性能 |
| **2016 年** | AlphaGo 击败围棋世界冠军李世石 | 结合深度强化学习与蒙特卡洛树搜索，实现复杂决策能力 |
| **2017 年** | **Transformer 架构**发布 | 基于自注意力机制，解决长距离依赖问题，为大模型奠定基础 |
<AttentionMechanismDemo />
### 3.3 GPT：从文本生成到通用智能
::: tip 行为主义的发展
**行为主义**（进化主义）主张智能来自与环境的互动，通过试错学习优化行为，**强化学习**是其核心技术。AlphaGo 就是深度学习与强化学习结合的代表作。
:::
2018 年，OpenAI 发布 GPT-1（生成式预训练变换器）。
---
**核心思想**：
## 六、大模型时代与通用智能曙光（2018 至今）
1. **预训练**：在海量文本上学习"预测下一个词"
2. **微调**：在特定任务上调整（比如问答、翻译）
从 GPT-1 (2018) → GPT-2 (2019) → GPT-3 (2020) → GPT-4 (2023)
- 参数量从 1.17 亿 → 1750 亿 → 1.8 万亿（估计）
- 能力从文本生成 → 多模态（图片、音频、视频）
### 预训练模型范式确立
<GPTEvolutionDemo />
### 3.4 生成式人工智能的局限
- **2018 年**：OpenAI 发布 **GPT-1**（1.17 亿参数），谷歌发布 **BERT**，确立"**预训练 + 微调**"新范式
- **2019 年**：**GPT-2**（15 亿参数）展现惊人的文本生成能力，引发对 AI 伦理的广泛讨论
- **2020 年**：**GPT-3**（1750 亿参数）通过"暴力美学"展现**涌现能力**，无需微调即可完成多种任务
虽然强大，但也存在问题：
### 生成式 AI 爆发
- **幻觉**：一本正经地胡说八道
- **偏见放大**：从训练数据中学到人类偏见
- **不可解释**：仍然是个黑盒，不知道内部怎么运作
- **2022 年 11 月**：**ChatGPT**（GPT-3.5）发布，通过 RLHF（人类反馈强化学习）大幅提升对话能力，成为现象级产品
- **2023 年 3 月**：**GPT-4** 发布，具备**多模态能力**（文本 + 图像），进一步提升逻辑推理与安全性
- **2023 年**：Stable Diffusion、Midjourney 等图像生成模型兴起，多模态大模型成为主流
- **2024 年**：**Sora** 等视频生成模型发布，AI 生成能力扩展到动态内容领域
---
## 4. AI 范式对比总结
## 七、AI 三大学派的融合与未来展望
| 时代 | 核心理念 | 代表产物 | 优势 | 局限 |
| :----------------- | :-------------- | :-------------------------- | :----------------------- | :--------------------------- |
| **符号主义** | 智慧 = 规则 | 深蓝（下棋）、MYCIN（诊断） | 可解释性强，逻辑清晰 | 无法处理模糊、复杂的现实世界 |
| **连接主义** | 智慧 = 神经网络 | AlphaGo、人脸识别 | 能处理复杂模式，性能强大 | 需要海量数据，是个"黑盒" |
| **生成式人工智能** | 智慧 = 通用理解 | ChatGPT、Midjourney | 能创造新内容，理解上下文 | 幻觉、偏见、不可解释 |
<DiscriminativeVsGenerativeDemo />
**AI 的进化趋势**：
### 未来趋势
1. **从人工到自动**：从人写规则 → 机器自动学习
2. **从单一到通用**：从下棋专用 → 通用人工智能
3. **从判别到生成**：从分类识别 → 创造新内容
- **多模态融合**：文本、图像、音频、视频等信息的统一处理
- **高效大模型**：降低训练成本，提升推理效率，推动边缘部署
- **可解释 AI**：解决黑箱问题，增强 AI 可信度
- **AGI 探索**：从专用智能向通用人工智能迈进，追求更全面的人类智能模拟
> 关于大语言模型的详细原理，请移步下一章：[大语言模型入门](./llm-intro.md)
---
## 5. 名词速查表
| 名词 | 英文原文 | 解释 |
| :----------------- | :--------------------------------- | :-------------------------------------------------------------------------------------------------- |
| **符号主义** | Symbolic AI | 基于规则的人工智能。认为智能可以用逻辑规则表示。代表：专家系统、深蓝。 |
| **专家系统** | Expert Systems | 符号主义的代表产物。通过人工编写大量规则来模拟专家决策。代表：MYCIN（医疗诊断）。 |
| **连接主义** | Connectionism | 基于神经网络的人工智能。模仿人脑神经元连接结构，通过数据自动学习。 |
| **感知机** | Perceptron | 最简单的神经网络单元。接收多个输入，加权求和后通过激活函数输出。 |
| **神经网络** | Neural Network | 由多个感知机分层连接组成的模型。通过调整权重来学习数据中的模式。 |
| **深度学习** | Deep Learning | 使用**多层**神经网络的学习方法。能自动提取层次化特征（边缘 → 形状 → 物体）。 |
| **反向传播** | Backpropagation | 神经网络的学习算法。通过计算预测误差，反向调整每层的权重，逐步优化模型。 |
| **生成式人工智能** | Generative AI | 能**创造新内容**的人工智能（文本、图片、音频等），而非仅仅是分类或识别。代表：ChatGPT、Midjourney。 |
| **判别式人工智能** | Discriminative AI | 用于**分类**的人工智能（如：这是猫还是狗？）。传统深度学习大多是判别式的。 |
| **Transformer** | Transformer | 2017 年由 Google 提出的架构，基于注意力机制。是现代大语言模型（GPT、BERT）的基础。 |
| **注意力机制** | Attention Mechanism | 让模型在处理一个元素时，能动态"关注"其他相关元素的技术。是 Transformer 的核心。 |
| **GPT** | Generative Pre-trained Transformer | OpenAI 的系列模型。通过"预训练 + 微调"范式，在大量文本上学习生成能力。 |
| **预训练** | Pre-training | 在大规模无标注数据上进行初步训练，学习通用知识（如语言规律）。 |
| **微调** | Fine-tuning | 在预训练模型基础上，使用特定任务的小规模数据进行调整，使模型适应具体应用。 |
| **幻觉** | Hallucination | 生成式人工智能模型"自信地编造错误内容"的现象。如 ChatGPT 编造不存在的论文或事实。 |
| **通用人工智能** | Artificial General Intelligence | 像人类一样具备多领域智能、能自主学习推理的人工智能（尚未实现）。 |
AI 的发展是一条**螺旋式上升**的道路，每个时代的技术都为后续突破奠定基础。今天的大模型并非完全抛弃符号主义，而是在连接主义框架下，通过海量数据学习到了类似符号推理的能力，实现了**不同学派思想的深度融合**。
docs/zh-cn/appendix/8-artificial-intelligence/ai-protocols.md
+317 -2
View File
@@ -1,3 +1,318 @@
# AI 协议（MCP 等）
# AI Agent 协议（MCP & A2A）
> 待实现
::: tip 核心问题
**AI Agent 如何与外部世界"对话"？** 就像互联网需要 HTTP 协议，AI Agent 也需要标准化的通信协议。本章介绍两个最主流的 Agent 协议：MCP 和 A2A，它们分别解决了 AI 与工具、Agent 与 Agent 之间的通信问题。
:::
---
## 0. 什么是协议？
在计算机领域，**协议（Protocol）** 是一套标准化的规则和约定，让不同的系统、程序能够相互"理解"和"通信"。
### 0.1 为什么需要协议？
想象一个场景：你给朋友寄快递，需要填写地址。如果每个人写的地址格式都不一样，快递员就没法投递。协议就是规定了"地址怎么写"的标准——省、市、区、街道、门牌号，按这个格式写，谁都能看懂。
计算机也是一样。两个程序要通信，必须约定好：
- 数据格式是什么？（JSON？二进制？）
- 怎么建立连接？（握手流程）
- 出错了怎么办？（错误处理）
### 0.2 计算机中常见的协议
| 协议 | 作用 | 你每天都在用 |
|------|------|-------------|
| **HTTP** | 网页传输协议 | 浏览器打开网页 |
| **HTTPS** | 加密的 HTTP | 网银、支付页面 |
| **TCP/IP** | 互联网基础协议 | 所有网络通信 |
| **DNS** | 域名解析协议 | 把 `google.com` 变成 IP 地址 |
| **SMTP** | 邮件发送协议 | 发送邮件 |
| **WebSocket** | 双向实时通信 | 聊天软件、在线游戏 |
| **SSH** | 安全远程登录 | 连接服务器 |
| **FTP** | 文件传输协议 | 上传/下载文件 |
这些协议构成了互联网的基石。没有它们，你无法浏览网页、发送邮件、观看视频。
### 0.3 协议的价值
协议的核心价值是**标准化**和**互操作性**：
- **标准化**：大家都按同一套规则办事，减少沟通成本
- **互操作性**：不同厂商、不同技术栈的系统可以无缝对接
比如 HTTP 协议，让 Chrome 浏览器可以访问 Nginx 服务器，让 Python 爬虫可以抓取 Java 网站的数据。不需要 Chrome 和 Nginx 互相"认识"，只要都遵守 HTTP 协议就行。
### 0.4 AI Agent 也需要协议
AI Agent 要真正"干活"，需要：
- 调用外部工具（查天气、发邮件、操作数据库）
- 与其他 Agent 协作（分工合作完成复杂任务）
这就需要标准化的协议来规定"AI 怎么调用工具"、"Agent 之间怎么对话"。这就是 **MCP** 和 **A2A** 的由来。
---
## 1. Agent 协议的层次
在深入了解具体协议之前，让我们先看看 Agent 生态中的通信层次：
| 层级 | 协议 | 解决的问题 | 类比 |
|------|------|-----------|------|
| **1** | Function Call | AI 如何调用本地函数 | 大脑发出指令 |
| **2** | **MCP** | AI 如何连接外部工具和数据源 | USB-C 接口 |
| **3** | **A2A** | Agent 之间如何协作通信 | 企业微信 |
::: tip 逐行解读这张表
**第1层（Function Call）**：这是大模型最基础的能力——通过输出结构化数据（JSON）来触发函数执行。它是"协议"的基础，但本身更像是一种能力而非标准协议。
**第2层（MCP）**：Model Context Protocol，由 Anthropic 于 2024 年 11 月发布。它标准化了 AI 与外部工具、数据源的连接方式，就像 USB-C 统一了各种设备的充电接口。
**第3层（A2A）**：Agent-to-Agent Protocol，由 Google 于 2025 年 4 月发布。它让不同的 Agent 能够相互发现、通信和协作，就像企业微信让同事之间可以发任务、聊天。
:::
本章重点介绍第 2、3 层的两个正式协议：MCP 和 A2A。
---
## 2. MCP (Model Context Protocol)
### 2.1 协议基本信息
| 项目 | 内容 |
|------|------|
| **全称** | Model Context Protocol |
| **发起方** | Anthropic |
| **发布时间** | 2024 年 11 月 25 日 |
| **官方文档** | [modelcontextprotocol.io](https://modelcontextprotocol.io) |
| **开源协议** | MIT License |
| **GitHub** | [github.com/modelcontextprotocol](https://github.com/modelcontextprotocol) |
::: tip 为什么叫"Context Protocol"？
**Context（上下文）** 是大模型理解任务的关键。MCP 的核心思想是：**让 AI 能够动态获取所需的上下文信息**，而不是把所有信息都塞进 Prompt。
比如，AI 需要读取一个文件时，不需要你把文件内容复制粘贴给它，而是通过 MCP 直接访问文件系统。
:::
### 2.2 发布的背景
2024 年，随着 Claude 3.5 Sonnet 的发布，Anthropic 发现一个问题：**每个工具都要单独集成**。
想象一下：
- 你想让 AI 读取 GitHub 仓库 → 要写 GitHub 集成代码
- 你想让 AI 查询数据库 → 要写数据库集成代码
- 你想让 AI 操作文件系统 → 要写文件系统集成代码
每个集成都要重复写类似的代码：认证、错误处理、数据转换……
Anthropic 在官方博客中写道：
> "We're introducing the Model Context Protocol (MCP), an open protocol that standardizes how applications provide context to LLMs."
**核心目标**：让工具开发者写一次代码，所有支持 MCP 的 AI 应用都能使用。
### 2.3 MCP 是什么？
<McpVisualDemo />
**三大核心能力**：
| 能力 | 英文 | 作用 | 示例 |
|------|------|------|------|
| **工具** | Tools | AI 可以调用的功能 | 查询天气、发送邮件 |
| **资源** | Resources | AI 可以读取的数据 | 文件内容、数据库记录 |
| **提示** | Prompts | 预定义的提示模板 | 代码审查模板、写作模板 |
### 2.4 MCP 的内部实现
<McpDetailedDemo />
### 2.5 类比理解：USB-C 接口
MCP 就像 **USB-C 接口**：
- **以前**：每个设备都有自己的充电口（圆口、扁口、磁吸……）
- **现在**：USB-C 统一了所有设备的充电和数据传输
- **MCP**：统一了 AI 与所有工具的连接方式
工具开发者只需要实现一次 MCP Server，所有支持 MCP 的 AI 应用（Claude、Cursor、Windsurf 等）都能直接使用。
### 2.6 MCP 的典型应用场景
| 场景 | 说明 | 示例 |
|------|------|------|
| **本地文件操作** | 让 AI 读取/修改本地文件 | 读取代码库、分析日志文件 |
| **数据库查询** | 让 AI 直接查询数据库 | SQL 查询、数据分析 |
| **API 调用** | 让 AI 调用第三方服务 | GitHub API、Slack、邮件 |
| **开发工具集成** | 让 AI 使用开发工具 | Git 操作、终端命令 |
**实际案例**：
- **Cursor/Windsurf**：通过 MCP 连接文件系统、Git、终端
- **Claude Desktop**：通过 MCP 连接笔记软件、邮件客户端
- **自动化脚本**：让 AI 执行自动化任务（备份、部署、数据同步）
---
## 3. A2A (Agent-to-Agent Protocol)
### 3.1 协议基本信息
| 项目 | 内容 |
|------|------|
| **全称** | Agent-to-Agent Protocol |
| **发起方** | Google |
| **发布时间** | 2025 年 4 月 9 日 |
| **官方文档** | [google.github.io/A2A](https://google.github.io/A2A) |
| **开源协议** | Apache 2.0 |
| **GitHub** | [github.com/google/A2A](https://github.com/google/A2A) |
::: tip 为什么是 Google 发起？
Google 在 Cloud Next 2025 大会上发布 A2A，与其企业级 AI 战略密切相关。
Google 认为：未来的企业 AI 不是单个超级 Agent，而是**多个专业 Agent 协作**——有的负责数据分析，有的负责代码生成，有的负责文档处理。
这些 Agent 需要一种标准化的方式相互通信，A2A 应运而生。
:::
### 3.2 发布的背景
MCP 解决了"AI 如何连接工具"的问题，但还有一个问题：**多个 Agent 如何协作？**
想象一个场景：
- Agent A 是"需求分析专家"
- Agent B 是"代码生成专家"
- Agent C 是"测试专家"
用户说："帮我开发一个登录功能"
Agent A 分析需求后，需要把任务分配给 Agent B；Agent B 写完代码后，需要让 Agent C 测试。它们之间如何通信？
Google 在官方博客中写道：
> "A2A is an open protocol that enables AI agents to communicate with each other, facilitating collaboration across different frameworks and vendors."
**核心目标**：让不同厂商、不同框架开发的 Agent 能够无缝协作。
### 3.3 A2A 是什么？
<A2AVisualDemo />
**三大核心概念**：
| 概念 | 英文 | 作用 | 类比 |
|------|------|------|------|
| **Agent Card** | Agent 名片 | 描述 Agent 的能力 | 员工工牌 |
| **Task** | 任务 | 要执行的工作单元 | 工单 |
| **Message** | 消息 | Agent 之间的通信内容 | 聊天记录 |
### 3.4 A2A 的内部实现
<A2ADetailedDemo />
### 3.5 类比理解：企业微信
A2A 就像 **企业微信**：
- **Agent Card**：每个人的名片，显示姓名、部门、职责
- **发任务**：@某人，分配一个任务
- **聊天沟通**：任务执行过程中可以随时沟通
- **任务追踪**：能看到任务的进度和状态
不同的 Agent 就像不同的同事，A2A 让它们能够协作完成复杂项目。
### 3.6 A2A 的典型应用场景
| 场景 | 说明 | 示例 |
|------|------|------|
| **软件开发** | 多 Agent 协作完成开发任务 | 需求分析→代码→测试→部署 |
| **企业工作流** | 不同部门 Agent 协作处理业务 | HR Agent + 财务 Agent + 法务 Agent |
| **智能客服** | 多个专业 Agent 分工处理 | 接待→解答→转接→记录 |
| **数据分析** | 多个 Agent 协作分析数据 | 收集→清洗→分析→可视化→报告 |
**实际案例**：
- **Google Agent Space**：企业内部多个 Agent 协作处理文档、邮件、日程
- **软件开发团队**：需求 Agent → 代码 Agent → 测试 Agent → 部署 Agent
- **智能客服系统**：接待 Agent → 专业解答 Agent → 人工转接 Agent
---
## 4. MCP vs A2A：对比与关系
### 4.1 核心差异
| 维度 | MCP | A2A |
|------|-----|-----|
| **发起方** | Anthropic (2024.11) | Google (2025.04) |
| **定位** | AI 与工具的连接 | Agent 与 Agent 的协作 |
| **通信范围** | Client-Server | Peer-to-Peer |
| **数据格式** | JSON-RPC 2.0 | HTTP + JSON |
| **类比** | USB-C 接口 | 企业微信 |
### 4.2 两者的关系
MCP 和 A2A **不是竞争关系，而是互补关系**：
<ProtocolComparisonDemo />
### 4.3 如何选择？
| 场景 | 选择 |
|------|------|
| 让 AI 调用本地函数或工具 | Function Call |
| 使用第三方工具（数据库、API、文件系统） | MCP |
| 构建多 Agent 协作系统 | A2A |
| 同时需要工具集成和多 Agent 协作 | MCP + A2A |
---
## 5. 协议的未来趋势
### 5.1 生态发展
**MCP 生态**（截至 2025 年初）：
- 官方提供的 Server：文件系统、SQLite、Git、PostgreSQL 等
- 社区贡献的 Server：Slack、Notion、Figma、Stripe 等
- 支持 MCP 的应用：Claude Desktop、Cursor、Windsurf、Zed 等
**A2A 生态**（刚发布）：
- Google 自家的 Agent 产品率先支持
- 开源社区正在开发各种语言的 SDK
- 企业级应用正在探索中
### 5.2 标准化进程
目前 Agent 协议还处于"战国时代"：
- MCP 和 A2A 是最主流的两个
- 还有其他新兴协议如 ANP、AGP 等
- 未来可能会融合或统一
类比互联网的发展：
- 早期：各种局域网协议并存
- 后来：TCP/IP 成为标准
- 现在：Agent 协议可能也会走向统一
---
## 6. 小结
::: tip 核心要点
| 协议 | 一句话理解 | 发布时间 | 发起方 | 适用场景 |
|------|-----------|---------|--------|---------|
| **MCP** | AI 连接工具的"USB-C" | 2024.11 | Anthropic | 工具集成、数据源连接 |
| **A2A** | Agent 协作的"企业微信" | 2025.04 | Google | 多 Agent 协作、任务委托 |
**关键洞察**：
1. MCP 解决"AI 如何获取外部能力"的问题
2. A2A 解决"多个 AI 如何协作"的问题
3. 两者互补，未来可能会融合使用
4. 选择协议要根据具体场景，没有银弹
:::
---
## 参考资料
1. **MCP 官方文档**: [modelcontextprotocol.io](https://modelcontextprotocol.io)
2. **MCP GitHub**: [github.com/modelcontextprotocol](https://github.com/modelcontextprotocol)
3. **Anthropic 发布博客**: "Introducing the Model Context Protocol" (2024-11-25)
4. **A2A 官方文档**: [google.github.io/A2A](https://google.github.io/A2A)
5. **A2A GitHub**: [github.com/google/A2A](https://github.com/google/A2A)
6. **Google Cloud Blog**: "Announcing the Agent-to-Agent Protocol" (2025-04-09)