大多數AI代理在嘗試將其插入真實應用程式時就會崩潰。問題在於缺乏共享協議。

但這種情況正在迅速改變。在過去的一年裡，AG-UI（使用者互動）、A2A（代理間通訊）和MCP（工具存取）等協定已經改變了生態系統。

因此，我抓住機會學習了這些協議，並了解了它們是如何協同工作的。這篇文章涵蓋了我所學到的關於協議（AG-UI、ACP、A2A、MCP）的所有知識。

您還將找到用於學習和建立 AI 代理的最佳教育存儲庫集合。

此列表將為您提供所需的基礎知識和工具。

1. AG-UI——代理-使用者互動協定。

市面上已經有了可靠的多步驟代理框架。但是，當你嘗試將代理插入到實際應用中時，事情就開始變得糟糕了：

• 無需自訂 WebSocket 伺服器，即可逐一令牌地進行串流回應

• 顯示即時工具進度，暫停以獲得人工回饋，而不會失去上下文

• 保持大型共享狀態（程式碼、表格、資料）同步，無需將所有內容重新傳送到 UI

• 允許使用者在任務執行過程中中斷、取消或回覆代理（不會遺失狀態）

來源： dailydoseofds.com

大多數代理後端（例如 LangGraph、CrewAI 等）都有自己的流格式、狀態邏輯和工具呼叫 API。因此，如果切換技術棧，則需要重寫所有內容（這不可擴展）。

解決方案：AG-UI

AG-UI 是CopilotKit開發的開源協議，它彌補了這個缺陷。它讓開發者能夠非常輕鬆地將相容的 Agent 引入前端客戶端。

它使用Server-Sent Events (SSE)將結構化 JSON 事件從代理後端串流到前端。

共有 16 種事件類型。每種類型都有明確定義的有效負載，例如：

• TEXT_MESSAGE_CONTENT用於令牌流。

• TOOL_CALL_START顯示工具執行情況。

• STATE_DELTA更新共享狀態（程式碼、資料等）

• AGENT_HANDOFF在代理之間順利傳遞控制權

您可以使用以下命令建立一個新的 AG-UI 應用程式。

npx create-ag-ui-app@latest <my agent framework>

框架的採用正在快速發展，其中 LangGraph、CrewAI、Mastra、LlamaIndex 和 Agno 已經得到支持。

🎯 AG-UI 在代理協定棧中處於什麼位置？

AG-UI 與其他兩個頂級代理協議相輔相成：

• MCP 將代理程式與工具連接起來

• A2A 將代理彼此連結起來

• AG-UI 將代理連接到最終用戶

AG-UI 的作用類似於人機互動的REST層，幾乎沒有樣板，並且易於整合到任何技術堆疊中。

它在 GitHub 上有 5.1k 個星。

{% cta https://github.com/ag-ui-protocol/ag-ui %} 星級 AG-UI ⭐️ {% endcta %}

2. A2A——代理↔代理交互協定。

代理系統的功能越來越強大，但它們卻沒有共同的語言。

如果代理 A 想請求代理 B 幫忙完成某項任務，則需要：

• 編寫自訂 API

• 硬編碼端點

• 為每個新的代理程式對建立適配器

因此，建立在不同框架（LangGraph、CrewAI…）上的代理最終會陷入孤立狀態，無法協調。

A2A（Agent-to-Agent）是 Google 推出的協議，它使用JSON-RPC & SSE standard解決了這個問題。透過 A2A，代理可以：

• 發現彼此的能力。

• 決定如何溝通（文字、表格、媒體）

• 安全地協作完成長期運作的任務。

• 操作時無需暴露其內部狀態、記憶體或工具。

首先，使用Python SDK或JS SDK 。

pip install a2a-sdk

or

npm install @a2a-js/sdk

🧠 A2A 的工作原理（流程）

1) 代理程式發布JSON Agent Card （包含功能、終端節點、授權資訊）。其他代理商則取得該卡，以了解「該聯絡誰以及如何聯絡」。

2）透過 JSON-RPC 委託任務

• 客戶端代理程式使用tasks/send或sendSubscribe發起任務

• 透過 HTTP 進行呼叫，並採用結構化輸入

• 遠端代理響應任務 ID 並開始執行

1) 透過 SSE ( TaskStatusUpdate 、 TaskArtifactUpdate ) 傳輸進度和中間工件流。

2）互動式任務中輸入

• 遠端代理可以暫停並發出input-required

• 呼叫代理透過相同的任務 ID 回應附加輸入

5）代理程式透過結構化的「部件」和「工件」交換文字、資料、檔案（如音訊/視訊）。

✅ 範例：端到端代理協作

這是一個非常簡單的例子：

• 使用者給予代理 A 一個複雜的任務

• 代理 A 將其分解為子任務

• 它使用特工卡找到特工 B、C、D

• 它使用 A2A 呼叫來委派工作

• 這些代理並行執行、串流更新並請求額外的輸入

• 代理 A 收集並合併結果

這就是代理商之間互相交流的方式。

雖然它仍然很新，但標準化代理到代理的協作是很好的，類似於 MCP 對代理到工具互動所做的那樣。

MCP 擴展了單一代理的功能。 A2A 擴展了代理的協作方式，並且不受後端/框架的限制。

來源： dailydoseofds.com

如果您有興趣了解更多訊息，請查看 Auth0 的MCP vs A2A 。

它在 GitHub 上擁有 18k+ 顆星。

{% cta https://github.com/a2aproject/A2A %} 星號 A2A ⭐️ {% endcta %}

3.MCP——模型上下文協定。

MCP（模型上下文協定）是 Anthropic 嘗試標準化應用程式如何為 LLM 提供上下文和工具。

與硬體的 USB-C 一樣，MCP 是 AI 模型「插入」資料來源和工具的通用介面。

您無需為每個服務（GitHub、Slack、文件、資料庫）編寫自訂包裝器，而是使用 MCP 公開工具，這樣它就可以：

• 列出tools/list ）

• tools/call call ）

• 取得結構化、類型化的結果

這模仿了函數呼叫 API，但可以跨平台和服務工作。

先前的規格相當簡陋（透過 stdio 或 HTTP 使用 JSON-RPC）。身份驗證定義不明確，因此許多實作都直接跳過了身份驗證。

現在，隨著 MCP 的採用率不斷增長，Anthropic 透過其新的 Spec 更新（MCP v2025-06-18）做出了重大改進（尤其是在安全性方面）。

來源： dailydoseofds.com

MCP 的核心是客戶端-伺服器架構，一個主機應用程式可以連接到多個伺服器。以下是各個元件的工作原理：

• MCP hosts - 諸如 Claude Desktop、Cursor、Windsurf 或想要透過 MCP 存取資料的 AI 工具之類的應用程式。

• MCP Clients - 與 MCP 伺服器保持 1:1 連線的協定客戶端，充當通訊橋樑。

• MCP Servers - 輕量級程序，每個程序透過標準化模型上下文協議公開特定功能（如讀取文件、查詢資料庫...）。

• Local Data Sources - 您電腦上 MCP 伺服器可以安全存取的檔案、資料庫和服務。例如，瀏覽器自動化 MCP 伺服器需要存取您的瀏覽器才能運作。

• Remote Services - MCP 伺服器可以連接的外部 API 和基於雲端的系統。

圖片來源： ByteByteGo3

如果您有興趣閱讀更多內容，這裡有一些值得一讀的內容：

• <a href="">我從未在 Medium 上看到的 MCP 指南</a>

• Builder.io 團隊的「模型上下文協定 (MCP)」是什麼？

{% cta https://github.com/modelcontextprotocol/modelcontextprotocol %} 星級 MCP ⭐️ {% endcta %}

4. ACP－基於 REST/流的代理通訊協定。

ACP（代理通訊協定）建立在 A2A 的許多理念之上，但更進一步。

它是用於 AI 代理、應用程式和人類之間通信的開放協議。它基於標準化的 RESTful API 執行，並支援：

• 多模態交互

• 串流回應

• 有狀態或無狀態模式

• 線上和離線代理發現

• 針對長時間執行的任務採用非同步優先設計（但也適用於同步呼叫）

主要有兩個組成部分：

a) ACP client ：由代理、應用程式或服務使用，透過 ACP 協定發出請求

b) ACP server ：託管一個或多個代理，使用 ACP 接收請求並傳回結果。 Agent 透過 REST 進行暴露。

高階多代理編排的架構流程

該協定非常簡單，可以與標準 HTTP 工具（例如 curl、Postman 或瀏覽器請求）配合使用。如果您喜歡以程式設計方式整合 ACP，可以使用官方的Python SDK和Typescript SDK 。

您可以使用此命令新增 ACP SDK。

uv add acp-sdk

🎯 ACP 與 A2A 有何不同？

雖然兩者都支援任務委派、串流媒體、多模式內容和代理商發現：

• A2A 專注於代理商與代理商之間的協作

• ACP 將其擴展至包括人機交互和應用程式交互

• ACP 使用 REST + OpenAPI + 多部分格式

• A2A 使用 JSON-RPC + SSE

發現是透過Agent Manifest完成的，類似 A2A 的Agent Card 。

ACP 是作為 Linux 基金會標準開發的，並以BeeAI 平台作為參考實作。

該協議與內部實現無關，並確保它服務於更廣泛的生態系統而不是任何單一供應商。

如果您剛開始，請查看DeepLearning.AI 短期課程和快速入門指南。

另外，請查看範例代理，以了解如何在流行的 AI 框架中使用 ACP。

{% cta https://github.com/i-am-bee/acp %} 星級 ACP ⭐️ {% endcta %}

5. MCP 初學者指南－微軟提供的概念和基礎知識以及實際範例。

微軟的這個開源課程提供了具有真實用例的結構化學習路徑。

它包括 C#、Java、JavaScript、TypeScript 和 Python 等流行語言的實用編碼範例。

透過遵循此，您可以輕鬆掌握 MCP 生態系統並了解如何從頭開始建立或擴展符合 MCP 的系統。

有一些很棒的博客，但它們無法涵蓋所有細節。

這是課程涵蓋的主題的完整清單。

{% 嵌入 https://gist.github.com/Anmol-Baranwal/4d56abe74a6b423b431039a14e3cb2de %}

它在 GitHub 上有 5.1k 個星。

{% cta https://github.com/microsoft/mcp-for-beginners %} 為初學者的 MCP 加星 ⭐️ {% endcta %}

6. 12 因素代理程式－建立可靠的 LLM 應用程式的原則。

即使 LLM 變得更加強大，建立可靠的 AI 軟體仍然取決於如何圍繞它們進行設計。

Dex Horthy 的這個 repo 將建構生產級代理的經驗提煉為 12 個核心原則。

{% 嵌入 https://www.youtube.com/watch?v=8kMaTybvDUw

每個 LLM 代理的核心都是一個循環：

1. LLM 使用結構化工具呼叫來決定下一步

2. 程式碼執行工具呼叫

3. 結果附加到上下文視窗

4. 重複，直到確定下一步“完成”

但最終，這種方法並沒有達到我們所期望的效果。

每個因素都附有直覺的範例、詳細的解釋和程式碼片段。

以下是所有 12 個因素的簡要概述（附有了解更多資訊的連結）：

1） 自然語言到工具呼叫：將使用者輸入轉換為結構化操作（JSON 或函數呼叫），以便確定性程式碼可靠地處理執行。

2) 掌控你的提示：不要將你的提示工程外包給框架。像對待程式碼一樣對待提示（版本控制、測試、易於更新）。

3) 掌控你的上下文視窗：只將重要的內容傳送給模型。刪除所有不必要的內容，以保持快速執行並避免超出限制。

4） 工具只是結構化的輸出：當您的代理程式使用工具時，讓它以您的程式碼可以理解的乾淨、易讀的 JSON 回應。

5) 統一執行狀態和業務狀態：將代理程式的步驟追蹤（正在執行的操作）和業務資料（正在處理的操作）集中到一處。透過這種統一的視圖，您可以輕鬆回放、偵錯和監控代理的行為。

6） 使用簡單的 API 啟動/暫停/恢復：代理應該可以透過簡單的 API 來控制啟動、暫停和恢復工作流程。

7） 透過工具呼叫聯繫人類：每當代理人需要幫助或輸入時，讓它使用與自動化任務相同的工具（例如通知、批准請求）與人類溝通。

8) 掌控自己的控制流程：不要讓工具隱藏代理正在執行的操作。保持步驟清晰，以便檢查或更改。

9） 將錯誤壓縮到上下文視窗：匯總錯誤並將其包含在代理的上下文視窗中，以便模型能夠學習並從錯誤中恢復。不要發送完整的日誌，只需發送有助於解決問題的內容。

10） 小型化、專注化的代理：遵循可組合性原則，設計代理人使其能夠做好一件事。小型化、專注化的代理商更易於建置和測試。

11) 從任何地方觸發，在任何地方與使用者會面：允許代理由來自任何來源（API、cron 作業、使用者操作）的事件觸發，以便它們適應不同的工作流程。

12) 讓你的代理人成為無狀態的 Reducer ：設計代理來處理輸入並返回輸出，而無需在執行之間保留內部狀態。無狀態代理程式更易於擴展、測試和從錯誤中恢復。

這是目前最有價值的程式碼庫之一。它涵蓋了代理的發展歷程（是什麼引領我們走到今天） 、當 LLM 變得更加聰明時會發生什麼，以及其他更多內容，並提供了視覺化範例。

它在 GitHub 上有 8.9k 個星。

{% cta https://github.com/humanlayer/12-factor-agents %} 星級 12 因子代理 ⭐️ {% endcta %}

7. Agents Towards Production－用來建立真實世界 GenAI 代理程式的程式碼優先教學。

如果您想了解如何將您的 GenAI 代理想法從概念轉化為實際生產，這個程式碼庫將為您提供逐步指南。它包含大量實用的程式碼驅動教程，旨在幫助您建立生產級代理程式。

每個教程都包含在自己的資料夾中，並包含可執行的筆記本和程式碼範例，因此您可以在幾分鐘內從概念轉變為工作代理。

您將發現整個 GenAI 代理生命週期的覆蓋範圍，從原型設計到部署，具有可重複使用的模式和真實世界的藍圖。

一些教程重點：

• GPU 部署：使用 Runpod 大規模部署代理程式以實現高效能推理

• 可觀察性：使用 LangSmith 和 Qualifire 加入追蹤、日誌和除錯，以便您可以即時監控代理。

• 多代理協調：使用 A2A 協定的代理程式工作流程和訊息交換

• 安全與護欄：學習使用 Qualifire、LlamaFirewall 和 Apex 的範例攻擊來防止提示注入和有毒輸出。

• 記憶系統：使用 Redis 建立由語意搜尋支持的混合短期和長期記憶。

• 網路搜尋整合：建立使用 Tavily API 取得和處理即時網路資料的代理程式。

還有關於微調、前端、打包等的教程，全部使用具有最佳實踐的流行框架。

它在 GitHub 上有 8.5k 個星。

{% cta https://github.com/NirDiamant/agents-towards-production %} 明星代理商走向生產⭐️ {% endcta %}

8. GenAI Agents - GenAI 代理實現，從簡單到高級。

該儲存庫是學習、建立和共享 GenAI 代理（社群）的絕佳資源，範圍從簡單的對話機器人到複雜的多代理系統。

每個概念都透過可執行的筆記本進行講解，並40+ projects added via hackathons 。它非常實用，非常有用。

您將找到使用 LangGraph、CrewAI、OpenAI Swarm、LangChain、PydanticAI 等的範例。

教程類別

類別和涵蓋內容的清單：

• 適合初學者

• 簡單對話代理（上下文/歷史）

• 品質保證代理（使用LLMs進行提問/回答）

• 資料分析代理程式（NLP + 資料集查詢）

• 框架教程

• LangGraph 工作流程

• 模型上下文協定（連接外部工具/資料）

• 教育與研究

• ATLAS（多智能體學術規劃師）

• 科學論文代理

• Chiron（費曼式教學導師）

• 商業/專業

• 客戶支援和情緒代理

• 合約分析工具包

• 端對端測試自動化代理

• 創意與實用

• 附有 TTS 的詩歌創作器

• 音樂作曲家經紀人

• 謀殺之謎遊戲引擎

您可以在 readme 中查看詳細的實作清單。它在 GitHub 上已有 14.5k 個 star。

{% cta https://github.com/NirDiamant/GenAI\_Agents %} 星級 GenAI 代理 ⭐️ {% endcta %}

9. Awesome LLM Apps——帶有 AI Agents 和 RAG 的超棒 LLM 應用程式集合。

這個 repo 擁有一系列使用 RAG、AI 代理、多代理團隊、MCP、自主遊戲代理、語音代理等建置的 Awesome LLM 應用程式。

使用 OpenAI、Anthropic、Google 以及 DeepSeek、Qwen 或 Llama 等開源模型，您可以在電腦上本地執行這些模型。

一些傑出的專案：

• AI表情包產生器代理程式（瀏覽器）

• AI系統架構師代理

• 人工智慧社群媒體新聞和播客代理

• AI 競爭對手情報代理團隊

• 語音 RAG 代理程式 (OpenAI SDK)

• 人工智慧部落格搜尋（RAG）

• 本地聊天GPT 克隆（帶記憶）

• 透過 YouTube 視訊聊天

• 使用 Gmail 聊天

• AI旅行規劃MCP代理

如果你正在使用 LLM 進行建置，那麼這個 repo 就像一個創意寶庫。它在 GitHub 上擁有超過 5 萬顆星。

{% cta https://github.com/Shubhamsaboo/awesome-llm-apps %} 星級超棒的 LLM 應用 ⭐️ {% endcta %}

10. OpenAgents－野外語言代理的開放平台。

OpenAgents（由 xlang‑ai 開發）是一個開源平台，它使日常用戶和開發人員能夠透過簡單的 Web 介面輕鬆地與現實世界的 AI 代理程式互動並建立現實世界的 AI 代理程式。

下面我們來簡單看一下它的設計方式：

目前，它擁有三個強大的代理：

1） Data Agent ：讓您直接透過聊天執行 Python 或 SQL 查詢、清理資料和建立視覺化效果。

2） Plugins Agent ：連接到 200 多個日常插件（如天氣、購物或 Wolfram Alpha），並且可以智慧地選擇適合任務的插件。

3) Web Agent ：使用 Chrome 擴充功能代表您瀏覽網站（例如填寫表格、發佈到 Twitter、取得路線）

您可以查看官方文件中的示範影片和完整演練。

簡而言之，OpenAgents 與 ChatGPT Plus 類似，但它是開源的並且具有一定程度的可自訂性，這使得它能夠進行資料分析、使用工具和自主瀏覽，所有這些都易於擴展或自架。

它在 GitHub 上有 4.4k 個星。

{% cta https://github.com/xlang-ai/OpenAgents %} 星級 OpenAgents ⭐️ {% endcta %}

11.系統提示- 大量真實係統提示、工具和 AI 配置的集合。

這個 repo 是一個來自 15 多個真實 AI 產品的海量系統提示和設定檔庫如 v0、Cursor、Manus、Same.dev、Lovable、Devin、Replit Agent、Windsurf Agent、VSCode Agent、Dia Browser、Trae AI、Cluely、Xcode & Spawn，甚至還有像 Codex CLI、Bolt、RooCode 這樣的開源代理程式。

它包含超過 7,500 行內容，對於任何對現代人工智慧系統如何「被指示」行為、推理和互動感興趣的人來說，它是最大的、最實用的參考書之一。

如果您符合以下情況，這將非常有用：

• 建造 LLM 代理或副駕駛

• 建立更好的系統/指令提示

• 逆向工程代理行為背後的邏輯

還有另一個可靠的集合（~3k⭐️）您可能會覺得有用。

系統提示 repo 在 GitHub 上有 67k+ 顆星。

{% cta https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools %} 星係提示⭐️ {% endcta %}

12. 500 個 AI 代理專案- 跨行業 AI 代理用例的集合。

如果您對現實世界的 AI 代理應用程式感到好奇，此 repo 重點介紹了醫療保健、金融、教育、零售、物流、遊戲等行業的 500 多個用例。

每個用例都連結到一個開源專案，使其成為一個實用指南，而不僅僅是一個想法清單。

許多範例都是使用 CrewAI、AutoGen、LangGraph 和 Agno 等框架建構的。例如，CrewAI 流程包括：

• 電子郵件自動回复

• 會議助理

• 寫書或編劇

• 行銷策略產生器

• 登陸頁面產生器

您還會發現獨特的代理架構，例如 NVIDIA 整合的 LangGraph 代理程式。

這是一個很棒的 repo，可以瀏覽並獲得靈感。它在 GitHub 上有 1.8k 個 star。

{% cta https://github.com/ashishpatel26/500-AI-Agents-Projects %} 500 個人工智慧代理專案明星 ⭐️ {% endcta %}

協議聽起來可能很無聊，但它們是代理在現實世界中真正發揮作用的原因。

框架會變，協定不會變。所以你應該花點時間學習這些基礎。

如果您有任何問題、反饋或最終建置了一些很酷的東西，請在評論中分享。

祝你今天過得愉快！下次見 :)

| 您可以檢查
我在anmolbaranwal.com上工作。
感謝您的閱讀！ 🥰 | |

| --------- | -------- |

在Twitter上關注 CopilotKit 和 AG-UI 並打招呼！

如果您想建立一些很酷的東西，請加入 AG-UI Discord 。

原文出處：https://dev.to/copilotkit/ai-agent-protocols-every-developer-should-know-in-2025-39m3