隨著大型語言模型（LLM）技術的飛速發展，基于LLM的智能體（LLM agents）正以前所未有的速度滲透到各行各業，從自動化客戶服務、內容創作到數據分析乃至醫療輔助，深刻地改變著我們的工作與生活方式。為了充分釋放智能體的潛力，研究者們設計了多種架構，旨在促進智能體與外部實體——包括非智能體直接控制的數據源、工具以及其他在線智能體——之間的有效通信。

然而，隨著應用場景的擴展和來自不同供應商、采用不同架構的智能體的涌現，智能體與外部實體間的交互規則變得日益復雜。一個關鍵的瓶頸在于缺乏標準化的通信協議。這種協議的缺失嚴重阻礙了智能體之間的互操作性，限制了它們利用外部功能的能力，也妨礙了不同提供商或架構背景下的智能體進行無縫協作，進而制約了智能體網絡的可擴展性，最終限制了它們解決更復雜現實世界問題的能力。

回顧計算歷史，早期互聯網也曾因系統不兼容和連接受限而呈現碎片化狀態。如今的LLM智能體領域正面臨類似的孤立困境。TCP/IP和HTTP等協議的革命性影響不僅僅是解決了技術難題，更是開啟了一個全球互聯、創新和價值創造空前繁榮的時代，徹底改變了人類社會。同樣地，為智能體系統建立統一的協議，不僅能解決當前的互操作性問題，更能催生一種更具變革性的事物：一個互聯的智能網絡。這種標準化將使得不同形式的智能能夠在系統間順暢流動，內嵌智能的工具可以與專業化智能體無縫交互，結合各自能力，涌現出超越任何單個組件能力的集體智能形式。這個智能網絡將打破“工具智能”與“智能體智能”之間的人為壁壘，使它們能夠動態地融合、放大和互補。專業智能體可以組成臨時聯盟解決復雜問題，智能工具可以同時擴展多個智能體的能力，全新的認知架構也可能從這些標準化交互中誕生。其結果將不僅僅是更高效的自動化，而是一種全新的分布式、協作式智能范式，能夠應對當今孤立系統無法企及的挑戰。

為了應對上述挑戰，現有的研究工作在推動協議標準化方面不斷取得進展。例如，在智能體與資源的通信方面，Anthropic推出了模型上下文協議（Model Context Protocol, MCP），旨在標準化LLM智能體與外部資源之間的上下文獲取。MCP極大地增強了智能體與外部數據和工具的通信能力，有效地扮演了“外部大腦”的角色，擴展了智能體的知識，使其能更高效地解決復雜的現實世界問題。類似地，諸如智能體網絡協議（Agent Network Protocol, ANP）和智能體到智能體協議（Agent-to-Agent, A2A）等協議，則致力于促進來自不同提供商和架構的智能體在多智能體場景下的協作。盡管這些協議發展迅速，但目前仍缺乏對智能體協議的詳細分析和綜述，導致用戶和開發者在實踐中難以駕馭數量龐大的協議選項。分析和歸類不同協議間的異同，以及比較它們的各項性能特征，是用戶和開發者最為關心的問題之一。

上海交大和ANP社區的研究人員在論文《A Survey of AI Agent Protocols》中提供對現有智能體協議的首次全面分析。通過對各類協議的深入研究，首次提出了一個系統的智能體協議分類框架，為眾多現有協議提供了一個清晰的組織結構，從而幫助用戶和開發者針對特定場景選擇最合適的協議。此外，還對不同協議在安全性、可擴展性、延遲等多個關鍵維度上的性能進行了比較分析，為未來智能體協議的研究和實際應用提供了有價值的見解。最后，探討了LLM智能體協議的未來發展前景，勾勒出主要的研究方向，并指出了下一代協議為支持不斷演進的智能體生態系統所需具備的特性，例如適應性、隱私保護和基于群組的交互。

基礎定義，什么是LLM智能體與智能體協議？

在深入探討協議細節之前，有必要先明確幾個核心概念。

LLM智能體的定義與特征

LLM智能體代表了人工智能領域的一項顯著進步，它將大型語言模型固有的復雜語言處理能力與自主決策框架相結合。具體來說，這些智能體是能夠生成需要順序推理的復雜文本輸出的先進系統。它們展現出前瞻性規劃、維護過去交互的上下文記憶以及利用外部工具根據情境需求和期望的溝通風格動態調整響應的能力。

LLM智能體與標準大型語言模型的區別在于其架構組成和操作能力。雖然LLM主要關注基于輸入提示生成文本，但智能體被設計為在現實世界環境中自主運行。一個LLM智能體的核心架構通常由幾個關鍵部分構成。首先是基礎模型（Foundation Model），通常是一個大型語言模型或多模態大模型，提供推理、理解語言和解釋多模態信息的基本能力。其次是記憶系統（Memory Systems），包括短期和長期記憶組件，用于在交互中保持上下文并存儲相關信息供未來使用，從而保持對話連續性并積累知識。再次是規劃（Planning）能力，使智能體能將復雜任務分解為更小、可管理的子任務，有助于戰略性問題解決并增強決策過程的可解釋性。然后是工具使用（Tool-Using）能力，通過集成外部工具和API來克服LLM在數學推理、邏輯運算和知識范圍上的限制，顯著擴展功能和準確性。最后是行動執行（Action Execution）能力，使智能體能通過API調用、數據庫查詢等方式與其環境進行互動。

這些架構組件構成了現代LLM智能體的基礎結構。基于此架構，學術研究和工業應用的最新進展顯著擴展了智能體的能力和部署場景。在工業界，大型科技公司開發了日益復雜的智能體平臺，例如微軟構建了集成超過1400個企業系統的生態系統，IBM則強調具有強大推理能力的自主智能體。Coze等平臺加速了智能體開發的民主化。學術界則關注增強推理能力（如“類Odin”模型）和多智能體架構，后者通過多個專業智能體協作處理復雜問題。同時，LangChain/LangGraph和微軟的Semantic Kernel等新興實現框架為開發者提供了構建智能體的模塊化工具，促進了智能體技術從實驗概念向實用系統的快速演變。

智能體協議的定義與發展

智能體協議是標準化的框架，定義了智能體之間以及智能體與外部系統之間結構化通信的規則、格式和程序。與API、圖形用戶界面（GUI）或基于XML的交互等傳統機制相比，協議展現出顯著優勢。（表 1）API雖高效但常缺乏靈活性和標準化；GUI用戶友好但效率受限且非AI原生；XML主要用于瀏覽器交互，效率和標準化均不足。許多AI助手依賴HTML等技術與網站交互，但靈活性和復雜性受限。因此，智能體協議因其能支持多樣化智能體生態系統中復雜、動態和可擴展的交互而成為首選方法。

協議作為實現連貫信息交換的基礎語法，使異構智能體系統能夠無縫協作。其主要價值在于實現互操作性、確保標準化交互，并允許智能體通過整合新工具、API或服務來輕松擴展能力。標準化協議還提供了維護安全和治理的內在機制。通過抽象交互邏輯，協議顯著降低了開發復雜度。更具變革性的是，協議能促使集體智能的涌現，當專業智能體組成臨時聯盟解決復雜問題時，通過標準化通信共享見解和協調行動，分布式系統能取得單體架構無法實現的成果。

當前的智能體協議格局涵蓋多種戰略范式。以模型為中心的協議（如MCP）旨在通過技術提供商影響生態系統。面向企業的協議（如A2A）優先考慮內部集成、安全性和治理。開放網絡協議（如ANP）則代表去中心化愿景，旨在建立開放的智能體互聯網，鼓勵廣泛的互操作性。這些發展說明了協議在推動基于智能體的協作智能方面所起的關鍵作用。（圖 2）

智能體協議分類框架

為了應對LLM智能體快速演變的需求，涌現了各種智能體協議。然而，現有研究缺乏對這些協議的系統性分類。為了填補這一空白，這里提出了一個二維分類框架。（圖 3）第一個維度依據對象導向，將協議分為面向上下文（Context-Oriented）和智能體間（Inter-Agent）兩種類型。第二個維度依據應用場景，將協議進一步劃分為通用（General-Purpose）或領域特定（Domain-Specific）。

面向上下文的協議（Context-Oriented Protocols）

盡管LLM擁有先進的語言理解和推理能力，但LLM智能體不能僅依賴其固有知識。為了獲取必要的上下文，智能體通常需要自主決定何時以及調用哪些外部工具，并通過這些工具執行操作。例如，響應天氣查詢時需調用天氣API。早期通過格式化的函數調用數據集微調工具使用能力，但缺乏標準化協議導致了挑戰。

LLM生態系統中標準化協議的缺失導致工具調用和接口的嚴重碎片化。LLM提供商和工具/服務提供商各自實施標準和接口，加劇了不兼容性，增加了用戶和開發者的負擔，阻礙了互操作性，提高了系統復雜性和成本。

為應對此挑戰，研究者提出了面向上下文的智能體協議。通過提供標準化的上下文獲取方法，減少智能體與上下文提供者之間交換的碎片化。根據應用場景，這些協議可分為通用型和領域特定型。

通用面向上下文協議

通用智能體協議旨在通過統一范式適應廣泛實體，促進多樣化通信。

模型上下文協議（MCP） 是由Anthropic提出的一種開創性且廣受認可的協議。它旨在以更簡單、可靠的方式連接LLM智能體與外部數據、工具和服務等資源。MCP的高度標準化有效解決了由不同基礎LLM和工具提供商帶來的碎片化問題，極大增強了系統集成。同時，其標準化也為LLM智能體的工具使用帶來了高可擴展性，使其更容易集成新工具。此外，MCP的客戶端-服務器架構將工具調用與LLM響應解耦，降低了數據泄露風險。

MCP協議的工具使用過程涉及四個組件：主機（Host）指LLM智能體，負責交互、理解查詢、選擇工具并發起戰略性上下文請求；客戶端（Client）連接到主機，提供資源描述，并與服務器建立一對一連接，發起執行性上下文請求；服務器（Server）連接到資源，與客戶端一對一連接，提供所需上下文；資源（Resource）指本地或遠程的數據、工具或服務。

在一個完整的MCP調用周期中，主機首先根據用戶查詢推斷所需上下文，并根據客戶端提供的資源描述選擇資源，向相應客戶端發起戰略性請求。客戶端隨后向服務器發送執行性請求（如數據修改或工具調用）。服務器操作資源并將獲取的上下文傳輸給客戶端，再由客戶端傳遞給主機。最后，主機結合上下文構建回復。

MCP通過引入公開標準化的調用協議解決了碎片化問題，將工具使用與特定LLM提供商和上下文提供商接口解耦。這使得基礎LLM提供商能實現更大互操作性，上下文提供商通過一次性集成即可支持所有兼容MCP的智能體，從而降低開發維護成本，提高可擴展性和兼容性。

此外，MCP通過解耦工具調用與LLM響應增強了隱私和安全性。傳統函數調用可能將用戶私密信息（如憑證）包含在內并上傳至云端。MCP中，LLM指定資源和參數，由本地客戶端構建和執行實際請求，并在本地管理用戶授權，敏感信息可離線存儲，降低泄露風險。用戶能控制共享的上下文數據，緩解隱私擔憂。MCP是標準化LLM智能體與外部資源交互的重要一步。

領域特定面向上下文協議

除了通用協議，一些協議專注于特定領域以實現針對性增強。

agents.json 規范是一種開源、機器可讀的合約格式，旨在彌合傳統API與AI智能體間的鴻溝。它基于OpenAPI標準，允許網站在結構化的JSON文件（通常托管于/.well-known/agents.json）中聲明AI兼容接口、認證方案和多步驟工作流。與傳統OpenAPI不同，agents.json引入了“流”（預定義API調用序列）和“鏈接”（映射動作間數據依賴）等構造，便于LLM進行可靠編排。其設計強調無狀態性、對現有API的最小修改及為LLM消費優化。通過提供清晰、標準化的交互模式，agents.json簡化了集成，減少了提示工程需求，增強了API在智能體環境中的可發現性和可用性。

智能體間協議（Inter-Agent Protocols）

隨著技術發展，克服單智能體限制以解決更復雜任務的需求增長，對多智能體協作的興趣顯著增加。在某些大規模、復雜任務中，多智能體方法能提高效率、降低成本、提供更好的容錯性和靈活性，性能常優于單智能體系統。智能體間交互是多智能體系統（MAS）的關鍵。然而，多數MAS框架直接嵌入智能體，缺乏明確的交互標準，阻礙了發展。因此，需要建立管理智能體間交互的標準化協議，即智能體間協議。

該協議應有效解決智能體發現、信息共享及通信方法和接口標準化等問題，提供統一交互協議。實踐中，不同平臺、供應商的智能體常需互操作以滿足用戶請求，可能涉及討論、協商、辯論、協作等多種通信，智能體間協議在啟用和管理這些場景中起關鍵作用。

與面向上下文協議類似，智能體間協議也可根據應用場景分為通用型和領域特定型。

通用智能體間協議

目前已提出多種通用智能體間協議，包括ANP、A2A、AITP、AConP和AComP等。它們雖都關注智能體交互，但在問題域、應用場景和實現策略上各異。（表 3）

智能體網絡協議（ANP） 是一個由開源社區開發的開源協議，旨在實現跨異構領域各種智能體的互操作性。其愿景是定義標準化連接機制，為數十億智能體構建開放、安全、高效的協作網絡。ANP的核心原則包括：互聯性（打破數據孤島，確保AI獲取完整上下文）、原生接口（優化機器間通信，而非模擬人類交互習慣）和高效協作（利用自動組織和協商機制）。ANP包含三個核心層：身份與加密通信層（利用W3C DID實現去中心化身份認證和端到端加密）、元協議層（作為協議的協議，使智能體能用自然語言如Agora自主協商和協調通信協議）和應用協議層（定義標準化協議，規范智能體發現、描述及領域特定任務的應用協議）。其工作流程大致為：本地智能體發現、訪問描述文件、根據信息發起交互。ANP為智能體網絡通信引入了創新解決方案，提出了“智能體互聯網”概念。

Agent2Agent協議（A2A） 是谷歌提出的協作協議，旨在實現智能體間無縫協作，無論底層框架和供應商如何。它簡化了企業環境中的智能體集成，提供構建安全、企業級生態系統的核心功能，包括能力發現、用戶體驗協商、任務與狀態管理及安全協作，特別設計用于支持復雜的組織內部協作。其關鍵原則包括：簡潔性（重用HTTP(S)、JSON-RPC 2.0、SSE等現有標準）、企業就緒（內置認證、授權、安全、隱私、可追溯性、可觀察性考量）、異步優先架構（以“任務”為中心，支持長時運行異步工作流）、模態無關（原生支持文本、文件、表單、多媒體等）和不透明執行（交互不要求共享思考、計劃或工具，保護隱私和知識產權）。A2A定義了Agent Card、Task、Artifact、Message、Parts等關鍵概念。工作流程為：遠程智能體用Agent Card發布能力，客戶端智能體識別并利用A2A與其通信完成任務，任務輸出以Artifact形式響應。A2A通過標準化協議推進了互操作性。

智能體交互與交易協議（AITP） 使AI智能體能跨信任邊界安全通信，提供可擴展的結構化交互機制。它支持不同組織或個人所屬智能體間的自主、安全通信、協商和價值交換。例如，在航班預訂中，個人助理智能體可用AITP直接與航空預訂智能體交互。AITP通過“線程”在傳輸層通信，通過定制的“能力”交換結構化數據。其獨特之處在于明確關注跨信任邊界交互，利用區塊鏈解決去中心化環境中的身份、安全和數據完整性挑戰。

智能體連接協議（AConP） 定義了調用和配置智能體的標準接口。它提供一組API覆蓋智能體檢索、執行、中斷恢復、線程管理和輸出流。調用信息存儲在Agent ACP Descriptor中。嚴格來說，AConP定義連接和使用接口，而非明確促進交互，但結合描述符和API集，智能體也可通過AConP互連協作。

智能體通信協議（AComP） 旨在標準化智能體通信方式，實現自動化、協作、UI集成和開發者工具。它強調先實現實用功能，再標準化有價值的功能，以確保廣泛采用和兼容性。其動機是解決當前系統通信標準多樣導致的復雜性、集成困難和供應商鎖定問題。AComP旨在通過標準化專門為處理自然語言輸入并依賴外部模型的智能體量身定制的交互來解決這些問題，簡化集成并促進協作，目前仍處設計階段。

Agora 協議旨在解決基于異構LLM的智能體網絡面臨的“智能體通信三難困境”，即難以平衡通用性（Versatility）、效率（Efficiency）和可移植性（Portability）。通用性要求支持多種消息類型和格式，但這增加復雜性，降低可移植性。效率要求低計算和網絡成本，減少歧義，但高靈活性常帶來高開銷。可移植性要求易于實現部署，但復雜靈活的協議編程工作量大。Agora利用LLM的自然語言理解、代碼生成和自主協商能力，使智能體能根據上下文采用不同協議：頻繁通信用結構化協議保效率，不頻繁通信用LLM生成的帶例程的結構化數據，罕見通信或失敗時切換到自然語言（也可促進協議協商）。Agora引入協議文檔（PDs），一種純文本描述，允許智能體自主協商、實現、適應甚至創建新協議，無需人工干預。Agora通過支持多種通信方法滿足通用性，優先高效方法平衡通用性與效率，通過自主協商和PDs減少編程依賴，增強兼容性和可擴展性，有效解決三難困境。

領域特定智能體間協議

領域特定協議作為量身定制的通信協調機制，用于管理智能體與其在不同操作領域對應物間的交互，確保穩健、可解釋且符合倫理的行為。

在人機交互協議（Human-Agent Interaction Protocol）方面，PXP協議（預測與解釋協議）旨在促進人類專家與LLM驅動智能體間的雙向可理解交互。它采用有限狀態機模型，通過RATIFY、REFUTE、REVISE、REJECT四種標簽的消息通信，已在放射學診斷和藥物合成路徑規劃等領域驗證。LOKA協議（知識型智能體的分層編排）則引入全面的去中心化框架，解決身份、問責制和倫理對齊挑戰。它提出通用智能體身份層（UAIL），結合意圖中心通信協議和去中心化倫理共識協議（DECP），基于DID、VC等新興標準，為負責任、透明、自主的AI生態系統提供基礎。

在機器人-智能體交互協議（Robot-Agent Interaction Protocol）方面，CrowdES框架引入用于連續、逼真人群行為生成的新型交互協議，特別適用于機器人-智能體交互。它集成人群發射器和模擬器，使機器人能在動態異構環境中導航交互。空間群體協議（SPPs）用于解決匿名機器人間的分布式定位問題（DLP），使機器人在任意初始狀態下通過成對交互就統一坐標系達成共識，有自穩定距離查詢、基于領導者距離查詢和自穩定向量查詢三種變體。

在系統-智能體交互協議（System-Agent Interaction Protocol）方面，LMOS（語言模型操作系統）協議提供構建“智能體互聯網”（IoA）的基礎架構，這是一個去中心化、可互操作、可擴展的生態系統。LMOS分三層：應用協議層、傳輸協議層、身份與安全層。Agent Protocol是一個開源、框架無關的通信標準，旨在實現控制臺與AI智能體間的無縫交互。它基于OpenAPI v3，定義執行關鍵生命周期操作的統一接口，引入Runs、Threads、Store等核心抽象，促進異構智能體在多智能體環境中的互操作性、可擴展性和操作透明度。

值得注意的是，智能體間協議與面向上下文協議間存在聯系。面向上下文交互中的工具可視為低自主性智能體；反之，智能體間交互中的通信智能體也可視為高自主性工具。作為工具的智能體也能成為任務發起者。抽象來看，工具代表智能體的特定技能。長遠看，這兩種范式可能趨同。

協議評估與比較

在快速發展的智能體通信協議領域，靜態比較易過時。例如MCP從v1.0到v1.2的演進增加了HTTP流和認證支持。本節重點在于識別設計和評估LLM智能體通信協議時需考慮的關鍵維度和挑戰，而非提出具體評估基準。借鑒互聯網協議演進的七個核心指標——互操作性、性能效率、可靠性、可擴展性、安全性、可演化性和簡潔性——考察它們對LLM智能體協議的適用性。（表 4）

效率（Efficiency）是評估的關鍵維度，涵蓋吞吐量管理、延遲最小化、握手開銷優化和消息頭大小減少。在智能體時代，效率還需應對語義處理、動態任務協調和令牌消耗成本等獨特需求。關鍵指標包括延遲（Latency）（受網絡傳輸、語義處理和協議開銷影響）、吞吐量（Throughput）（每秒處理的消息/任務數，可用TPS-N度量）和資源利用率（Resource Utilization）（評估計算資源消耗，包括頭部大小、令牌消耗及CPU、內存、帶寬使用）。

可擴展性（Scalability）指協議在節點或連接數量指數級增長時維持性能和可用性的能力。在智能體時代，還包括處理增長的智能體群體、動態工具集成和高密度通信網絡。評估維度包括節點可擴展性（Node Scalability）（N增加時性能維持能力）、鏈路可擴展性（Link Scalability）（鏈路密度增加時性能）和能力協商（Capability Negotiation）（動態協商通信協議、能力或任務分配的有效性，可用CNS度量）。

安全性（Security）是基本維度，確保通過身份認證、加密和完整性驗證保護交互。在智能體時代，需應對動態、去中心化和語義驅動生態系統的獨特挑戰。評估維度包括認證模式多樣性（Authentication Mode Diversity）（支持的認證機制種類）、角色/ACL粒度（Role/ACL Granularity）（執行細粒度訪問控制的能力）和上下文脫敏機制（Context Desensitization Mechanism）（通過匿名化或編輯保護敏感數據的能力）。

可靠性（Reliability）指確保穩定準確通信的能力，采用消息確認、重傳、流控制和擁塞控制等機制。評估維度包括數據包重傳（Packet Retransmission）（可通過ARC度量）、流控制和擁塞控制（Flow and Congestion Control）（可通過CT度量收斂時間）和持久連接（Persistent Connections）（可通過UDR和MLR評估穩定性）。

可擴展性/可演化性（Extensibility）指協議靈活適應新需求和技術發展，同時不破壞向后兼容性的能力。評估維度包括向后兼容性（Backward Compatibility）（可通過USR反映升級成功率）、靈活性與適應性（Flexibility & Adaptability）（可通過ATPR評估新功能測試通過率）和定制與擴展（Customization & Extension）（支持自定義字段和插件系統）。

可操作性（Operability）指協議被實現、操作和維護的簡易性和效率。評估維度包括協議棧代碼量（Protocol Stack Code Volume）（輕量級API規范，代碼量小）、部署與配置復雜度（Deployment & Configuration Complexity）（框架無關，提供文檔、SDK簡化部署，可通過NDC粗略評估）和可觀察性（Observability）（提供監控和調試工具）。

互操作性（Interoperability）指協議使不同系統、框架、瀏覽器等環境間能夠無縫通信的能力。評估維度包括跨系統與跨瀏覽器兼容性（Cross-System & Cross-Browser Compatibility）（確保不同OS和瀏覽器間通信）和跨網絡與跨平臺適應性（Cross-Network & Cross-Platform Adaptability）（支持不同網絡環境和編程語言/平臺，可通過SCTPR評估模式兼容性）。

協議演進評估：案例研究 觀察協議演進有助于揭示其適應路徑。MCP的迭代（v1.0到v1.2增加HTTP流和認證）改善了互操作性和安全性，但也可能影響性能，體現了功能、性能、安全間的平衡。從MCP到ANP和A2A的演進則代表了從單一功能協議向復雜、多層、多維協作架構的轉變（MCP連接資源 -> ANP去中心化身份點對點通信 -> A2A企業級協作框架）。這展示了從基礎功能到復雜系統協作的發展，反映了生態系統的擴展。對于開發者和研究人員，建議情境適配選擇協議，關注安全與性能，并監控協議演進。

不同協議下的旅行規劃任務（用例分析）

為直觀理解協議特點，分析了四種協議（MCP、A2A、ANP、Agora）在同一用例——“規劃北京到紐約五天行程”——中的應用。（圖 4）

MCP：單一智能體調用所有工具 采用中心化方法，單個MCP旅行客戶端協調所有與外部服務（航班、酒店、天氣服務器）的交互。服務被視為工具，彼此不交互。信息流呈星型模式，中心客戶端聚合響應生成計劃。架構簡單可控，但靈活性差，依賴性高，可能成瓶頸。

A2A：企業內部的復雜協作 支持企業內智能體直接通信。智能分布于專業智能體（航班、酒店、天氣等），組織在邏輯部門。智能體間存在依賴（如航班/活動依賴天氣），可直接通信。A2A旅行規劃器主要收集最終結果。架構更靈活現實，服務間可直連，減少開銷，支持復雜協作。

ANP：跨域智能體協議 通過標準化跨域交互擴展協作至企業外。不同組織域（航空公司、酒店、天氣網站）的智能體能協商。跨域協作通過正式協議請求響應進行（如航班與天氣智能體協商）。旅行規劃器協調全局。ANP通過形式化協商解決跨組織協作挑戰，適用于多組織場景。

Agora：從自然語言到協議生成 最以用戶為中心，將自然語言請求轉為標準化協議。過程分三步：自然語言理解解析請求；協議生成層將組件轉為形式化協議；協議分發層派發協議給專業智能體（航班、酒店、天氣、預算）。智能體響應特定協議。此三階段過程適應性強，將專業智能體從NLP復雜性中解放，專注于核心能力。

此案例研究表明，每種協議成功應用需特定條件和依賴。MCP需中心化智能體和穩定接口，適用于定義明確任務。A2A適用企業內多智能體直接通信，依賴穩定內部設施。ANP適用跨組織協作，要求遵循清晰協議。Agora專注用戶體驗，需系統能理解輸入并映射。協議適用性受組織結構、信任關系、交互需求等影響，需根據用例選擇。

學術視角下的智能體協議未來趨勢

智能體協議發展日新月異。可以根據論文看看其短期、中期、長期預期演進趨勢。

短期展望：從靜態到可演化 未來研究將關注評估與基準測試，設計超越任務成功的評估框架，納入效率、魯棒性、適應性、可擴展性等，開發模擬環境和測試平臺。隱私保護協議將探索在最小化數據暴露下交換信息的方法，可能基于屬性管理訪問權限或借鑒聯邦學習共享聚合見解。智能體網格協議（Agent Mesh Protocol）設想模仿群聊，實現群組內通信透明共享，促進協調決策，需解決群組語義、一致性、同步及開銷等挑戰。可演化協議（Evolvable Protocols）將協議視為動態、模塊化、可學習組件，智能體可主動管理、改進、組合協議構建定制策略，甚至訓練發現最優變體，增強泛化、優化和擴展能力。

中期展望：從規則到生態系統 未來可能探索內置協議知識，將協議內容結構集成到LLM參數中，實現無需提示的協議行為，但限制適應性。分層協議架構可能演進，分離不同通信層面關注點（如傳輸與語義），提高模塊化和可擴展性，支持動態協議組合，適應混合環境，并集成倫理法律約束。

長期展望：從協議到智能基礎設施 一個長期方向是探索大規模互聯智能體群體中集體智能與規模定律的涌現，研究群體規模、拓撲、協議配置如何塑造系統行為。互聯網原生協議使在網絡規模觀察分析成為可能，發現或指導設計分布式智能體集體作為新計算基底。同時，預計出現智能體數據網絡（ADN），一個為自主智能體通信協調優化的基礎數據設施，支持結構化、意圖驅動、協議兼容的信息交換，依賴機器中心數據表示（如任務狀態、內存快照），服務智能體操作需求（狀態同步、規劃、協作）。

總結

這篇論文提供了對現有AI智能體協議的首次全面分析。通過系統分類和關鍵維度評估，為實踐者和研究人員提供了實用參考，突出了構建可靠、高效、安全智能體系統所涉及的權衡和設計考量。展望未來，可預見下一代協議（可演化、隱私保護、群組協調）以及分層架構和集體智能基礎設施的興起。智能體協議的發展將鋪平道路，實現更互聯協作的智能體生態系統，其中智能體和工具可動態聯盟、交換知識、共同進化以解決復雜問題。如同互聯網基礎協議，未來智能體通信標準有潛力開啟分布式集體智能新時代，重塑智能在系統間的共享、協調和放大方式。

參考論文：arXiv:2504.16736v1 [cs.AI] 23 Apr 2025

本文轉載自?????上堵吟?????，作者：一路到底的孟子敬