文章概述了LLM AI Agent通信协议，提出分类框架：上下文导向型和代理间通信型，并用旅行计划案例分析了几种协议。
原文标题：4大类AI Agent协议框架全面综述
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文章提到了多种Agent间通信协议，它们在设计理念和适用场景上有什么根本区别？未来Agent协议的发展趋势是什么？
3、在旅行计划案例中，Agora协议通过自然语言理解生成标准化协议，这种方式有哪些优势和局限性？如何提高自然语言理解的准确率和效率？
原文内容
来源：PaperAgent本文共2000字，建议阅读5分钟本文对现有的LLM AI Agent通信协议进行了系统性的概述。
对现有的LLM AI Agent通信协议进行了系统性的概述，并将其分为四大类，以帮助用户和开发者为特定应用场景选择最适合的协议。
一、AI Agent协议的发展
AI Agent协议的定义：代理协议是标准化框架，定义了代理之间以及代理与外部系统之间结构化通信的规则、格式和程序。与传统交互机制（如API、GUI或XML）相比，协议在效率、操作范围、标准化和AI原生性方面具有显著优势。
-
代理协议的作用：
-
互操作性：允许不同架构的异构代理系统无缝协作。
-
标准化交互：确保代理能够轻松集成和扩展其功能，通过纳入新工具、API或服务。
-
安全性和治理：提供内置机制以管理代理行为，确保在明确定义的安全操作参数内运行。
-
降低开发复杂性：通过抽象化交互逻辑，减少代理开发的复杂性，使开发者能够专注于增强核心代理功能。
-
促进集体智能：通过标准化通信渠道共享见解和协调行动，使分布式代理系统能够实现单一架构无法实现的结果。
二、AI Agent协议分类框架
提出了一个二维分类框架，将协议分为上下文导向型（Context-Oriented Protocols）和代理间通信型（Inter-Agent Protocols），并进一步细分为通用型（General-Purpose）和特定领域型（Domain-Specific）。
1、上下文导向型协议
面向上下文的协议主要解决AI代理与外部工具或数据源之间的交互问题，帮助代理获取必要的上下文信息以完成任务。这类协议进一步分为：
-
1.1 General-Purpose Protocols
-
MCP（Model Context Protocol）：由Anthropic提出，是一个通用的上下文获取协议，允许AI代理通过标准化的方式与外部资源（如数据、工具和服务）进行交互。它采用客户端-服务器架构，将工具调用与LLM响应解耦，提高了数据安全性和隐私性。
-
1.2 Domain-Specific Protocols
-
agents.json：由WildCardAI提出，是一个基于OpenAPI标准的开源机器可读合同格式，专门用于将传统API与AI代理桥接，支持网站声明AI兼容接口、认证方案和多步工作流。
2、Agent间通信协议
面向代理间交互的协议专注于代理之间的协作和通信，以解决更复杂的任务。
-
2.1 General-Purpose Protocols
-
ANP（Agent Network Protocol）：由开源社区开发，旨在实现不同代理之间的互操作性，构建一个开放、安全、高效的协作网络。它支持跨域代理通信，采用去中心化身份认证机制。
-
A2A（Agent2Agent Protocol）：由Google提出，专注于企业内部代理之间的复杂问题解决和协作，支持异步工作流和多模态交互。
-
AITP（Agent Interaction & Transaction Protocol）：由NEAR基金会提出，支持代理之间的安全通信、协商和价值交换，特别适用于跨信任边界的交互。
-
AConP（Agent Connect Protocol）：由Cisco提出，定义了调用和配置代理的标准接口。
-
AComP（Agent Communication Protocol）：由Al and Data提出，旨在标准化代理之间的通信，促进自动化和协作。
-
Agora：由牛津大学提出，是一个元协议，允许代理根据上下文采用不同的通信协议。
-
2.2 Domain-Specific Protocols
-
LMOS（Language Model Operating System）：由Eclipse基金会提出，旨在构建一个互联网代理生态系统，支持代理的发现、交互和互操作性。
-
Agent Protocol：由AI Engineer Foundation提出，定义了控制台与AI代理之间的通信标准。
-
LOKA：由CMU提出，是一个去中心化的框架，用于建立知识型代理之间的信任和伦理协调。
-
PXP（Predict and eXplain Protocol）：由BITS Pilani提出，专注于人机交互中的双向可解释性。
-
CrowdES：由GIST.KR提出，用于机器人代理之间的交互，模拟真实的人群动态。
-
SPPs（Spatial Population Protocols）：由利物浦大学提出，用于解决匿名机器人之间的分布式定位问题。
三、案例分析
通过一个具体的用例——计划从北京到纽约的五天旅行——来比较和分析四种不同的AI代理协议：MCP、A2A、ANP和Agora：
1. MCP: 单个代理调用所有工具
适用于任务定义明确且外部服务接口稳定的场景，但不适用于动态环境。
-
工作流程：
-
用户向MCP Travel Client提出旅行计划请求。
-
MCP Travel Client直接调用Flight Server、Hotel Server和Weather Server，分别获取航班、酒店和天气信息。
-
各服务返回信息后，MCP Travel Client聚合所有响应，生成完整的旅行计划。
2. A2A: 企业内部的复杂协作
适合企业内部多个专业代理直接通信的场景，依赖于稳定的内部基础设施和高效的代理间数据交换。
-
工作流程：
-
用户向A2A Travel Planner提出旅行计划请求。
-
A2A Travel Planner将任务分配给各个专业代理（如Flight Agent、Hotel Agent、Weather Agent）。
-
各代理直接相互通信，获取所需信息（例如Flight Agent直接从Weather Agent获取天气信息）。
-
各代理将结果返回给A2A Travel Planner，由其汇总最终结果。
3. ANP: 跨领域代理协议
适合跨组织协作的场景，需要清晰的协议和安全机制。
-
工作流程：
-
用户向ANP Travel Planner提出旅行计划请求。
-
ANP Travel Planner将任务分配给不同组织的代理（如Flight Agent、Hotel Agent、Weather Agent）。
-
各代理通过跨组织协议进行交互（例如Flight Agent与Weather Agent跨组织交互）。
-
各代理将结果返回给ANP Travel Planner，由其汇总最终结果。
4. Agora: 自然语言到协议生成
专注于用户交互，将自然语言转换为结构化协议，适合需要高效用户交互的场景。
