【Agent零基础入门课程】从单打独斗到协同作战：揭秘智能体（Agents）之间的沟通奥秘

本文系Datawhale 11月组队学习的学习笔记，笔记内容参考自Datawhale组队学习——Agent零基础入门课程

前言

嘿，各位未来的AI大师们！如果你一直在关注AI领域，你一定对“智能体”（Agent）这个词不陌生。我们已经见证了单个智能体如何利用强大的语言模型（LLM）进行推理、调用工具，甚至拥有自己的“记忆”。但当我们需要构建更复杂的系统时，问题也随之而来：如何让这些聪明的“家伙们”高效地与外部世界互动？又如何让它们像一个团队一样协同工作，而不是各行其是？

这就像我们从单兵作战发展到集团军作战，必须解决指挥和通信问题一样。今天，我们就来揭开智能体世界的“通信协议”的神秘面纱，看看它们是如何解决这些问题的。

智能体为什么需要“聊天”？沟通的必要性

想象一下，你开发了一个很棒的智能体，它能帮你写代码、查资料。但很快，你会发现它的局限性：

• 集成新工具太麻烦：想让它访问你的GitHub仓库？你得为它专门写一个工具类。想让它连接数据库？又得写一个。每个新功能都意味着大量的“胶水代码”。
• 能力扩展有瓶颈：你的智能体的能力被死死地限制在你预先为它准备的工具集里。它无法在运行时动态地发现和学习新技能。
• 无法团队协作：一个复杂的任务，比如“调研市场上所有的AI Agents框架，并撰写一份详细的分析报告”，可能需要一个“研究员”智能体、一个“分析师”智能体和一个“报告撰写员”智能体协同工作。在没有通信协议的情况下，你只能手动地在它们之间传递信息，效率极低。

为了解决这些问题，通信协议应运而生。它就像为智能体世界建立了一套通用的“语言”和“接口标准”，让不同的智能体、不同的工具之间可以轻松对话、无缝协作。

沟通的“世界语”：MCP协议初探

在众多的通信协议中，由Anthropic团队提出的MCP（Model Context Protocol） 是目前生态相对成熟的一个。你可以把它想象成智能体世界的“USB-C”接口，目标是统一所有外部工具的交互方式。

MCP的核心思想是“上下文共享”。它不仅仅是让智能体能够调用一个工具那么简单，更重要的是，它允许工具和智能体之间共享丰富的上下文信息。例如，当智能体需要访问一个代码仓库时，一个设计良好的MCP服务器不仅会返回代码文件的内容，还可能提供代码的结构、依赖关系、甚至是最近的提交历史。这些丰富的“上下文”信息，能帮助智能体做出更智能的决策。

MCP的架构很简单，只有三个角色：

1. Host（宿主）：用户直接交互的界面，比如一个聊天应用。
2. Client（客户端）：内置在宿主中，负责与服务器建立连接，发送请求。
3. Server（服务器）：真正的“工具人”，负责执行具体的功能，比如读写文件、访问数据库等。

这种设计的好处是关注点分离。作为开发者，我们大多数时候只需要专注于开发功能强大的Server，而不用关心Client和Host的具体实现。社区里已经有很多现成的MCP服务器，比如文件系统、GitHub、数据库等，我们开箱即用，极大提高了开发效率。

动手才酷！构建你的第一个MCP服务器

理论说了这么多，不如我们亲手来打造一个。下面，我将带你一步步创建一个简单的“天气查询”MCP服务器。

第一步：明确我们的目标

我们希望创建一个MCP服务器，它能提供以下几个工具：

• get_weather(city: str): 查询指定城市的天气。
• list_supported_cities(): 列出所有支持查询的城市。
• get_server_info(): 获取服务器的基本信息。

第二步：编写服务器代码

我们将使用hello-agents框架来快速搭建。你需要先安装它：

# python版本需要>=3.10
pip install "hello-agents==0.1.1"

然后，创建一个名为weather_mcp_server.py的文件，写入以下代码：

#!/usr/bin/env python3
"""
一个简单的天气查询MCP服务器
"""
import json
import requests
from datetime import datetime
from typing import Dict, Any
from hello_agents.protocols import MCPServer

# 1. 初始化一个MCPServer实例
weather_server = MCPServer(name="weather-server", description="一个简单的天气查询服务")

# 支持的城市列表
CITY_MAP = {
    "北京": "Beijing", "上海": "Shanghai", "广州": "Guangzhou",
    "深圳": "Shenzhen", "杭州": "Hangzhou", "成都": "Chengdu",
    "重庆": "Chongqing", "武汉": "Wuhan", "西安": "Xi'an",
    "南京": "Nanjing", "天津": "Tianjin", "苏州": "Suzhou"
}

# 2. 定义我们的工具函数
def get_weather(city: str) -> str:
    """获取指定城市的当前天气"""
    try:
        city_en = CITY_MAP.get(city, city)
        url = f"https://wttr.in/{city_en}?format=j1"
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        data = response.json()["current_condition"][0]

        weather_data = {
            "city": city,
            "temperature": float(data["temp_C"]),
            "condition": data["weatherDesc"][0]["value"],
            "timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        }
        # MCP工具的返回值推荐是字符串
        return json.dumps(weather_data, ensure_ascii=False, indent=2)
    except Exception as e:
        return json.dumps({"error": str(e), "city": city}, ensure_ascii=False)



def list_supported_cities() -> str:
    """列出所有支持的中文城市"""
    result = {"cities": list(CITY_MAP.keys()), "count": len(CITY_MAP)}
    return json.dumps(result, ensure_ascii=False, indent=2)


def get_server_info() -> str:
    """获取服务器信息"""
    info = {
        "name": "Weather MCP Server",
        "version": "1.0.0",
        "tools": ["get_weather", "list_supported_cities", "get_server_info"]
    }
    return json.dumps(info, ensure_ascii=False, indent=2)

# 3. 将工具函数注册到服务器
weather_server.add_tool(get_weather)
weather_server.add_tool(list_supported_cities)
weather_server.add_tool(get_server_info)

# 4. 启动服务器
if __name__ == "__main__":
    print("天气查询MCP服务器已启动...")
    weather_server.run()

这段代码做了四件事：

1. 创建了一个MCPServer实例。
2. 定义了三个普通的Python函数，每个函数都将成为一个“工具”。
3. 使用add_tool()方法将这些函数注册为MCP服务器的工具。
4. 调用run()方法启动服务器。

第三步：在智能体中使用我们的新工具

现在，我们让一个智能体来使用这个刚刚创建的服务器。新建一个文件test_weather_agent.py：

from hello_agents import SimpleAgent, HelloAgentsLLM
from hello_agents.tools import MCPTool

# 初始化一个简单的智能体
llm = HelloAgentsLLM()
assistant = SimpleAgent(
    name="天气助手",
    llm=llm,
    system_prompt="你是一个天气助手，可以查询城市天气。请使用工具来回答问题。"
)

# 创建MCPTool，并指向我们的服务器脚本
# 智能体会自动启动并管理这个服务器进程
weather_tool = MCPTool(
    name="weather_service", # 给这个工具集起个名字
    server_command=["python", "weather_mcp_server.py"]
)

# 将MCP工具添加到智能体
assistant.add_tool(weather_tool)

# 见证奇迹的时刻！
print("你好，我是天气助手，今天想查哪个城市的天气？")
while True:
    user_input = input("你: ").strip()
    if not user_input:
        break
    response = assistant.run(user_input)
    print(f"天气助手: {response}")

当我们运行上面的客户端代码时，其内部的通信流程是这样的：

现在，运行test_weather_agent.py，你就可以和你的“天气助手”对话了。当你问“北京今天天气怎么样？”时，SimpleAgent会自动分析你的意图，发现需要调用weather_service的get_weather工具，然后通过MCP协议与我们的weather_mcp_server.py进程通信，获取数据，并最终生成友好的回答。

整个过程，我们没有为智能体编写任何复杂的API调用或数据解析代码，只是将一个普通的Python脚本通过MCPTool“注入”给了智能体。这就是MCP协议的魅力所在！

结语

今天我们只是揭开了智能体通信的冰山一角。除了MCP，还有专注于智能体之间点对点协作的A2A协议，以及用于构建大规模智能体网络的ANP协议。

掌握这些协议，就像是为你的智能体打开了新世界的大门，让它们从一个个孤立的“信息孤岛”，连接成一个强大、协同的“智能网络”。这不仅仅是技术的革新，更是一种思维方式的转变——从构建单个“超级英雄”智能体，转向构建一个分工明确、合作无间的“智能体团队”。