MCP与A2A协议：解锁AI智能体协作的未来之路

在AI技术飞速发展的今天，我们正见证着从单一模型向多智能体协作的转变。想象一下，未来的AI不仅能自己思考，还能像人类团队一样分工合作，各司其职，共同完成复杂的任务。这正是MCP（Model Context Protocol）和A2A（Agent2Agent）协议所带来的革命性变化。今天，我们就来深入浅出地聊聊这两个前沿技术，让你轻松掌握AI协作的核心秘密！

一、MCP：AI的"USB-C接口"，让AI连接万物

如果你用过USB-C接口，就会发现它能连接各种设备——充电器、耳机、显示器等等。MCP协议就像AI世界的USB-C接口，让AI模型能够轻松连接各种外部工具和服务。

1.1 什么是MCP？

MCP是Anthropic公司2024年11月推出的开放协议，核心定位是标准化LLM（大语言模型）与外部数据源、工具、服务的交互方式，被类比为“AI领域的USB-C接口”——解决不同工具/数据与AI模型的“兼容性问题”，降低集成成本。

1. MCP的核心基础：定义与核心差异

（1）本质与目标

  • 本质：通用交互协议，而非单一功能。

  • 目标：通过统一接口实现“跨工具/跨数据源互操作”，让AI模型无需针对不同工具单独开发适配逻辑，即可调用各类外部能力。

（2）与Function Calling（函数调用）的核心区别

对比维度 MCP（Model Context Protocol） Function Calling（函数调用）
性质 开放协议（通用标准） 模型功能（特定实现）
覆盖范围 多数据源、多功能（通用场景） 单一数据源或单一功能（特定场景）
核心目标 统一接口，实现跨系统互操作 扩展单个模型的特定能力
实现方式 基于标准协议，无需依赖特定模型 依赖具体模型的函数定义，需单独适配
开发复杂度 低（一次开发，多场景复用） 高（每个任务需单独编写函数）
复用性 高（跨模型、跨平台兼容） 低（函数绑定特定任务，难迁移）
灵活性 高（支持动态扩展工具/数据） 低（新增功能需重新开发函数）
典型场景 复杂任务（如跨平台旅游攻略、多工具数据整合） 简单任务（如天气查询、单接口商品推荐）

2. MCP的核心概念：架构、组件与功能

（1）架构：客户端-服务器（Client-Server）模式

MCP通过3个核心组件实现AI与外部系统的通信，结构清晰且职责明确：

  • MCP Host：AI模型的运行环境（如Claude Desktop、Cursor IDE、GitHub Copilot），是“模型载体”。

  • MCP Client：嵌入Host的“请求发起者”，负责将AI的需求转化为标准协议格式，与MCP Server通信。

  • MCP Server：提供具体功能的“服务端”（如高德地图服务、网页抓取服务），接收Client请求并返回结果（如景点信息、网页内容）。

（2）三大核心功能：解决AI的“能力短板”

MCP通过3类能力扩展AI的边界，覆盖“知识、操作、指令”全需求：

  1. Resources（知识扩展）：为AI提供结构化外部数据（如数据库、文档、实时API），弥补模型“训练数据静态化”的缺陷（如实时股票行情、景点开放时间）。

  2. Tools（工具调用）：允许AI执行外部操作（如发送邮件、调用GitHub接口、操作区块链智能合约、抓取网页），从“只能回答”升级为“能执行任务”。

  3. Prompts（提示模板）：预定义优化后的指令模板（如“生成A4纸大小的旅游规划表”），让AI更精准理解任务需求，减少指令偏差。

3. MCP的使用场景：从增强能力到构建生态

MCP的应用场景围绕“扩展AI能力”和“构建去中心化生态”展开，覆盖个人、企业、开发者多角色：

（1）增强AI的实时性与执行能力

  • 实时数据访问：AI通过MCP调用实时接口（如高德地图、Bing搜索），获取训练数据之外的最新信息（如当日天气、实时新闻、股票动态）。

  • 自动化任务执行：AI直接通过MCP完成操作（如整理桌面TXT文件、发送邮件、管理代码仓库），无需人工介入。

  • 区块链交互：集成以太坊智能合约，用户通过自然语言即可完成链上操作（如DeFi交易、NFT查询），降低区块链使用门槛。

（2）构建去中心化AI生态

  • 创作者经济：个人/企业可搭建专属MCP Server（如“鸟类知识库Server”“本地生活服务Server”），通过其他AI的调用次数获取收益，形成“AI服务交易市场”。

  • 抗垄断与去中心化：AI能力分散在多个Server，避免大公司垄断工具/数据资源，提升生态多样性。

（3）简化开发者工具集成

  • 标准化集成：开发者无需为每个数据源/工具编写定制API，只需遵循MCP协议，即可让AI调用各类服务（如同时集成高德地图+天气API+网页抓取）。

  • 多模态支持：整合语音、图像、传感器数据（如通过MCP调用摄像头识别物体、调用麦克风转文字），让AI具备“多感官感知”能力。

1.3 实际应用场景

想象一下，你正在计划一次旅行，AI助手可以通过MCP：

  • 调用高德地图获取景点信息和路线规划

  • 查询实时天气数据

  • 抓取网页内容生成行程攻略

  • 统计你电脑中的旅行照片

这一切都能自动完成，是不是很酷？

MCP的实操案例：从工具配置到任务落地

文档通过5个典型案例，详细演示MCP在不同场景下的配置与使用流程，覆盖“旅游规划、网页抓取、搜索、本地文件统计”核心需求，实操性极强。

案例1：旅游攻略MCP（高德地图集成）

目标：让AI通过MCP调用高德地图服务，生成上海/大连一日游攻略（含景点、路线、天气、交通），并输出可打印的网页。 核心步骤（以Cursor为例）：

  1. 获取授权：在高德开放平台注册开发者→创建应用→选择“Web服务”→获取API Key（相当于“调用凭证”）。

  2. 配置MCP Server：在Cursor的mcp.json中添加高德地图Server信息，填入API Key（确保Server能正常连接高德服务）。

    "mcpServers": {
  "amap-maps": {
    "command": "npx",
    "args": ["-y", "@amap/amap-maps-mcp-server"],
    "env": {"AMAP_MAPS_API_KEY": "你的API Key"}
  }
}

  3. AI调用服务：在Cursor Agent模式下输入指令（如“用高德MCP做上海一天旅游攻略”），AI自动通过MCP调用高德工具：

    • 调用maps_text_search获取上海景点（如豫园、外滩、东方明珠）；

    • 调用maps_weather获取当日天气（如“多云转雷阵雨，11-21℃”）；

    • 调用maps_direction_walking规划步行路线（如外滩到南京路步行街）；

  4. 生成结果：AI整合数据，输出含“行程安排、交通建议、天气提示”的攻略，甚至生成HTML网页（A4尺寸，支持打印）。

延伸配置：文档还演示了在Cherry Studio、GitHub Copilot中集成高德MCP的流程，核心差异在于“Server配置入口”（如Copilot需在VS Code的settings.json中添加MCP信息），但协议逻辑一致。

案例2：Fetch网页内容抓取（将网页转为Markdown）

目标：通过MCP的Fetch Server，将指定网页内容抓取并转为Markdown格式（方便编辑、存档）。 核心步骤：

  1. 添加Fetch Server：在mcp.json中配置Fetch服务的SSE URL（专属连接地址，需保密）：

    "fetch": {
  "type": "sse",
  "url": "https://mcp.api-inference.modelscope.cn/sse/你的专属URL"
}

  2. 调用服务：在Agent模式输入指令（如“用Fetch MCP将新浪文章转为Markdown”），AI自动抓取网页内容并转换格式。

  3. 限制说明：并非所有网页都能抓取——若网页robots.txt禁止自动化抓取（如百度百家号），MCP会提示“无法获取内容”，需手动复制。

案例3：Bing中文搜索（获取实时新闻）

目标：通过MCP集成Bing搜索服务，让AI获取指定关键词的最新新闻（如黄金行情、AI动态）。 核心步骤：

  1. 配置Bing Server：在mcp.json中添加Bing服务的SSE URL；

  2. 调用搜索：输入指令（如“用Bing MCP查找黄金相关新闻”），AI返回结构化结果（含新闻标题、摘要、链接），支持进一步获取某条新闻的详细内容（调用fetch_webpage工具）。

案例4：桌面TXT统计器（MCP SDK开发）

目标：通过Python MCP SDK，开发自定义MCP Server（统计桌面TXT文件数量、列出文件名），演示“开发者如何搭建专属MCP服务”。 核心步骤：

  1. 安装SDK：通过pip install mcp -i https://pypi.tuna.tsinghua.edu.cn/simple安装Python MCP SDK；

  2. 编写Server代码：使用FastMCP（轻量级Server框架）定义工具函数，通过@mcp.tool()装饰器暴露给AI调用：

    import os
from pathlib import Path
from mcp.server.fastmcp import FastMCP
​
# 创建MCP Server实例
mcp = FastMCP("桌面TXT文件统计器")
​
# 工具1：统计桌面TXT文件数量
@mcp.tool()
def count_desktop_txt_files() -> int:
    desktop_path = Path(os.path.expanduser("~/Desktop"))  # 获取桌面路径
    txt_files = list(desktop_path.glob("*.txt"))  # 匹配TXT文件
    return len(txt_files)  # 返回数量
​
# 工具2：列出桌面所有TXT文件名
@mcp.tool()
def list_desktop_txt_files() -> str:
    desktop_path = Path(os.path.expanduser("~/Desktop"))
    txt_files = list(desktop_path.glob("*.txt"))
    if not txt_files:
        return "桌面上没有TXT文件"
    return f"找到{len(txt_files)}个TXT文件：\n" + "\n".join([f"- {f.name}" for f in txt_files])
​
# 启动Server
if __name__ == "__main__":
    mcp.run()

  3. 测试Server：通过mcp dev txt_counter.py启动服务，访问http://localhost:5173（MCP Inspector调试工具），点击“Run Tool”即可查看统计结果（如“找到2个TXT文件：111.txt、新建文本文档.txt”）。

案例5：Qwen-Agent集成MCP

目标：在阿里Qwen-Agent（智能体框架）中集成MCP服务（高德、Fetch、Bing），让Agent具备“多工具协作”能力。 核心步骤：在Qwen-Agent的tools配置中添加MCP Server信息，并调整聊天界面的“建议提示词”（如“将网页转为Markdown”“搜索AI最新新闻”），让用户直接触发MCP工具调用。

二、A2A：AI智能体的"团队协作协议"

如果说MCP是让AI连接工具，那么A2A就是让多个AI智能体像团队一样协作。

A2A是Google于2025年4月发布的开放协议，核心定位是标准化多个AI Agent之间的协作方式，解决“多智能体分工、通信、任务协同”的问题，适用于大规模、复杂任务（如多智能体安排活动、分工处理数据分析）。

1. A2A的核心基础：定义与原则

（1）本质与目标

  • 本质：智能体间的“通用通信协议”，让不同Agent（如天气Agent、活动安排Agent）能理解彼此的需求，协同完成任务。

  • 目标：打破单个Agent的“能力边界”，通过多Agent分工（如“天气查询→活动决策→通知用户”），完成复杂任务。

（2）五大核心原则：确保协作的“兼容性、安全性、灵活性”

A2A的设计遵循5个原则，兼顾技术落地与生态扩展：

  1. 拥抱智能体能力：支持自然、非结构化的协作模式（如Agent间用自然语言+结构化数据混合通信），不限制Agent的能力类型。

  2. 利用现有标准：基于HTTP、SSE（Server-Sent Events）、JSON-RPC等成熟技术，确保与现有系统（如Web服务、API）兼容，降低开发成本。

  3. 默认安全：支持企业级认证（如API Key、Bearer Token）和授权机制，防止未授权Agent调用服务，保障数据安全。

  4. 支持长期任务：能处理“快速查询”（如天气查询）和“长期任务”（如7天自驾游规划），通过SSE实时推送任务状态（如“任务处理中→已完成”）。

  5. 多模态支持：允许Agent间传输文本、音频、视频、文件等多模态内容（如天气Agent发送雷达图、活动Agent发送日程表文件）。

2. A2A的关键组件：协作的“基础设施”

A2A通过8个核心组件定义“谁协作、如何协作、协作内容是什么”，组件间逻辑闭环：

组件名称 核心描述
Agent Card 智能体的“身份证+服务菜单”，位于/.well-known/agent.json，描述Agent的能力（如“能查天气”）、端点URL（如/api/tasks/weather）、认证要求（如需API Key），用于Agent间“能力发现”。
A2A服务器 实现A2A协议的“服务端”，暴露HTTP端点（如/api/tasks/send），管理任务执行（如接收天气查询请求、返回结果），定义任务处理逻辑。
A2A客户端 发起协作请求的“调用方”（如活动安排Agent），通过tasks/send（即时任务）或tasks/sendSubscribe（长期任务）与Server通信，消费A2A服务。
任务（Task） 协作的“最小工作单位”，有唯一ID和状态（如submitted→working→completed/failed），记录协作的目标（如“查询2025年5月8日天气”）。
消息（Message） Agent间的“通信单位”，包含角色（user/agent）和内容（如“请提供5月8日天气”），支持多轮交互（如“补充查询温度范围”）。
部分（Part） 消息的“内容细分单位”，分为TextPart（文本）、FilePart（文件）、DataPart（结构化数据），确保多模态内容的标准化传输。
工件（Artifact） 任务的“输出结果”，包含Part（如天气查询结果的“温度18℃、 condition雷阵雨”），是Agent协作的“交付物”。
流式传输 通过SSE实时推送长期任务的状态更新（如“数据分析到30%→60%→100%”），避免客户端频繁查询。
推送通知 通过Webhook将任务结果主动推送给客户端（如“天气查询完成，已推送结果”），提升协作效率。

3. A2A的工作流程：从“发现能力”到“完成任务”

A2A的协作流程标准化，支持“简单任务”和“复杂多轮交互任务”，步骤清晰可复用：

  1. 发现（Discovery）：客户端Agent通过访问目标Agent的/.well-known/agent.json，获取Agent Card，了解其能力（如“是否能查天气”）、端点URL（如/api/tasks/weather）、认证方式（如需API Key）。

  2. 启动（Initiation）：客户端根据任务类型发送请求：

    • 即时任务（如天气查询）：调用tasks/send端点，直接获取最终Task结果；

    • 长期任务（如7天旅游规划）：调用tasks/sendSubscribe端点，通过SSE接收实时状态更新。

  3. 处理（Processing）：服务端Agent接收请求，执行任务（如查询天气数据库），若需补充信息（如“日期格式错误”），则将任务状态设为input-required，等待客户端补充。

  4. 交互（Interaction，可选）：若任务状态为input-required，客户端发送补充消息（如“正确日期为2025年5月10日”），服务端继续处理。

  5. 完成（Completion）：任务达到终端状态（completed/failed/canceled），服务端返回工件（如天气结果），协作结束。

2.3 实际应用案例：智能活动安排

让我们通过一个具体的例子来理解A2A的强大之处——智能篮球活动安排系统。

三、代码实战：构建AI协作系统

现在，让我们通过实际代码来体验MCP和A2A的魅力！

3.1 天气查询Agent（A2A服务端）

首先，我们创建一个天气查询Agent，它将作为服务端提供天气查询服务：

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import uvicorn
​
app = FastAPI()
​
# Agent Card声明（通过/.well-known/agent.json暴露）
WEATHER_AGENT_CARD = {
    "name": "WeatherAgent",
    "version": "1.0",
    "description": "提供指定日期的天气数据查询",
    "endpoints": {
        "task_submit": "/api/tasks/weather",
        "sse_subscribe": "/api/tasks/updates"
    },
    "input_schema": {
        "type": "object",
        "properties": {
            "date": {"type": "string", "format": "date"},
            "location": {"type": "string", "enum": ["北京"]}
        },
        "required": ["date"]
    },
    "authentication": {"methods": ["API_Key"]}
}
​
# 任务请求模型
class WeatherTaskRequest(BaseModel):
    task_id: str
    params: dict
​
# 模拟天气数据存储
weather_db = {
    "2025-05-08": {"temperature": "25℃", "condition": "雷阵雨"},
    "2025-05-09": {"temperature": "18℃", "condition": "小雨转晴"},
    "2025-05-10": {"temperature": "22℃", "condition": "多云转晴"}
}
​
@app.get("/.well-known/agent.json")
async def get_agent_card():
    return WEATHER_AGENT_CARD
​
@app.post("/api/tasks/weather")
async def handle_weather_task(request: WeatherTaskRequest):
    """处理天气查询任务"""
    target_date = request.params.get("date")
    # 参数验证
    if not target_date or target_date not in weather_db:
        raise HTTPException(status_code=400, detail="无效日期参数")
    return {
        "task_id": request.task_id,
        "status": "completed",
        "artifact": {
            "date": target_date,
            "weather": weather_db[target_date]
        }
    }
​
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

3.2 篮球活动安排Agent（A2A客户端）

接下来，我们创建一个篮球活动安排Agent，它将作为客户端调用天气查询服务：

import requests
import uuid
​
class BasketBallAgent:
    def __init__(self):
        self.weather_agent_url = "http://localhost:8000"
        self.api_key = "SECRET_KEY"  # 实际应通过安全方式存储
​
    def _create_task(self, target_date: str) -> dict:
        """创建A2A标准任务对象"""
        return {
            "task_id": str(uuid.uuid4()),
            "params": {
                "date": target_date,
                "location": "北京"
            }
        }
​
    def check_weather(self, target_date: str) -> dict:
        """通过A2A协议查询天气"""
        # 获取天气智能体能力描述
        agent_card = requests.get(
            f"{self.weather_agent_url}/.well-known/agent.json"
        ).json()
        # 构造任务请求
        task = self._create_task(target_date)
        # 发送任务请求
        response = requests.post(
            f"{self.weather_agent_url}{agent_card['endpoints']['task_submit']}",
            json=task,
            headers={"Authorization": f"Bearer {self.api_key}"}
        )
        if response.status_code == 200:
            return response.json()["artifact"]
        else:
            raise Exception(f"天气查询失败: {response.text}")
​
    def schedule_meeting(self, date: str):
        """综合决策逻辑"""
        try:
            result = self.check_weather(date)
            # print('result=', result)  
            if "雨" not in result["weather"]["condition"] and "雪" not in result["weather"]["condition"]:
                return {"status": "confirmed", "weather": result["weather"]}
            else:
                return {"status": "cancelled", "reason": "恶劣天气"}
        except Exception as e:
            return {"status": "error", "detail": str(e)}
​
# 使用示例
if __name__ == "__main__":
    meeting_agent = BasketBallAgent()
    result = meeting_agent.schedule_meeting("2025-05-08")
    # result = meeting_agent.schedule_meeting("2025-05-10")
    print("篮球安排结果:", result)

3.3 运行效果演示

当你运行这两个程序时，会看到以下效果：

  1. 天气Agent启动后，会提供天气查询服务

  2. 篮球活动Agent会通过A2A协议查询天气

  3. 根据天气情况自动决定是否安排篮球活动

例如：

# 查询2025-05-08的天气（雷阵雨）
篮球安排结果: {'status': 'cancelled', 'reason': '恶劣天气'}
​
# 查询2025-05-10的天气（多云转晴）
篮球安排结果: {'status': 'confirmed', 'weather': {'temperature': '22℃', 'condition': '多云转晴'}}

四、未来应用场景展望

MCP和A2A协议的结合，将为AI应用带来无限可能：

4.1 企业级智能助手

  • 客户服务：多个AI Agent协同处理复杂客户问题

  • 数据分析：数据处理Agent、可视化Agent、报告生成Agent分工合作

  • 项目管理：任务分配、进度跟踪、风险预警全自动化

4.2 个人智能生活

  • 旅行规划：景点推荐、路线规划、酒店预订、天气查询一站式服务

  • 健康管理：运动监测、饮食建议、医疗咨询、用药提醒协同工作

  • 学习助手：知识点讲解、练习题生成、学习进度跟踪、个性化推荐

4.3 开发者生态

  • 工具市场：开发者可以创建各种MCP工具，形成AI服务交易市场

  • 智能体协作：构建复杂的AI应用，就像搭积木一样简单

  • 去中心化AI：避免大公司垄断，促进AI生态多样性发展

五、技术优势总结

5.1 MCP协议优势

  1. 标准化接口：一次开发，多场景复用

  2. 降低集成成本：无需为每个工具单独开发适配逻辑

  3. 扩展性强：支持动态添加新工具和服务

5.2 A2A协议优势

  1. 安全可靠：支持企业级认证和授权机制

  2. 灵活协作：支持简单任务和复杂多轮交互

  3. 多模态支持：可传输文本、音频、视频、文件等多种内容

5.3 协同效应

MCP和A2A的结合实现了"能力调用"和"协作通信"的完美统一：

  • MCP解决AI如何调用外部工具/数据的问题

  • A2A解决多Agent如何分工协作的问题

  • 两者结合构建了完整的AI生态体系

六、结语

MCP和A2A协议的出现，标志着AI技术从"单打独斗"向"团队协作"的重要转变。它们不仅解决了技术层面的兼容性和协作问题，更为构建大规模AI应用提供了标准化的技术底座。

对于开发者而言，掌握MCP和A2A协议意味着：

  • 能够快速构建功能强大的AI应用

  • 可以轻松集成各种外部工具和服务

  • 可以参与到蓬勃发展的AI生态中

对于企业而言，这些协议意味着：

  • 可以构建更加智能的业务系统

  • 能够实现更高效的自动化流程

  • 可以降低AI应用的开发和维护成本

未来已来，让我们一起拥抱这个AI智能体协作的新时代！

完整可运行代码

天气查询Agent（weather_agent.py）

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import uvicorn
​
app = FastAPI()
​
# Agent Card声明（通过/.well-known/agent.json暴露）
WEATHER_AGENT_CARD = {
    "name": "WeatherAgent",
    "version": "1.0",
    "description": "提供指定日期的天气数据查询",
    "endpoints": {
        "task_submit": "/api/tasks/weather",
        "sse_subscribe": "/api/tasks/updates"
    },
    "input_schema": {
        "type": "object",
        "properties": {
            "date": {"type": "string", "format": "date"},
            "location": {"type": "string", "enum": ["北京"]}
        },
        "required": ["date"]
    },
    "authentication": {"methods": ["API_Key"]}
}
​
# 任务请求模型
class WeatherTaskRequest(BaseModel):
    task_id: str
    params: dict
​
# 模拟天气数据存储
weather_db = {
    "2025-05-08": {"temperature": "25℃", "condition": "雷阵雨"},
    "2025-05-09": {"temperature": "18℃", "condition": "小雨转晴"},
    "2025-05-10": {"temperature": "22℃", "condition": "多云转晴"}
}
​
@app.get("/.well-known/agent.json")
async def get_agent_card():
    return WEATHER_AGENT_CARD
​
@app.post("/api/tasks/weather")
async def handle_weather_task(request: WeatherTaskRequest):
    """处理天气查询任务"""
    target_date = request.params.get("date")
    # 参数验证
    if not target_date or target_date not in weather_db:
        raise HTTPException(status_code=400, detail="无效日期参数")
    return {
        "task_id": request.task_id,
        "status": "completed",
        "artifact": {
            "date": target_date,
            "weather": weather_db[target_date]
        }
    }
​
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

篮球活动安排Agent（basketball_agent.py）

import requests
import uuid
​
class BasketBallAgent:
    def __init__(self):
        self.weather_agent_url = "http://localhost:8000"
        self.api_key = "SECRET_KEY"  # 实际应通过安全方式存储
​
    def _create_task(self, target_date: str) -> dict:
        """创建A2A标准任务对象"""
        return {
            "task_id": str(uuid.uuid4()),
            "params": {
                "date": target_date,
                "location": "北京"
            }
        }
​
    def check_weather(self, target_date: str) -> dict:
        """通过A2A协议查询天气"""
        # 获取天气智能体能力描述
        agent_card = requests.get(
            f"{self.weather_agent_url}/.well-known/agent.json"
        ).json()
        # 构造任务请求
        task = self._create_task(target_date)
        # 发送任务请求
        response = requests.post(
            f"{self.weather_agent_url}{agent_card['endpoints']['task_submit']}",
            json=task,
            headers={"Authorization": f"Bearer {self.api_key}"}
        )
        if response.status_code == 200:
            return response.json()["artifact"]
        else:
            raise Exception(f"天气查询失败: {response.text}")
​
    def schedule_meeting(self, date: str):
        """综合决策逻辑"""
        try:
            result = self.check_weather(date)
            # print('result=', result)  
            if "雨" not in result["weather"]["condition"] and "雪" not in result["weather"]["condition"]:
                return {"status": "confirmed", "weather": result["weather"]}
            else:
                return {"status": "cancelled", "reason": "恶劣天气"}
        except Exception as e:
            return {"status": "error", "detail": str(e)}
​
# 使用示例
if __name__ == "__main__":
    meeting_agent = BasketBallAgent()
    result = meeting_agent.schedule_meeting("2025-05-08")
    # result = meeting_agent.schedule_meeting("2025-05-10")
    print("篮球安排结果:", result)

运行步骤

  1. 首先安装依赖：

pip install fastapi uvicorn requests pydantic

  1. 启动天气查询服务：

python weather_agent.py

  1. 在另一个终端运行篮球活动安排：

python basketball_agent.py

现在，你已经掌握了MCP和A2A协议的核心概念和实际应用。快去尝试构建你自己的AI协作系统吧！

# 人工智能 # python # MCP
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

告别扫描文档处理烦恼：ScanTailor Advanced的智能文档优化解决方案

ScanTailor Advanced是一款专业的扫描文档后期处理工具，专为解决老旧文档数字化中的各种问题而设计。通过智能内容识别、批量处理和多线程优化，它能将倾斜、模糊、杂乱的扫描文档转化为整洁的电子文件，显著提升文档数字化效率。## 文档数字化的常见痛点与解决方案### 页面歪斜校正：智能算法自动修正传统扫描文档经常出现页面歪斜问题，手动调整每页耗时耗力。ScanTailor Adv

avatar AI Agent技术社区

SeedVR2终极指南：如何用单步扩散模型实现专业级视频修复

还在为老旧视频的模糊画质而烦恼吗？面对抖动严重的监控录像或褪色的家庭影像，你是否曾希望有一种简单高效的修复方案？SeedVR2正是为解决这些痛点而生的一站式视频修复工具。作为字节跳动推出的先进视频修复模型，它能够在单步推理中实现专业级的视频质量提升，彻底改变了传统视频修复的工作流程。## 核心价值：为什么选择SeedVR2进行视频修复？**传统视频修复的三大瓶颈**：1. **计算成本高

avatar AI Agent技术社区

终极指南：如何用Python自动化工具告别大麦抢票焦虑，轻松获取心仪演出门票

还记得那些让你心跳加速的抢票时刻吗？热门演唱会开票瞬间，你手忙脚乱地刷新页面，却眼睁睁看着"立即购买"按钮变灰，票在几秒内售罄。这种"拼手速"的抢票时代已经过去，现在有了基于Python开发的大麦自动抢票工具，让你告别手速焦虑，轻松获取周杰伦、五月天、周深等热门演出的门票。## 🔥 你的抢票痛点，我们都有解决方案### 场景一：热门演唱会一票难求"周杰伦演唱会开票3秒售罄，我连页面都没

avatar AI Agent技术社区