获课：yinheit.xyz/18180/

从“单体智能”到“组织智能”：多智能体工程的技术底座与协议分层

核心结论：企业级AI应用正在经历一次架构层面的根本转变——从“一个模型完成所有任务”的单体模式，转向“多个专业智能体协同完成复杂交付”的组织模式。DeepAgents、MCP、A2A、Skills这四个组件的组合，本质上是在回答同一个问题：当智能体需要像人类组织一样协作完成复杂交付时，支撑这种协作的基础设施应该长什么样。

多Agent的本质：组织架构的数字化

很多人对多Agent的理解停留在“让几个AI互相聊天”，于是搭出来的东西热闹但无用：Agent之间互相客套、任务推诿、循环对话、无人收尾。问题不在技术，而在认知——多Agent系统的本质不是“多个智能体”，而是一套组织架构的数字化：谁负责什么、谁向谁汇报、信息如何流转、冲突如何裁决、结果如何交付-5。

这个认知转变对应了三个核心工程问题：分工问题（任务如何拆分、边界如何划定、避免重叠与遗漏）、协作问题（Agent之间如何传递信息、共享上下文、处理依赖关系）、裁决问题（当Agent意见冲突、结果不一致、陷入循环时，谁来做最终决策）-5。这三个问题不解决，Agent越多越混乱。

四个组件，各司其职

一个简明的类比可以帮助理解四者的关系：DeepAgents是项目经理，MCP是他的工具箱，Skills是他的技能手册，A2A是他跟其他项目经理的沟通方式-11。

DeepAgents是面向复杂任务的多智能体编排框架，内置状态图、记忆管理、任务拆解与并行调度能力。它提供了create_deep_agent这样的开箱即用接口，内置文件系统操作（ls、read_file、write_file、edit_file）、TODO管理、上下文摘要等能力-6。DeepAgents的核心工程价值在于上下文工程：通过虚拟文件系统让智能体将大块中间结果“写入”文件而非全部保留在上下文中，通过子代理机制让主智能体将任务委派给独立的子代理，从而避免主上下文被“污染”-6。

MCP（Model Context Protocol） 由Anthropic推动，定义了大模型与外部工具、数据源之间的标准交互方式。通过MCP Server，智能体可以安全地访问数据库、云存储、API等资源，实现“模型即客户端，工具即服务端”的解耦架构-6。MCP解决的是垂直集成问题——一个Agent如何深入到它需要的系统中去。

A2A（Agent-to-Agent Protocol） 由Google提出并贡献给Linux基金会，解决了异构智能体之间的发现、能力协商、任务分发和结果回传等协作难题。A2A让每个智能体都通过“Agent Card”发布自己的能力说明书，极大降低了多智能体系统的集成成本-6。A2A解决的是水平协作问题——两个不共享代码库的Agent如何一起工作。

Skills是对能力的进一步封装，将常见的原子操作打包为可复用、可组合的技能单元。一个Skill本质是一个包含SKILL.md指令文档的文件夹，通过渐进式披露机制——默认只加载元数据，需要时才加载完整内容——来提升令牌效率-6。Skills的核心优势在于可组合性：可以用自然语言描述多个Skill之间的协作关系，相当于用“自然语言”实现“工作流编排”-6。

MCP与A2A的分工：一个常见的认知错误

一个常见的认知错误是将MCP和A2A视为竞争标准。它们服务于不同的架构层级。MCP是Agent↔Tool/Resource的协议，A2A是Agent↔Agent的协议-6。

MCP采用客户端-服务器架构，由编排器（即调用方Agent）控制工具的选择和结果综合，适用于希望精细控制推理流程的场景。A2A则更适用于智能体之间相互不可见的场景——例如跨部门、跨技术栈、甚至跨组织的Agent协作，支持动态能力发现、异步长任务和任务产物（Artifact）传递-6。

这个分层决定了企业级多智能体系统的构建顺序。一个合理的起点是：先用MCP让单个Agent具备工具调用能力，解决“一个Agent能做什么”的问题。当业务需求要求跨越团队边界、框架边界或供应商边界时，再引入A2A解决“多个Agent如何协作”的问题。 如果发现自己正在编写一个“协调其他Agent的MCP服务器”，那就是走错了层——那是A2A的职责-6。

实战架构：三层结构与企业级映射

一个参考性的系统架构采用三层结构：交互层负责自然语言理解、任务规划与审核把关；协作层（A2A Bus）基于消息队列实现Agent Card发布、任务路由与消息总线；执行层（Skills + MCP）负责Skills编排流程与MCP调用工具-3。

以“调研报告自动生成”系统为例，涉及三个专业智能体：规划智能体拆解用户需求、生成执行计划并派发子任务；数据采集智能体通过MCP工具搜索网络、查询数据库和文档库；报告撰写智能体汇总信息、生成结构化报告-6。技术栈映射到生产环境时，智能体运行时部署于容器集群，MCP Server以Serverless函数形式运行，A2A通信通过消息队列和API网关搭建任务总线-3。

这套架构的核心逻辑是：让每个Agent专注于自己最擅长的事，通过标准化协议解决连接和协作问题，而非让一个“全能Agent”承担所有工作。 判断“该不该用多Agent”是课程的第一项能力——适合的场景通常具备三个特征：任务可分解、子任务有专业差异、需要多轮迭代或并行处理-5。