理论知识 - 千千AI工具箱 https://qqaitools.cn Mon, 12 May 2025 09:54:37 +0000 zh-Hans hourly 1 https://qqaitools.cn/wp-content/uploads/2025/04/cropped-48945052-37D3-4C64-8A76-C49938513F72-32x32.png 理论知识 - 千千AI工具箱 https://qqaitools.cn 32 32 AI核心协议：MCP、A2A解读 https://qqaitools.cn/2025/05/12/ai%e6%a0%b8%e5%bf%83%e5%8d%8f%e8%ae%ae%ef%bc%9amcp%e3%80%81a2a%e8%a7%a3%e8%af%bb/ https://qqaitools.cn/2025/05/12/ai%e6%a0%b8%e5%bf%83%e5%8d%8f%e8%ae%ae%ef%bc%9amcp%e3%80%81a2a%e8%a7%a3%e8%af%bb/#respond Mon, 12 May 2025 06:55:43 +0000 https://qqaitools.cn/?p=6920

破局：AI协议为应用层发展带来的生态转变

当前，AI应用呈现爆发式增长，创新产品层出不穷。然而行业整体发展面临三大核心挑战：一是应用场景碎片化导致资源分散，二是算力与研发成本居高不下，三是系统间互操作性不足。要突破这一发展瓶颈，关键在于构建全球协同的AI生态体系——通过标准化接口打通数据孤岛，建立共享计算框架降低边际成本，打造开放平台促进能力复用。唯有推动技术要素的全局性整合，才能实现AI创新的规模效应，避免重复建设带来的资源浪费。

MCP和A2A协议的出现值得关注，它们为AI应用层发展开辟了新纪元。这些协议通过定义AI与传统能力、智能体之间的通信标准，重塑行业格局，有效破解了AI能力孤岛困境，为构建互联互通的智能生态提供了关键支撑。

接下来，无需技术背景，千千带你快速解Function Call、MCP、A2A基础概念，横向对比这些协议的使用场景及特点，以洞察AI时代应用层发展的未来走向。

简要了解Function Call、MCP、A2A

Function Call

Function Call（函数调用） 是一种结构化交互协议，允许大语言模型（如GPT-3.5 / 4）通过标准化JSON输出来触发外部API。该技术主要面向参数明确的原子级任务（如天气查询、数学运算），模型生成包含函数名称和参数的请求后，由开发者调用对应工具并返回结果，最终由模型整合响应。其优势在于低延迟的简单任务处理。

该技术存在显著局限性，需要针对不同模型和工具进行定制化适配，缺乏复杂任务的自动化编排能力（如多工具协同、条件分支执行）。随着MCP的发展，该技术将很快被取代。

MCP（Model Context Protocol）模型上下文协议

面向大模型与工具生态的标准化交互框架，通过动态上下文管理实现多工具的即插即用，作为运行于本地的轻量级中间件（Node.js/Python实现）。

采用统一API规范

  1. 提供跨模型的标准工具调用接口，兼容主流客户端
  2. 安全网关功能：在隔离环境中调度本地/远程数据操作
  3. 即插即用架构：支持浏览器、文件系统、数据库等服务的动态接入
  4. 上下文持久化：维护工具调用链的会话状态

技术特性

  1. 本地化部署：以进程服务形式运行于用户终端
  2. 多语言SDK：提供Python/Node.js等开发套件
  3. 协议层抽象：解耦模型与具体工具实现
  4. 权限沙箱：基于最小权限原则的数据访问控制

组成结构

MCP协议通过将模型与工具的交互模式结构化，创新性地构建了MCP客户端与MCP服务器的协同架构。该协议突破传统的单向"模型->工具"简单范式，构建了一个标准化的智能交互平台，实现了三大核心价值：

架构抽象化：通过分层设计解耦系统组件，形成清晰的客户端-服务器协作范式

服务集成化：提供统一的接口规范，实现多元化服务与数据的标准化接入

生态扩展性：基于模块化设计支持横向能力扩展，满足复杂场景的演进需求

这种架构革新使得AI系统能够以平台化方式实现资源调度与能力整合，为智能化应用提供高可靠、可扩展的基础设施支撑。

AI核心协议：MCP、A2A解读-千千AI工具箱
组件描述
MCP Hosts如Claude桌面版、IDE或AI工具等，希望通过MCP访问数据的程序
MCP Clients协议客户端，与服务器保持1:1连接
MCP Servers轻量级程序，通过标准化的模型上下文协议暴露特定功能
Local Data Sources计算机中的文件、数据库和服务，MCP服务器可安全访问
Remote Services通过互联网可用的外部系统（如API），MCP服务器可连接访问

A2A（Agent to Agent）

由Google主导开发的智能体协作协议标准，旨在为大规模多智能体系统提供标准化交互架构，实现复杂场景下的分布式AI协作。

工作流程

AI核心协议：MCP、A2A解读-千千AI工具箱

发现：客户端从 /.well-known/agent.json获取 Agent Card，了解智能体的能力。

启动：客户端发送任务请求：

  • 使用tasks/send 处理即时任务，返回最终Task对象。
  • 使用tasks/sendSubscribe处理长期任务，服务器通过SSE事件发送更新。

处理：服务器处理任务，可能涉及流式更新或直接返回结果。

交互（可选）：若任务状态为input-required，客户端可发送更多消息，使用相同Task ID提供输入。

完成：任务达到终端状态（如completed、failed或canceled）。

组成结构

组件描述
Agent Card位于 /.well-known/agent.json，描述能力、技能、端点 URL 和认证要求，用于发现。
A2A 服务器实现协议方法，管理任务执行，规格见 GitHub 规格。
A2A 客户端发送请求如 tasks/send 或 tasks/sendSubscribe，消费 A2A 服务。
任务核心工作单位，有唯一 ID，状态包括 submitted、working 等。
消息通信单位，角色为 user 或 agent，包含 Parts。
部分内容单位，包括 TextPart、FilePart、DataPart。
工件任务输出，包含 Parts。
流式传输使用 SSE 事件更新长期任务状态。
推送通知通过 webhook 发送更新。

横向对比

对比维度Function CallingMCPA2A
核心定位大模型调用单个外部工具，解决实时数据获取问题标准化大模型与多工具的交互，管理动态接入和上下文实现多个AI代理间的协作，支持复杂任务分解与跨系统通信
技术架构集成于模型API，依赖JSON请求-响应机制客户端-服务器架构，统一协议实现工具动态接入基于JSON-RPC 2.0的异步通信，支持任务驱动和流式更新
扩展性低（需为每个工具单独适配模型）高（统一接口降低适配成本）高（动态扩展代理网络）
交互复杂性单次函数调用，需手动编排多步流程支持多轮上下文管理，自动解析工具依赖支持代理自主协商与分工，自动生成任务链
安全性依赖应用层安全机制（如API密钥）本地数据隔离+权限控制集成OAuth 2.0和声明式权限
典型应用场景简单查询（天气、汇率）企业级工具集成（CRM、数据库）跨部门协作（入职审批、供应链管理）
关键优势轻量级、快速实现简单功能统一协议降低多工具接入成本支持多代理复杂协作，任务自动化程度高
主要局限性多步调用需人工编排；跨模型适配成本高生态成熟度不足；大规模并发性能待验证协议兼容性要求高；任务状态管理复杂
层级定位基础能力层（工具调用）中间层（工具集成与资源管理）高层（多代理协同与任务编排）

AI生态构建中的资源博弈问题

当前AI应用层高速发展的势头已逐步显现，在协议之外，数据与能力的协同共享将成为制约产业突破的一项关键瓶颈。中国数字经济发展正面临"可控开放"与"创新活力"的二元悖论，需建立新型生产关系平衡机制。

核心矛盾体现在：头部平台的数据壁垒与AI发展的全局优化需求存在根本性冲突。以腾讯内容生态、字节视频资源、小红书社区数据为代表的优质数字资产，本应成为训练下一代AI的基础养料，却因平台间的竞争遏制而陷入"数据孤岛"困境。近期微信公众号接口收紧等案例，暴露出传统护城河思维与AI时代开放协作需求的深刻矛盾。

破局之道需要构建三层解构体系：

  1. 制度层面：推动建立行业数据共享公约，制定数据资产确权与收益分配标准
  2. 经济层面：探索Token激励等新型价值分配机制，实现数据要素的市场化流通
  3. 技术层面：研发隐私计算、联邦学习等合规技术，搭建去中心化数据协作网络

本质上，AI竞争已从单点技术突破转向生态协同效率的比拼。唯有重构数据生产要素的流通体系，建立"贡献即收益"的市场机制，才能激发各参与方的开放意愿。这既需要政策引导下的制度创新，也依赖底层技术架构的突破，更是对数字文明时代新型生产关系的深刻探索。

]]> https://qqaitools.cn/2025/05/12/ai%e6%a0%b8%e5%bf%83%e5%8d%8f%e8%ae%ae%ef%bc%9amcp%e3%80%81a2a%e8%a7%a3%e8%af%bb/feed/ 0 人工智能（AI）基础入门指南 https://qqaitools.cn/2025/05/02/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%ef%bc%88ai%ef%bc%89%e5%9f%ba%e7%a1%80%e5%85%a5%e9%97%a8%e6%8c%87%e5%8d%97/ https://qqaitools.cn/2025/05/02/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%ef%bc%88ai%ef%bc%89%e5%9f%ba%e7%a1%80%e5%85%a5%e9%97%a8%e6%8c%87%e5%8d%97/#respond Fri, 02 May 2025 06:41:20 +0000 https://qqaitools.cn/?p=6733

什么是人工智能

Artificial Intelligence，简称AI。

人工智能就像是赋予计算机一颗“聪明的大脑”，能模仿甚至超越人类完成某些任务。

1. 机器学习（ML）

计算机通过大量数据“自动提取规律”，分为以下学习方式。

类型概念应用举例
监督学习给AI数据和正确答案，学会匹配规律。图像识别
邮件分类
非监督学习只有数据没答案，AI自己发现模式用户分群、商品推荐
强化学习AI像游戏玩家，尝试—反馈—改进策略自动驾驶、AlphaGo

2. 深度学习（DL）

采用神经网络算法的机器学习，即为深度学习，深度学习是机器学习的子集。神经网络作为深度学习的核心技术，是一种类人脑的神经元结构，配合反向传播算法实现学习效果，让机器在不断的学习中自行优化参数权重，以获得较好的输出结果，神经网络模型结构在持续创新优化，典型的神经网络模型如：

网络类型简介典型应用场景
CNN（卷积神经网络）擅长图像处理图像识别、人脸检测
RNN（循环神经网络）擅长处理序列语音识别、文本生成
GAN（对抗生成网络）两个网络对抗，生成逼真数据AI绘画、人脸合成、图像增强
Transformer采用自主意力机制的神经网络ChatGPT、翻译等，为当前主流模型结构

AI大模型

大模型，即大语言模型LLMs，如ChatGPT、Deepseek、豆包、Kimi等均为此类，可以处理复杂任务。在人工智能的发展中，大模型是最为核心的组成部分，如同计算机的CPU，人类的大脑。

形态分类

垂直行业模型：专用于特定行业，如推荐算法、自动驾驶、医疗判断、生物制药等领域的模型。根据行业数据训练，能力专一，通常能力强于通用模型。

大语言模型：如ChatGPT、DeepSeek、Claude、豆包、kimi、通义等。

多模态模型：是大语言模型的子集。部分大模型除文本能力支持外、还支持图片、音频、视频、文件等能力能力，如GPT的4V/4o等模型。部分本身非多模态的模型，可利用辅助模型技术上传解析图像文件，但效果不如原生多模态模型。

人工智能（AI）基础入门指南-千千AI工具箱

从DeepSeek看推理模型与生成模型

DeepSeek因性能出众，达到世界领先T0模型水平，且具备极其强悍的成本优势而爆火，同时，Deepseek采用宽松开源协议，允许免费商用。

DeepSeek分为V3模型（生成模型）和R1模型（深度推理模型）。生成模型根据概率预测，擅长日常对话、多语言处理等综合性场景，使用时要把它当成“小学生”，用详细提示词规范操作；推理模型在回答前会思考，生成思考链，擅长深度推理场景，沟通时要把它当成“伙伴”，问题要清晰明确。

人工智能（AI）基础入门指南-千千AI工具箱

DeepSeek核心技术优势

混合专家架构（MoE）：背后有多个擅长不同领域的专家模型组成智囊团，回答问题时挑选相关专家，减少运算量和成本。

多头潜在注意力机制（MLA）：采用高压缩率数据结构，优化内存使用，提升运行效率，降低成本。

FP8混合精度训练和数据蒸馏：高效利用内存资源，通过利用国内外开源模型蒸馏的高质量数据，提升训练效率，降低成本。

MTP并行预测：可并行推理预测，降低成本，提升推理速度。

跨硬件支持：可运行在非英伟达框架之上，如华为芯片，打破硬件垄断。

人工智能（AI）基础入门指南-千千AI工具箱

DeepSeek价值与局限性

价值：代表中国AI的巨大进步，打破西方对AI的固有认知；突破硬件封锁；多项工程创新降低成本；宽松开源政策推动世界技术进步。

局限性：核心优势在工程层面，相关技术非首创，虽能短期提升模型能力，但难以实现长期增长和代际差距，理论探索仍需加强。

人工智能（AI）基础入门指南-千千AI工具箱

AI发展

历史关键节点

人工智能（AI）基础入门指南-千千AI工具箱

AI所处阶段及概念

窄人工智能（弱人工智能）：当前AI所处水平，只能在部分领域超越人类，综合能力无法达到人类水平，不能独立完成复杂工作。

通用人工智能（AGI）：具备与人类相当的通用智能理解能力，能学习任何智力任务，理解世界物理规律，目前AI距离AGI还很远，存在大量技术问题，连发展路线都未明确。

超级人工智能（ASI）：智力水平全面超越人类，将带来文明级别的变革，但实现时间还很遥远。

人工智能（AI）基础入门指南-千千AI工具箱

AI未来发展趋势预测

技术突破方向：神经形态计算、进化算法（模拟自然选择优化）、多模态融合（如具身智能，通过AI与机器人结合让AI与物理世界产生真实连接以提升能力）、自主编程能力（优化AI生成代码的迭代能力）。

影响因素：量子计算若取得突破并应用于人工智能训练领域，数据、算力和算法三方面的结合将加速人工智能发展，影响AGI和ASI的实现速度。

人工智能新阶段时间预估：通过技术现状瓶颈、专家预测、历史预测偏差、技术发展趋势等因素预测，AGI通用人工智能预估在2030 - 2035年左右实现。超级人工智能在2060年之前实现概率不足50%，

]]> https://qqaitools.cn/2025/05/02/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%ef%bc%88ai%ef%bc%89%e5%9f%ba%e7%a1%80%e5%85%a5%e9%97%a8%e6%8c%87%e5%8d%97/feed/ 0