协议战争忽视了要点

Source: Dev.to

介绍

目前 AI 正在发生一些有趣的事。最大的参与者正争相定义 AI 代理之间——以及它们与我们之间——的交流方式。

• Anthropic 拥有 MCP。
• Google 拥有 A2A。
• OpenAI 拥有其 Agents SDK。

每个人都在构建协议。

但在我从事 AI 系统（包括多个已获专利的系统）九年的工作后，我一直注意到这些讨论中缺失的东西：人类。

Source: …

让我拆解一下实际发生的事情

MCP（模型上下文协议）

Anthropic 试图标准化 AI 模型共享上下文的方式。
在 2024 年 11 月 宣布，MCP 旨在作为一个开放协议，为 AI 助手与数据源和工具的连接创建一种通用方式。¹

MCP 解决的问题——当你将多个 AI 调用串联起来时，上下文会丢失。第二个模型不知道第一个模型在想什么。MCP 提供了一种结构化的方式来传递这些上下文。

MCP 做得好的地方

• 在不同模型之间使用标准化的上下文格式
• AI 组件之间的顺畅交接
• 跨不同 AI 提供商工作（不仅限于 Claude）
• 开放规范，任何人都可以实现

MCP 未解决的方面

• 当需要人工介入时会怎样？
• 人类的上下文如何被保留并传递？
• 谁来决定 AI 何时应该停止并请求帮助？

Google 的 A2A

关注自主代理之间的通信与协作方式。
在 2025 年 4 月 宣布，A2A 基于已有的标准如 HTTP 和 JSON‑RPC，定义了代理如何发现彼此的能力、协商任务以及在复杂工作流中协作。²

A2A 做得好的地方

• 跨供应商的多代理协同
• 能力发现与协商
• 在专门化代理之间进行任务委派
• 基于成熟的 Web 标准构建

A2A 未解决的方面

• 同样的缺口：人类在哪里？
• 当代理 A 将任务交给代理 B 时，如果应该由人类而不是代理 B 来处理怎么办？
• 如何审计那些本不打算被审计的决策？

OpenAI Agents SDK

面向生产环境的多代理系统构建框架。
在 2025 年 3 月 发布，它取代了实验性的 Swarm 框架，提供了更稳健的方案。³

它做得好的地方

• 清晰的开发者体验
• 对常见模式提供良好的默认设置
• 与 OpenAI 模型的紧密集成
• 生产就绪的工具链

它未解决的方面

• 供应商锁定（它是 OpenAI 优先）
• 再次出现的人类问题

缺失的环节：人类

每个主要协议都聚焦于 AI‑to‑AI（人工智能之间）的通信。这很合理——这是一个技术难题，而构建这些协议的公司本身就是 AI 公司。

但我在 医疗、金融和物流 领域构建 AI 系统的过程中学到的是：最难的并不是 AI 与 AI 的对话，而是 AI 与人类的对话，以及何时该进行对话。

来自斯坦福人本 AI 研究所的研究一再表明，人机协作的效果优于单独的任一方。他们在 2024 年关于 AI 辅助决策的研究发现，得到 AI 支持的人类做出的决策比单纯 AI 提升了 23 %——前提是人机交接设计良好。⁴

典型工作流（缺少人工交接）

如果第 3 步本应是 “人工在执行前审查选项”，现有协议并没有给出明确的答案。你只能自行拼接临时方案：

• 可能被忽略的 Slack 通知
• 堆积在收件箱的邮件
• 没人查看的仪表盘

AI 推荐背后的上下文往往在人工看到时已经 丢失。

2024 年麦肯锡关于企业工作流中 AI 应用的研究发现，67 % 的 AI 实施失败 将 “人机交接设计不佳” 列为主要因素。⁵

不确定性与对人工输入的需求

AI 并不知道它不知道什么。当 AI 代理不确定时，它应当请求人工介入——但现行协议并未统一标准：

• 如何表达不确定性
• 在何种情况下不确定性应触发人工参与
• 如何为人工交接保留上下文

MIT CSAIL 的研究发现，大型语言模型常常 自信错误——在错误答案上表现出高置信度的比例高达 31 %。⁶ 若没有基于置信度的人工路由，这些错误会在自动化工作流中蔓延。

监管压力

监管正赶上 AI 的发展。GDPR、HIPAA、SOC 2、EU AI Act——都要求一定程度的可解释性和审计追踪。

• EU AI Act（全面生效 2025）明确要求对高风险 AI 系统进行 “有意义的人类监督”。⁷
• 第 14 条规定，人类必须能够理解 AI 输出并在必要时进行干预。

当前协议关注的是 代理之间 发生了什么。而审计员则会提出不同的问题：

1. 谁作出了这个决定？
2. 是否有人工参与？
3. 人工本可以介入吗？
4. 为什么没有人工介入？

如果你的协议没有把人类视为 一等公民，你将难以回答这些问题。

我们需要：把人类视为一等节点

人类不应该是“后备”或“升级路径”。他们应该是一个有效的节点类型，就像 AI 代理一样。

示例工作流

[AI: Analyze] → [Human: Validate] → [AI: Execute]

协议应当以与处理 AI 路由相同的方式来处理人类路由——包括：

• 保持上下文
• 明确的期望
• 追踪结果

当 AI 转交给人类时，人类应当了解：

• AI 正在尝试做什么
• 为什么它停止了
• 它考虑了哪些选项
• 它的建议是什么

当人类交回给 AI 时，AI 应当了解：

• 人类决定了什么
• 为什么做出该决定
• 人类提供的任何额外上下文

MCP 在AI 对 AI上下文方面表现出色。我们需要同样的严谨性来处理AI 对人类和人类对 AI的交互。

参考文献

1. Anthropic, 模型上下文协议（MCP）——技术概览，2024年11月。
2. Google Cloud, 代理对代理（A2A）规范，2025年4月。
3. OpenAI, Agents SDK 文档，2025年3月。
4. 斯坦福以人为本人工智能研究所，人类‑AI 协作研究，2024年。
5. 麦肯锡公司，企业工作流中的 AI 报告，2024年。
6. MIT CSAIL，大语言模型中的置信度校准，2024年。
7. 欧盟委员会，欧盟 AI 法案 – 第14条：人类监督，2025年。

人类对AI与人类对人类的交互

协议应支持基于置信度的路由决策
这不仅是锦上添花。对于受监管的行业，它正变成强制性要求。

可审计的决策点

• 可用的信息是什么
• 做出了什么决策（由AI或人类做出）
• 为何做出该决策
• 随后发生了什么

这需要内置于协议中，而不是事后附加。

市场空白：以人为本的 AI 编排

一个能够：

1. 支持 MCP、A2A 以及其他协议
2. 将人类视为一等的工作流参与者
3. 在跨越人类边界时保持上下文
4. 提供原生治理和审计功能

AI 编排市场预计到 2032 年将达到 428 亿美元，年复合增长率为 23.4%。其中大部分将用于企业场景，而企业在没有人工参与的情况下无法部署 AI 工作流——合规团队不会允许这样做。

我已经 九年 致力于构建与人类 协同 而非取代人类的 AI 系统。其中几套系统已获得专利。

共同点： 最强大的 AI 系统 不取代人类，而是 与我们协作。

我目前正致力于将这种方法更广泛地应用于 AI 编排。如果你对以人为本的 AI 工作流感兴趣，敬请关注——我很快会有更多内容分享。

征求意见

• 你在当前 AI 协议中看到的最大缺口是什么？
• 人在你的 AI 工作流中扮演什么角色？

期待听到您的看法。

关于作者

Srirajasekhar “Bobby” Koritala – Bodaty 的创始人

• 近十年构建生产级 AI 系统的经验
• 拥有多项 AI 以及人机协作领域的专利

如果您觉得此内容有用，请点个反应并 关注 @bobbykoritala，以获取 AICtrlNet 开发的最新动态。

• ⭐ 给我们加星:
• 📖 阅读更多:
• 💬 加入讨论: GitHub Discussions
• 🚀 尝试安装: pip install aictrlnet

Additional References

1. Anthropic. (2024). 介绍模型上下文协议。
2. Google Cloud. (2025). Agent2Agent：用于 AI 代理互操作性的开放协议。
3. OpenAI. (2025). 介绍 Agents SDK。
4. Stanford HAI. (2024). 高风险决策中的人机协作。
5. McKinsey & Company. (2024). 2024 年 AI 状况：生成式 AI 的突破之年。
6. MIT CSAIL. (2024). 校准大型语言模型的置信度。
7. European Commission. (2024). 欧盟人工智能法案。
8. Grand View Research. (2024). AI 编排市场规模报告，2024‑2032。