AI Agents for Beginners - 11. Using Agentic Protocols (MCP, A2A and NLWeb)

AI Agents for Beginners - 11. Using Agentic Protocols (MCP, A2A and NLWeb)

출처: microsoft/ai-agents-for-beginners - 11-agentic-protocols

Model Context Protocol

MCP Core Components

MCP Client-Server Architecture
Mermaid
%%{init: {'look': 'default'}}%%
flowchart LR
    subgraph Host["Host Application"]
        direction TB
        LLM["LLM"]
        Client["MCP Client"]
        LLM <--> Client
    end
    subgraph Server["MCP Server"]
        direction TB
        Tools["Tools\n(Actions)"]
        Resources["Resources\n(Data)"]
        Prompts["Prompts\n(Templates)"]
    end
    Client -->|"discover capabilities"| Server
    Server -->|"tool list + schemas"| Client
    Client -->|"call_tool(name, params)"| Server
    Server -->|"tool result"| Client

Benefits of MCP

MCP Example

1. Connection: AI 어시스턴트(MCP 클라이언트)가 항공사가 제공하는 MCP 서버에 연결합니다.
2. Tool Discovery: 클라이언트가 항공사 MCP 서버에 "어떤 도구가 있나요?"라고 묻습니다. 서버는 search_flights, book_flights 같은 도구 목록을 응답합니다.
3. Tool Invocation: "Portland에서 Honolulu로 가는 항공편을 검색해줘"라고 요청하면, AI 어시스턴트는 LLM을 사용해 search_flights 도구를 호출해야 한다고 판단하고 관련 파라미터(출발지·목적지)를 MCP 서버에 전달합니다.
4. Execution and Response: MCP 서버는 래퍼 역할을 하여 항공사 내부 예약 API를 실제로 호출합니다. 항공편 정보(JSON 데이터)를 받아 AI 어시스턴트에 반환합니다.
5. Further Interaction: AI 어시스턴트가 항공편 옵션을 제시합니다. 항공편을 선택하면 어시스턴트는 동일한 MCP 서버의 book_flight 도구를 호출해 예약을 완료합니다.

MCP Example: Flight Booking
Mermaid
%%{init: {'look': 'default'}}%%
flowchart LR
    User(["User"])
    Agent["AI\nAgent"]
    MCP["MCP\nServer"]
    API["Booking\nAPI"]

    User -->|"③ search_flights 요청"| Agent
    Agent -->|"① Connection"| MCP
    Agent <-->|"② Tool Discovery\nsearch_flights, book_flights"| MCP
    MCP -->|"④ Execution\n내부 API 호출"| API
    API -->|"④ Response\n항공편 JSON"| MCP
    MCP -->|"④ Returns\nFlight Options"| Agent
    Agent -->|"④ Shows\nFlight Options"| User
    User -->|"⑤ Selects Flight\n→ book_flight 호출"| Agent

Code: MCP-Style Tool Discovery

setup.py
python

mcp_tools.py
python

mcp_agent.py
python

MCP Agent: Tool Discovery Flow
Mermaid
flowchart LR
    User["User Query\n'Tokyo 5 nights, culture & food'"]
    --> Agent["AccommodationAgent\n(MCP Client)"]
    Agent -->|"discover tools"| MCP["MCP Server\n(Simulated)"]
    MCP -->|"tool list + schemas"| Agent
    Agent --> T1["search_accommodations\n(Tokyo, April, 2 guests)"]
    Agent --> T2["get_local_experiences\n(Tokyo, culture + food)"]
    T1 & T2 --> LLM["LLM\n결과 종합·비교"]
    LLM --> Response["개인화된 숙박·경험 추천"]
    Response --> User

Agent-to-Agent Protocol (A2A)

A2A Core Components

A2A Core Components
Mermaid
flowchart TD
    Orch["Orchestrator Agent\n(Travel Agent)"]
    Orch -->|"Agent Card 조회"| Registry["Agent Card Registry\n이름·스킬·엔드포인트"]
    Registry -->|"발견된 에이전트 목록"| Orch
    Orch -->|"컨텍스트 전달"| AE["Agent Executor\n원격 에이전트 실행"]
    AE -->|"태스크 완료"| Art["Artifact\n결과물·설명·텍스트"]
    Art --> Orch
    AE <-->|"진행 상황 업데이트"| EQ["Event Queue\n연결 유지·메시지 전달"]

Benefits of A2A

A2A Example

A2A Example: Full Trip Booking
Mermaid
flowchart TD
    User["User\n'Honolulu 왕복 항공+호텔+렌터카 예약'"]
    --> TA["Travel Agent\n(A2A Orchestrator)\nLLM으로 태스크 분석"]
    TA -->|"A2A Protocol"| AA["Airline Agent\n(다른 회사)\n항공편 검색·예약"]
    TA -->|"A2A Protocol"| HA["Hotel Agent\n(다른 회사)\n호텔 예약"]
    TA -->|"A2A Protocol"| CA["Car Rental Agent\n(다른 회사)\n렌터카 예약"]
    AA & HA & CA -->|"Artifact 반환"| TA
    TA -->|"결과 취합"| Response["종합 여행 확인서\n항공·호텔·렌터카 통합"]
    Response --> User

Code: A2A Multi-Agent Workflow

a2a_agents.py
python

a2a_workflow.py
python

A2A Workflow: 3-Agent Pipeline
Mermaid
flowchart LR
    User["User\n'Tokyo 1주일 여행\n음식·사원·기술 관심'"]
    --> CE["CurrencyExchangeAgent\n환율·환전 가이드\n최적 환전 시기·팁"]
    CE -->|"context 전달"| AP["ActivityPlannerAgent\n관광지·숙소·식당 추천\n여행자 관심사 반영"]
    AP -->|"context 전달"| TM["TravelManagerAgent\n전체 여행 플랜 종합\n체계적 여행 브리프 생성"]
    TM --> Response["최종 여행 계획\n환율+액티비티+종합 브리프"]
    Response --> User

Natural Language Web (NLWeb)

Components of NLWeb

NLWeb Architecture
Mermaid
flowchart TD
    Content["웹사이트 콘텐츠\n(Schema.org / RSS 피드)"]
    --> Ingest["NLWeb Application\n데이터 수집·처리"]
    --> Embed["Embedding Model\n콘텐츠 → 벡터 변환"]
    --> VDB["Vector Database\n(Qdrant / Azure AI Search 등)"]

    Query["자연어 쿼리\n(사용자 또는 AI Agent)"]
    --> NLP["LLM\n쿼리 이해·해석"]
    --> Search["Vector Search\n관련 임베딩 검색"]
    Search --> VDB
    VDB -->|"유사 결과 반환"| NLP
    NLP --> Response["자연어 응답\n(실제 DB 데이터 기반)"]

    NLWeb_MCP["NLWeb as MCP Server\n'ask' 메서드"] -->|"AI Agent 호출"| Search

NLWeb by Example

1. Data Ingestion: 여행 웹사이트의 기존 상품 카탈로그(항공편 목록, 호텔 설명, 투어 패키지 등)를 Schema.org 형식으로 포맷하거나 RSS 피드로 로드합니다. NLWeb 도구가 이 구조화된 데이터를 임베딩으로 변환해 로컬 또는 원격 벡터 데이터베이스에 저장합니다.
2. Natural Language Query: 사용자가 웹사이트를 방문해 메뉴를 탐색하는 대신, 채팅 인터페이스에 입력합니다: "다음 주 호놀룰루에서 수영장 있는 가족 친화적 호텔을 찾아줘."
3. NLWeb Processing: NLWeb 애플리케이션이 쿼리를 수신합니다. LLM에 쿼리를 전송해 의미를 이해하는 동시에 벡터 데이터베이스에서 관련 호텔 목록을 검색합니다.
4. Accurate Results: LLM이 데이터베이스 검색 결과를 해석하고 "가족 친화적", "수영장", "호놀룰루" 기준으로 최적 매칭을 찾아 자연어 응답을 생성합니다. 웹사이트 실제 카탈로그의 호텔을 참조하므로 허구 정보가 없습니다.
5. AI Agent Interaction: NLWeb이 MCP 서버로도 동작하므로, 외부 AI 여행 에이전트가 이 웹사이트의 NLWeb 인스턴스에 연결할 수 있습니다. ask MCP 메서드로 직접 쿼리합니다: ask("호텔이 추천하는 호놀룰루 지역 비건 레스토랑이 있나요?") → NLWeb이 처리해 구조화된 JSON 응답을 반환합니다.

NLWeb Example: Travel Booking Site
Mermaid
flowchart TD
    S1["1. Data Ingestion\n항공·호텔·투어 패키지를\nSchema.org/RSS로 포맷\n임베딩 생성 → Vector DB 저장"]
    --> S2["2. Natural Language Query\n사용자: '수영장 있는 하와이 가족 친화 호텔'\n메뉴 탐색 없이 채팅 입력"]
    --> S3["3. NLWeb Processing\nLLM: 쿼리 이해\nVector DB: 관련 호텔 검색"]
    --> S4["4. Accurate Results\nLLM이 결과 해석·최적 매칭 선택\n실제 카탈로그 기반 응답\n(가짜 정보 없음)"]
    --> S5["5. AI Agent Interaction\nMCP 'ask' 메서드로 외부 AI Agent 연결\nask('하와이 비건 레스토랑?')\n→ 구조화된 JSON 응답"]

Summary

Lesson 11 Summary: Three Agentic Protocols
Mermaid
flowchart LR
    Root["Agentic\nProtocols"]
    Root --> MCP["MCP\nModel Context Protocol"]
    Root --> A2A["A2A\nAgent-to-Agent"]
    Root --> NLW["NLWeb\nNatural Language Web"]

    MCP --> M1["표준화된 도구 접근"]
    MCP --> M2["Dynamic Discovery"]
    MCP --> M3["Tools · Resources · Prompts"]

    A2A --> A1["에이전트 간 협업"]
    A2A --> A2["Agent Card · Artifact"]
    A2A --> A3["Cross-framework Interop"]

    NLW --> N1["웹사이트 + 자연어 인터페이스"]
    NLW --> N2["Vector DB 기반 검색"]
    NLW --> N3["MCP Server로도 동작"]

• MCP는 AI Agent가 외부 도구·데이터에 표준화된 방식으로 접근하게 하는 "범용 어댑터"로, 에이전트 코드 수정 없이 새 기능을 동적으로 discover할 수 있습니다
• A2A는 서로 다른 조직·프레임워크의 에이전트가 Agent Card를 통해 서로를 발견하고 협력해 복잡한 태스크를 완수할 수 있게 합니다
• NLWeb은 웹사이트에 자연어 인터페이스를 추가하고 MCP 서버로도 동작해 외부 AI Agent가 웹 콘텐츠를 ask 메서드로 직접 쿼리할 수 있습니다
• 세 프로토콜은 상호 보완적입니다: MCP는 도구 연결, A2A는 에이전트 간 협력, NLWeb은 웹 생태계와 AI Agent 연결