什麼是 MCP 與 ACP？AI 時代的兩大通訊協議深度解析

2026-05-09 · AI 協議 · Eric Cheung

前言：AI Agent 時代的通訊挑戰

快速結論（TL;DR）

• MCP 由 Anthropic 提出，標準化「AI Model ⇄ 外部工具」嘅通訊，寫一個 MCP Server 就可以俾所有支援 MCP 嘅 AI 工具即插即用
• ACP 專門處理「AI Agent ⇄ AI Agent」嘅通訊，提供 Agent Identity、Message Broker、Task Queue 同 Broadcast Channel 等機制
• 兩者係互補關係：MCP = AI ⇄ Tools（垂直整合），ACP = AI ⇄ AI（水平協作），真實開發流程會一齊用
• 入門好簡單：Claude Code 已內建 MCP Client，用 claude mcp add 加 Server；ACP 就可以用 Hermes Agent 起 Agent Mesh 做 Multi-Agent 協作

在 AI-Augmented Development 的世界中，我們同時使用多個 AI 工具：Claude Code 處理程式碼生成、Hermes Agent 進行多任務編排、n8n 管理自動化工作流、Ollama 部署本地模型... 每個工具都有自己嘅數據格式同 API。如果冇統一嘅通訊標準，整合呢啲工具就會變成一場災難。

呢個時候，MCP（Model Context Protocol）同 ACP（Agent Communication Protocol）就應運而生。佢哋各自解決咗 AI 工具鏈入面唔同層面嘅通訊問題。以下我哋逐一深入探討。

第一部分：MCP — Model Context Protocol

MCP 係咩？

MCP（Model Context Protocol）係由 Anthropic 提出嘅開放標準協議，目的係標準化 AI 模型與外部工具之間嘅資料交換方式。簡單嚟講，MCP 定義咗「AI Model 點樣同外部世界溝通」嘅統一語言。

喺 MCP 出現之前，每個 AI 工具都要寫自己嘅 integration code。例如要連接 Claude Code 去 GitHub，就要寫 Claude-specific 嘅 GitHub connector；要連接 Hermes Agent 去 GitHub，又要寫另一套。MCP 嘅出現令呢個問題迎刃而解 — 只需寫一個 MCP-compatible 嘅 GitHub server，所有支援 MCP 嘅 AI 工具都可以即時接入。

MCP 嘅核心概念

• MCP Server — 暴露外部工具/數據源嘅伺服器（例如：GitHub MCP Server、Slack MCP Server、Database MCP Server）
• MCP Client — AI 應用程式（例如：Claude Code、Claude Desktop）透過 MCP Client 連接各個 MCP Server
• Resources — MCP Server 提供嘅數據資源（檔案、資料庫記錄、API 回應等）
• Tools — MCP Server 提供嘅可執行功能（建立 Issue、發送訊息、查詢資料等）
• Prompts — 預定義嘅提示模板，幫助 AI 更有效地使用工具

MCP 嘅實際運作流程

用戶： 「幫我喺 GitHub 開個 Issue，title 係 Bug: Login page broken」

1. Claude Code 接收指令
2. Claude Code → MCP Client → GitHub MCP Server
3. GitHub MCP Server 驗證權限
4. GitHub MCP Server → GitHub API → 建立 Issue
5. GitHub MCP Server → MCP Client → Claude Code 回傳 Issue URL
6. Claude Code 回應用戶： 「✅ 已建立 Issue #42」

重點係：Claude Code 唔需要知道 GitHub API 嘅細節。佢只需要知道 MCP 協議定義嘅標準介面。任何支援 MCP 嘅工具都可以即插即用。

第二部分：ACP — Agent Communication Protocol

ACP 係咩？

ACP（Agent Communication Protocol）係一個專為 AI Agent 之間通訊而設計嘅協議。如果話 MCP 解決咗「AI Model 同外部工具之間」嘅通訊問題，咁 ACP 就係解決「AI Agent 同 AI Agent 之間」嘅通訊問題。

當你有多個 AI Agent 同時工作時（例如 Claude Code 寫前端、Hermes Agent 處理後端邏輯、另一個 Agent 做 Testing），佢哋之間需要互相溝通狀態、傳遞結果、協調任務。ACP 提供咗一個標準化嘅方式令 Agent 之間可以安全、高效地對話。

ACP 嘅核心概念

• Agent Identity — 每個 Agent 有唯一身份標識，方便路由同授權
• Message Broker — 中央訊息路由器，負責接收同分發 Agent 之間嘅訊息
• Task Queue — 任務排程系統，管理多個 Agent 嘅工作分配同優先級
• State Sync — Agent 之間共用狀態嘅同步機制
• Broadcast Channel — 一對多廣播頻道，例如通知所有 Agent 某個任務已完成

ACP 嘅 Multi-Agent 協作流程

情境：開發一個完整嘅 User Authentication System

Claude Code (Orchestrator) → Broadcast： 「新任務：Build Auth System」
     │
     ├──→ Hermes Agent： 「負責後端 API + Database Schema」
     ├──→ Claude Code： 「負責前端 Login/Register UI」
     └──→ Test Agent： 「準備 Integration Test Cases」

Hermes Agent → ACP → Claude Code： 「API endpoint ready: POST /api/auth/login」
Claude Code → ACP → Test Agent： 「Frontend done，可以開始測試」
Test Agent → ACP → Broadcast： 「All tests passed ✅」

第三部分：MCP vs ACP — 關鍵差異

簡單記法：MCP = AI ⇄ Tools（垂直整合），ACP = AI ⇄ AI（水平協作）。兩者互補，唔係競爭關係。

第四部分：MCP + ACP 聯合實戰

喺真實嘅 AI-Augmented 開發流程中，MCP 同 ACP 會一齊使用，形成完整嘅通訊矩陣：

實戰場景：用 AI Agent 團隊開發一個 Feature

• Step 1 — 你喺 Claude Code 輸入：「Implement payment system with Stripe」
• Step 2 (ACP) — Claude Code 透過 ACP 廣播任務，Hermes Agent 接收並拆解成子任務
• Step 3 (MCP) — Claude Code 透過 Stripe MCP Server 獲取 API 文件同最佳實踐
• Step 4 (MCP) — Hermes Agent 透過 GitHub MCP Server 建立 Feature Branch
• Step 5 (ACP) — Claude Code 完成前端 code，透過 ACP 通知 Hermes Agent
• Step 6 (MCP) — Test Agent 透過 Database MCP Server 檢查 data integrity
• Step 7 (ACP) — Hermes Agent 透過 ACP 回報結果俾 Claude Code（Orchestrator）
• Step 8 (MCP) — Claude Code 透過 GitHub MCP Server 建立 Pull Request

第五部分：點樣開始使用 MCP & ACP？

MCP 入門

# 1. 安裝 Claude Code（已內建 MCP Client）
npm install -g @anthropic-ai/claude-code

# 2. 設定 MCP Server（以 GitHub 為例）
claude mcp add github \
  --command "npx @anthropic-ai/mcp-server-github" \
  --env GITHUB_TOKEN=your_token

# 3. 開始使用
claude "幫我 create 一個 GitHub Issue"

ACP 入門

# 1. 設定 Hermes Agent（支援 ACP）
hermes init --protocol acp

# 2. 定義 Agent Mesh
hermes mesh add claude-code --role orchestrator
hermes mesh add test-agent --role tester

# 3. 啟動 Multi-Agent 協作
hermes task "Build REST API with tests" \
  --agents claude-code,test-agent

總結：點解 MCP & ACP 係 AI 開發嘅未來？

隨住 AI Agent 生態系統持續擴張，標準化通訊協議嘅重要性只會愈來愈高。MCP 同 ACP 分別解決咗 AI 開發中最關鍵嘅兩個通訊維度：

• MCP — 打破 AI 與外部工具之間嘅整合壁壘，實現「Write once, use anywhere」嘅工具生態
• ACP — 令多個 AI Agent 可以好似團隊咁協作，實現真正嘅 Multi-Agent Automation

作為 AI-Augmented Developer，熟練掌握 MCP 同 ACP 唔只係技術優勢，更加係未來 AI 開發嘅基本功。當你嘅 AI 工具鏈全部透過標準協議互相連接，你就可以將精力集中喺真正重要嘅嘢上面 — 解決實際嘅商業問題。

本文由 Eric Cheung 撰寫，基於日常 AI-Augmented Development 實戰經驗。想了解更多 AI 開發技巧？Stay tuned for more articles.