Die rasante Entwicklung der künstlichen Intelligenz hat das Konzept autonomer Agenten in den Mittelpunkt moderner Forschung und Praxis gerückt. Insbesondere Multi-Agenten-Systeme, die verschiedene Agenten nahtlos miteinander kommunizieren und zusammenarbeiten lassen, eröffnen ungeahnte Möglichkeiten – von intelligenter Datenanalyse bis hin zu komplexer Entscheidungsfindung. Doch trotz ihres Potenzials stehen Entwickler oft vor signifikanten Herausforderungen, wenn es darum geht, unterschiedliche Agenten mit heterogenen Fähigkeiten und Datenquellen zu orchestrieren. Agent2Agent (A2A) und das Model Context Protocol (MCP) treten als wegweisende Lösungen hervor, die diese Hürden überwinden und eine robuste, skalierbare agentenbasierte Pipeline ermöglichen. Dieser Leitfaden begleitet Sie Schritt für Schritt durch die Grundlagen, Konzeptionen und praktische Umsetzung einer solchen Pipeline mit Fokus auf die Integration von A2A und MCP.
Agent2Agent, eine von Google initiierte offene Protokoll-Spezifikation, stellt eine Revolution in der Kommunikation zwischen autonomen Agenten dar. Anstatt isolierter Brücken oder proprietärer Schnittstellen, bietet A2A einen standardisierten HTTP-basierten Mechanismus, über den Agenten sich anhand digitaler „Agent Cards“ vorstellen und spezifische Fähigkeiten mitteilen. Diese Agent Cards enthalten alle notwendigen Metadaten wie Fähigkeiten, Endpunkte und Sicherheitsanforderungen, damit andere Agenten Aufgaben aushandeln, Zwischenergebnisse austauschen und Artefakte übergeben können. Durch diesen universellen Kommunikationsstandard entfällt die mühsame Entwicklung individueller Integrationen für jedes Agentenzusammenspiel. MCP ergänzt Agent2Agent, indem es den Zugriff der Agenten auf externe Datenquellen und Werkzeuge regelt.
Entwickelt von Anthropic, fungiert das Model Context Protocol als konsistenter „USB-C-Port“ für Sprachmodelle. Es definiert eine standardisierte Schnittstelle für Hosts, Clients und Server, um Tools, Ressourcen und Kontextinformationen zuverlässig auszutauschen. Das Ergebnis ist eine verlässliche Kontextversorgung, die Sprachmodelle befähigt, mit verschiedensten Datenbanken, APIs oder Wissensbasen zu interagieren, ohne dass Entwickler immer wieder neue Integrationen schreiben müssen. MCP beseitigt so das Chaos der unterschiedlichsten Ad-hoc-Integrationen und schafft klare, wiederverwendbare Schnittstellen für den Datenzugriff. Gemeinsam bilden Agent2Agent und MCP die Grundpfeiler einer modernen, kompletten agentenbasierten Pipeline.
Mithilfe von A2A kommunizieren die einzelnen spezialisierten Agenten effizient untereinander, tauschen Informationen dynamisch aus und orchestrieren komplexe Aufgabenverteilungen. Parallel stellt MCP sicher, dass jeder Agent präzisen und konsistenten Zugriff auf die jeweiligen Datenquellen oder Werkzeuge hat, die für seine Funktionen relevant sind. So entstehen schlanke Einzelagenten, die trotzdem gemeinsam als ein kooperatives „Arbeitskräfte-Netzwerk“ agieren – intelligenter, flexibler und leichter wartbar als bisherige Lösungen. Die praktische Umsetzung beginnt mit der Entwicklung einfacher MCP-Server, die als Schnittstellen zu ausgewählten Diensten fungieren. Zwei exemplarische Services verdeutlichen die Leistungsfähigkeit: Ein „Stock Retriever Service“ greift über die FinHub API auf aktuelle Börsendaten zu, liefert Preise, Öffnungs- und Schlusskurse, Tageshöchst- und -tiefstwerte – wobei die kostenlose Version auf den US-Markt beschränkt ist.
Parallel stellt ein „Crawler Service“ über die Serper.dev APIs eine Google-Suche und die Extraktion von Webseiteninhalten bereit. Diesen Services ist gemein, dass sie als eigenständige MCP-Server angeboten werden, wobei zwei Varianten zur Verfügung stehen: STDIO-basierte Server laufen als lokale Prozesse mit minimaler Latenz über Ein-/Ausgabeströme, während SSE-basierte Server mittels HTTP und Server-Sent Events netzwerkfreundlicher und remote zugänglich sind. Die Integration dieser MCP-Server in Agenten erfolgt über den neuen Google ADK (Agent Development Kit). Ein einfacher Agent etwa kann asynchron gestartet und mit den Werkzeugen aus einem MCP-Server ausgestattet werden, um Anfragen zu Googlesuche und Webinhaltsextraktion zu bearbeiten.
Die Agenten werden zudem in einer Session-Management-Umgebung betrieben, die Zustände und Artefakte verwaltet und eine effiziente Kommunikation ermöglicht. Ein praktisches Beispiel zeigt, wie ein Benutzer eine komplexe Anfrage wie „Was sind die typischen Sportarten des Aostatals?“ stellen kann, die vom Agenten mittels Google-Recherche fundiert beantwortet wird. In Szenarien mit mehreren MCP-Servern stoßen STDIO-Server an ihre Grenzen, da sich diese nicht parallel starten lassen. Die Lösung hierfür ist die Verwendung von SSE-basierten MCP-Servern, die über verschiedene Ports verteilt werden und via HTTP zugänglich sind. So können unterschiedliche Spezialdienste – etwa Websuche und Aktienabfrage – unabhängig betrieben und dennoch simultan von Agenten genutzt werden.
Der Zugriff auf diese Server erfolgt dann über spezialisierte Client-Parameter, die eine Verbindung zu den jeweiligen HTTP-SSE-Endpunkten herstellen. Damit entfaltet sich das volle Potenzial der agentenbasierten Pipeline: Agenten agieren nicht mehr isoliert, sondern in Teams. Ein hierarchisches Agententeam etwa besteht aus einem koordinierten Root-Agenten, der Anfragen analysiert und an spezialisierte Sub-Agenten delegiert. Während der Stock-Analyse-Agent für Börsendaten zuständig ist, übernimmt der Such-Agent Webrecherchen und Inhaltsbeschaffung. Dieses modulare Setup gewährleistet eine effiziente Aufgabenverteilung und kombiniert die Stärken verschiedener Teilbereiche zu einer umfassenden Antwort.
Der nächste Schritt ist die Nutzung des Agent2Agent-Frameworks, das Peer-to-Peer-Kommunikation unter Agenten erlaubt, ohne dass ein zentraler Koordinator stets involviert sein muss. A2A unterstützt die Interoperabilität über verschiedene Programmierumgebungen hinweg und definiert einen gemeinsamen Kommunikationsstandard. Die wesentlichen Bausteine dieser Architektur bestehen aus dem Agent Card-Konzept, das Meta- und Fähigkeitsinformationen liefert, dem A2A Server, der als Netzwerkschnittstelle dient, und dem A2A Client, der Aufgaben initiiert und Updates entgegennimmt. Tasks fungieren als Arbeitsblöcke mit Zustandsmanagement, Messaging sorgt für Dialoge zwischen Agenten, und Artefakte dokumentieren Erzeugnisse oder Ergebnisse. Die Implementierung benötigt profunde Asynchronität, da Server möglichst flexibel auf Eintrittspunkte reagieren und mehrere Anfragen parallel verwalten müssen.
Ein wesentliches Upgrade bezieht sich auf den Server-Start: Statt blocking, synchronem Aufruf wird eine asynchrone Serverstartmethode (astart) eingesetzt, die einen Uvicorn-Server in einem eigenen Task startet, auf Inbetriebnahme wartet und vorhersehbare Shutdown-Prozeduren ermöglicht. So können A2A-Server problemlos kombiniert mit MCP-Werkzeugen als Bestandteil einer komplexen Umgebung simultan arbeiten. Einen entscheidenden Part nimmt die AgentCard ein, ein JSON-Dokument, das idealerweise über den klassischen /.well-known/agent.json-Pfad zugänglich ist.
Sie beschreibt Namen, Version, Fähigkeiten, unterstützte Formate und Kommunikationsoptionen des Agenten. Die daraus resultierende Standardisierung erlaubt eine automatische Agentenerkennung und Kompetenzenabfrage, die aufwändige manuelle Abstimmungen ersetzt. Die ADKAgent-Klasse bildet eine Brücke zwischen dem Google ADK und Agent2Agent-Protokoll. Sie kann wahlweise als eigenständiger Agent mit eigenen Tools arbeiten oder als Host-Agent fungieren, der Aufgaben an andere Agenten delegiert. Die Verwaltung von Remote-Agent-Verbindungen, Task Lifecycle Management und Response-Konvertierungen sind dabei zentral.
Das Zusammenspiel aller genannten Komponenten entsteht am Beispiel einer kompletten Agentenarchitektur: Ein Host-Agent orchestriert Anfragen, kommuniziert über A2A-Protokoll mit einem Google-Suchagenten und einem Aktienagenten, die ihrerseits MCP-Server für Datenzugriff nutzen. Somit entsteht ein fein abgestimmtes Multi-Agenten-System, in dem jeder Agent auf seine Kernkompetenz fokussiert und dennoch effizient im Netzwerk arbeitet. Die praktische Anwendung erfordert den Start der MCP-Server (z.B. Websuche und Aktienabfrage), dann der einzelnen A2A-Agenten sowie zuletzt des Host-Agenten.
Somit steht eine vernetzte Instanz bereit, die komplexe Fragen über Unternehmensdaten, Marktpreise oder allgemeine Recherche intelligent und automatisiert beantwortet. Abschließend lässt sich festhalten, dass die Kombination von Agent2Agent und Model Context Protocol den Weg für eine neue Generation agentenbasierter Systeme ebnet. Sie ermöglicht skalierbare, interoperable Multi-Agenten-Architekturen, die weit über Einzellösungen hinausgehen. Entwickler profitieren von standardisierten Schnittstellen, wiederverwendbaren Komponenten und einer agilen Plattform, die flexibel auf wechselnde Anforderungen reagieren kann. Unternehmen und Forschungsprojekte erhalten damit moderne Werkzeuge, um autonome KI-Agenten sicher, effektiv und transparent miteinander kooperieren zu lassen.
Die Zukunft der agentenbasierten Künstlichen Intelligenz wird maßgeblich von dieser offenen, modularen Infrastruktur geprägt sein – ein echter Meilenstein im Bereich intelligenter Automatisierung und vernetzter Lernsysteme.
