我們前面已經提過 AI Agent 是具備感知、決策、行動能力的系統。
早期的 Agent 幾乎都靠一個模型自己思考、自己行動，我們會稱它為 Single Agent。
隨著技術的進步，其實時會發現單一模型不夠，要能靈活地用外部工具、API 或資料庫。這時就出現了一個關鍵技術：MCP（Model Context Protocol），可以想像成一台為 AI Agent 準備的『翻譯機』。不同的工具或資料源各說各話，在互相不理解的狀態下，MCP 提供了一個共通語言，讓模型能夠理解外部指令、並正確地交換資訊。
後面隨著任務越來越大，出現了** Multi-Agent MCP 架構**，它能讓多個 Agent 能各司其職、彼此協作，就像一個由 AI 組成的團隊。
後面我們就一個個來解釋說明吧！

1. Single Agent

Single Agent 指的就是只有一個 AI 個體在工作，它能自主決策、獨立完成任務，不需要與其他 Agent 溝通協作。
這邊我想給大家說一個情境，我覺得這樣大家可能會容易知道他的優缺點，我覺得他其實很像是教授安排我們要分組，但偏偏我找不到別人一組，只好自己組隊。
雖然自己一個人一組就是我想做甚麼就做甚麼，我不用去聽別人的意見，自己埋頭苦幹安排一下進度就好了，但缺點就是沒人跟我討論內容，所有事情都是我自己來，也不知道對或錯，反正做就對了，希望大家有理解這個情境，接下來我們就來說一下它的優缺點。

優點：

• 導入快、上手簡單：不用考慮分工或者是合作流程（靠自己最快）
• 維護簡單：不用處理其他 Agent 間的溝通
• 成本低：硬體與設計負擔都少
• 控制性高：決策邏輯集中，方便測試與調整

缺點：

• 缺乏協作能力：無法處理需要跨領域或多角度思考的任務。
• 延展性低：當任務量變大時，單一模型容易變成瓶頸。
• 封閉性高：缺乏與外部資料、工具互動的能力，難以更新知識。
• 缺少反饋與創造力：沒有其他 Agent 提供意見或驗證，容易陷入單一思維。

其實這些就很像是剛剛我們解釋的情況一樣，光靠一個人可以做的很有限，所以這僅僅只是基礎，如果一個團隊越做越大，肯定不能光靠一個人就做到好的。

2. Multi Agent

Multi Agent 其實就 Single Agent 的例子來說大家應該也多少有點概念了吧！
他主要就是一個 AI 團隊在合作做事情這樣。

就跟公司會分甚麼RD、QA......，各自的部門就坐他們擅長的事，他們彼此間會透過標準協定（像 MCP）溝通，最終完成共同的任務，優缺點其實就是和 Single Agent 相對。

這邊整理一下他們兩者間的差異：

當然啦，也不是說用 Multi-Agent 就會比較好，如果你自己團隊規模不大，那為甚麼要給自己找麻煩呢，這樣想就好。

3. MCP（Model Context Protocol）

前面是不是有說到他們彼此間的溝通是需要一個協定標準 MCP，所以接下來我們就是要來講 MCP 啦～
所以為了讓 Agent 能聽得懂別的系統、能正確調用外部工具，於是乎設計了一個標準協定，叫做 MCP（Model Context Protocol）。
其實就跟我們不懂老外在說甚麼，常常會用『肢體語言』來表達自己的想法，就是所謂『共通語言』的概念。
MCP 的出現，就像是讓 AI 從孤單的個體進化成能合作的夥伴，它是介於 Single-Agent 和 Multi-Agent 之間的關鍵橋樑。
實務來說，傳統的 AI 工具框架（像 LangChain、ReAct）都有自己的工具格式，彼此不相容，而 MCP 則把這些格式標準化，讓任何模型都能以相同方式使用外部工具。
如果沒有 MCP 也就不會有 Multi-Agent 了。

偷偷 murmur .... 其實自己寫文也是每天都會不斷思考要講甚麼，每寫完一篇就會調架構，一個人做事果然好難TT
明天就會開始規劃實作囉 ><