[MCP&A2A] 04. MCP와 A2A 비교

프로토콜 비교 개요

MCP와 A2A는 서로 다른 문제를 해결하는 상호보완적 프로토콜입니다.

┌────────────────────────────────────────┐
│         사용자/애플리케이션            │
└──────────────┬─────────────────────────┘
               │
        ┌──────▼──────┐
        │ AI 에이전트  │
        └──┬────────┬─┘
           │        │
    MCP ◄──┘        └──► A2A
    (도구)             (에이전트)
           │              │
    ┌──────▼─────┐  ┌────▼──────┐
    │ 데이터소스  │  │ 다른 AI    │
    │ • DB       │  │ 에이전트   │
    │ • API      │  │            │
    └────────────┘  └────────────┘

핵심 차이점

특성	MCP	A2A
목적	AI ↔ 도구/데이터 연결	AI ↔ AI 협업
통신 패턴	동기식 요청-응답	비동기 태스크 기반
실행 시간	짧음 (<30초)	길 수 있음 (분~시간)
상태 관리	무상태 (stateless)	상태 유지 (stateful)
프로토콜	JSON-RPC 2.0	JSON-RPC 2.0 + SSE
진행 상황	없음	SSE 스트리밍
적합 사례	데이터 검색, 함수 실행	복잡한 워크플로우

실제 시나리오로 보는 차이

시나리오 1: 단순 문서 검색

요구사항: 특정 키워드로 문서 검색

MCP 사용 ✅ 적합:

# 빠르고 간단한 검색
results = mcp_client.hybrid_search(
    query="AI ethics",
    limit=10
)
# 즉시 결과 반환 (~100ms)

A2A 사용 ❌ 과도함:

# 불필요하게 복잡
task_id = a2a_client.create_task(
    skill="search",
    input={"query": "AI ethics"}
)
# 태스크 생성, 모니터링, 결과 조회 필요

결론: 단순 도구 실행은 MCP가 효율적

시나리오 2: 멀티스텝 리서치

요구사항:

1. 회사 정보 검색
2. 경쟁사 분석
3. 재무 데이터 수집
4. 보고서 생성

MCP만 사용 ❌ 한계:

# 클라이언트가 모든 조율 담당
docs = mcp_client.search("company X")
competitors = mcp_client.search("competitors")
financials = mcp_client.search("financial data")
# 진행 상황 추적 불가
# 중간 결과 저장 복잡
# 에러 처리 복잡

A2A 사용 ✅ 적합:

# 에이전트가 자동 조율
task_id = a2a_client.create_task(
    skill="comprehensive_research",
    input={"company": "Company X"}
)

# 실시간 진행 상황
for event in a2a_client.stream_events(task_id):
    print(event["message"])
    # "문서 검색 중..."
    # "경쟁사 분석 중..."
    # "보고서 생성 중..."

# 완료 후 결과 조회
result = a2a_client.get_task(task_id)

결론: 복잡한 워크플로우는 A2A가 효과적

시나리오 3: 에이전트 협업

요구사항: HR 에이전트가 재무 에이전트에게 예산 확인

MCP만으로는 불가능 ❌:

MCP는 에이전트 간 통신 프로토콜 아님
에이전트는 도구로만 작동

A2A 사용 ✅:

# HR 에이전트
class HRAgent:
    def process_request(self, employee_id: str):
        # 재무 에이전트에게 예산 확인 요청
        task_id = self.a2a_client.create_task(
            agent_id="finance-agent",
            skill="check_budget",
            input={"department": "Engineering"}
        )
        
        budget = self.a2a_client.get_task(task_id)
        return budget

결론: 에이전트 간 협업은 A2A 필수

통합 사용 패턴

패턴 1: A2A 에이전트가 MCP 도구 사용

가장 일반적이고 권장되는 패턴:

class ResearchAgent:
    def __init__(self):
        self.mcp_client = MCPClient(MCP_URL)  # 도구 접근
        self.workflow = self.build_workflow()
    
    def execute_research(self, query: str):
        # A2A 태스크로 실행
        state = {"query": query}
        
        # 내부적으로 MCP 도구 사용
        results = self.workflow.invoke(state)
        return results
    
    def search_step(self, state):
        # MCP 하이브리드 검색 도구 사용
        docs = self.mcp_client.hybrid_search(
            query=state["query"],
            limit=20
        )
        state["documents"] = docs
        return state

사용자 요청
    ↓
A2A 에이전트 (워크플로우 조율)
    ↓
MCP 도구들 (데이터 접근)
    ↓
결과 반환

패턴 2: MCP 서버가 A2A 에이전트 호출

덜 일반적이지만 유효한 패턴:

// MCP 도구가 복잡한 분석을 A2A 에이전트에 위임
type ComplexAnalysisTool struct {
    a2aClient *A2AClient
}

func (t *ComplexAnalysisTool) Execute(ctx context.Context, args map[string]interface{}) {
    query := args["query"].(string)
    
    // 간단한 검색은 로컬 처리
    if isSimpleQuery(query) {
        return t.localSearch(query)
    }
    
    // 복잡한 분석은 A2A 에이전트에 위임
    taskID := t.a2aClient.CreateTask("deep-analysis", map[string]interface{}{
        "query": query,
    })
    
    // 결과 대기
    result := t.a2aClient.WaitForCompletion(taskID)
    return result
}

프로토콜 선택 기준

MCP를 선택해야 할 때

✅ 다음 조건을 모두 만족하면 MCP:

• 단일 단계 작업
• 빠른 응답 필요 (<30초)
• 상태 유지 불필요
• 진행 상황 추적 불필요
• 도구/데이터 접근이 목적

예시:

• 데이터베이스 쿼리
• 문서 검색
• API 호출
• 파일 읽기/쓰기
• 간단한 계산

A2A를 선택해야 할 때

✅ 다음 조건 중 하나라도 해당하면 A2A:

• 멀티스텝 워크플로우
• 장기 실행 (>30초)
• 진행 상황 추적 필요
• 중간 결과 저장 필요
• 에이전트 간 협업
• 복잡한 의사결정 필요

예시:

• 종합 리서치 보고서 생성
• 멀티소스 데이터 분석
• 코드 리뷰 및 리팩토링
• 프로젝트 계획 수립
• 에이전트 팀 협업

둘 다 사용해야 할 때

✅ 대부분의 엔터프라이즈 시스템:

• A2A: 에이전트 간 조율 및 복잡한 워크플로우
• MCP: 개별 에이전트의 도구/데이터 접근

복잡한 엔터프라이즈 시나리오:

사용자 요청
    ↓
메인 A2A 에이전트 (조율자)
    ├─► 리서치 A2A 에이전트
    │       └─► MCP: 문서 검색, 웹 크롤링
    ├─► 분석 A2A 에이전트
    │       └─► MCP: 데이터베이스 쿼리, 계산
    └─► 보고서 A2A 에이전트
            └─► MCP: 템플릿 로드, 파일 생성

성능 비교

처리량

MCP (동기식):
- 단일 요청: ~10-100ms
- 처리량: 5,000+ req/sec

A2A (비동기식):
- 태스크 생성: ~50ms
- 태스크 실행: 초~분~시간
- 처리량: 태스크 복잡도에 따라 다름

리소스 사용

MCP:
- 메모리: 낮음 (무상태)
- CPU: 요청 시에만
- 네트워크: 요청-응답만

A2A:
- 메모리: 높음 (상태 유지)
- CPU: 백그라운드 실행
- 네트워크: SSE 지속 연결

실전 의사결정 플로우차트

질문 시작
    ↓
에이전트 간 협업이 필요한가?
    ├─ YES → A2A 사용
    └─ NO → 다음 질문
              ↓
        멀티스텝 워크플로우인가?
            ├─ YES → A2A 사용
            └─ NO → 다음 질문
                      ↓
                30초 이상 걸리는가?
                    ├─ YES → A2A 사용
                    └─ NO → 다음 질문
                              ↓
                        진행 상황 추적이 필요한가?
                            ├─ YES → A2A 사용
                            └─ NO → MCP 사용

핵심 요약

핵심 원칙

MCP = 도구 (Tools)
A2A = 에이전트 (Agents)

도구가 필요하면 → MCP
에이전트 협업이 필요하면 → A2A
둘 다 필요하면 → 둘 다 사용

실무 권장사항

✅ DO:

• 단순 작업은 MCP
• 복잡한 워크플로우는 A2A
• A2A 에이전트 내부에서 MCP 도구 사용
• 각 프로토콜의 강점 활용

❌ DON’T:

• 단순 검색에 A2A 사용
• 에이전트 협업에 MCP만 사용
• 프로토콜 혼동
• 과도한 추상화

다음 장: 시스템 아키텍처 - MCP와 A2A를 통합한 전체 시스템 설계

---

참고 자료:

• MCP 사양: https://spec.modelcontextprotocol.io/
• A2A 사양: https://a2a-protocol.org/latest/
• 통합 가이드: IBM A2A 문서

작성일: 2024년 12월 13일