本文介绍了ACP协议在企业研发环境中的重要性ACP协议通过标准化IDE与AI编码助手间的交互规范解决了多AI助手共存时的协作、治理和安全问题。文章详细阐述了ACP协议的工作原理以及如何在AutoDev中集成ACP协议优化跨平台渲染架构。此外还探讨了ACP生态与企业级统一管理以及多AI助手协作的前沿实践如Augment Intent和Google Antigravity。最后提出了企业级AI平台治理体系包括MCP/Skill、ACP和A2A三层协议的协同价值旨在帮助企业构建可管理、可复用、可扩展的研发生产力基础设施。最近我们在 AutoDev 中集成了 ACP 协议使用它进一步优化 AutoDev 的跨平台渲染架构在提升 AutoDev 的同时也兼容了其它智能体。由于ACP 协议带来了更有趣的思考所以我决定写一篇文章来分享一下我们的思考与实践。在企业研发环境中AI 智能体已经不再只是“可选工具”而正在成为开发团队日常生产力的核心组成部分。Cursor、Copilot、Augment、Claude Code 等多种助手往往同时出现在同一企业中。对于企业 IT 或平台团队而言这带来了一个新的挑战如何在保证研发效率、团队协作和平台治理的前提下让多个 AI 智能体在不同编辑器中顺畅共存一、ACP 协议概览与集成实践对于 ACPAgent Client Protocol的关注起源于我们想为客户在内网环境提供一个统一的 AI Coding 智能体服务。与互联网流行的 Vibe Coding 的 各种 demo 不同的是在企业场景中人总是要为自己的代码负责的AI 只是辅助的工具—— AI 不能帮你背绩效。所以写完代码之后都需要一个工具 来 review AI 的代码。而现在流行的各类 Coding CLI 工具都缺少一个与现有编辑器更好的集成方式。我们尝试了 Claude Code 的 IDEA 插件发现不太行然后注意到了 JetBrains 的 ACP 协议发现它与我们的愿景不谋而合。如下其 AI Assistant 的示例你可以在 IDEA 中集成各类 Coding Cli 工具而这些工具可以与 IDEA 的生态进行深度融合他可以是支持 ACP 协议的 OpenCode、Auggie 等也可以是不支持 ACP 协议的 Claude Code 等 —— IDEA 会帮它们支持的。在这种背景之下IDE 只是作为一个 render 工具来让你更好地与 AI 进行交互而不是成为一个 AI 编程工具。而不仅仅是 JetBrains我们可以发现 ACP 已经在各种 AI 编程工具中流行起来。ACP 协议是什么ACPAgent Client Protocol智能体客户端协议是一个标准化的通信协议定义了 IDE/编辑器与 AI 编码助手之间的交互规范。如果你熟悉 LSPLanguage Server Protocol可以将 ACP 理解为“AI Agent 的 LSP”。ACP 的设计围绕一个核心原则让 IDE 完全掌控 AI Agent 的每一步操作。在传统的 AI 编码助手中Agent 往往是一个黑盒 ——你发送一个请求等待一段时间后得到结果但中间发生了什么、Agent 读取了哪些文件、修改了什么代码这些过程对 IDE 和用户来说都是不可见的。这在企业环境中带来了严重的问题安全风险无法审计 Agent 访问了哪些敏感文件信任问题用户不知道 Agent 在思考什么难以建立信任协作困难IDE 无法在 UI 中实时展示 Agent 的工作进度调试困难出错时无法追溯 Agent 的操作历史ACP 通过将工具调用Tool Call作为一等公民彻底解决了这个问题。在 ACP 中Agent 的每一个操作——读取文件、编辑代码、执行命令——都必须通过明确的工具调用来完成并且这些调用对 IDE 完全可见、可控、可审核。工作原理ACP 采用主从通信模型IDE 作为 ClientAgent 作为 Server 子进程。通信通过JSON-RPC 2.0协议在stdio标准输入输出上进行。一个典型的交互流程如下初始化与能力协商。IDE 启动 Agent 子进程后双方首先进行能力协商——类似 LSP 的初始化握手这种双向协商确保了 IDE 和 Agent 都清楚对方的能力边界避免了不兼容问题。会话与任务执行。用户在 IDE 中发起请求后Agent 开始工作。关键在于Agent 的每一步操作都会实时推送给 IDEIDE 可以在 UI 中实时展示这些信息执行计划、当前正在读取的文件、即将修改的代码。用户对 Agent 的行为一目了然。权限控制与审核。当 Agent 需要执行敏感操作如修改文件、执行命令时必须向 IDE 请求权限。IDE 可以自动批准基于用户预设的策略、 弹窗询问用户、展示 Diff 让用户审核后再应用。这种机制让企业可以实施细粒度的安全策略例如“允许 Agent 读取任何文件但修改代码必须经过人工审核”。AutoDev 的 ACP 集成实践ACP https://agentclientprotocol.com/ 作为一个标准的协议主流的语言都已经有 SDK 可以使用了。我们也在 AutoDev 集成了 ACP 能力。AutoDev ACP 文档见https://ide.unitmesh.cc/acp在构建新 AutoDev 3.0Xiuper的时候我们思考的是基于统一的渲染架构来支持多端渲染这与 ACP 协议的初衷不谋而合。在实现 ACP 的时候我们做的事情如下双向 ACP 实现。使用官方 ACP Kotlin SDK 和 TypeScript SDK 实现了 AutoDev 的 ACP 服务端和客户端以便于 AutoDev 可以作为 ACP 服务端也可以作为 ACP 客户端。ACP 渲染架构。实现AcpRenderer桥接 ACP 协议和渲染系统并针对流式传输优化。非 ACP Agent 适配诸如 Claude Code 适配实现ClaudeCodeClient解析其stream-json协议、映射 stream_event 到标准CodingAgentRenderer接口等。所有渲染器都实现CodingAgentRenderer接口ACP 事件通过这个统一接口分发到各平台实现了“一次编写多端渲染”的目标。二、ACP 生态与企业级统一管理在没有统一标准的情况下每个编辑器都必须单独为每个 AI 助手实现集成接口而每个助手也需要针对不同编辑器开发特定插件或 API。这在企业中带来了明显问题集成成本高每增加一个编辑器-助手组合都意味着重复开发和维护工作兼容性受限助手通常只能支持少数编辑器限制了开发者的选择平台治理难度大企业无法统一管理助手的权限、日志和使用策略这些问题不仅增加了 IT 维护成本也限制了研发团队的灵活性和创新能力。于是Zed 与 JetBrains 等编辑器厂商开始思考如何将 AI 编程助手从特定的编辑器中解脱出来类似于微软发起的 LSPLanguage Server Protocol。JetBrains ACP 实践作为 AI 时代落后的 JetBrains它在 2025 年对我的最大用途就是调试和查看跳转代码。因此 ACP 也可以视为 JetBrains 的新尝试。 作为 ACP 协议的主要推动者之一JetBrains 不仅定义了标准更通过一系列实际举措将其转化为可用的企业级生态。ACP Agent Registry官方策划的 Agent 中心JetBrains 提供了官方的 ACP Agent Registry这是一个集中管理和分发 Agent 的平台。通过 Registry用户可以一键安装从 IDE 内直接搜索、安装和更新 Agent无需手动配置自动运行时管理Registry 自动下载和管理 Node.js、Python 等必要的运行时环境开发者无需手动配置版本管理支持 Agent 的版本控制和自动更新确保用户始终使用最新的稳定版本MCP 集成能力扩展的桥梁JetBrains ACP 原生支持 MCPModel Context Protocol服务器的集成这使得 Agent 可以访问 IDE 能力通过use_idea_mcp配置Agent 可以调用 IDE 提供的工具和资源使用自定义 MCP通过 use_custom_mcp 配置Agent 可以集成企业自定义的 MCP 服务器扩展功能Agent 可以通过 MCP 访问数据库、API、文件系统等外部资源实现更复杂的功能这种设计使得 ACP 和 MCP 形成了完美的互补关系ACP 负责 Agent 与 IDE 的交互MCP 负责 Agent 与外部系统的能力扩展。三、多 Agent 协作的前沿实践结合我最近受邀使用的 Augment Intent 工作空间我们可以发现在有了 ACP 之后你可以很容易创建一个 GUI 工具来管理多个 AI Agent如同时使用 Claude Code、AutoDev、Cursor 等多个 AI Agent。而在企业研发环境中AI 编码助手不再是孤立工具。开发者、平台和多个 AI 软件需要协同工作这带来了跨工具的管理、编排与协作需求。Augment Intent多 Agent 统一工作空间Intent 解决的核心问题是当你同时用好几个不同编程工具的 AI Agent 干活时怎么管理它们它的做法是搞了一个统一的工作空间让多个 Agent 在里面协同工作。架构上有点像一个小型开发团队Coordinator 是项目经理负责拆任务、分活儿、协调进度Specialist Agents 是各司其职的专家——Implement 负责写代码Verify 负责验证Code Review 专门审代码Debug 处理问题每个 Agent 在自己的 Worktree 里干活互不干扰但进度实时同步几个让我觉得有意思的设计并行执行多个 Agent 可以同时跑不用排队等。比如一个在写代码另一个在跑测试第三个在做 Code ReviewBest-of-N同一个任务让多个模型或 Agent 同时尝试最后挑最好的结果用会话持久化关掉 Intent 明天再开所有 Agent 的状态都还在不用重新解释上下文多模型混用复杂架构用 Opus快速迭代用 Sonnet不同任务配不同模型本质上Intent 把多 Agent 管理这件事产品化了——你不用自己写调度逻辑也不用操心 Agent 之间怎么通信它帮你搞定了。Google AntigravityAgent 优先的开发平台Google 在 2025 年 11 月推出的 Antigravity思路和 Cursor Agents 有点像但走得更远它不只是一个编辑器而是一个Agent 优先 的开发平台。Antigravity 的核心设计是把工作界面分成两块Editor View传统的 AI 辅助编辑器有代码补全、内联命令适合你需要亲自动手的时候Manager Surface这是重点——一个专门用来管理 Agent 的界面你可以在这里启动、编排、观察多个 Agent 在不同工作区异步干活Google 的想法是Agent 不应该只是侧边栏里的聊天机器人它们应该有自己的工作空间。你可以把一个完整的任务丢给 Agent比如复现这个 bug、写个测试用例、然后修掉它然后去忙别的事情Agent 会在后台跑着。一个很实用的设计是Artifacts产出物。Agent 干完活不是给你一堆日志让你慢慢翻而是生成截图、浏览器录屏、任务清单这些可视化的东西。 你扫一眼就知道它干得对不对有问题直接在Artifact 上留评论Agent 会根据反馈继续改。Antigravity 还支持多模型Gemini 3 Pro、Claude Sonnet 4.5、GPT-OSS 都能用跨平台macOS、Windows、Linux。四、企业级 AI 平台治理体系在多 AI 助手共存的企业环境中单靠一个 IDE 插件或单一助手已经无法满足企业研发效率和治理要求。结合我们在 AutoDev 的 ACP 集成实践以及 MCP/Skill 与 A2A 协议企业可以构建一个完整的 AI 平台协作与治理体系层级主要对象核心关注点企业价值MCP / Skill企业复用能力、业务 Skill可组合、可调用的企业级能力模块将业务知识与 AI 能力模块化实现团队复用、版本控制和权限管理ACPIDE 与 AI 助手实时交互、文件操作、会话管理将 AI 智能体变为可治理、可观察的工程对象统一管理本地与远程助手提升研发效率与工具灵活性A2AAgent 之间分布式协作、异步任务构建企业级智能网络实现跨团队、跨组织的 Agent 调度与能力互用支持长周期任务与 Agent MarketplaceMCP / Skill模块化企业能力在 AutoDev 实践中我们通过 MCP 让 Agent 能够访问企业内部能力例如数据库、API、代码索引和自研业务 Skill。企业可以将业务知识和 AI 能力模块化形成可复用、可管理的能力库不仅降低重复开发成本也保证了权限和版本控制。核心价值企业级能力复用避免每个项目重复集成 AI 助手能力精细化权限管理确保 AI 访问企业资源可控支持版本迭代保证团队使用一致且稳定的能力模块ACP可控的人机交互层通过 ACP 协议企业可以让 IDE 与多 AI 助手之间实现透明、可观察、可控的交互。AutoDev 的实践表明双向 ACPAutoDev 即可作为 ACP 客户端也可作为服务端统一渲染层不同助手的事件通过统一接口分发实现“一次编写多端渲染”非 ACP 助手适配如 Claude Code通过协议适配层接入 ACP 架构企业价值多助手协作无缝提升研发效率操作和修改可追踪满足安全和合规要求会话持久化支持长任务和上下文延续A2A智能体协作网络在企业场景中单个 AI 助手无法覆盖所有任务。通过 A2AAgent-to-Agent Protocol企业可以构建跨团队、跨项目的智能任务网络实现并行执行多个 Agent 可同时处理不同任务任务拆分与协作如 Augment IntentCoordinator Agent 拆分任务Specialist Agent 各司其职产出物管理Agent 干完活生成可视化产出Diff、截图、录屏便于审查与迭代企业价值支撑长周期任务和跨团队协作不同模型或 Agent 可组合使用实现最佳方案选择Best-of-N构建企业级 Agent Marketplace实现能力共享总结三层协议的协同价值通过 MCP / Skill、ACP 和 A2A 三层结合企业 AI 平台不再是“工具堆叠”而是可管理、可复用、可扩展的研发生产力基础设施研发效率提升ACP 保证开发者桌面与 IDE 内多助手协作顺畅企业级能力复用MCP / Skill 模块化企业知识和能力实现团队复用和权限控制跨团队智能协作A2A 支持长周期、跨项目任务的智能 Agent 网络统一治理与监控三层协议结合实现权限、日志、审计和安全策略统一管理这种三层体系让企业 AI 平台真正成为可扩展、可观测、可治理的生产力平台而不仅仅是工具的简单叠加。总结ACP 协议正在成为多智能体时代的关键基础设施。它解决了一个核心问题如何让多个 AI 助手在同一开发环境中协同工作同时保持可控、可观测、可治理。核心要点ACP 定义了标准化的人机交互协议让 IDE 能够统一管理来自不同 AI 助手的操作请求实现一次集成多端协作双向 ACP 架构如 AutoDev 实践既支持作为客户端调用外部 Agent也支持作为服务端被其他工具调用与 MCP、A2A 形成三层协议体系MCP 提供能力模块化ACP 管理人机交互A2A 实现智能体间协作企业级治理成为可能统一的协议层让权限控制、操作审计、安全策略得以落地随着 JetBrains、Augment、Google 等厂商的积极布局ACP 生态正在快速成熟。对于企业而言现在是构建多智能体研发平台的最佳时机。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】