一句话看懂：一篇新上传的 arXiv 论文首次对 MCP、A2A、ACP 三种 AI Agent 通信协议的握手过程做了分阶段实测，发现往返次数主导握手成本，而 LLM 读取对方能力元数据还会额外消耗大量 token。
事件核心：发生了什么
这篇题为《The Cost of Saying Hello》的论文于 2026 年 10 月 23 日发布在 arXiv cs.AI，作者称这是首个对 Agent 协议握手进行经验性、分阶段拆解的基准测试，覆盖 MCP（2025 initialize 版与 2026 discover 版）、A2A 和 ACP。
实验使用各协议官方 SDK，在冷启动、热重连、能力不匹配和元数据退化等场景下，分别记录往返次数、各阶段延迟、网络字节与 token 成本，每个条件 N=50，测试环境为本机回环与 50ms RTT 模拟网络。关键数据：在 50ms RTT 下，旧版 MCP 握手需要 3 次往返、230ms，A2A 仅 1 次往返、61.0ms；当 LLM 读取对方元数据时，每个能力约消耗 24–107 token，一个拥有 200 项能力的对手方会在 Agent 读取自身任务前占用 200k 上下文窗口的 11%。MCP 2026 修订版将握手从 3 次往返降到 2 次，配合 era pinning 在热重连时可降为零。作者公开了测试框架、原始数据和分析代码。
为什么重要
Agent 间通信协议正在成为 AI 应用的基础设施，但此前关于“握手开销”的讨论多停留在定性层面。这项研究把协议设计中的隐性成本量化：往返次数决定时延，能力清单决定 token 消耗，两者都直接影响多 Agent 系统的响应速度和推理成本。它也为协议演进方向提供了侧面验证——MCP 2026 版主动削减握手的做法，与论文测出的成本结构一致。
对用户/开发者/创作者的影响
对开发者而言，选择协议不能只看功能覆盖，还要评估冷启动与热重连的往返差异；在构造 Agent 能力注册表时，应控制能力项数量或做分级摘要，避免元数据在长上下文任务中“提前吃掉预算”。对于高频调用的多 Agent 应用，热连接复用和握手缓存可能比模型微调更直接地降低成本。企业采购 Agent 平台时，可把握手延迟和 token 开销纳入评估清单。目前公开信息仅为论文摘要，具体实验细节与同行评审状态尚待核验。
值得关注的后续
一是 MCP 2026 版的“零握手”热重连能否在真实网络环境下稳定兑现；二是 A2A、ACP 等协议是否会跟进压缩能力元数据的读取方式；三是社区是否会基于该开源测试框架形成横向对比，推动握手成本成为协议选型的常规指标。
来源：arXiv cs.AI
