Sistema multi-agente para el entrenamiento y optimización de modelos de Machine Learning basado en los protocolos MCP y A2A (MIT)

Abstract

En este trabajo se aborda el diseño e implementación de un sistema multi-agente para la automatización del pipeline de Machine Learning, con especial énfasis en la infraestructura de comunicación que permite a los agentes colaborar de forma autónoma y estructurada. La contribución central es la combinación nativa de dos protocolos estándar: el Model Context Protocol (MCP), que gestiona el acceso de los agentes a herramientas externas, y el protocolo Agent-to-Agent (A2A), que regula la comunicación y delegación de tareas entre agentes.

El sistema está compuesto por cuatro agentes especializados: un Orchestrator que coordina el pipeline completo, un Data Agent responsable del análisis y preparación de los datos, un ML Agent encargado de la selección de modelos y el entrenamiento, y un Evaluation Agent que evalúa los resultados y genera el informe final. Cada agente especializado actúa simultáneamente como servidor A2A (recibiendo delegaciones del Orchestrator) y como cliente MCP (invocando las herramientas de su servidor correspondiente). Esta separación entre el plano de coordinación inter-agente y el plano de ejecución de herramientas es la decisión arquitectónica más relevante del trabajo, ya que permite que ambas capas escalen de forma completamente independiente.

El sistema se evalúa sobre cuatro datasets de benchmark, verificando la corrección del flujo de comunicación, la coherencia del razonamiento de los agentes y las latencias del pipeline. Los resultados demuestran que los protocolos MCP y A2A son suficientemente maduros para construir un sistema multi-agente capaz de automatizar el pipeline ML, sentando las bases técnicas sobre las que se construye el segundo trabajo de esta serie.

This work addresses the design and implementation of a multi-agent system for Machine Learning pipeline automation, with particular emphasis on the communication infrastructure that enables agents to collaborate autonomously and in a structured manner. The central contribution is the native integration of two standard protocols: the Model Context Protocol (MCP), which manages agents' access to external tools, and the Agent-to-Agent (A2A) protocol, which governs communication and task delegation among agents.

The system is composed of four specialized agents: an Orchestrator that coordinates the entire pipeline, a Data Agent responsible for data analysis and preparation, an ML Agent in charge of model selection and training, and an Evaluation Agent that evaluates results and generates the final report. Each specialized agent simultaneously acts as an A2A server (receiving task delegations from the Orchestrator) and as an MCP client (invoking the tools exposed by its corresponding server). This separation between the inter-agent coordination layer and the tool execution layer constitutes the most significant architectural decision of the work, as it allows both layers to scale completely independently.

The system is evaluated on four benchmark datasets, assessing the correctness of the communication workflow, the consistency of the agents' reasoning, and the pipeline's latency. The results demonstrate that the MCP and A2A protocols are sufficiently mature to support the construction of a multi-agent system capable of automating the Machine Learning pipeline, establishing the technical foundations upon which the second work in this series is built.