Ile kosztuje „uścisk dłoni” między agentami AI? Nowe badanie

Badanie opublikowane 12 sierpnia 2026 roku przez Pranava Varshneya jako pierwsze empirycznie mierzy koszt „uścisku dłoni” między agentami AI – czyli sekwencji komunikacji, która musi zajść, zanim dwa systemy w ogóle zaczną wymieniać użyteczne wiadomości. Autor przeanalizował trzy główne protokoły komunikacji agentowej: MCP (w wersji z 2025 roku opartej na komendzie „initialize” oraz w wersji z 2026 roku opartej na „discover”), A2A oraz ACP, pokazując, że samo nawiązanie sesji potrafi pochłonąć znaczącą część czasu i budżetu tokenowego, zanim agent zdąży przeczytać własne zadanie.

Praca wypełnia lukę, na którą od dawna wskazywały przeglądy protokołów agentowych – wymieniały one „koszt uścisku dłoni” jako kryterium efektywności, ale żaden z nich nie podawał konkretnych pomiarów. Varshney zbudował pierwszy benchmark rozkładający handshake na fazy i mierzący go liczbowo w oficjalnych SDK-kach każdego z protokołów.

Kluczowe wnioski

• Liczba rund komunikacyjnych (round trips) dominuje koszt handshake'u – klasyczny (legacy) handshake MCP wymaga trzech rund i trwa 230 ms przy opóźnieniu sieciowym (RTT) 50 ms, podczas gdy A2A potrzebuje tylko jednej rundy i 61,0 ms.
• Gdy duży model językowy odczytuje metadane partnera komunikacyjnego, koszt handshake'u rośnie proporcjonalnie do liczby jego możliwości (capabilities) – od 24 do 107 tokenów na każdą możliwość.
• Partner dysponujący 200 możliwościami potrafi zużyć aż 11% okna kontekstowego o długości 200 tys. tokenów, zanim agent w ogóle dotrze do właściwego zadania.
• Nowa, 2026-owa rewizja MCP ogranicza handshake z trzech rund do dwóch, a dzięki mechanizmowi „era pinning” – do zera przy ciepłych (warm) ponownych połączeniach, co potwierdza trafność zmierzonego problemu.
• Autor udostępnił pełne narzędzie testowe (harness), surowe dane pomiarowe i analizę publicznie, umożliwiając replikację wyników.

Jak zaprojektowano badanie

Varshney instrumentował każde żądanie wysyłane przez oficjalne SDK trzech protokołów, zbierając dane o liczbie rund komunikacyjnych, opóźnieniu w poszczególnych fazach, liczbie bajtów przesyłanych przez sieć oraz koszcie tokenowym. Testy przeprowadzono w czterech scenariuszach: zimnego startu (cold-start), ciepłego powtórzenia połączenia (warm-repeat), niezgodności możliwości (capability-mismatch) oraz zdegradowanych metadanych (degraded-metadata). Każda komórka eksperymentu obejmowała 50 powtórzeń (N=50), a pomiary wykonywano zarówno na lokalnym interfejsie (loopback), jak i w warunkach emulowanego opóźnienia sieciowego 50 ms RTT, czyli zbliżonego do realnych warunków pracy rozproszonych systemów agentowych.

Taka konstrukcja eksperymentu pozwoliła rozłożyć handshake na poszczególne fazy – lokalizację partnera, poznanie jego możliwości i ustanowienie sesji – i zmierzyć koszt każdej z nich osobno, zamiast traktować cały proces nawiązywania połączenia jako „czarną skrzynkę”.

Gdzie znika czas i budżet tokenowy

Najważniejszym wnioskiem z badania jest to, że liczba rund komunikacyjnych, a nie sama ilość przesyłanych danych, decyduje o koszcie handshake'u w warunkach rzeczywistego opóźnienia sieciowego. Różnica między trzema rundami legacy'ego MCP (230 ms) a jedną rundą A2A (61,0 ms) przy tym samym opóźnieniu 50 ms RTT pokazuje, jak projektowa decyzja o liczbie wymian wiadomości bezpośrednio przekłada się na opóźnienie odczuwane przez użytkownika końcowego lub inny agent oczekujący na odpowiedź.

Drugi wymiar kosztu dotyczy nie czasu, lecz budżetu kontekstowego modelu językowego. Gdy agent oparty na LLM musi przeczytać metadane opisujące możliwości partnera, każda z tych możliwości kosztuje od 24 do 107 tokenów. W skrajnym, ale realistycznym przypadku partnera dysponującego 200 możliwościami agent zużywa 11% całego okna kontekstowego 200 tys. tokenów jeszcze zanim przeczyta treść zadania, które ma wykonać. To istotny wniosek dla twórców systemów wieloagentowych i agentów korzystających z rozbudowanych zestawów narzędzi – im bogatszy interfejs partnera, tym droższe staje się samo „poznanie go”, niezależnie od tego, czy zostanie on w ogóle wykorzystany w danym zadaniu.

Trzeci wniosek dotyczy ewolucji samych protokołów. Autor zwraca uwagę, że twórcy MCP niezależnie doszli do podobnych wniosków co jego pomiary – rewizja protokołu z 2026 roku skraca handshake z trzech rund do dwóch, a mechanizm „era pinning” pozwala pominąć go całkowicie przy ponownych, ciepłych połączeniach. Fakt, że projektanci protokołu sami zredukowali liczbę rund komunikacyjnych, traktowany jest w pracy jako zewnętrzne potwierdzenie zmierzonego problemu – twórcy MCP rozwiązywali ten sam koszt, który Varshney opisuje liczbowo.

Znaczenie dla projektowania systemów agentowych

Wyniki mają praktyczne implikacje dla każdego, kto buduje lub wdraża systemy oparte na komunikujących się ze sobą agentach AI. Przy dużej liczbie krótkich interakcji między agentami koszt samego nawiązywania sesji – pomijany dotąd w analizach wydajności – może stanowić znaczącą część całkowitego opóźnienia i zużycia zasobów, zwłaszcza budżetu tokenowego modeli językowych. Dla twórców narzędzi liczących zużycie tokenów, podobnych tematycznie do niedawno opisanego na AiFeed licznika tokenów w pluginie Simona Willisona, badanie dostarcza konkretnych liczb pokazujących, ile kosztuje sama faza „poznawania się” agentów, zanim dojdzie do wykonania zadania.

Autor udostępnił kompletny harness testowy wraz z surowymi danymi i analizą, co pozwala innym badaczom i inżynierom powtórzyć pomiary na własnych wdrożeniach protokołów MCP, A2A czy ACP i porównać koszty handshake'u w zależności od konfiguracji i liczby obsługiwanych możliwości.

Badanie Varshneya po raz pierwszy dostarcza liczbowych dowodów na to, że „powiedzenie cześć” między agentami AI ma swoją cenę – mierzoną zarówno w milisekundach opóźnienia, jak i w tokenach zużywanych z budżetu kontekstowego modelu, zanim dojdzie do jakiejkolwiek faktycznej pracy.