上周的时候我去面一个Agent开发岗。简历上我写了熟悉Agent基开发因为工作里接工具、搭workflow、调prompt都干过上线过的Agent也不止一个。面试官翻到简历那一页抬头看了我一眼问那你说说MCP、A2A、Skills、Function Calling分别解决什么问题它们之间是什么关系我心里其实是有一些想说的。因为这四个词都用过官方文档也翻过群里天天有人聊。但要我把它们串成一条线讲清楚一下子卡住了。我支支吾吾说了一堆都是协议都是让Agent变得更强之类的话。他笑了笑没说话…走出面试间我才慢慢反应过来这四个词根本不是平级的概念。我背下来的是四个名词缺的是一张把它们串起来的地图。回来之后我把这条线彻底捋了一遍就是今天这篇文章。你也先别急着往下看先自己答一遍试试MCP、A2A、Skills、Function CallingAI 圈的四个黑话到底谁是谁最近这段时间只要你打开技术类的公众号十篇里面有八篇都在讲 MCP、A2A、Skills、Function Calling 这几个东西。名字一个比一个抽象。乍一看还以为是四个互相竞争的新标准非要在里面挑一个出来站队才行。但如果你把它们放到同一张图里去看的话就会发现一个事情。它们其实是同一件事的四个层次。这件事就是让 AI 从只会说话变成能干活。并且让干活这个事情变得越来越标准化越来越有条理。面试官那天问我的恰恰就是这个什么关系。当时没答上来回来把这条主线捋清楚之后才发现其实一点都不难。这篇文章就按照这条主线把四个概念挨个捋一遍。一、Function Calling让模型学会举手最早的大模型其实只会做一件事。就是根据你的输入吐出一段文字来。你问它天气它可能还会一本正经地编一个温度给你。为什么会这样呢因为它压根就没有查天气的能力。它只能做到看起来像在回答而已。Function Calling也叫工具调用或者叫函数调用。它要解决的就是这个问题。说白了就是让模型能够识别出来这件事我自己做不了需要借助外部工具并且用一种结构化的格式把这个事情说出来。具体是怎么做的呢。开发者会提前告诉模型你现在可以用哪些工具。比如给一个查天气的函数参数是城市名。模型在对话的过程当中自己去判断需不需要用。如果判断下来需要用它就会输出一段规整的 JSON。大概是这样的调用 get_weather(city上海)至于说这个函数具体怎么执行去哪里查数据模型其实并不管。那是开发者写的代码去做的事情。执行完了以后再把结果丢回给模型。模型接着往下说。这里可以给 Function Calling 做一个总结。它是模型这一层的能力。解决的是模型知道该出手并且能规范地喊一声的问题。它是后面所有智能体能力的地基。但是它本身并没有规定工具从哪里来怎么接进来。这个空白后来是由 MCP 来填上的。二、MCP给工具装上统一的接口协议Function Calling 普及了之后新的问题就来了。每个 AI 应用不管是客服机器人还是 IDE 插件还是办公助手只要想接入一个外部系统比如数据库、日历、Slack、公司内部系统都得自己写一套对接代码。你可以想一下这个场景。如果你有 M 个 AI 应用想接 N 个工具或者数据源理论上就要写 M 乘 N 套集成代码。换一个模型换一个应用很多代码还要重新写一遍。这就是大家常说的M×N 集成地狱。Anthropic 提出来的 MCP全称是 Model Context Protocol模型上下文协议。它要解决的正是这个问题。就是在AI 应用和工具/数据源之间定义出一套统一的通信协议。这个东西经常被类比为AI 世界的 USB-C 接口。具体来说是这样的。工具和数据的提供方只需要按照 MCP 的标准做一个MCP 服务器出来公开自己能提供什么工具、什么资源。而 AI 应用这边比如 Claude各种 IDE还有各种 Agent 框架只需要实现一次 MCP 客户端就可以去连接任何遵循这个协议的服务器了。这样一来M×N 的问题就变成了 MN。工具方写一次应用方接一次。双方都不用为了对方专门去做定制了。那 MCP 和 Function Calling 是什么关系呢。可以这样理解。MCP 解决的是模型或者应用怎么用统一的方式连接到外部工具和数据的问题。它是 Function Calling 之上的一层接线标准。模型最终决定要调用某个 MCP 工具的时候底层用的仍然是类似 Function Calling 那样的机制。所以 MCP 并没有取代 Function Calling。它只是把工具怎么接进来这个事情给标准化了。三、Skills把经验打包成说明书光有工具还不够。同样是做一份 PPT或者是处理一份合同。一个新手和一个资深顾问做出来的质量那是天差地别的。差在哪里呢差的其实不是工具而是经验和流程。比如先看什么按什么顺序做遇到边界情况怎么处理公司内部的规范是什么样的。这些东西很难靠临时在对话里面打字说清楚。每次都要重新解释一遍又啰嗦又容易漏掉细节。而且模型的训练数据里面不可能去覆盖每家公司、每个团队独有的操作习惯。Skills也就是技能要解决的正是这个问题。它做的事情就是把某一类任务的最佳实践、操作步骤、注意事项打包成一个可以复用的说明书文件夹。这个文件夹里面可以放一份把流程写清楚的说明文档。也可以附带一些脚本、模板之类的资源。它的一个关键设计叫做渐进式披露。什么意思呢。就是模型平时不会把所有 Skill 的全部内容都塞到上下文里面去。那样太占地方了。它只会先看一眼每个 Skill 的简短描述判断一下这个任务跟哪个 Skill 有关系。然后才把对应 Skill 的详细内容加载进来使用。用完就扔不占用后面对话的空间。比如做 Excel 报表写 Word 文档这类任务的背后都有对应的 Skill 在起作用。企业也可以自己去写 Skill把品牌规范、内部工作流程封装进去。这样模型每次处理相关任务的时候都能保持一个统一的水准。这里也要给 Skills 做个总结。它解决的是怎么把程序性知识和最佳实践喂给模型又不把上下文撑爆的问题。它和 MCP 不是一回事。MCP 负责接得上外部工具和数据。Skills 负责做得好。甚至说一个 Skill 完全可以是教模型如何更专业地去使用某个 MCP 工具。四、A2A让智能体学会合作前面讲的三样东西解决的都是一个模型或者一个智能体怎么变强的问题。但是现实当中复杂的任务往往需要多个智能体协作才做得下来。这些 Agent 可能来自不同的公司基于不同的框架去搭建。比如一个负责查库存的 Agent一个负责下单的 Agent一个负责物流跟踪的 Agent分别属于不同的系统。那么问题就来了。这些 Agent 之间怎么打招呼怎么知道对方能干什么怎么把一个任务委托出去然后跟进结果这已经不是连接工具的问题了。这是两个自主的智能体之间怎么对话的问题。这正是 A2A也就是 Agent2Agent Protocol要解决的事情。它是由谷歌发起的后来捐给了 Linux 基金会托管。到了今年也就是 2026 年又进一步转到了专注智能体协议的 Agentic AI Foundation。参与到里面的公司已经超过了 150 家。A2A 定义了智能体之间的通用语言。智能体之间怎么发现彼此的能力怎么安全地交换消息怎么委派任务并且跟踪任务的全生命周期它都管。这样一来不同框架搭出来的 Agent比如某个用 LangGraph 搭的 Agent 和某个用别的框架搭的 Agent也能顺畅地协作不会被锁死在同一家供应商的技术栈里面。业内有一个流传很广的说法很好地区分了 MCP 和 A2A 的分工。就是用任意框架构建 Agent用 MCP 装配工具用 A2A 让 Agent 之间对话。A2A 的总结是这样的。它解决的是智能体和智能体之间怎么协作的问题。它和 MCP 处在不同的连接对象上。MCP 连的是 Agent 与工具、数据。A2A 连的是 Agent 与 Agent。五、四者到底是什么关系把它们放到一张表里面去对比会更清楚一些解决的问题连接的对象类比Function Calling模型怎么知道该调用工具、怎么规范地表达调用请求模型 ↔ 单个函数学会举手示意MCP应用/模型怎么标准化地接入外部工具和数据源AI 应用 ↔ 工具/数据服务器统一的USB-C 接口Skills怎么把领域经验、操作流程打包喂给模型,且不占满上下文模型 ↔ 一份操作手册老师傅留下的工作笔记A2A不同厂商、不同框架的智能体之间怎么发现彼此、协作共事Agent ↔ Agent不同公司员工之间的协作语言所以你看它们不是平行竞争的四个标准。它们是层层递进的四个层次。第一层Function Calling。它是最底层的模型能力。就是模型有没有想调用工具这个念头以及能不能规范地表达出来。第二层MCP。它在 Function Calling 的基础上把工具和数据怎么接进来这个事情标准化了。让接入成本从 M×N 降到了 MN。第三层Skills。它是另一个维度的补充。它不管接不接得上它管做不做得好。把流程性、经验性的知识结构化地喂给模型。包括教模型更好地去使用某个 MCP 工具。第四层A2A。它是在单个智能体之上再叠加了一层。当一个任务需要多个各自独立的、甚至来自不同公司的智能体一起协作的时候就用统一的语言让它们发现彼此委派任务跟踪进度。用一个类比来说的话。如果把一个智能体看作一名员工。那么 Function Calling就是他知道该用工具会打申请单的基本职业素养。MCP是公司给他配的标准化工位接口插上就能用各种系统不用每次都重新布线。Skills是他工位抽屉里面的操作手册告诉他这类活该怎么干公司的规矩是什么。A2A则是他和其他部门、甚至其他公司的员工对接工作用的通用协作流程。这四者是不冲突的。现实当中的复杂 AI 系统往往就是把四层叠在一起用的。面试官那天没说话其实就是在等我能自己走到这一步四个名词背后是一条递进的线而不是四个孤立的点。六、串成一个例子假设你让一个 AI 智能体去做一件事帮我筛选出上季度流失风险最高的 10 个客户写一份跟进方案并同步给销售团队的 Agent 去逐个联系。这个过程大概会经过这么几步第一步智能体判断自己需要去查数据。于是它通过 Function Calling 的方式发起调用工具的请求。第二步它连接的数据库、CRM 系统都是通过 MCP 接入的标准化服务器。不需要为了这个客户专门去写对接代码。第三步“怎么定义流失风险”、“跟进方案该用什么格式”这些公司特有的规则来自一个提前配置好的 Skill。这样就保证了输出是符合公司标准的而不是模型自己现编的套路。第四步最后同步给销售团队的 Agent并让它去逐个联系这一步涉及到的是把任务委派给另一个独立的智能体。这就是 A2A 要解决的协作问题了。结语MCP、A2A、Skills、Function Calling这四个名词听起来很唬人。但是拆开来看其实都在回答同一个问题的不同侧面。这个问题就是AI 怎么从能聊天变成能干活还干得又准又好还能和别人一起干。记住这条主线就行了。就是举手申请统一接口经验手册团队协作。下次再看到这几个缩写堆在一起大概率就不会犯晕了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】
字节一面：你说熟悉Agent，那MCP、A2A、Skills、Function Calling什么关系？我坦白：用的多，原理了解少。他笑了笑没说话...
上周的时候我去面一个Agent开发岗。简历上我写了熟悉Agent基开发因为工作里接工具、搭workflow、调prompt都干过上线过的Agent也不止一个。面试官翻到简历那一页抬头看了我一眼问那你说说MCP、A2A、Skills、Function Calling分别解决什么问题它们之间是什么关系我心里其实是有一些想说的。因为这四个词都用过官方文档也翻过群里天天有人聊。但要我把它们串成一条线讲清楚一下子卡住了。我支支吾吾说了一堆都是协议都是让Agent变得更强之类的话。他笑了笑没说话…走出面试间我才慢慢反应过来这四个词根本不是平级的概念。我背下来的是四个名词缺的是一张把它们串起来的地图。回来之后我把这条线彻底捋了一遍就是今天这篇文章。你也先别急着往下看先自己答一遍试试MCP、A2A、Skills、Function CallingAI 圈的四个黑话到底谁是谁最近这段时间只要你打开技术类的公众号十篇里面有八篇都在讲 MCP、A2A、Skills、Function Calling 这几个东西。名字一个比一个抽象。乍一看还以为是四个互相竞争的新标准非要在里面挑一个出来站队才行。但如果你把它们放到同一张图里去看的话就会发现一个事情。它们其实是同一件事的四个层次。这件事就是让 AI 从只会说话变成能干活。并且让干活这个事情变得越来越标准化越来越有条理。面试官那天问我的恰恰就是这个什么关系。当时没答上来回来把这条主线捋清楚之后才发现其实一点都不难。这篇文章就按照这条主线把四个概念挨个捋一遍。一、Function Calling让模型学会举手最早的大模型其实只会做一件事。就是根据你的输入吐出一段文字来。你问它天气它可能还会一本正经地编一个温度给你。为什么会这样呢因为它压根就没有查天气的能力。它只能做到看起来像在回答而已。Function Calling也叫工具调用或者叫函数调用。它要解决的就是这个问题。说白了就是让模型能够识别出来这件事我自己做不了需要借助外部工具并且用一种结构化的格式把这个事情说出来。具体是怎么做的呢。开发者会提前告诉模型你现在可以用哪些工具。比如给一个查天气的函数参数是城市名。模型在对话的过程当中自己去判断需不需要用。如果判断下来需要用它就会输出一段规整的 JSON。大概是这样的调用 get_weather(city上海)至于说这个函数具体怎么执行去哪里查数据模型其实并不管。那是开发者写的代码去做的事情。执行完了以后再把结果丢回给模型。模型接着往下说。这里可以给 Function Calling 做一个总结。它是模型这一层的能力。解决的是模型知道该出手并且能规范地喊一声的问题。它是后面所有智能体能力的地基。但是它本身并没有规定工具从哪里来怎么接进来。这个空白后来是由 MCP 来填上的。二、MCP给工具装上统一的接口协议Function Calling 普及了之后新的问题就来了。每个 AI 应用不管是客服机器人还是 IDE 插件还是办公助手只要想接入一个外部系统比如数据库、日历、Slack、公司内部系统都得自己写一套对接代码。你可以想一下这个场景。如果你有 M 个 AI 应用想接 N 个工具或者数据源理论上就要写 M 乘 N 套集成代码。换一个模型换一个应用很多代码还要重新写一遍。这就是大家常说的M×N 集成地狱。Anthropic 提出来的 MCP全称是 Model Context Protocol模型上下文协议。它要解决的正是这个问题。就是在AI 应用和工具/数据源之间定义出一套统一的通信协议。这个东西经常被类比为AI 世界的 USB-C 接口。具体来说是这样的。工具和数据的提供方只需要按照 MCP 的标准做一个MCP 服务器出来公开自己能提供什么工具、什么资源。而 AI 应用这边比如 Claude各种 IDE还有各种 Agent 框架只需要实现一次 MCP 客户端就可以去连接任何遵循这个协议的服务器了。这样一来M×N 的问题就变成了 MN。工具方写一次应用方接一次。双方都不用为了对方专门去做定制了。那 MCP 和 Function Calling 是什么关系呢。可以这样理解。MCP 解决的是模型或者应用怎么用统一的方式连接到外部工具和数据的问题。它是 Function Calling 之上的一层接线标准。模型最终决定要调用某个 MCP 工具的时候底层用的仍然是类似 Function Calling 那样的机制。所以 MCP 并没有取代 Function Calling。它只是把工具怎么接进来这个事情给标准化了。三、Skills把经验打包成说明书光有工具还不够。同样是做一份 PPT或者是处理一份合同。一个新手和一个资深顾问做出来的质量那是天差地别的。差在哪里呢差的其实不是工具而是经验和流程。比如先看什么按什么顺序做遇到边界情况怎么处理公司内部的规范是什么样的。这些东西很难靠临时在对话里面打字说清楚。每次都要重新解释一遍又啰嗦又容易漏掉细节。而且模型的训练数据里面不可能去覆盖每家公司、每个团队独有的操作习惯。Skills也就是技能要解决的正是这个问题。它做的事情就是把某一类任务的最佳实践、操作步骤、注意事项打包成一个可以复用的说明书文件夹。这个文件夹里面可以放一份把流程写清楚的说明文档。也可以附带一些脚本、模板之类的资源。它的一个关键设计叫做渐进式披露。什么意思呢。就是模型平时不会把所有 Skill 的全部内容都塞到上下文里面去。那样太占地方了。它只会先看一眼每个 Skill 的简短描述判断一下这个任务跟哪个 Skill 有关系。然后才把对应 Skill 的详细内容加载进来使用。用完就扔不占用后面对话的空间。比如做 Excel 报表写 Word 文档这类任务的背后都有对应的 Skill 在起作用。企业也可以自己去写 Skill把品牌规范、内部工作流程封装进去。这样模型每次处理相关任务的时候都能保持一个统一的水准。这里也要给 Skills 做个总结。它解决的是怎么把程序性知识和最佳实践喂给模型又不把上下文撑爆的问题。它和 MCP 不是一回事。MCP 负责接得上外部工具和数据。Skills 负责做得好。甚至说一个 Skill 完全可以是教模型如何更专业地去使用某个 MCP 工具。四、A2A让智能体学会合作前面讲的三样东西解决的都是一个模型或者一个智能体怎么变强的问题。但是现实当中复杂的任务往往需要多个智能体协作才做得下来。这些 Agent 可能来自不同的公司基于不同的框架去搭建。比如一个负责查库存的 Agent一个负责下单的 Agent一个负责物流跟踪的 Agent分别属于不同的系统。那么问题就来了。这些 Agent 之间怎么打招呼怎么知道对方能干什么怎么把一个任务委托出去然后跟进结果这已经不是连接工具的问题了。这是两个自主的智能体之间怎么对话的问题。这正是 A2A也就是 Agent2Agent Protocol要解决的事情。它是由谷歌发起的后来捐给了 Linux 基金会托管。到了今年也就是 2026 年又进一步转到了专注智能体协议的 Agentic AI Foundation。参与到里面的公司已经超过了 150 家。A2A 定义了智能体之间的通用语言。智能体之间怎么发现彼此的能力怎么安全地交换消息怎么委派任务并且跟踪任务的全生命周期它都管。这样一来不同框架搭出来的 Agent比如某个用 LangGraph 搭的 Agent 和某个用别的框架搭的 Agent也能顺畅地协作不会被锁死在同一家供应商的技术栈里面。业内有一个流传很广的说法很好地区分了 MCP 和 A2A 的分工。就是用任意框架构建 Agent用 MCP 装配工具用 A2A 让 Agent 之间对话。A2A 的总结是这样的。它解决的是智能体和智能体之间怎么协作的问题。它和 MCP 处在不同的连接对象上。MCP 连的是 Agent 与工具、数据。A2A 连的是 Agent 与 Agent。五、四者到底是什么关系把它们放到一张表里面去对比会更清楚一些解决的问题连接的对象类比Function Calling模型怎么知道该调用工具、怎么规范地表达调用请求模型 ↔ 单个函数学会举手示意MCP应用/模型怎么标准化地接入外部工具和数据源AI 应用 ↔ 工具/数据服务器统一的USB-C 接口Skills怎么把领域经验、操作流程打包喂给模型,且不占满上下文模型 ↔ 一份操作手册老师傅留下的工作笔记A2A不同厂商、不同框架的智能体之间怎么发现彼此、协作共事Agent ↔ Agent不同公司员工之间的协作语言所以你看它们不是平行竞争的四个标准。它们是层层递进的四个层次。第一层Function Calling。它是最底层的模型能力。就是模型有没有想调用工具这个念头以及能不能规范地表达出来。第二层MCP。它在 Function Calling 的基础上把工具和数据怎么接进来这个事情标准化了。让接入成本从 M×N 降到了 MN。第三层Skills。它是另一个维度的补充。它不管接不接得上它管做不做得好。把流程性、经验性的知识结构化地喂给模型。包括教模型更好地去使用某个 MCP 工具。第四层A2A。它是在单个智能体之上再叠加了一层。当一个任务需要多个各自独立的、甚至来自不同公司的智能体一起协作的时候就用统一的语言让它们发现彼此委派任务跟踪进度。用一个类比来说的话。如果把一个智能体看作一名员工。那么 Function Calling就是他知道该用工具会打申请单的基本职业素养。MCP是公司给他配的标准化工位接口插上就能用各种系统不用每次都重新布线。Skills是他工位抽屉里面的操作手册告诉他这类活该怎么干公司的规矩是什么。A2A则是他和其他部门、甚至其他公司的员工对接工作用的通用协作流程。这四者是不冲突的。现实当中的复杂 AI 系统往往就是把四层叠在一起用的。面试官那天没说话其实就是在等我能自己走到这一步四个名词背后是一条递进的线而不是四个孤立的点。六、串成一个例子假设你让一个 AI 智能体去做一件事帮我筛选出上季度流失风险最高的 10 个客户写一份跟进方案并同步给销售团队的 Agent 去逐个联系。这个过程大概会经过这么几步第一步智能体判断自己需要去查数据。于是它通过 Function Calling 的方式发起调用工具的请求。第二步它连接的数据库、CRM 系统都是通过 MCP 接入的标准化服务器。不需要为了这个客户专门去写对接代码。第三步“怎么定义流失风险”、“跟进方案该用什么格式”这些公司特有的规则来自一个提前配置好的 Skill。这样就保证了输出是符合公司标准的而不是模型自己现编的套路。第四步最后同步给销售团队的 Agent并让它去逐个联系这一步涉及到的是把任务委派给另一个独立的智能体。这就是 A2A 要解决的协作问题了。结语MCP、A2A、Skills、Function Calling这四个名词听起来很唬人。但是拆开来看其实都在回答同一个问题的不同侧面。这个问题就是AI 怎么从能聊天变成能干活还干得又准又好还能和别人一起干。记住这条主线就行了。就是举手申请统一接口经验手册团队协作。下次再看到这几个缩写堆在一起大概率就不会犯晕了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】
