一文读懂Function Call、Tools、MCP、A2A、Multi-Agent与Skills

其实Skills的爆火也有一段时间了，最近的热点已经被OpenClaw（原Clawbot）霸屏了，但还是有不少人问我Skills是啥，和之前MCP或和SubAgent有什么区别，那今天我就不只介绍Skills了，而是会从AI技术发展的角度，盘一盘Function Call、Tools、MCP、A2A、Multi-Agent与Skills这几个技术有什么关联和区别。

Funtion Call、Tools与MCP

2022年底，ChatGPT-3.5推出后不久，大家很快意识到了一个问题，大模型只能回答自己固有的知识，无法回答自己固有知识以外的内容，或者即使回答了，也是胡说八道，例如你问大模型，现在某地天气如何，它是无法正确回答的。

这时候，OpenAI率先出手，引入了Function Call（函数调用）的概念。其背后的原因很简单，既然有些事大模型自己做不了，那就告诉大模型有哪些函数可以调用，然后让大模型自己决定什么时候该调用哪个函数，例如询问某地天气时，大模型自己会调用你事先写好的get_weather函数，传入参数是city，最后将get_weather函数执行后的结果返回再喂给大模型，大模型生成最终回复。

随着Function Call的流行，继而出现了一个新的概念，Tools，代表了一套标准化的工具体系，每个工具有统一的描述格式（名称、功能说明、输入和输出Schema），更方便大模型自主发现和调用工具。

但是，新问题又来了，OpenAI也好，Anthropic也好，Google也好，都有自己的工具体系，例如我写了一个get_weather工具给ChatGPT能用，但是我还想让Claude也能调用，那就需要依据Anthropic的标准再写一套才行，因为标准不统一。

所以这时候，Anthropic站了出来，提出了MCP（Model Context Protocol），即模型上下文协议。MCP也很好理解，它定义一个标准接口，就像USB一样，将所有的工具服务都做成MCP Server，所有基于大模型的应用都做成MCP Client。任何Client可以即插即用地连接任何Server。

MCP的出现，迅速引爆了AI开发社区，现在社区里有很多现成的MCP Server，直接集成访问即可，例如GitHub MCP Server等（否则之前是需要自己写一堆代码对接才可以）。

最后对上面内容进行总结，Function Call让大模型开启了可以获取外部知识的能力，Tools给了AI一个工具箱，而MCP则是给整个工具生态定义了万能的接口。

A2A

既然MCP打通了大模型与工具之间的调用，那智能体间通信是不是也需要有一个协议呢，而这次则是Google站了出来， 推出了A2A（Agent-to-Agent）协议，作为Agent之间的标准化通信方式。但是遗憾的是，A2A没有达到MCP的热度，MCP已在开发者社区中形成了既定的事实标准，而A2A因为落地场景偏向企业级、上手门槛高等原因，推进速度缓慢。

Multi-Agent

在MCP爆火之后，除了A2A，还有一个得到广泛应用的思想是Multi-Agent（多智能体协作），SubAgent的使用也属于这一范畴。核心思想不是让一个Agent去处理所有的事，而是让多个Agent分工合作，每个Agent有自己的角色定位、专属工具和专业领域，还会有一个主Agent负责整体调度，它们相互协调共同完成复杂任务。

Multi-Agent整体来看，并不是类似于上面那些，由谁提出的某种规范或协议，只是一种广泛应用的复杂场景下Agent实现方式。

Skills

Skills（技能）的爆火，我个人感觉，完全是一个意外，也是Anthropic的杰作。Claude Code作为2025年爆火的AI编程工具之一，在10月发布了Skills，但当时没有掀起那么大热潮，因为我也一直在用CC，也没过多关注推出的Skills，官方也没有大肆去推这个特性，毕竟只在Claude Code中出现，使用者也很有限。后来可能是因为大家看了Simon Willison写的一篇博文《Claude Skills are awesome, maybe a bigger deal than MCP》，慢慢大家去用Skills，口碑开始传开了，持续发酵。在2025年12月，Anthropic才将Skills作为开放标准正式发布，OpenAI也迅速在Codex CLI中采用了同样的SKILL.md格式，所以Skills的爆火，也没有多少时间，而且得益于在Claude Code中的成功。下面，就来具体给大家讲讲Skills，到底是什么，也是大家问得最多的。

Skills的本质，可以理解为是一个最佳实践方式的集合，积累了过去一些好的任务实践方式，例如，使用某类工具完成某类任务时，应该遵循哪些规范、注意哪些坑、采用哪些经过了验证的正确做法。

具体实践上，你需要在工程中创建一个skills文件夹，里面可以有各种技能文件夹，如下图所示，是Anthropic官方给出的一些skills。具体可以参照Github地址：https://github.com/anthropics/skills

每个Skill文件中，核心是一个SKILL.md文件，该文件以---标记之间的YAML元数据开始，必须包含name和description，然后是Claude在Skill活跃时遵循的Markdown说明，除此之外，也可以附带脚本、模板等资源。

AI在执行任务时会自动判断需要加载哪些Skill，然后按Skill中的指导来操作，本质上是一种按需加载的即时经验注入。具体流程如下：

1、元数据发现：当Claude Code启动时，它会扫描所有可用的Skills。但是，它只会加载每个SKILL.md文件中头部的信息，尤其是name和description字段，所以这两个字段一定要描述清楚你的Skill是干嘛的。扫描后，它会将这些信息注入到System Prompt中。

2、即时加载：用户提出一个具体任务后，会去加载Skills进行匹配，如果发现有符合可用的，就会触发这个Skill。只有这个时候，它才会去真正地读取对应SKILL.md文件的主体内容（下面的Markdown部分）。

3、指令执行：对于SKILL.md中的指令，如果发现该Skill用到了目录中的其他文件，例如某个Python脚本，AI只有在执行时，才会去加载那个Python脚本，所以这是更深层次的按需加载，它允许我们构建包含大量脚本、模板、数据和文档。这样设计的好处，对于复杂的Skill，我们不用担心会一次性撑爆AI的上下文窗口。

最后对Skills做一个总结，SKills的本质是经验，解决了如何能把任务做得更好，而上面说的Tools和MCP是能力，解决的是能不能做的问题，二者是有区别的。

Skills因为现在非常火，类似于MCP的影响力，开源社区也有大量Skills涌现，大家都可以拿来参考直接用，AI各大厂商更是纷纷在自己的产品中，都支持了Skills。

----

好了，今天的文章就写到这吧，最后感叹这三年AI的进化史，有一条暗线贯穿始终：AI正在从一个对话工具变成了生产力的基础设施。现在爆火很多AI热点内容，终归只是AI发展过程的中间产物，一定不会是最终答案。2026年初，Claude的Skills与龙虾OpenClaw爆火，打响了第一枪，接下来，让我们看看还会有什么。

（正文完）