一文搞懂 Function Calling、MCP、A2A 和 Skills

之前我们已经单独介绍了MCP、Fuction Calling、A2A乃至（Claude）Skills。

但是很多粉丝依旧觉得有些懵逼，我想了想原因，大概是单点知识不具备连贯性，要把他们完全搞懂，可能还是要从全局出发、从目的出发。

追本溯源，这个东西还是得从智能体（Agent）开始。因为，MCP、Fuction Calling、A2A 这三者与Agent直接相关，属于智能体与外界交互的三种方式：

Fuction Calling

首先是Fuction Calling，他是一种让大模型在推理过程中，能够主动选择并调用外部函数的能力：

具体的交互逻辑为：在对话中，LLM根据用户的问题（今天北京的天气如何？）判断是否需要调用函数。如果需要，它会输出一个结构化的JSON请求，其中包含了要调用的函数名和参数，然后再调用我们的程序：

具体的流程，直接看GPT官方的定义即可：

# 这是给模型看的工具定义，不是真正的代码tools = [{"type": "function","name": "get_weather","description": "Retrieves current weather for the given location.","parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "City and country e.g. Bogotá, Colombia" }, ...... }, }}]

每次调用API时都需要传递tools参数，这里直接调用GPT接口（发起请求）：

# 每次调用API时都需要传递tools参数，调用GPT接口发起请求response = client.responses.create( model="gpt-5", messages=[...], tools=tools # ← 这个每次都要带)

这里也可以看出来，模型具有哪些工具调用能力，全部是我们预定义好的，模型会根据用户输入，选择使用哪个工具：

# 用户输入user_query = "今天北京天气怎么样？"# 模型会分析：# - 用户问的是"天气" → 匹配到 get_weather 的 description# - 提到了"北京" → 对应 location 参数# - 决定调用 get_weather 函数

只不过，模型事实上并不会直接调用工具，他只会返回结构化的调用指令，这里返回这个东西是模型专门任务训练的结果：

{ "function_call": { "name": "get_weather", "arguments": "{\"location\": \"北京\", \"unit\": \"celsius\"}" }}

真正根据返回JSON数据调用脚本的是我们后台程序，并且这里需要将调用结果给到模型：

# 把天气结果返回给模型# result是返回的结果final_response = llm.chat( model="gpt-5", messages=[ {"role": "user", "content": "今天北京天气怎么样？"}, {"role": "assistant", "function_call": model_response["function_call"]}, {"role": "function", "name": "get_weather", "content": json.dumps(result)} ])

逻辑很清晰，如果意图识别没有工具（函数）调用，则直接调用大模型返回给用户，如果判断有工具调用，那么就拿着首次模型返回的参数，拿到结果后二次调用模型，再将最终结果返回给用户。

这里有几个点要特别注意：如果你的工具接口挂了，容错做得不好的话，那么模型就不会回答用户了。

另外还有几个问题，理解后几乎就能了解Fuction Calling的本质，乃至为什么他用得不太频繁的原因：

第一，如果Tools工具过多（数组过多），这个也是要占用上下文长度的，所以真实使用会做很多小处理；

第二，Fuction Calling 使用好坏非常依赖于模型本身对意图识别的能力，模型判断要不要调用一个函数，主要是根据description参数来的。这里看上去风险挺大的，因为一定会出现模型调用出问题的情况，只不过模型容错能力强，多拿了数据也未必会影响回答；

在这个基础下，我们再来说MCP：

MCP

Function Calling 本身没有问题，但频繁使用后会有很多痛点，比如：

1. 不同基座模型都有类似Function Calling的概念，但具体叫法或者参数上可能有差异；
2. 整个Tools预定义的过程，硬编码痕迹很重，但他其实比较适合注册机制；
3. …；

Function Calling解决的是：单个模型怎么“按你定义的 JSON 协议”去调你自己的API的问题。

而MCP就是为了解决这些问题而生的，所以MCP的但是其实是帮Function Calling “擦屁股”的…

MCP 是由 Anthropic 提出的一种开源协议，旨在标准化LLM与外部资源和工具的连接方式。可以把它想象成 AI 世界的“USB标准”或“应用商店”。

只不过，这里有个非常关键的点要注意：

1. 现在主流厂商大多都实现了各自的 Function Calling；
2. MCP 目前主要是 Anthropic 这条线在推，是工具协议层；

换句话说就是：并不是所有模型厂商都跟进了MCP，如果基座模型没做，那么应用层就得自己套壳包装，如果不被支持的情况下，要使用MCP其实有两个前提：

1. 第一是在模型侧需要用 Function Calling；
2. 第二是在客户端自己把 MCP 工具转成 Function Calling 描述再喂给模型；

最直接的说法就是OpenAI就是不支持MCP，人家要自己玩，所以想用的话还得做个中间代理！

而我们会屈就的核心原因不是因为MCP本身很屌，而是社群一直在倒推基座模型厂商，现阶段由于社区活跃度，MCP的插件（Server端）已经很多了，如果我们想省事不想自己去做这个工具代码实现，那么就要做这个中间桥接层：

这里首先来个天气查询，Server端的伪代码：

start_mcp_server("weather-mcp-server"):# 1）声明一个工具：get_weather register_tool( name = "get_weather", description = "查询指定城市今天的天气情况", input_schema = { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，例如：Beijing" } }, "required": ["city"] }, output_schema = { "type": "object", "properties": { "city": { "type": "string" }, "temperature": { "type": "number" }, "condition": { "type": "string" } # 晴、多云、小雨... } } )# 2）真正被调用时要做的事 on_tool_call("get_weather", args): city = args.city # 这里调用真实天气接口，或者你的内部系统 raw = http_get("https://api.weather.com", { "q": city }) return { "city": city, "temperature": raw.temp, "condition": raw.text }

Server端的代码我们其实是不关心的，这里写出来只是为了让大家更了解一点，我们需要关注的是Client端的配置，如果是OpenAI的话，需要将之匹配到桥阶层，有两件事要做：

1. 调用天气 MCP Server，拉取工具定义；
2. 把工具定义 转换成 OpenAI 的 tools（Function Calling）格式，并在模型发起 tool_call 时，代为转发给 MCP Server；

这里的代码就很简单了，几乎全部由MCP Server端完成了：

# 启动你的应用服务时：# 1）创建 MCP Client，连接到天气 MCP Servermcp_client = MCPClient.connect("weather-mcp-server")# 2）从 Server 询问：你有哪些工具？mcp_tools = mcp_client.list_tools()# 例如返回：# [# {# name: "get_weather",# description: "查询指定城市今天的天气情况",# input_schema: { ...上面的 JSON Schema... }# }# ]

接下来就是把 MCP 工具转成 OpenAI 的 tools：

# 3）把 MCP 的工具描述转换成 OpenAI 的 tools 数组openai_tools = []for each tool in mcp_tools: openai_tools.append({ "type": "function", "function": { "name": tool.name, # "get_weather" "description": tool.description, # "查询指定城市今天的天气情况" "parameters": tool.input_schema # 直接复用或稍作转换 } })# 之后你在调用 OpenAI 时，就可以直接把 openai_tools 作为 tools 传入

再之后的流程跟Function Calling 很类似，我们这里就不赘述了。

A2A

到了 Agent to Agent 这里，情况马上变得简单又麻烦了，简单好像就是一次调用；麻烦的话是两个直接的通信可以很复杂，而且可控性得不到保障。

这里以之前的天气调用为例，基本的流程是模型 → 工具，到A2A这里就不这么完了，他需要模型 → 模型 → 工具。

而且在复杂场景下，这样做是有好处的，必定不同Agent擅长的方向不一样，对应着底层的提示词就不一样，单Agent的话因为任务简单也不会有Tools过多导致的问题：

为了更方便的说明，我们这里再举个例子：这里有两个Agent，一个天气Agent、一个旅游Agent，而旅游Agent需要天气情况。

他的触发词可能是：五一想去成都玩三天，要不要带厚一点的衣服？

在这个场景下会出现三个角色：

1. 天气API：最底层天气查询API；
2. 天气MCP：天气工具MCP Server服务，他最终会调用底层天气API，也会被天气Agent调用；
3. 天气Agent：需要时候，他会调用天气MCP获得天气情况；

这里唯一的不同是天气Agent会对外暴露一个接口，输入是 城市 + 日期范围，输出一段天气（或者旅游建议）。

换句话说，天气Agent给出去的信息是自己根据天气信息，认为对面需要的跟天气相关信息，但未必是天气本身，其实将天气Agent当大模型调用就好

而具体的调用方式就比较原始了，又要回归最初的Function Calling了，将天气Agent对外释放的API，当成旅游Agent一个Tool，只是Agent的调用对参数要求没那么高，可以传更多的上下文：

{ "city": city,"start_date": start_date,"end_date": end_date,"question": "是否适合旅游？要怎么穿衣？"}# 天气Agent返回{"summary": "五一期间成都气温 15–25℃，白天舒适，早晚偏凉。","advice": "白天薄长袖+长裤，晚上建议加一件外套。","risk": "5月2日有小雨，记得带雨伞。"}

所以读到这里大家就很清晰了，真他嘛的AI名词多，其实全部是Function Calling！！！

最后我们说下Claude Skills：

Skills

Anthropic 对Skill的定义是：一个文件夹，里面装着说明文档、脚本和资源，Claude 在执行任务时会先扫一圈所有 Skills，觉得哪个对当前任务有用，就把完整内容拉进上下文来用。

我这边翻译翻译是：

Skill = 一份可反复调用的专业SOP＋说明书，由模型自己按需加载

可以把 Skill 想成：给“AI 员工”写的一本 岗位说明书 + 培训手册；不用每次在 Prompt 里“从零复述”：

Skills长什么样？

每个Skill有一段非常短的描述（meta），比如：

品牌写作技能：教你如何按照 XX 公司品牌规范写公众号文章和活动文案。

Claude 在接到一个任务时，会先用这些 meta 做 “技能检索”：看看当前任务跟哪些 Skills 相关、只选命中的那几个；

最后，只有确认相关的 Skills，才会把完整的 instructions.md、例子、甚至附带脚本拉进上下文。

所以，你可以给模型装很多技能，上下文不会撑爆，他主打一个“按需加载”。

抽象一下，一个Skill看起来大概是这样（不是官方格式）：

brand_style_skill/ meta.json # 很短的技能简介 & 什么时候用 instructions.md # 详细的写作规范、SOP、负面示例 examples/ # 正反例、few-shot 样本 scripts/ # 可选：比如检查用词的小脚本 assets/ # 品牌色、Logo 使用规范等资源

meta.json 里的东西会被优先加载：

{ "name": "brand_style_cn", "description": "按照 XX 品牌规范撰写中文营销文案，保持语气、结构和禁用词一致。", "good_for": [ "公众号推文", "电商详情页", "活动落地页" ]}

当你说：帮我写一篇双十一活动主推文案，品牌是 XX。

Claude 在内部大致会做两件事：

1. 看当前任务内容 → 觉得“品牌写作”相关；
2. 在所有 Skills 的 meta 里找到 brand_style_cn → 决定：加载这个 Skill 的完整说明；

之后，Skill 里的各种“套路”就会生效，比如：

1. 标题要包含的要素；
2. 开头 100 字要解决什么问题；
3. 哪些词属于品牌禁用词；
4. 有哪些可复用的模块化段落结构；
5. …；

Skills的定位

上述的描述太孤立，所以在说明Skill的定位前，我们先总结一下：

1. Function Calling出现的目的是为了让模型在受控的自由下去调用第三方服务；
2. 而后MCP是为了“偷懒”而生，核心主旨是让大家多创造插件生态（MCP Server）；
3. A2A的话反而跟前两者不是一个赛道，他属于复杂架构的拆解；

所以，A2A赛道不一样，就不参与后续讨论，我们这里回归最初的起点Function Calling，前面说过他有两个问题：

第一，Tools多了影响Token上下文，所以需要很多小策略；

第二，Function Calling的准确性很依赖于意图识别，如果调错了，会比较麻烦；

在这两点以外还有第三点：每次Function Calling的数据中途，我们都要处理工具返回数据，这其实挺烦的；

之前上述工作完全是我们自己手动处理的，但基座模型厂商可能觉得“他们也有责任”，所以Anthropic又提出了Skill概念，协助解决上述Function Calling一部分问题，比如：

Skill 主要关注数据如何用的问题，而其中按需加载的部分是值得Function Calling参考的策略

从关系上说是这么回事：

Function Calling / MCP 提供“手”，Skills 提供“干这类活的整套套路”，两者是“上下游”的关系

Skills 可以内部用 Function Calling 和 MCP，Function Calling/MCP 不知道什么叫 Skill

Skills = 业务服务 + 调用这些接口的代码 + 使用说明

为了让大家理解的更清晰，我们这里加个说明：

流程说明

在一个老板 BI Agent里配置了，一批 Tools/MCP 工具：

1. get_sales_report
2. get_marketing_spend
3. get_cashflow_status

两个 Skills：

1. boss_bi_dashboard_cn：教模型如何用上面几个工具，按老板视角解释数字、写结论，里面有详细的 KPI 口径、话术、注意事项；
2. excel_analysis_skill：教模型如何用 code execution 对上传的 Excel 做分析；

这时候触发条件来了：**帮我看看今年 Q3 的营收和投放，简单说说是不是该收一收预算？**这里具体的流程是：

一、先走Skill检索

模型首先会理解，这是一个老板视角的财务分析 + 决策建议，接下来模型会遍历Skills里所有的meta，发现 boss_bi_dashboard_cn 的描述里有类似：

用于解读公司经营指标、营收、成本、预算，输出老板视角决策建议

所以它会激活这个 Skill，读取 instructions.md，把这份“说明书 + SOP”拉进当前上下文。此时，Tools/MCP 还没被调用，模型完成了：从很多工具定义 + 一堆 Skills里，选出一个最合适的技能包。

二、Skill里面决定工具调用

boss_bi_dashboard_cn 的 instructions.md 可能会写类似这样的话：

如果用户问的是某个时间段的“营收 + 投放”，先调用 get_sales_report 拿营收数据，再调用 get_marketing_spend 拿投放数据；然后根据「同比 / 环比 / ROAS」给出老板能看懂的判断；输出结论时，要用以下结构：一句话结论2–3 个关键数字建议动作风险提示

Claude 读了这份说明后，就知道下一步应该：

1. 先查 KPI → 需要工具；
2. 然后就是具体工具调用：

get_sales_report({"period": "2024-Q3"})get_marketing_spend({"period": "2024-Q3"})

到这里Function Calling / MCP 出场了。

三、数据处理 + SOP

这里走Function Calling的逻辑拿到最终反馈数据即可（这里不展开）：

{ "sales": 12345678, "growth_rate": 0.12, "gross_margin": 0.31}

然后就是数据使用，这个instructions.md里面已经说得很清楚了：

输出结构怎么写；哪些数字要重点强调；语气要偏老板视角，少讲实现，多讲结论和动作；有哪些“常见坑”要避开；# 输出案例结论：Q3 的营收仍在增长，但投放效率明显走低，建议适度收缩预算、把钱放到 ROAS 更高的渠道上。......后面是建议 + 风险......

从这里看就比较清晰了，Skills在意图识别和数据使用上做了不少工作。

结语

从最基础的 Function Calling，到旨在统一工具的 MCP，再到实现复杂协作的 A2A，乃至封装业务逻辑的 Skills，这一系列令人蛋疼的名词，其演进脉络始终清晰：它们为AI智能体更好与现实世界交互而生：

1. Function Calling 是底层原子能力，是弥合用户无限意图与模型与现实交互的基础；
2. MCP 做的是**“工具/数据的统一协议 + 生态”**，方便别人写好一个 Server，更多客户端直接复用，而不是一个个项目 copy 粘贴；
3. A2A 不是“更高级的 Function Calling”，而是**“系统怎么拆成一群 Agent，并用结构化方式彼此调用”**的架构问题；
4. Skills 也不是来抢工具活的，而是帮你沉淀“怎么用工具 + 怎么用数据”的那套 SOP；

理了一圈后，就发现这些名词其实没那么玄乎，其实依旧是模型 + 工具 + 数据 + 说明书这套组合。

好了，篇幅不小了，希望这篇文章对大家有用！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！