应用背景
你是否向大模型提问过：“现在几点了？”“我这里的天气怎么样？”的问题？那么它能够正确回答吗？
目前来看——一般会回答错误。
当下，LLM的能力早已不局限于“文本生成”，而是能够通过外部工具的调用变得“手眼通天”：脱离原有的封闭环境，获得了与外部环境交互的能力。
相当于给大模型加上了手脚🧐
与外部环境交互通过MCP进行工具调用的规范化，通过A2A实现Agent与Agent之间交互的规范化。
Function Calling->MCP
工具调用基于function calling实现并被广泛用于商业API交互，目前国产的主流LLM大多已支持。
而Ahthropic推出的MCP（Model Context Protocol）正是针对“工具调用接口的规范化”应运而生的协议。
调用的过程其实是让大模型理解我们需求的过程。
这里按个人理解写一下MCP应用流程：
用户通过配置MCP服务->提供工具调用的相关函数及其对应的传参要求，
模型在
- 理解用户需求
- 学会函数对应参数的攥写格式
的基础上，
判断函数是否调用、如何调用、拿到返回的结果后如何分析。
Function Calling和MCP是当前技术落地的核心方式。前者侧重模型原生能力，后者强调协议标准化。
那么AI Agent（人工智能代理/智能体）则为更高阶的形态，其融合了自主决策+工具调用，能够更加适用于复杂场景。
MCP->A2A
若再视野拓展至MAS（Multi-Agent Systems）的多智能体系统协作领域，我们就不能不提起A2A（Agent-to-Agent Protocol,代理间通信协议）。
到这里可以将上文提到的三个概念搭建为三层级的技术栈模型：
【A2A】 // Agent与Agent~协作网络
↑
【MCP】 // Agent与工具~资源与会话管理
↑
【Function Calling】 //模型原生能力
👉Google将A2A比作互联网早期的HTTP协议。
