别再混着说了：2026 AI Agent 技术栈分层（tool / Skill / MCP / A2A / Context Harness Engineering）
这两年聊 Agent，名词越堆越多：function calling、plugin、Skill、MCP、A2A、context engineering、harness……很多人——包括不少从业者——把它们放在一个层面上讨论，于是经常出现"MCP 和 Skill 到底啥区别""有了 MCP 还要 A2A 干嘛"这类问题。
其实这些概念不在一个层。把它们按"从底层能力到上层编排"摞起来，关系一下就清楚了。这篇按栈分层捋一遍，顺带说几个 2026 年正热的争论。
一张分层速查表
| 层 | 概念 | 解决什么 | 代表 |
|---|---|---|---|
| L1 原语 | tool use / function calling | 让模型能"调用一个外部能力" | OpenAI function calling 等 |
| L2 能力封装 | plugin /Skill | 把"怎么做某类活"打包成可复用单元 | Anthropic Agent Skills（SKILL.md） |
| L3 工具连接协议 | MCP | 标准化"Agent ↔ 工具/数据"的接法 | Model Context Protocol |
| L4 智能体协作协议 | A2A | 标准化"Agent ↔ Agent"的协作 | Agent2Agent |
| L5 编排 | workflow / multi-agent / subagent | 决定"谁先谁后、谁调谁" | planner-executor、orchestrator |
| L6 喂养与约束 | Context / Harness Engineering | 给 Agent 喂对的信息、framed 住它的行为 | RAG、memory、guardrails、eval |
下面逐层说。
L1 原语：function calling —— 一切的起点
最底层是tool use（函数调用）：模型不再只吐文字，而是按结构化格式输出"我要调用哪个函数、参数是什么"，由外部执行后把结果喂回去。这是 Agent 能"动手"的最小单元。后面所有花活，本质都是把 function calling 组织得更好用。
L2 能力封装：plugin 与 Skill —— 把"怎么做"打包
光有 function calling 还不够：每次都要把"这类活该怎么干"重新喂给模型，太低效。于是有了能力封装。
- plugin：早期形态，把一组 API 包装成模型可调用的工具。
- Skill（Agent Skills）：Anthropic 的做法，一个 Skill 就是一个文件夹，核心是
SKILL.md——用 YAML 元数据 + Markdown 指令 + 可选脚本，把"做某类任务的完整流程"写死。请求一旦命中，Agent自动按需加载这套指令，不用用户每次重新解释。
关键区别：plugin/Skill 解决的是"把知识和流程打包"，不规定"怎么连到外部系统"——那是下一层 MCP 的事。
L3 MCP：给单个 Agent 一双标准化的"手"
MCP（Model Context Protocol）是 Anthropic 2024 年底提出的开放协议，用一套标准 client-server 接法，统一"Agent ↔ 外部工具/数据"的连接，取代过去一对一的碎片化集成——所以常被叫做 “AI 的 USB-C”。
它的采用速度很猛：到 2025 年 11 月一周年时，MCP 已有月 9700 万+ SDK 下载、1 万+ 部署的 server，OpenAI、Google DeepMind、微软、AWS 都接了。一句话定位：MCP 管的是"一个 Agent 怎么用工具"，给它装上"手"。
2026 年 1 月的MCP Apps让 Skill 和 MCP 边界开始模糊——Skill 可以触发由 MCP server 提供的富 UI。这也是为什么很多人把两者搞混：它们确实在互相靠拢，但分工没变（Skill 教"流程"，MCP 管"连接"）。
L4 A2A：让多个 Agent 之间能协作
单个 Agent 再强也有边界，于是有了多智能体，也就需要一套 Agent 之间的"通信协议"——A2A（Agent2Agent），Google 2025 年 4 月发布，2026 年进入 Linux 基金会、出了 v1.0。
A2A 的核心数据模型包括AgentCard / Task / Message / Artifact等。其中Agent Card是放在一个 well-known URL 上的 JSON，对外声明这个 Agent 的身份、能干哪些 skill、任务提交端点、支持的输入输出模态、鉴权方式等——相当于 Agent 的"名片 + API 说明书"。
MCP 和 A2A 不是竞品，是搭档：一个 orchestrator 用A2A把子任务派给各个 subagent，每个 subagent 再用MCP去调自己需要的工具。MCP 给"手"，A2A 给"团队协作"。
L5 编排：workflow 还是 agent？
有了能力和协议，还得决定怎么组织执行，这层最经典的争论是workflow vs agent：
- workflow：路径是你预先定义好的，LLM 只在固定节点上发挥，可控、可预测。
- agent：让 LLM 自己决定下一步调什么、循环几次，灵活但更难控。
Anthropic 那篇《Building Effective Agents》的核心建议就是：别一上来就上 agent，能用 workflow 解决的就别引入自主性——复杂度和不可控性是有代价的。subagent、planner-executor、orchestrator 都是这一层的编排模式。
L6 喂养与约束：从 Context 到 Harness Engineering
模型再强，喂错了信息、放任它乱跑也白搭。这层在 2026 年话题度最高，可以串成一个演进：
- Prompt Engineering（2022–24）：研究"我该怎么对模型说"。
- Context Engineering（2025起）：研究"模型要做好这件事，需要知道什么"——不止 prompt，还有 memory、检索（RAG）、工具、状态。有报告称 82% 的 IT/数据负责人认为"光靠 prompt 已经撑不起规模化的 AI"。
- Harness Engineering（2026）：更进一步，“Agents aren’t hard; the Harness is hard”。核心反直觉结论是——用规则、反馈回路、linter 去约束 Agent 的解空间，反而能提升它的产出质量和可靠性。
一句话：上层拼的不再是模型本身，而是你给它搭的那套"环境 + 约束"。
几个最容易搞混的点
- Skill vs MCP：Skill 教 Agent"某类活的流程"，MCP 负责"连到外部工具"。一个管知识、一个管连接，互补。
- MCP vs A2A：MCP 是"Agent↔工具"，A2A 是"Agent↔Agent"。一个对内用工具、一个对外搞协作。
- prompt vs context vs harness：一句话的事 → 一整套信息环境 → 一整套行为约束，是同一条路越走越上层。
落地：给你的 Agent 接一个"出图出视频"能力
把上面这套落到一个具体场景：你想让自己的 Agent 会出图、出视频。按分层来拆——
- L2 能力封装：拿一个现成的 Skill，比如 iMini 官方的
imini-generate（一个标准SKILL.md），把"文生图 / 参考图编辑 / 文生视频 / 首尾帧"的完整流程打包好，放进 Agent 的 skills 目录，命中即自动加载； - L1/L3 连接：Skill 底层调用 iMini 的生图接口（异步：提交拿 task_id、轮询取结果），多模型（nano-banana、seedance、kling 等）一套接口覆盖；
- L5 编排：在你的 workflow 里把"出图"作为一个节点，前面接选题、后面接排版，Agent 一条龙交付图文。
这样你不用自己从零写 submit/poll 逻辑，用一个 Skill 把"出图出视频"这件事变成 Agent 的一个原子能力——这正是 L2 能力封装存在的意义。
小结
名词会继续分化，但分层这个思路不会过时：遇到一个新概念，先问它落在哪一层（原语 / 封装 / 连接 / 协作 / 编排 / 约束），关系自然就理顺了。
你现在的 Agent 项目卡在哪一层？评论区聊聊，下篇可以挑一层往深里写。