【AI Agent 对话演进史：从 Function Calling 到 MCP 与 A2A 协议（2022—2026 关键节点复盘）】

🔥 个人主页： flos chen

❄️ 个人专栏： 《系统分析师》     《C/C++》

《Qt》     《Linux》     《SQL》

《深度学习》

🌟 边学习，边记录，一起学习进步！

文章目录

• AI Agent 对话演进史：从 Function Calling 到 MCP 与 A2A 协议（2022—2026 关键节点复盘）
• • 一、先看本质：从"AI 对话"到"AI Agent"发生了什么
  • 二、演进时间线：四个阶段看清来龙去脉
  • • 阶段一 · 对话时代（2022—2023）：会聊，但不会做
    • 阶段二 · 工具时代（2023—2024）：会做，但各家各做
    • 阶段三 · 协议时代（2024—2025）：把"手"和"同事"标准化
    • 阶段四 · 标准与基建时代（2025—2026）：中立治理 + Agent 基建化
  • 三、MCP 深挖：给 Agent 一双标准化的"手"
  • • 3.1 它解决什么问题：N×M 集成爆炸
    • 3.2 架构与消息模型
    • 3.3 最小可运行示例
    • 3.4 规范版本演进（时效性标注）
  • 四、A2A 深挖：给 Agent 一群标准化的"同事"
  • • 4.1 它解决什么问题
    • 4.2 核心机制
    • 4.3 MCP vs A2A 对比表
  • 五、2025—2026：两条协议殊途同归，Agent 走向基建化
  • • 5.1 协议中立化：不再是一家公司的私有标准
    • 5.2 别混淆：Agent Skills ≠ MCP
    • 5.3 Agent 基建化：从"演示"到"生产"
  • 六、对开发者的三点启示
  • 七、结语

AI Agent 对话演进史：从 Function Calling 到 MCP 与 A2A 协议（2022—2026 关键节点复盘）

摘要：从 2022 年底 ChatGPT 一夜爆红，到 2026 年 Agent 成为"每晚自动运行、早上汇报"的基础设施，AI 的交互范式在四年间完成了从"对话"到"做事"、再到"Agent 互相协作"的三级跳。本文不堆概念，按时间线把 Function Calling、MCP、A2A 等关键节点的来龙去脉讲清楚：它们各自解决了什么问题、架构长什么样、彼此是什么关系，以及 2026 年形成的最新格局。

• 目标读者：用过 ChatGPT 但没深入 Agent 的开发者，被 MCP/A2A 刷屏想彻底搞懂的工程师
• 阅读收益：一条主线理清四年演进逻辑；理解 MCP 与 A2A 的分工与协作；拿到可复用的最小示例与规范版本对照表
• 时效说明：文中数据与协议规范版本截至 2026 年 9 月，涉及版本的内容均标注了出处

一、先看本质：从"AI 对话"到"AI Agent"发生了什么

大语言模型（LLM）的本质是预测下一个 token：它根据训练时见过的数据，生成最"合理"的回答。这个机制决定了它有两个天然短板：

所以，单纯的"对话"想变得有用，就必须给模型补四种能力：

把这四者放进一个循环——规划 → 行动 → 观察结果 → 调整 → 再行动——就是 Agent。这也是理解后面所有演进的主线：2022 到 2026 的每一步，本质上都是在给这个循环补上缺失的零件。

💡 一句话记忆：AI 对话是"一问一答"，AI Agent 是"多步任务闭环"。 后面所有技术节点，都是在把"答"变成"做"。

二、演进时间线：四个阶段看清来龙去脉

阶段一 · 对话时代（2022—2023）：会聊，但不会做

• 2022-10：ReAct 论文提出"推理轨迹与行动调用交替"范式，Agent 的学术雏形出现；
• 2022-11：ChatGPT 发布，上线 5 天用户破百万，LLM 对话体验第一次被大众接受；
• 2023-02：Toolformer 证明模型可以自监督学会"何时调用 API、传什么参数"；
• 2023-03：ChatGPT Plugins 开放浏览器、代码解释器等工具，工具化首次进入产品形态（2024 年被 GPTs 取代）。

阶段二 · 工具时代（2023—2024）：会做，但各家各做

• 2023-06：OpenAI 发布 Function Calling——开发者用 JSON 描述函数，模型返回"要调哪个、传什么参数"，由应用代码真正执行。这是工具调用进入主流 API 的原语；
• 2023-11：Anthropic 在 Claude 2.1 引入 Tool Use Beta；OpenAI DevDay 推出 JSON Mode；
• 2024-05：Claude 3 系列 Tool Use 全面可用（GA），AWS Bedrock Converse API 统一跨模型工具调用接口；
• 2024-08：OpenAI Structured Outputs，让输出严格符合 JSON Schema，工具结果解析从"碰运气"变为"有保证"；
• 2024-09：o1 推理模型发布，"先想清楚、再动手"成为 Agent 标配；
• 2024-10：Anthropic Computer Use，工具使用从 API 扩展到屏幕和键鼠操作。

阶段三 · 协议时代（2024—2025）：把"手"和"同事"标准化

• 2024-11-25：Anthropic 发布并开源 MCP（Model Context Protocol），统一"模型 ↔ 工具/数据"接口，被称为"AI 的 USB-C"；
• 2025-03：OpenAI 在 Agents SDK 中采用 MCP，竞对实验室首次采纳该标准；MCP 规范更新（引入 OAuth 2.1 授权、Streamable HTTP 传输）；
• 2025-04-09：Google 发布 A2A（Agent2Agent）协议，让不同框架的 Agent 互相发现、鉴权、委托任务，发布即获 50+ 伙伴支持；
• 2025-05：Microsoft Build 2025 宣布 MCP 成为一等公民（GitHub、Copilot Studio、Azure AI Foundry、Windows 11 全线支持）；
• 2025-09：MCP Registry 上线（预览），解决"服务器在哪里、怎么发现"的生态问题；
• 2025-10：Agent Skills 出现，用 Markdown 描述"怎么做一件事"，按需加载。

阶段四 · 标准与基建时代（2025—2026）：中立治理 + Agent 基建化

• 2025-11-25：MCP 规范一周年版本，新增长任务（异步操作）、迁移 JSON Schema 2020-12，预览扩展机制；
• 2025-12-09：Anthropic 将 MCP 捐赠给新成立的 Agentic AI Foundation（AAIF），彼时已有 10000+ 公开 MCP 服务器、月 SDK 下载超 9700 万次；
• 2026-03：A2A 协议 v1.0 发布，补齐签名 Agent Card、多租户、版本协商等企业级能力；
• 2026-04：A2A 满一周年，获 150+ 组织采用并进入生产，覆盖供应链、金融、保险、IT 运维；
• 2026-08：A2A 并入 AAIF，与 MCP 同属 Linux 基金会体系下的开放智能体技术栈；
• 2026 —：Agent 基建化——托管、定时调度、跨会话持久记忆、受管沙箱成为常态。

📌

三、MCP 深挖：给 Agent 一双标准化的"手"

3.1 它解决什么问题：N×M 集成爆炸

在 MCP 出现之前，N 个 AI 应用 × M 个工具/数据源，需要维护 N×M 条定制对接：每个应用都要单独写一遍 GitHub 集成、再写一遍 Slack 集成、再写一遍数据库连接……

MCP 的做法是定义一个统一接口：工具方实现一次 MCP Server，任何支持 MCP 的客户端都能直接使用。集成复杂度从 N×M 降为 N+M，这就是它被称为"AI 的 USB-C"的根本原因。

3.2 架构与消息模型

┌────────────────── Host（宿主应用：Claude Desktop / IDE / Agent 框架）──────────────────┐
│ ┌──────────── Client（连接器，1:1）────────────┐ ┌── Client ──┐ │
│ │ JSON-RPC 2.0 消息（stdio / Streamable HTTP） │ │ │ │
│ └─────────────────────┬───────────────────────┘ └─────┬──────┘ │
└──────────────────────────────┼────────────────────────────────┼───────────────────────┘
┌──────────▼──────────┐ ┌────────────▼────────────┐
│ MCP Server A │ │ MCP Server B │
│ Tools / Resources / │ │ （GitHub、数据库、……） │
│ Prompts │ └─────────────────────────┘
└─────────────────────┘

• Host：宿主应用，管理多个 Client 连接；
• Client：Host 内部的连接器，与某个 Server 建立 1:1 连接；
• Server：暴露能力的进程，提供三类原语——Tools（可执行动作）、Resources（可读取的数据）、Prompts（可复用提示词模板）；
• 消息协议：JSON-RPC 2.0；传输层支持本地进程间通信（stdio）和远程流式 HTTP。

3.3 最小可运行示例

一个最小的 MCP Server（官方 Python SDK 的 FastMCP 接口）：

# server.py：一个最小的 MCP Server
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("weather")

@mcp.tool()
def get_weather(city: str) –> str:
"""查询指定城市的当前天气。"""
# 生产环境请替换为真实天气 API，并做好超时与容错
return f"{city}：晴，26℃"

if __name__ == "__main__":
# stdio 传输：由 Host 拉起本进程，通过标准输入输出通信
mcp.run(transport="stdio")

客户端配置（Claude Desktop / Claude Code 等）：

{
"mcpServers": {
"weather": {
"command": "python",
"args": ["server.py"]
}
}
}

运行流程：模型看到 get_weather 的工具描述后，返回一个"调用意图"（tool_use），由 Host 中的 Client 实际执行工具，把结果回传给模型，模型再基于结果组织回答。

⚠️ 关键安全边界：模型本身从不执行任何函数——它只"请求"，你的代码才"执行"。因此鉴权、限流、权限最小化等所有安全护栏，都必须建在"你的代码"这一侧。这在生产环境中是必须遵守的原则，而不是可选项。

3.4 规范版本演进（时效性标注）

MCP 规范采用日期版本号，演进很快，生产项目务必锁定版本：

四、A2A 深挖：给 Agent 一群标准化的"同事"

4.1 它解决什么问题

MCP 解决的是模型怎么够到工具（纵向）；但跨团队、跨系统、跨厂商的 Agent 之间怎么协作？A2A 回答的是这个问题（横向）——让 Agent 互相发现能力、鉴权、委托任务，并跟踪任务进展。

4.2 核心机制

• Agent Card：JSON 格式的"能力简历"，描述 Agent 能做什么、怎么认证、端点在哪儿，用于能力发现；
• 任务生命周期：任务在 Agent 间流转，状态机包括 submitted → working → input-required → completed / failed 等，双方可实时跟踪；
• 传输：HTTP + JSON，支持流式事件推送（长任务场景）。

4.3 MCP vs A2A 对比表

💡 一句话记忆：MCP 给 Agent 一双标准化的"手"，A2A 给 Agent 一群标准化的"同事"。 二者不是竞争关系，而是分工关系。

五、2025—2026：两条协议殊途同归，Agent 走向基建化

5.1 协议中立化：不再是一家公司的私有标准

• MCP：2025-12-09 由 Anthropic 捐赠给 AAIF（Anthropic、Block、OpenAI 共同创立，Google、Microsoft、AWS 等支持）；
• A2A：2025-06-23 由 Google 捐赠给 Linux Foundation，2026-08 并入 AAIF。

至此，"模型 ↔ 工具"和"Agent ↔ Agent"两层标准同属开放治理体系。一个由单一厂商发起、却被直接竞对采纳并共同治理的协议，在历史上并不多见——原因是：大家都维护私有集成，对谁都没好处。

5.2 别混淆：Agent Skills ≠ MCP

一个常见误区是把 Skills 当成 MCP 的替代品。二者的分工是：

• MCP 连接 Agent 与外部世界（工具、数据、系统）；
• Skills 教会 Agent 怎么做一件事（流程、规范、检查清单），且是纯 Markdown，业务负责人就能维护。

两者配合使用，不是二选一。

5.3 Agent 基建化：从"演示"到"生产"

2026 年的标志性变化是 Agent 不再只是交互式演示：托管服务、定时调度、跨会话持久记忆、受管沙箱成为标配——"每晚自动运行、早上汇报结果"的 Agent 已是常态。这也意味着：协议（怎么连）已经基本标准化，接下来竞争的主战场是编排、可观测性和安全治理。

六、对开发者的三点启示

七、结语

回顾 2022—2026，演进的主线非常清晰：先是让模型"会聊"（LLM），再是"会读"（RAG）、“会做”（Function Calling），然后是"会规划"（推理模型），最后是把这一切标准化（MCP、A2A）并基础设施化（托管 Agent）。

对工程师而言，理解这条线比追逐某个新名词重要得多——因为它决定了：当一个新的"XX 协议"出现时，你是被概念绕晕，还是能一眼看出它补的是哪个环节的零件。

你正在用 MCP 接入哪些工具？踩过什么坑？欢迎在评论区交流，也别忘了收藏备用。 👇

参考来源（官方与一手资料）：

• Model Context Protocol 官方规范与变更日志：https://modelcontextprotocol.io
• Introducing the Model Context Protocol（Anthropic）：https://www.anthropic.com/news/model-context-protocol
• Agent2Agent (A2A) Protocol 官方：https://a2a-protocol.org
• A2A Protocol Surpasses 150 Organizations（Linux Foundation）：https://www.linuxfoundation.org/press/a2a-protocol-surpasses-150-organizations-lands-in-major-cloud-platforms-and-sees-enterprise-production-use-in-first-year
• OpenAI Function Calling / Responses API 公告：https://openai.com/news
• Introducing computer use（Anthropic）：https://www.anthropic.com/news/3-5-models-and-computer-use
• Donating the Model Context Protocol（AAIF 成立）：https://www.anthropic.com/news/donating-model-context-protocol
• 工具使用与 Agent 协议时间线（按官方一手来源整理）：https://hidekazu-konishi.com/entry/tool_use_and_agent_protocol_history_and_timeline.html