AI Agent 到底是什么？一篇文章搞懂 Agent、MCP、A2A、RAG 和多智能体

最近两年，只要关注 AI，基本都绕不开一个词：AI Agent。但当你真正开始了解 Agent，就会发现这个领域的名词特别多。本文不讲太复杂的理论，而是尽量用通俗的方式，把 AI Agent 领域常见的概念一次讲清楚。

目录

• 前言
• 一、AI Agent 到底是什么？
• 二、大模型不等于 Agent
• 三、Chatbot、Assistant、Copilot 和 Agent 有什么区别？
• 四、Agent 是怎么完成任务的？
• 五、Planning、Reflection 和 Task Decomposition 是什么？
  • 1. Planning：制定计划
  • 2. Task Decomposition：任务拆解
  • 3. Reflection：反思和检查
• 六、Tool 和 Function Calling 是一回事吗？
  • Tool 是什么？
  • Function Calling 是什么？
• 七、Plugin、Connector 和 Skill 又是什么？
  • Plugin
  • Connector
  • Skill
• 八、RAG 和 Memory 是一回事吗？
  • RAG 是什么？
  • Memory 是什么？
• 九、Workflow 和 Agent 有什么区别？
  • 什么是 Agentic Workflow？
• 十、什么是多智能体？
  • 常见的 Agent 角色
  • Handoff 是什么？
  • Agent-as-a-Tool 是什么？
  • 多智能体一定更强吗？
• 十一、MCP 到底是什么？
  • Tools
  • Resources
  • Prompts
• 十二、A2A 和 MCP 有什么区别？
• 十三、AG-UI、A2UI、UCP 和 AP2 是什么？
  • AG-UI
  • A2UI
  • UCP
  • AP2
• 十四、Agent 为什么需要安全控制？
  • Prompt Injection
  • Guardrails
  • Human-in-the-loop
• 参考资料

---

前言

最近只要关注 AI，基本绕不开一个词：AI Agent。

但当你真正开始了解 Agent，就会发现这个领域的名词特别多：

• Agent 和普通聊天机器人有什么区别？
• Workflow 和 Agentic Workflow 是什么？
• Tool、Function Calling、Plugin、Skill 又有什么不同？
• RAG 算不算记忆？
• MCP 和 A2A 分别是干什么的？
• 一个 Agent 不够，为什么还要搞多智能体？

这些名词单独看都不难，难的是它们经常混在一起出现。

所以这篇文章不讲太复杂的理论，而是尽量用通俗的方式，把 AI Agent 领域常见的概念一次讲清楚。

---

一、AI Agent 到底是什么？

先给出一个简单定义：

AI Agent 是一个能够理解目标、制定计划、调用工具、观察结果，并根据执行情况继续调整行动的 AI 系统。

普通聊天机器人更像一个“知识顾问”。

你问：

北京今天天气怎么样？

它可能根据已有知识回答，也可能告诉你自己不知道实时天气。

而一个具备工具调用能力的 Agent，会尝试：

1. 判断你想查询实时天气；
2. 调用天气查询工具；
3. 获取北京当天的天气；
4. 整理成自然语言；
5. 把结果告诉你。

如果任务更加复杂，例如：

帮我制定一个北京三日游计划。

Agent 可能会继续执行：

1. 查询天气；
2. 搜索景点；
3. 计算景点之间的距离；
4. 根据开放时间安排行程；
5. 查询附近酒店；
6. 生成完整的旅行计划。

所以，Agent 和普通聊天机器人的核心区别是：

聊天机器人主要负责“回答”，Agent 还会主动“做事”。

---

二、大模型不等于 Agent

很多人会直接把大模型叫作 Agent，其实并不准确。

大模型更像 Agent 的“大脑”，负责：

• 理解自然语言；
• 分析问题；
• 进行推理；
• 生成内容；
• 决定下一步行动。

但只有大脑还不够。

一个比较完整的 Agent 通常还需要：

AI Agent
├── 模型：负责理解、推理和决策
├── 指令：告诉 Agent 应该做什么
├── 上下文：提供当前任务信息
├── 记忆：保存历史信息和任务状态
├── 工具：查询数据或者执行操作
├── 执行循环：不断规划、行动和检查
└── 安全控制：限制权限并管理风险

我们可以把它理解成：

• 大模型是大脑；
• Prompt 是岗位说明书；
• Memory 是记忆；
• Tool 是双手；
• Agent Loop 是工作流程；
• Guardrails 是公司的规章制度；
• Human-in-the-loop 是负责审批的人。

这些部分组合起来，才是一个真正能够工作的 Agent 系统。

---

三、Chatbot、Assistant、Copilot 和 Agent 有什么区别？

这几个词非常容易混淆。

名词	通俗理解	谁主导任务
Chatbot	和你聊天、回答问题	用户
AI Assistant	帮你搜索、写作和整理信息	用户
Copilot	在你工作时提供建议和辅助	用户
AI Agent	根据目标自主选择步骤并执行	AI 与用户共同控制
Autonomous Agent	可以较长时间独立工作	主要由 AI 执行

例如写代码：

• Chatbot：告诉你一个排序算法应该怎么写；
• Assistant：根据要求生成一段排序代码；
• Copilot：在 IDE 中根据上下文补全代码；
• Agent：读取项目、定位问题、修改代码、运行测试，再根据报错继续修复。

当然，这几个概念之间没有绝对的分界线。

现在很多产品虽然名字叫 Assistant 或者 Copilot，实际上已经具备了相当强的 Agent 能力。所以，不要只看产品叫什么，更应该看它能不能自主规划和采取行动。

---

四、Agent 是怎么完成任务的？

Agent 通常会按照一个循环来工作：

理解目标
  ↓
制定计划
  ↓
选择工具
  ↓
执行操作
  ↓
观察结果
  ↓
检查是否成功
  ↓
继续执行或者结束

这个循环一般叫作 Agent Loop。

举个例子。假设我们让 Agent 完成下面的任务：

帮我分析最近一个月的网站访问数据，并生成一份报告。

Agent 可能会这样执行：

思考：我需要先找到网站数据
行动：读取数据文件
观察：文件包含访问量、来源和转化率

思考：需要清洗异常值
行动：执行数据清洗脚本
观察：发现两天的数据存在重复记录

思考：修复重复数据后进行分析
行动：计算各渠道的访问量和转化率
观察：搜索渠道流量增长，但转化率下降

思考：需要制作图表
行动：生成趋势图和渠道对比图

思考：数据和图表已经齐全
行动：生成最终分析报告

这种“思考—行动—观察—继续思考”的模式，经常被称为 ReAct，也就是 Reasoning 加 Acting。

---

五、Planning、Reflection 和 Task Decomposition 是什么？

1. Planning：制定计划

Planning 就是让 Agent 在执行任务前先想一想：

• 这个任务要分几步？
• 应该先做什么？
• 需要使用哪些工具？
• 哪些步骤可以同时执行？
• 什么结果才算完成？

复杂任务如果没有计划，Agent 很容易做到一半才发现缺少数据，或者重复执行某些步骤。

2. Task Decomposition：任务拆解

Task Decomposition 就是把一个大任务拆成几个小任务。

例如：

调研新能源汽车行业并生成报告。

可以拆成：

1. 明确调研范围；
2. 搜索市场数据；
3. 整理主要企业；
4. 分析行业趋势；
5. 对比核心产品；
6. 生成图表；
7. 编写报告；
8. 检查引用来源。

拆解之后，每个小任务都更容易执行和验证。

3. Reflection：反思和检查

Reflection 可以理解为 Agent 的“回头看”。

Agent 完成一部分工作后，会检查：

• 结果是否符合要求？
• 数据有没有遗漏？
• 工具调用是否失败？
• 不同来源之间是否存在冲突？
• 有没有必要重新执行？

不过需要注意，模型的自我检查并不总是可靠。

对于数据、代码、医疗、财务等重要任务，最好还是使用外部验证工具、自动化测试或者人工审核。

---

六、Tool 和 Function Calling 是一回事吗？

不是一回事，但它们关系很紧密。

Tool 是什么？

Tool 就是 Agent 能够使用的外部能力，比如：

• 搜索网页；
• 查询天气；
• 读取文件；
• 操作数据库；
• 发送邮件；
• 创建日程；
• 运行 Python 代码；
• 修改代码仓库。

Function Calling 是什么？

Function Calling 是模型请求调用工具的一种机制。

比如我们定义一个天气查询函数：

{
  "name": "get_weather",
  "description": "查询指定城市的实时天气",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称"
      }
    },
    "required": ["city"]
  }
}

当用户问：

上海今天热不热？

模型不会自己查询天气，而是生成一个结构化请求：

{
  "name": "get_weather",
  "arguments": {
    "city": "上海"
  }
}

然后，由外部程序真正调用天气接口，再把结果交给模型。

所以可以这样理解：

Tool 是具体能力，Function Calling 是调用这个能力的方式。

---

七、Plugin、Connector 和 Skill 又是什么？

这几个概念也很容易混在一起。

Plugin

Plugin 一般是针对某个平台安装的扩展包。

一个 Plugin 里面可能同时包含：

• 工具；
• API 连接；
• 身份认证；
• Prompt；
• Skill；
• 配置文件；
• 用户界面。

所以 Plugin 更像一个完整的“扩展安装包”。

Connector

Connector 主要负责连接外部系统。

例如：

• GitHub Connector；
• Gmail Connector；
• Notion Connector；
• 数据库 Connector。

它解决的是“Agent 怎么安全地访问这个系统”。

Skill

Skill 更像一份“专业工作手册”。

它不只是提供工具，还会告诉 Agent：

• 应该按照什么步骤完成任务；
• 什么时候使用哪个工具；
• 输出应该采用什么格式；
• 如何进行质量检查；
• 遇到异常应该怎么处理。

比如“论文审查 Skill”可能会要求 Agent：

1. 提取论文研究问题；
2. 分析实验方法；
3. 检查数据是否充分；
4. 评价创新性；
5. 按照固定格式输出审稿意见。

可以用一句话总结：

Tool：能够做什么
Function Calling：怎么调用
Connector：怎么连接外部系统
Skill：怎样把事情做好
Plugin：怎样把这些能力打包安装

---

八、RAG 和 Memory 是一回事吗？

不是。

RAG 是什么？

RAG 全称是 Retrieval-Augmented Generation，也就是检索增强生成。

它的过程通常是：

用户提出问题
  ↓
从知识库中搜索相关内容
  ↓
把搜索结果放进上下文
  ↓
让模型根据资料生成答案

例如，你问公司内部 Agent：

我们的年假可以跨年使用吗？

Agent 先从公司制度中找到年假规定，再根据制度回答，而不是只依赖模型原来的知识。

所以，RAG 更像是“查资料”。

Memory 是什么？

Memory 是 Agent 保存过去信息的能力。

常见的记忆包括：

• 短期记忆：当前对话中发生的事情；
• 工作记忆：当前任务正在使用的数据；
• 长期记忆：跨会话保存的信息；
• 语义记忆：事实、知识和用户偏好；
• 情景记忆：以前发生过的事件；
• 程序记忆：完成某类任务的方法。

比如 Agent 记住：

• 你喜欢简洁的回答；
• 你常用 Python；
• 你正在开发某个项目；
• 上一次任务执行到了哪里。

这才更接近 Memory。

简单来说：

RAG 负责“需要的时候去查”，Memory 负责“把过去的信息保存下来”。

---

九、Workflow 和 Agent 有什么区别？

Workflow 就是工作流。

例如：

读取文件 → 提取正文 → 生成摘要 → 保存结果

这几个步骤是程序提前写好的。无论输入是什么，基本都会按照相同顺序执行。

Agent 则不一样。Agent 可以根据实际情况决定下一步：

读取文件
  ↓
判断文件类型
  ├── PDF：调用 PDF 解析工具
  ├── Word：调用文档读取工具
  └── 图片：调用 OCR 工具
  ↓
检查内容是否完整
  ↓
决定是否需要补充搜索
  ↓
生成摘要

两者最核心的区别是：

Workflow 由程序提前决定执行路径，Agent 由模型根据情况动态决定执行路径。

什么是 Agentic Workflow？

Agentic Workflow 就是在固定工作流中加入一部分 Agent 决策。

例如：

固定接收用户申请
  ↓
AI 判断申请类型
  ↓
选择对应处理流程
  ↓
固定进行风险检查
  ↓
高风险任务交给人工审批

很多企业系统并不是完全自主的 Agent，而是这种“固定流程加局部智能判断”的形式。

因为它既保留了一定灵活性，又比完全自主的 Agent 更容易控制。

---

十、什么是多智能体？

Multi-Agent，也就是多智能体，是让多个 Agent 分工合作。

比如写一份行业报告，可以安排：

管理 Agent
├── 搜索 Agent：负责收集资料
├── 数据 Agent：负责分析数据
├── 写作 Agent：负责生成文章
└── 审核 Agent：负责检查内容

常见的 Agent 角色

• Supervisor Agent：负责管理和分配任务；
• Router Agent：负责判断任务应该交给谁；
• Planner Agent：负责制定计划；
• Executor Agent：负责执行具体任务；
• Specialist Agent：负责某个专业领域；
• Reviewer Agent：负责检查结果；
• Subagent：由主 Agent 派出去执行子任务的 Agent。

Handoff 是什么？

Handoff 就是“移交控制权”。

例如，一个通用客服 Agent 发现用户咨询的是退款问题，于是把整个对话交给退款 Agent。接下来，由退款 Agent 继续和用户沟通。

Agent-as-a-Tool 是什么？

Agent-as-a-Tool 是把另一个 Agent 当作工具使用。

比如主 Agent 让数据分析 Agent 计算某个指标。数据分析 Agent 完成后，把结果返回给主 Agent，但不会接管整个任务。

两者的区别是：

• Handoff 会转移控制权；
• Agent-as-a-Tool 不会转移控制权。

多智能体一定更强吗？

不一定。

多智能体会带来额外的问题：

• 调用次数更多；
• 成本更高；
• 执行速度更慢；
• 信息传递可能丢失；
• 多个 Agent 可能互相矛盾；
• 调试起来更加困难。

所以，不要为了“看起来高级”就强行使用多智能体。

如果一个 Agent 加几个工具能够完成任务，就没有必要安排五六个 Agent 开会。

---

十一、MCP 到底是什么？

MCP 全称是 Model Context Protocol，中文一般叫模型上下文协议。

简单理解：

MCP 是一套让 AI 应用连接外部数据和工具的标准协议。

它有点像 AI 应用领域的 USB 接口。

以前，每接入一个数据库、文件系统或者第三方平台，都可能需要单独开发一套连接方式。MCP 希望提供一个比较统一的标准。

MCP 中有三个重要角色：

• MCP Host：用户直接使用的 AI 应用；
• MCP Client：Host 内部负责连接 Server 的组件；
• MCP Server：向 AI 应用提供数据或工具的程序。

MCP Server 主要可以提供三类内容：

Tools

可以执行的操作，例如：

• 查询数据库；
• 创建日程；
• 修改文件；
• 调用 API。

Resources

可以读取的资料，例如：

• 文件内容；
• 数据库结构；
• 产品文档；
• API 返回的数据。

Prompts

预先准备好的 Prompt 模板，例如：

• 生成周报；
• 分析数据库；
• 制定旅行计划。

需要注意：

MCP 不是模型，也不是 Agent，它主要是一种连接标准。

---

十二、A2A 和 MCP 有什么区别？

A2A 全称是 Agent2Agent。

它主要解决的是不同 Agent 之间如何发现彼此、发送消息和交换任务。

例如，一个旅行规划 Agent 需要与下面几个 Agent 协作：

• 航班 Agent；
• 酒店 Agent；
• 天气 Agent；
• 支付 Agent。

这些 Agent 可能来自不同公司，也可能使用不同的开发框架。A2A 希望为它们提供统一的通信方式。

MCP 和 A2A 可以这样区分：

MCP：Agent 连接工具和数据
A2A：Agent 连接其他 Agent

如果把 Agent 比作一名员工：

• MCP 像这名员工使用电脑、数据库和公司软件；
• A2A 像这名员工联系其他部门的同事。

---

十三、AG-UI、A2UI、UCP 和 AP2 是什么？

除了 MCP 和 A2A，Agent 领域还有一些面向特定场景的协议。

AG-UI

AG-UI 主要关注 Agent 与前端界面的通信，例如：

• 实时展示 Agent 正在做什么；
• 显示工具调用状态；
• 更新任务进度；
• 展示中间结果；
• 请求用户确认。

A2UI

A2UI 主要关注 Agent 怎样向客户端描述或生成界面。

Agent 返回的不只是文字，还可能包括：

• 表单；
• 按钮；
• 表格；
• 卡片；
• 交互组件。

UCP

UCP 主要面向商品发现、购物和商业流程。

AP2

AP2 主要关注 Agent 代表用户进行支付时的授权、意图确认和凭证管理。

可以简单记成：

MCP：连接工具和数据
A2A：连接其他 Agent
AG-UI：连接交互前端
A2UI：描述或生成界面
UCP/AP2：参与购物和支付

这些协议通常解决的是不同层面的问题，并不一定是互相竞争的关系。

---

十四、Agent 为什么需要安全控制？

普通聊天模型回答错了，可能只是答案不准确。

但 Agent 如果做错了，可能真的会产生后果，例如：

• 删除文件；
• 修改数据库；
• 发送错误邮件；
• 发布有问题的代码；
• 取消订单；
• 发起支付。

因此，Agent 能力越强，权限管理就越重要。

Prompt Injection

Prompt Injection 就是有人通过恶意文本诱导 Agent 忽略原来的规则。

更加危险的是间接提示注入。恶意指令可能藏在：

• 网页中；
• 邮件中；
• PDF 文档中；
• 数据库字段中；
• 工具返回结果中。

Agent 读取这些内容后，可能把它们误认为需要执行的指令。

Guardrails

Guardrails 可以理解为 Agent 的安全护栏。

常见措施包括：

• 输入内容检查；
• 输出结果验证；
• 敏感信息过滤；
• 工具参数检查；
• 权限控制；
• 限制最大执行次数；
• 失败自动停止；
• 高风险操作人工审批。

Human-in-the-loop

Human-in-the-loop 就是在关键环节让人参与。

例如：

Agent 生成邮件
  ↓
用户确认
  ↓
Agent 正式发送

以下操作通常不应该让 Agent 直接执行：

• 删除重要文件；
• 操作生产数据库；
• 向外部人员发送消息；
• 发布正式内容；
• 进行支付；
• 执行不可逆操作。

安全不能只靠一句“请不要做危险的事情”。真正可靠的 Agent 系统，还需要权限、沙箱、审批、日志和审计机制。

参考资料

• OpenAI：A Practical Guide to Building AI Agents
• OpenAI：New Tools for Building Agents
• Anthropic：Building Effective Agents
• Model Context Protocol 官方文档
• MCP Architecture Overview
• Google：Developer’s Guide to AI Agent Protocols