一图看懂AI Agent 五种工具调用

最近有很多做Java和Agent开发的朋友问到：Function Call、MCP、Skill、A2A、沙箱执行，这些词天天见面，到底有什么区别？项目中应该怎样使用？
我画了张对比图

1️⃣ Function Call：用应用程序来调用本地方法
大模型不能直接连接到数据库或者调用内部接口。它会把用户的提问转换成“函数名+JSON参数”的形式，并且交给宿主应用程序来校验权限、调用本地代码。
当应用获取到返回的数据之后，就把结果塞给模型上下文，由模型继续推理并得出最后的答案。这样最省事，和目前项目代码很紧密地联系在一起。

2️⃣ MCP：跨系统的“Type-C万能插座”
每个应用程序都必须重新编写查询数据库、发送企业微信消息、预约快递的服务接口，这样会带来很高的维护成本。
MCP（模型上下文协议）将外部服务封装为独立的标准服务端，并统一对外提供工具（Tools）、资源（Resources）和提示模板（Prompts）。不管是 Spring AI、AgentScope 还是 Claude Code，只要内置了 MCP 客户端，就可以直接使用同一套工具服务。

3️⃣ Agent Skill：给工具配上一本“作业指导书”
当Agent手头上的工具达到几十个的时候，一股脑把它们塞进提示词里既浪费Token又容易使模型走神。
Skill 使用一个 SKILL.md 文件夹来打包业务操作步骤(SOP)、参考文档以及检查脚本。一般情况下，模型只会读取几十个 Token 的技能名称和用途摘要；只有当它命中当前任务的时候才会展开 SKILL.md 全文，并按照“先查单、再核对规则、最后建单”的顺序去调用 Tool 或 MCP。

4️⃣ A2A：跨服务摇人找“专职同事”
MCP是和工具相连的，而A2A（Agent-to-Agent）则是和另外一个可以自主思考的智能体相连的。
当遇到跨部门、跨领域的问题时，主控Agent会读取远程专家的AgentCard（能力名片），然后分发任务目标。远端Agent用自己独立的记忆以及内部私有的工具进行多轮排查，最后只提交一份干净的结果报告，既保护了内部的数据边界，又不会把主控Agent的上下文撑爆。

5️⃣ 沙箱执行：关进笼子里自己造工具
总会有一些长尾的任务（例如清洗一份复杂的CSV报表或者重现一个触发CPU打满的正则代码），事先并没有现成的工具可以使用。
这时可以由 Agent 在现场编写 Python 或 Shell 脚本，并且经过 ALLOW（只读放行）、ASK（人工审批确认）、DENY（高危拦截）三级权限门禁之后，放入 Docker 沙箱中进行隔离执行，同时配合工作区文件快照随时回滚，使 Agent 敢干活又不担心误删宿主机文件。