---
id: ai.agent-design.context-skills-multiagent
title: 上下文工程、Skills、多 Agent 和 A2A
type: lesson
domain: ai
stack: [agent-design]
tags: [上下文工程, Context Engineering, Skills, 多 Agent, Supervisor, Handoff, A2A]
level: advanced
prerequisites: [ai.agent-design.react-planning]
est_hours: 3.5
related: [ai.prompt-engineering.index, ai.mcp.protocol-server, ai.ai-coding.index, ai.agent-design.interview]
week: [11, 13]
order: 2
---

# 上下文工程、Skills、多 Agent 和 A2A

> Skills、A2A 都是 2025 年之后快速发展的概念，规范和各产品的支持情况以官方文档为准。

## 解释说明

### 上下文工程（Context Engineering）

提示词工程关注“怎么写指令”，上下文工程关注**每一次调用时，模型的上下文窗口里放什么**：系统提示词、工具定义、检索结果、对话历史、记忆、工具返回、当前任务状态。Agent 效果不好，很多时候不是模型不行，而是上下文里缺了关键信息，或者塞了太多无关内容。

| 手段 | 说明 |
| --- | --- |
| 选择（Select） | 只放相关的：检索结果精选、按任务挑选工具子集、按需加载技能 |
| 压缩（Compress） | 历史对话摘要、工具结果只保留需要的字段 |
| 隔离（Isolate） | 子任务交给子 Agent，在独立的上下文中完成，只把结论返回 |
| 外部化（Write） | 长期信息写进文件 / 记忆库 / 状态，需要时再读取 |

### Skills（技能）

把某类任务的说明、规范、脚本打包成一个目录（例如 `SKILL.md` + 辅助文件），系统提示词里只放每个技能的**名字和一句话描述**，模型判断需要时再加载全文——这叫**渐进式披露**，可以在不撑爆上下文的前提下给 Agent 很多“专业知识”。Claude Code 等 AI 编程工具已经支持这种形式；团队也可以用它沉淀开发工作流（见 [AI 编程专题](../ai-coding/index.md)）。

### 多 Agent

| 模式 | 做法 | 适合 |
| --- | --- | --- |
| Supervisor（主管） | 一个主 Agent 分派任务给多个专职子 Agent，汇总结果 | 任务可拆分、子任务独立 |
| Handoff（转交） | 当前 Agent 把对话转交给更合适的 Agent | 客服分流（售前 → 售后 → 技术） |
| 流水线 | 固定顺序：研究 → 写作 → 审校 | 内容生产 |

多 Agent 的代价：调用次数多、成本高、Agent 之间信息传递会丢失细节、更难调试。**先用单 Agent + 好的工具，确实需要上下文隔离或专业分工时再拆。**

### A2A（Agent2Agent 协议）

MCP 解决“Agent 怎么调用工具”，A2A 解决“**不同团队 / 不同框架的 Agent 之间怎么协作**”。核心概念：Agent Card（描述 Agent 的能力、地址、鉴权方式）、Task（有状态的任务：已提交、处理中、需要输入、完成、失败等）、Message / Artifact（消息和产出物），基于 HTTP + JSON-RPC，支持流式更新。了解即可，面试时能说清和 MCP 的区别。

## 案例

一个企业助手接入了 40 个工具和 6 份业务规范，系统提示词超过 2 万 token，模型经常选错工具。改造：

1. 规范改成 Skills，系统提示词只保留索引，按需加载；
2. 按意图把工具分组，每次只给相关的 8 个；
3. 报表类任务交给“数据分析子 Agent”，它在自己的上下文里多轮查询，只把结论和图表返回；
4. 长对话超过预算时压缩早期内容。

提示词长度降到 5000 token 左右，工具选择错误明显减少（用评测集验证）。

## 代码示例

[examples/agent-patterns/patterns.py](examples/agent-patterns/patterns.py) 中的 Skills 渐进式加载和上下文预算：

```python
def skills_index(skills):
    """放进系统提示词的只有名字和描述。"""
    return "\n".join(f"- {s.name}: {s.description}" for s in skills)


skill = pick_skill("我上周买的耳机想退款，800 元", skills)   # 真实项目由模型决定加载哪个
context.append(skill.body())                              # 需要时才加载全文


@dataclass
class Context:
    system: str
    budget: int
    keep_recent: int = 4
    ...
    def add(self, role, text):
        self.messages.append((role, text))
        while self.size() > self.budget and len(self.messages) > self.keep_recent:
            old = self.messages[: -self.keep_recent]
            self.messages = self.messages[-self.keep_recent:]
            self.summary = summarize(self.summary, old)        # 早期对话压缩成摘要
```

技能文件示例：[skills/refund-policy/SKILL.md](examples/agent-patterns/skills/refund-policy/SKILL.md)。

## 易错点

- 把所有规范、所有工具都塞进系统提示词。
- 摘要丢失了关键事实（订单号、用户已确认的选择）：摘要要求明确保留哪些信息，并用评测验证。
- 多 Agent 之间只传结论不传依据，出错后无法追溯。
- 为了“看起来高级”上多 Agent，实际效果和成本都不如单 Agent。
- 混淆 MCP 和 A2A：一个是 Agent 与工具，一个是 Agent 与 Agent。

## 面试常问

- 什么是上下文工程？和提示词工程有什么区别？
- 工具很多时怎么办？
- 什么时候需要多 Agent？有什么代价？
- A2A 和 MCP 的区别？