Agent 工程的难点不在于让模型“调用一次工具”，而在于如何管理上下文、状态、权限、失败恢复、协议边界和人类责任，让系统在真实环境中可控地完成任务。
这个专题解决什么问题
- Tool Calling、MCP、A2A 和 AG-UI 分别解决哪一层问题，如何组合而不是混用。
- 如何设计 Agent 的上下文、记忆、技能、工具、任务状态和执行 Harness。
- 单 Agent、工作流和多 Agent 分别适用于哪些任务，如何控制复杂度。
- 工具超时、重复执行、部分成功和模型幻觉发生时，系统如何恢复与审计。
- 如何保留人工确认、责任边界与验收标准，避免把判断权完全交给模型。
适合哪些读者
适合正在开发智能体应用的后端工程师、AI 应用工程师、平台工程师和架构师，也适合希望从 Agent Demo 走向可观测、可评估、可治理生产系统的团队。
推荐阅读路径
- 先看全链路：点餐 Demo 串联 Agent 应用开发，理解 Tool Calling、MCP、A2A 与 AG-UI 的位置。
- 再看系统化方法：Harness 工程笔记，聚焦上下文管理、技能与执行环境。
- 补齐基础设施：AI Gateway 的边界与评分卡，理解 Agent 背后的模型流量、鉴权和可观测性底座。
- 建立责任边界：当 AI 开始自主进化，普通人最该守住什么？，明确人工验收和长期能力。
关键术语与常见决策
- 协议：Tool Calling、MCP、A2A、AG-UI。
- 上下文：Context Window、Context Engineering、Memory、Skills、Prompt/Policy 分层。
- 执行：Harness、Planner、Executor、Checkpoint、幂等和补偿。
- 治理：权限最小化、工具白名单、人工确认、轨迹记录、评估与回放。
- 关键决策：使用工作流还是自主 Agent、状态存在哪里、哪些动作必须人工批准、失败后从哪里恢复。