作者: Phodal Huang 2026年3月3日 12:01

PS：就着最近的研究，我想大概写一篇今年的趋势

过去几年，DevOps 工具链越来越复杂：CI/CD、Issue、测试、文档、PR、IDE……每一个环节都像一个独立角色。如今，AI 正在重塑这一切，让工具不再只是被动执行脚本，而是能自主行动的 Coding Agent。

借助 A2A、ACP、MCP 和 Skill，我们可以把散落在工具链里的能力统一标准化、可调度、可追踪，让平台工程成为真正的 Agent 网络 。每个 Agent 各司其职、互相协作，形成可演进、可治理的整体系统。

这不是单体 AI 助手的简单叠加，而是一场 平台工程的新范式升级——2026 年，智能 Agent 的网络化协作将成为企业 DevOps 的核心趋势。

一、平台工程的碎片化困境与演进

1.1 Agent 孤岛化趋势

根据 2025 年 Platform Engineering Survey，78% 的企业在过去 18 个月内引入了至少 3 种不同 AI Agent，但仅 23% 实现了工具间有效协作。DevOps 工具链的每个环节都在长出自己的 Agent：

平台/厂商	Agent	能力范围	市场占有率
GitLab	Duo Agent Platform	CI/CD 编排、代码审查、安全扫描、Issue 自动处理	34%
GitHub	Copilot Coding Agent	PR 自动创建、代码实现、Issue 修复	67%
Cursor/Claude Code	编码 Agent	编辑器内全栈编码、终端自主编程	28%
Kubernetes	K8sGPT/Copilot	集群诊断、资源优化、故障自愈	19%
DataDog/New Relic	AIOps Agent	监控告警、根因分析、性能调优	42%
PagerDuty/Splunk	运维 Agent	事件响应、自动化运维、容量规划	25%
Vercel/Netlify	部署 Agent	自动部署、预览环境、回滚	31%

虽然每个 Agent 都在“帮你搞定一切”，但现实是：没有一个 Agent 能覆盖全流程——CI/CD、代码、部署、监控、业务逻辑各自孤立。企业因此付出 成本激增、效率悖论、技能债务的代价：

• 平均每个 Agent $50-200/月/用户，40% 预算浪费
• 工具切换和上下文丢失延长整体交付周期 25%
• 开发者需掌握 6-8 种交互模式，认知负荷高

问题本质：当平台工程每个环节都是 Agent，谁来统一编排它们？

1.2 从需求到交付的 AI 演进阶段

平台工程 AI 化不是一步到位，而是经历了 0 → 4 阶段的演进：

阶段	特征	典型工具/Agent	核心问题
0：需求分析与规划（传统阶段）	人工收集需求、评估工期、跨团队沟通	Jira、Confluence、架构文档	需求变更频繁（40%）、工期预估误差大（50-200%）、沟通链条长
1：脚本自动化（2015-2020）	人写脚本，机器按序执行	Jenkins Pipeline、GitLab CI、Terraform	YAML 地狱、异常处理差、新场景需重写脚本
2：单点 AI 助手（2022-2023）	AI 提供建议，人工执行	Copilot、ChatGPT、Tabnine	AI 仅建议、上下文需复制粘贴、无法跟踪任务
3：自主 Coding Agent（2024-2025）	AI 可读写文件、自主决策、提交代码	Cursor/Claude Code、Devin、OpenCode	单 Agent 能力有限、多 Agent 不互通、缺乏协作机制
4：Agent 网络/联邦（2025-）	多 Agent 分工协作，统一协议层，编排引擎调度全局	Google A2A 生态、Agent Teams、Intent	协议标准化、任务分解调度、容错与同步

我们正处在阶段 3 → 4 的过渡期。协议是基础设施，编排是核心能力。谁先建立有效的 Agent 编排体系，谁就能在下一代平台工程中占据先机。

三、协议：连接 Agent 孤岛的三层标准

要让 Agent 互通，需要三层协议解决不同层次的问题：

协议	解决问题	类比	主导
A2A (Agent-to-Agent Protocol)	跨平台 Agent 发现与协作	互联网 HTTP — Agent 间怎么对话？	Google (2025.04)、Microsoft、Anthropic、LangChain 支持
ACP (Agent Client Protocol)	Coding Agent 进程生命周期管理	操作系统进程管理 — Agent 怎么启动/运行/停止？	JetBrains + Zed (2025.10)
MCP (Model Context Protocol)	AI 获取工具与上下文	USB 接口 — Agent 怎么插入新能力？	Anthropic (2024.11)，Linux Foundation 托管

3.1 MCP：Agent 的能力插座

Model Context Protocol (MCP) 由 Anthropic 于 2024 年 11 月发布，由 Linux Foundation 托管。

核心问题：AI 如何标准化地调用工具？

MCP 统一了不同 AI 客户端的工具调用接口（Claude 的 tool_use、OpenAI 的 function_calling 等），提供：

• Tools：可调用函数（create_file、run_command、search…）
• Resources：可读取的数据源（文件系统、数据库、API 响应）
• Prompts：可复用的提示模板（代码审查、重构指南）

价值：一个 MCP Server，可被所有支持 MCP 的 Agent 使用，实现工具共享。

编排视角：

MCP 是能力插座，可注入协作工具，例如：

• create_agent — 创建子 Agent
• delegate_task_to_agent — 委派任务
• send_message_to_agent — Agent 间通信
• report_to_parent — 向上级汇报

这些操作本身就是 MCP Tools，任何支持 MCP 的 Agent 都可调用。

3.2 ACP：Agent 的进程管理器

Agent Client Protocol (ACP) 由 JetBrains 和 Zed 于 2025 年 10 月发布。

核心问题：IDE 如何统一管理 Coding Agent 生命周期？

ACP 定义 JSON-RPC 协议，包括：

• initialize — 能力协商，声明支持 features
• session/new — 创建新会话，传入初始 prompt
• session/prompt — 发送后续消息
• session/update — 流式推送执行进度（SSE）
• session/cancel — 取消当前执行

价值：任何 Coding Agent 可在任意 ACP 支持的 IDE 中运行，实现跨 IDE 使用。

编排视角：

ACP 是进程管理器，编排引擎可通过 ACP：

1. 启动不同 Agent（Claude 做规划、OpenCode 做实现）
2. 管理会话状态，跟踪执行进度
3. 按需调度任务（强模型处理复杂任务，廉价模型处理重复任务）

3.3 A2A：Agent 的互联网

Agent-to-Agent Protocol (A2A) 由 Google 于 2025 年 4 月发布，Microsoft、Anthropic、LangChain 等支持。

核心问题：跨平台 Agent 如何发现与协作？

MCP 解决工具调用，ACP 解决进程管理，但都局限在单一平台。A2A 提供跨平台能力，包括：

• AgentCard — 能力声明（类似 OpenAPI）
• Skill — 擅长的任务类型（code-review、test-generation）
• Task — 任务状态流（submitted → working → completed）

价值：Agent 可跨平台协作，编排系统能：

• 发现 GitLab 安全 Agent
• 委派任务给 GitHub Coding Agent
• 接收 Vercel 部署 Agent 的完成通知

3.4 Skill：Agent 的能力简历

Skill 不是独立协议，而是 A2A 和 Coding Agent 系统的子概念，用于结构化描述 Agent 能力：

• A2A Skill：对外宣告能力，让其他 Agent 知道“我能做什么”
• 内部 Skill：Agent 的角色指令与行为边界

示例文件（.agents/skills/frontend-design.md）：

name: "Frontend Design"
description: "Implements UI components following design system"
tags: [ "frontend", "react", "design-system" ]
---
## Instructions
You are a frontend specialist. When implementing UI:
  1. Follow /src/design design system
  2. Use TypeScript with strict mode
  3. Write Storybook stories
  4. Ensure accessibility (WCAG 2.1 AA)

编排视角：Skill 是能力简历，编排引擎根据 Skill 匹配任务：

• 前端任务 → 匹配 frontend-design Skill 的 Agent
• 安全审查 → 匹配 security-review Skill 的 Agent
• API 设计 → 匹配 api-design Skill 的 Agent 明白了，你的意思是：Workspace Agent 并不是单进程独立做任务，而是一个宏观协调的 ACP Agent，通过内置逻辑管理其它 ACP Agent（比如 Claude、OpenCode 等）完成子任务。也就是说，Workspace Agent 是“微编排器”，把 ACP Agent 当作可调度的执行单元，而不是自己执行具体代码。

四、两种编排模式：外部编排 vs Workspace Agent

协议让 Agent 能互通，但“能互通 ≠ 会协作”。真正的挑战是如何编排——谁来调度、谁来分配、谁来跟踪任务执行。

4.1 两种主流模式概览

维度	外部编排（Orchestrator + ACP Agent）	Workspace Agent（原生 ACP 宏观协调）
核心架构	Orchestrator + 多 ACP 子进程	单个 Workspace Agent 管理子 ACP Agent
Agent 进程	每个子任务独立 ACP Agent	Workspace Agent + 可调度 ACP Agent
通信机制	ACP JSON-RPC / EventBus	内部调度 + ACP Tools
状态管理	外部持久化（DB + EventBus）	Workspace Agent 内部管理子 Agent 状态
适用场景	复杂企业流程、多团队协作	快速原型、轻量级任务宏观协调
典型实现	Routa Orchestrator、Agent Teams	Intent Workspace Agent

4.2 外部编排（ACP 进程模式）

核心思想：编排引擎在外部，Coding Agent 是被调度的执行单元。

用户需求："实现用户登录功能"
            ↓
       ┌───────────────┐
       │  Coordinator  │  规划、拆解（ACP #1）
       └───────┬───────┘
               ↓ create_agent / delegate
   ┌───────────┼───────────┐
   ↓           ↓           ↓
┌──────┐   ┌──────┐   ┌──────┐
│ API  │   │ 前端 │   │ 测试 │
└───┬──┘   └───┬──┘   └───┬──┘
    ↓           ↓           ↓
  Crafter     Crafter     Crafter
 (ACP #2)   (ACP #3)   (ACP #4)
    │           │           │
    └───────────┼───────────┘
                ↓ report_to_parent
         ┌───────────────┐
         │   EventBus    │  状态同步、依赖检查
         └───────────────┘

工作流程：

1. Orchestrator 接收任务 → 启动 Coordinator ACP Agent
2. Coordinator 拆解任务 → 调用 MCP Tools 创建子任务
3. 子任务启动独立 ACP Agent（Claude、OpenCode 等）
4. 子 Agent 执行 → 调用 report_to_parent 上报结果
5. Orchestrator 根据依赖图触发下游任务

4.3 Workspace Agent（ACP 宏观协调模式）

核心思想：Workspace Agent 是一个宏观协调者 ACP Agent，管理多个子 ACP Agent 来完成复杂任务，而不是自己执行具体代码。它内置“Agentic Loop”逻辑，用于任务拆解、调度、监控与依赖管理。

用户需求："实现用户登录功能"
            ↓
     ┌─────────────────────┐
     │   Workspace Agent   │  (ACP 宏观协调)
     └─────────┬───────────┘
               ↓ create_agent / delegate
    ┌───────────┼───────────┐
    ↓           ↓           ↓
┌──────┐   ┌──────┐   ┌──────┐
│ ACP  │   │ ACP  │   │ ACP  │
│ API  │   │ 前端 │   │ 测试 │
└──────┘   └──────┘   └──────┘

工作流程：

1. Workspace Agent 接收任务 → 拆解子任务
2. 调度不同 ACP Agent 执行子任务
3. 通过 MCP Tools 管理 Agent 间通信、任务委派、状态上报
4. 监控子任务执行 → 汇总结果 → 输出整体执行状态

多 Agent 编排模式对比

维度	外部编排（ACP 进程模式）	Workspace Agent（宏观 ACP Agent）
架构	Orchestrator + 多 ACP 子进程	Workspace Agent 管理多个 ACP Agent
通信	ACP JSON-RPC / EventBus	内部调度 + MCP Tools
状态管理	外部持久化（DB / EventBus）	内部统一管理子 Agent 状态
任务拆解	Orchestrator / Coordinator 拆解	Workspace Agent 内置拆解逻辑
优势	Provider 可插拔，进程隔离，可审计，可扩展	宏观调度多 Agent，Provider 可插拔，状态统一，可灵活处理复杂任务
劣势	进程开销高，通信延迟，系统复杂	单点崩溃风险，内部逻辑复杂，长任务需合理切分
适用场景	多团队协作、复杂任务、状态持久化	快速原型、轻量任务、Workspace 宏观协调

五、实践参考：Routa 编排架构

基于上述两种模式，Routa 实现了一个多 Agent 编排平台，采用外部编排 + Workspace Agent 混合模式：

┌─────────────────────────────────────────────────────────────┐
│                      协议网关层                               │
│   A2A（联邦）· MCP（工具）· ACP（进程）· REST（管理）           │
└─────────────────────────┬───────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────────────┐
│   编排引擎层：Orchestrator · EventBus · Skill Matcher        │
└─────────────────────────┬───────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────────────┐
│   状态管理层：Tasks · Agents · Notes · Traces                │
└─────────────────────────┬───────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────────────┐
│   ACP Process Manager：spawn / prompt / cancel / subscribe  │
└─────────────────────────┬───────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────────────┐
│   Coding Agent 层：Claude Code · OpenCode · Gemini · Codex  │
└─────────────────────────────────────────────────────────────┘

核心设计：

组件	职责	对应第四部分
Orchestrator	任务拆解、依赖管理、Agent 调度	外部编排引擎
EventBus	事件驱动通信、report_to_parent 处理	通信与同步
Skill Matcher	根据任务特征匹配 Agent	Agent 选型与调度
ACP Process Manager	管理 Coding Agent 生命周期	ACP 进程模式
Workspace Agent	宏观协调子 Agent（可选模式）	Workspace Agent

角色分工：

角色	职责	边界	典型 Provider
Coordinator	规划、拆解、汇总	不直接写代码	Claude (smart)
Implementor	按任务实现功能	不扩大任务范围	OpenCode (fast)
Verifier	验收、审查	不修改代码	Claude (smart)

实践要点：

1. 协议融合：A2A / MCP / ACP 统一接入，外部系统通过 Webhook 或 A2A 触发任务
2. Provider 可插拔：同一角色可用不同 Coding Agent，运行时可切换
3. 事件驱动：所有状态变更通过 EventBus 传递，支持异步协作
4. Skill 定义：通过 Markdown + YAML frontmatter 定义角色指令与行为边界

六、总结：万物皆 Coding Agent

当每个 DevOps 环节都长出自己的 Agent，孤岛化问题显而易见：工具多、重复多、效率低。协议（MCP、ACP、A2A）打通了能力接口、进程管理和跨平台协作，为 Agent 网络铺路。

但协议只是道路，编排才是交通系统。通过任务拆解、Agent 调度、事件同步和状态管理，零散的 Agent 被组织成链条：规划者规划，实现者实现，验证者验收，每个角色都有 Skill 明确能力边界。

多 Agent 编排让平台工程不再是工具的集合，而是可调度、可追踪、可演进的智能体网络。单体 AI 助手只是工具，而真正的升级，是整个网络协作——这就是新范式下的“万物皆 Coding Agent”。

附录：相关资源

• MCP 官方文档：https://modelcontextprotocol.io/_
• ACP 协议说明：https://zed.dev/acp_
• A2A 协议发布：https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/_
• Routa 开源项目：https://github.com/phodal/routa-js_

参考文献

• [1] Platform Engineering Survey 2025. (2025). State of Platform Engineering Report. Platform Engineering Foundation. https://platformengineering.org/survey-2025
• [2] McKinsey & Company. (2025). The Economic Impact of AI Agent Fragmentation. McKinsey Global Institute. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/ai-agent-fragmentation-report
• [3] Gartner Research. (2025). Platform Engineering Efficiency Paradox: When More Tools Mean Less Productivity. Gartner
• Inc. https://www.gartner.com/en/documents/platform-engineering-efficiency-paradox
• [4] Stack Overflow. (2025). Developer Experience Survey: The Cognitive Load of Multi-Agent Workflows. Stack Overflow Insights. https://insights.stackoverflow.com/survey/2025/developer-experience
• [5] Standish Group. (2024). CHAOS Report 2024: Requirements Volatility in Agile Development. The Standish Group International. https://www.standishgroup.com/sample_research_files/CHAOSReport2024.pdf
• [6] IEEE Software Engineering Institute. (2024). Software Estimation Accuracy: A 20-Year Retrospective. Carnegie Mellon University. https://resources.sei.cmu.edu/library/asset-view.cfm?assetid=software-estimation-accuracy-2024