企业官网建设流程全解析

一、概念严格对齐（按你的定义）

Skill：封装大模型专有能力+ 上下文交互，形成的专属能力。 本质：模型内生能力，无外部系统调用，依赖 LLM 推理、上下文记忆、提示词编排。

Tool：封装外部系统 / 服务调用，形成的专属能力。 本质：外部资源能力，必须发起网络 / IO 请求，对接 API、数据库、脚本、硬件等。

核心边界

1. 执行主体
   • Skill：大模型自身完成计算、理解、创作、推理
   • Tool：外部服务完成执行，模型只负责发起调用、解析结果
2. 依赖
   • Skill：仅依赖 LLM + 对话上下文 / 提示模板
   • Tool：依赖网络、第三方服务、权限、接口协议（如 MCP）
3. 运行环境
   • Skill：进程内闭环，低延迟、无外网依赖
   • Tool：跨进程 / 跨网络调用，存在可用性、网络、安全风险

二、LangChain 中 Skill 标准实现（模型能力 + 上下文封装）

下面实现纯 Skill：基于 LLM + 固定上下文模板封装，不调用任何外部接口。 场景：文本摘要、文案改写、逻辑分析（典型大模型专有能力）。

环境依赖

bash

运行

pip install langchain langchain-openai python-dotenv

完整代码：Skill 封装（模型 + 上下文）

python

运行

from langchain.tools import tool from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate from dotenv import load_dotenv load_dotenv() # 初始化大模型（Skill 唯一依赖） llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # ===================== 定义 Skill：封装模型能力 + 固定上下文模板 ===================== @tool def text_summary_skill(long_text: str) -> str: """ Skill：长文本摘要（大模型专有能力，纯上下文+LLM推理） 封装固定提示上下文，复用摘要能力，无外部调用 Args: long_text: 待摘要的长文本 """ # 固定上下文模板 = 能力封装的核心 prompt_template = PromptTemplate( input_variables=["content"], template=""" 请精简总结下面内容，提炼核心观点，控制在100字以内： 原文：{content} 总结： """ ) # 拼接上下文 + 调用模型（纯内生能力） prompt = prompt_template.format(content=long_text) return llm.invoke(prompt).content @tool def copywriting_skill(raw_text: str, tone: str) -> str: """ Skill：文案风格改写（大模型语义能力+上下文封装） Args: raw_text: 原始文本 tone: 风格：正式/活泼/商务 """ prompt = f""" 固定上下文规则：仅改写语气，不增删原意。 将以下文本改写为{tone}风格： {raw_text} """ return llm.invoke(prompt).content # ===================== 智能体加载 Skill 并调用 ===================== all_skills = [text_summary_skill, copywriting_skill] agent_prompt = PromptTemplate.from_template(""" 你拥有文本摘要、文案改写两项能力，请根据用户问题选择对应Skill执行。 用户输入：{input} 可用能力：{tools} 能力名称：{tool_names} {agent_scratchpad} """) # 创建智能体 & 执行器 agent = create_react_agent(llm, all_skills, agent_prompt) agent_executor = AgentExecutor(agent=agent, tools=all_skills, verbose=True) if __name__ == "__main__": # 测试 1：调用摘要 Skill print("===== 测试 文本摘要 Skill =====") text = """ 本周公司整体营收稳步增长，线上渠道贡献主要订单， 线下门店客流略有回升。团队完成季度复盘，确定下月重点拓展新客户。 """ res1 = agent_executor.invoke({"input": f"帮我总结这段内容：{text}"}) print(res1["output"]) # 测试 2：调用文案改写 Skill print("\n===== 测试 文案改写 Skill =====") res2 = agent_executor.invoke({"input": "把「今天订单很多，大家辛苦啦」改成商务风格"}) print(res2["output"])

代码解读（贴合你的定义）

1. 整个能力 =固定上下文模板 + 大模型推理，属于对模型专有能力的封装；
2. 全程无任何外部接口、数据库、API 调用，是标准Skill；
3. 可以反复复用这套 “上下文 + 模型逻辑”，成为智能体的固定能力。

三、LangChain 中 Tool 标准实现（外部调用能力）

同样用@tool封装，但内部逻辑是调用外部资源，属于标准Tool。 示例：模拟查询业务数据（对接外部接口 / 数据库，搭配 MCP 调用思想）。

python

运行

from langchain.tools import tool import requests # 模拟外部服务地址（真实场景为数据库/业务API/MCP服务） EXTERNAL_DATA_API = "http://127.0.0.1:8001/mcp/tool" @tool def business_data_query_tool(query_key: str) -> str: """ Tool：业务数据查询（外部工具调用能力） 依赖外部API/MCP服务，非模型原生能力 Args: query_key: 查询字段：sales/orders/users """ # 发起外部网络调用（Tool 核心特征） payload = {"tool": "db_query", "params": {"query_key": query_key}} try: resp = requests.post(EXTERNAL_DATA_API, json=payload, timeout=5) data = resp.json() return f"查询结果：{data.get('data', '暂无数据')}" except Exception as e: return f"工具调用失败：{str(e)}" # 单独调用测试 if __name__ == "__main__": print(business_data_query_tool.invoke({"query_key": "sales"}))

代码解读

1. 能力来源于外部服务，模型只负责 “发起调用、接收结果”；
2. 依赖网络、第三方服务，符合Tool定义；
3. 企业场景中，这类调用统一走MCP 协议标准化接入。

四、Skill + Tool 完整协同链路（企业标准流程）

真实业务中二者组合使用，流程：用户指令 → Skill（理解 / 规划 / 文本加工，模型能力） → Tool（查外部数据，外部调用） → Skill（整理输出，模型能力）

组合代码示例

python

运行

from langchain.tools import tool from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate import requests from dotenv import load_dotenv load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) EXTERNAL_DATA_API = "http://127.0.0.1:8001/mcp/tool" # ---------- 1. 定义 Skill（模型能力：报告生成） ---------- @tool def report_generate_skill(data_content: str) -> str: """Skill：基于原始数据生成分析报告（大模型上下文+推理）""" prompt = f""" 请根据以下数据，生成简短业务分析报告： {data_content} 要求：分数据展示、简短分析两部分。 """ return llm.invoke(prompt).content # ---------- 2. 定义 Tool（外部调用：数据查询） ---------- @tool def data_query_tool(query_key: str) -> str: """Tool：查询外部业务数据（外部接口调用）""" payload = {"tool": "db_query", "params": {"query_key": query_key}} resp = requests.post(EXTERNAL_DATA_API, json=payload, timeout=5) return str(resp.json()) # ---------- 智能体加载 Skill + Tool ---------- tools = [report_generate_skill, data_query_tool] agent_prompt = PromptTemplate.from_template(""" 流程要求：先使用 data_query_tool 查询数据，再使用 report_generate_skill 生成报告。 用户输入：{input} 可用工具：{tools} 工具名称：{tool_names} {agent_scratchpad} """) agent = create_react_agent(llm, tools, agent_prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) if __name__ == "__main__": # 完整链路：Tool查数据 → Skill生成报告 res = agent_executor.invoke({"input": "查询销售额并生成分析报告"}) print("\n最终输出：") print(res["output"])

链路对应定义

1. data_query_tool：调用外部接口 →Tool
2. report_generate_skill：模型 + 上下文生成报告 →Skill

五、汇总对比（严格匹配你的定义）

表格

六、结合你整套架构做最终映射

1. 大模型：能力本体，所有 Skill 的基础
2. Skill：对模型能力 + 上下文做封装 → 智能体内生岗位技能
3. Tool：对外部系统调用做封装 → 智能体使用的外部作业工具
4. 智能体框架 (LangChain)：流程 / 制度，调度 Skill 与 Tool 协同
5. A2A：多智能体之间通信协作
6. MCP：智能体与 Tool 之间的标准调用协议

完整企业 AI 运行范式：

大模型（决策大脑）→ 智能体框架（流程制度）→ Skill（内生技能做理解 / 加工） + A2A（多 Agent 协作） → Tool（外部操作） + MCP（工具标准接口）