企业官网建设流程全解析

前言

在 AI 应用开发中，一个常见的困惑是：既然大模型已经足够聪明，为什么还需要 Skills？

Anthropic 的工程师曾给出一个精辟的观察：AI 的未来，不是更大的 Agent，而是一个通用 Agent + 无数可复用的 Skills 模块。这句话点出了智能体与 Skills 关系的本质——不是替代，而是分工。

一、概念定位：整体与组件

"智能体（Agent）"和"Skills（技能）"的关系，可以类比为“人"和"专业技能”的关系。简单来说：智能体是行动的主体，Skills 是它可调用的能力模块。

智能体是有目标的调度者，Skills 是被调度的执行单元。两者是"整体与组件"的关系，而非竞争关系。

二、核心关系：智能体调度 Skills

智能体通常包含几个核心模块：感知 → 规划 → 记忆 → 工具/技能调用 → 行动。

Skills 就位于"工具/技能调用"这一层。智能体面对一个用户请求时：

1. 理解意图
2. 规划步骤
3. 选择并调用合适的 Skill
4. 整合结果返回

比如用户说"帮我订明天去北京的机票"，智能体会拆解为：查航班（Skill A）→ 比价（Skill B）→ 下单（Skill C）。智能体负责"决定做什么、按什么顺序做"，Skills 负责"每一步具体怎么做"。

这种分工带来一个关键优势：智能体保持通用的决策能力，Skills 提供专业的执行能力。智能体不需要知道每个业务的具体流程，只需要知道在什么场景下调用哪个 Skill。

三、为什么要把能力做成 Skills

把能力封装成 Skills，解决的是工程上的四个问题：

解耦：智能体负责"决策"，Skill 负责"执行"，各自独立演进。改一个 Skill 的流程不会影响智能体的调度逻辑，改智能体的规划策略也不会破坏 Skill 的内部实现。

复用：同一个 Skill 可被多个智能体调用。一个"查询订单"Skill，客服 Agent 能用，售后 Agent 也能用，运营 Agent 还能用。

可扩展：新增能力只需加一个 Skill，不用重写整个智能体。智能体的核心逻辑保持稳定，能力边界通过 Skills 的增删来调整。

可控：每个 Skill 边界清晰，便于测试、权限管理和安全审查。一个 Skill 就是一个独立的测试单元，可以单独验证它的输入输出、异常处理、权限边界。

四、Skill 与 MCP：说明书和工具箱的关系

要理解 Skills 在智能体架构中的位置，需要和另一个热门概念 MCP 对照来看。

MCP 解决的是"连接"问题。它定义了统一协议，让智能体可以接入外部工具和数据源——数据库、GitHub、Slack、文件系统。MCP 给智能体提供了手和眼。

但手和眼有了，不代表知道该怎么用。一个能连接 SQL 数据库的智能体，并不知道"每周五要跑哪些查询、结果要画成什么图、发给谁"。

Skill 解决的是"知道怎么做"的问题。一个"数据周报.skill"里可以写死流程：每周五触发 → 查 SQL → 画图 → 发 Slack。Skill 指挥 MCP 去查数，指挥 Python 去画图，指挥 Slack MCP 去发送。

用一句话概括两者的区别：MCP 是"递给你一把锤子"，Skill 是"教你怎么用这把锤子"。

五、类比理解：员工与技能

• 智能体 = 一个员工：有目标、会思考、能协调。
• Skills = 这个员工的各项技能：会开车、会外语、会用 Excel。
• 员工（智能体）接到任务后，判断该用哪项技能（Skill）来完成。

再往上一层，如果多个智能体协作，就形成了多智能体系统（Multi-Agent System），而 Skills 是它们共享或各自持有的能力池。

这个类比还有一个延伸：员工可以学习新技能。对应到工程上，就是给智能体挂载新的 Skill，而不需要重新训练模型。Skill 不是训练出来的，是写出来的——它就是你写的一份文档、一个脚本、一套 SOP。领域专家可以直接贡献 Skill，不需要碰智能体的核心逻辑。

六、什么时候该用 Skill，什么时候该造 Agent

一个实用的判断标准：

构建 Agent 的情况：任务需要多步骤决策、动态调用不同工具、根据中间结果调整策略。比如"帮我订一张下周三去北京的机票，预算 1000 以内"，Agent 需要查询、筛选、判断、执行、确认。

构建 Skill 的情况：任务有明确的流程和标准，需要保证一致性和可复用性。比如"生成符合公司规范的月度销售报表"，流程是固定的，不需要智能体自由发挥，只需要它按规则执行。

当两者结合时，最佳实践是：用一个通用 Agent 做编排，用多个 Skill 提供专业能力。Agent 负责"做什么"和"什么时候做"，Skill 负责"怎么做"。

七、多平台视角下的 Skills

Skills 并非某一个框架的专属概念。在 Coze、Dify 等平台上，Skills 的实现方式略有不同，但核心理念一致。

在Coze（扣子）中，Skill 是作为能力统一封装层存在的——它把插件工具、RAG 知识库、数据库记忆、内存记忆四类能力打包成可复用单元。一个 Skill 就是一个场景化解决方案（如"小红书文案技能"“数据分析师技能”），可一键安装、可自定义、可上架技能商店，大模型自动判断何时调用哪个 Skill。

在Dify中，Skills 的落地方式更偏向工作流编排。你可以把技能拆成节点：输入、检索、LLM、代码、模板、输出，技能文件作为知识或提示模板嵌入流程。

两种方式的本质相同：把"怎么做某件事"的经验封装成可复用的模块，让智能体按需调用。

八、一句话总结

智能体是"会思考、能决策的调度者"，Skills 是"被调度的具体能力"。没有 Skills，智能体空有大脑；没有智能体，Skills 只是一堆散落的工具。

理解了这层关系，就能在设计 AI 应用时做出正确判断：什么时候该扩展智能体的决策能力，什么时候该把一段经验沉淀成一个可复用的 Skill。两者的边界清晰了，系统才能既灵活又稳定。

如需深入了解Agent核心架构设计、工具调用机制、记忆与上下文工程、多智能体协作模式、规划与推理策略、LangGraph状态图原理、中间件扩展体系、生产级Agent落地实践等内容，请持续关注本专栏《Agent智能体开发从入门到精通》系列文章。