企业官网建设流程全解析

本文通过拆解10个高星开源Agent项目，探讨了Agent的能力管理问题。文章从能力定义、发现、使用、组织执行、约束和长期积累六个方面进行了详细分析，并提出了相应的工程实践方法。对于想要学习大模型能力管理的读者来说，本文提供了宝贵的参考和指导。

你可能认为Agent的能力管理，主要就是 Tool Calling ：接入工具，让模型选择，再通过 Function Calling 执行。

但实际上，当你拆解完这些Agent能力管理模块的源码后，你会发现一个反直觉的现象：mini-swe-agent 核心只用一个 Bash 工具，就能完成复杂的 Coding 任务；而 Codex、DeerFlow 不仅需要管理大量 Tool ，还要专门设计 Tool Search 、 Skill 和运行时控制。

一边是一个 Bash 就能干活，一边是连能力本身都需要管理和维护。为什么同样是 Agent ，差异会这么大？

拆解完这些Agent后，我发现可以从六个问题理解 Agent 的能力管理：如何定义、发现、使用、组织执行、约束，以及长期积累能力。

一、能力如何定义？

先看 mini-swe-agent，它面向模型的主要执行工具只有一个：bash(command)。模型输出 Bash 命令，系统执行后返回结果，模型再决定下一步。借助 Shell 自身的组合能力，一个工具就能完成搜索代码、修改文件、运行测试等大量操作。

此时，你会发现：Tool 的数量，并不等于 Agent 实际具备的能力范围。

一个通用接口可以覆盖大量操作，多个专用 Tool 也可能只是提供不同的固定能力。不过，这不意味着所有 Agent 都适合使用通用工具。对于运行在受控 Sandbox 中的 Coding Agent，Bash 提供了很大的灵活性。

但如果是客服 Agent，要查询订单、修改权益、申请退款，我更倾向于把这些操作封装成专用 Tool，明确参数、业务校验和权限边界，因为这样更容易控制。

所以，能力定义首先要考虑的不是数量，而是封装粒度。通用 Tool 组合能力更强，但执行范围可能更难约束；专用 Tool 更容易控制，却耗费更多维护成本。

二、能力如何发现？

当 Agent 只有几个工具时，把所有 Tool Schema 交给模型就够了。但如果接入了上百个 Tool，每轮都提供完整 Schema，不仅增加 Context 消耗，还可能因为工具功能相近而增加误选风险。

这也是上一篇我整理的 Context 管理原则：系统拥有的信息，不代表每轮都应该交给模型。能力也是如此。

在 Codex 的源码中，ToolSearchHandler可以检索延迟暴露的工具。模型需要某种能力时，先通过 Tool Search 找到相关工具，再获取其定义。

DeerFlow Agent进一步提供了一个值得关注的设计，它不仅会隐藏尚未激活的 Tool Schema，还会在实际执行时检查激活状态。如果模型尝试调用未激活的工具，Harness系统会拒绝，并要求先完成工具发现与激活。

这里其实出现了三个不同的概念：系统已经注册的能力、当前暴露给模型的能力，以及当前真正允许执行的能力。

这张图背后的工程思想是： Agent 可以维护完整的能力目录，却只把当前任务需要的部分暴露给模型，并在执行时进行独立校验。

当然，Tool Search 本身也有检索遗漏和额外延迟的代价。对于工具少且稳定的 Agent ，直接暴露全部 Tool 可能更简单。因此，动态发现不是标配，而是能力目录增长后的一种取舍。

不过，找到工具之后， Agent 就一定知道怎么完成任务吗？

三、能力如何使用？

假设一个 Coding Agent 已经拥有读取文件、修改代码、运行测试和创建 PR 的全部工具。它能执行这些操作，但不一定知道某个团队要求的代码审查方法：修改前定位根因，修改后检查影响范围，提交时说明风险和验证结果。

这些不是单个 Tool 的功能，而是一套可复用的做事方法，这正是 Skill 适合解决的问题。Tool 解决“能执行什么操作”， Skill 解决“遇到某类任务，应该怎么做”。

在 DeerFlow Agent中，Skill 可以通过SKILL.md等文件组织这些Tool。用户显式激活 Skill 时，系统会检查其是否存在、启用和允许使用，再将相关内容加载到模型 Context 。

但真正设计 Agent 时，我觉得更重要的问题是：一项能力，究竟应该放在 Tool、Skill、Workflow，还是 SubAgent 里？

例如，做一个软件发布助手：读取变更、运行测试，适合封装成 Tool ；检查风险的方法、发布说明模板，可以整理为 Skill ；而发布前必须通过测试、必须获得审批，最好交给 Workflow 或其他确定性机制强制执行。

如果其中存在一个需要持续探索、能够独立交付结果的复杂子任务，再考虑 SubAgent 。

这几种形式不是从低到高的升级关系。Tool 提供操作接口， Skill 提供方法， Workflow 组织受控步骤， SubAgent 承接独立决策任务； MCP 则是连接外部工具、资源等能力的标准协议。它们完全可以组合使用。

这里尤其值得记住一个设计判断：可以指导模型遵循的方法，适合放进 Skill ；必须强制执行的规则，不能只依赖 Skill 或 Prompt 。

因为 Skill 主要提供行动指导，真正的执行约束仍然需要Harness系统保证。

四、能力如何组织执行？

对于简单任务，调用一个 Tool 就能完成。但复杂任务通常需要多个步骤。例如，退款流程需要资格校验、金额计算、审批和执行。如果规则明确，就可以交给 Workflow 按照确定性步骤处理。

但如果任务是“研究某个行业最近发生了什么变化”， Agent 可能需要拆解问题、搜索不同来源、比较证据，并根据新发现继续探索。

在 Onyx Deep Research Agent中，我看到了这种任务的另一种执行方式。它会把研究子任务交给独立的 Research Agent 。子任务拥有自己的模型和工具调用过程，可以并行执行，最后返回阶段性报告及引用信息，再由上层流程汇总。

这里值得注意的是，父 Agent 不必接收所有内部过程，而可以只接收完成后续任务所需要的阶段性结果。这既是任务委派，也是 Context Isolation 。但复杂任务就一定需要 SubAgent 吗？我认为不是。

我现在更倾向于按三个问题判断：

1. 任务是否只需要一个明确操作？如果是，直接使用 Tool 。

2. 如果需要多步执行，步骤和条件能否提前确定？如果可以，优先考虑 Workflow 。

3. 如果需要持续探索，再判断能否拆出具有独立目标和交付结果的子任务。只有在这种情况下， SubAgent 才更值得考虑；否则由主 Agent 继续执行，可能更加直接。

当然，这只是选型的启发式方法，实际还需要考虑成本、延迟与风险。因为 SubAgent 不只是多调用一次模型，还意味着独立 Context 、任务状态管理以及结果汇总和校验。

能力编排的本质，是合理分配执行责任和决策权，而不是把任务拆成尽可能多的 Agent。

五、能力如何被约束？

前面讨论了 Agent 如何获得和使用能力，但真正进入生产环境，还需要回答：模型可以提出某项操作，系统就应该允许它执行吗？

显然不是，在Browser Use Agent中，create_action_model()可以根据当前网页的 Domain 条件，筛选暴露给模型的Action。而在Onyx Agent中，SearchTool可以根据用户身份构建 ACL 过滤条件，限制用户能够访问的企业知识。

再结合前面DeerFlow Agent的工具激活检查，可以看到不同层次的能力约束：工具是否已激活？当前环境是否适用？用户是否拥有操作权限？这次执行是否符合业务规则及审批要求？它们可能由不同的系统组件负责，不能简单依赖一次模型判断。模型负责提出动作，系统负责决定动作是否允许真正发生。

尤其对于退款、删除数据、对外发送消息等操作，除了校验调用资格，还应验证真实执行结果。例如，退款接口返回“申请已提交”，不代表退款已经到账。

即Tool 调用成功，不等于用户任务已经完成。所以完整的能力管理，不只是控制 Agent 能做什么，还需要让系统知道执行之后究竟发生了什么。

六、能力如何长期积累？

前面五个问题主要围绕如何管理已有能力，最近个人Agent比较火，我又去研究了一个personal Agent——Hermes时，我发现了一个值得继续观察的方向：如果 Agent 不只是使用能力，还能创建和修改自己的能力，会发生什么？

Hermes 提供了skills_list、skill_view和skill_manage，让 Agent 可以查看、创建和修改 Skill。这意味着Agent 可以把执行任务中形成的方法保存下来，未来再遇到类似问题时复用。

从某种角度看， Skill 可以被理解为程序性记忆的载体：普通事实记忆回答“过去发生了什么”， Skill 则更关注“以后遇到这类任务应该怎么做”。

但我觉得，比能否创建 Skill 更值得思考的是：一次任务的成功经验，真的都值得保存成 Skill 吗？

比如， Agent 为解决某次偶然的 API 错误，临时采用了一种绕行方法。如果直接固化，未来反复使用，未必可靠。我认为，值得沉淀的通常是能够重复使用、方法相对稳定、效果可以验证，并且未来确实有复用价值的经验。

而一旦 Skill 成为长期资产，还需要考虑审核、更新和回滚。Hermes 已经提供了文件结构校验、可配置的写入审批等机制。但支持创建和修改 Skill ，并不等于已经具备可靠的自动自我进化能力。

基于这个案例，我整理了一套长期能力积累的参考方法：

从重复任务中识别候选经验，提炼方法，通过 Case 验证和必要审核后纳入能力库，再根据实际使用反馈更新或回滚。这是从工程治理角度提出的设计方法，并不代表 Hermes 已经实现了完整的自动验证闭环。

真正有价值的，不是让 Agent 不断创建更多 Skill ，而是让可靠的方法能够被长期复用。

七、Capability Card 002

回头看这几个项目，虽然实现方式差异很大，但最终都指向同一个问题：如何根据任务特点，为 Agent 配置合适的能力管理机制。

我把这次拆解中最值得复用的内容整理成了第二张Capability Card。往期Capability Card传送门>>

卡片包含六个设计问题，以及Registry → Resolve → Expose → Execute → Observe的最小运行闭环。

需要强调的是，六个问题是设计决策维度，并不是每个 Agent 都必须实现六套独立模块。不是让 Agent 拥有更多能力，而是让它在正确的时刻，以正确的方式，使用正确的能力。

至此，再回头看上一篇 Context 管理，两者之间的关系也更清楚了：

• Context 管理解决的是：这一轮应该让模型知道什么。
• Capability 管理解决的是：这一轮应该让 Agent 能做什么，以及哪些动作真正允许执行。

两者都在做选择，只不过能力管理还多了一个关键问题：模型的决定可能真的改变外部世界，因此必须考虑执行边界和结果反馈。而随着 Hermes 这样的个人 Agent 开始支持 Skill 的创建与维护，能力本身也逐渐成为需要长期管理的资产。

这让我更加确定之前拆解 10 个 Agent 时的一个判断：

一个 Agent 的成熟程度，不应该由它接入了多少模块来衡量，而应该看它能否在真实任务中，用合适的机制处理不确定性，并可靠地完成任务。

从 Context 到 Capability ，这些项目已经让我看到不少藏在模型之外的工程细节。但值得继续挖掘的东西显然还不止这些。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？