前两篇我们分别介绍了：Prompt：告诉 AI 应该做什么Skill：封装一类可复用能力【AI技术】从 Prompt 到 Skill：AI 到底“会什么”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165364646?spm=1001.2014.3001.5501Tool：让 AI 获得实际执行能力Workflow：将多个工具组合成固定流程【AI技术】从 Tool 到 Workflow：AI 如何真正“做事”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165491014?spm=1001.2014.3001.5501到这里，AI 已经可以完成很多实际任务。例如：读取文件 ↓ 处理数据 ↓ 查询信息 ↓ 生成报告但随着任务复杂度增加，一个问题逐渐出现：如果下一步应该做什么，开发者无法提前确定怎么办？例如“分析这份数据，并找出可能的问题”，AI 可能需要：查看数据结构 ↓ 发现字段缺失 ↓ 决定补充信息 ↓ 进一步分析异常 ↓ 生成结果这个过程中，每一步都不是完全固定的。因此，我们需要一种能够满足以下目标的 AI 应用模式：理解目标制定计划调用工具根据结果调整方案也就是——Agent（智能体）。一、Agent：让 AI 具备自主决策能力Agent 通常翻译为智能体。简单理解：Agent 是能够根据目标，自主规划步骤并调用工具完成任务的 AI 系统。与普通聊天机器人相比，Agent 不只是：用户提问 ↓ AI回答而更像：用户目标 ↓ Agent 理解任务 ↓ 制定执行计划 ↓ 调用工具 ↓ 观察结果 ↓ 调整下一步行动 ↓ 完成任务一个简单例子用户询问：“帮我分析这份数据，并生成报告”。普通 Workflow所有步骤提前确定。：读取文件 ↓ 数据清洗 ↓ 生成报告而 Agent：读取文件 ↓ 发现数据缺少关键字段 ↓ 决定先检查数据来源 ↓ 调用数据库查询补充信息 ↓ 重新分析 ↓ 发现异常 ↓ 决定生成详细报告这里最大的区别是：Agent 可以根据当前情况决定下一步，而不是完全按照固定流程执行。二、Workflow 和 Agent 有什么区别？这是 AI 应用开发中最容易混淆的问题。简单来说：Workflow 是固定流程，Agent 是动态决策。可以这样理解：WorkflowAgent中文工作流智能体核心固定流程自主决策执行方式按预设步骤执行根据目标动态调整灵活性较低较高开发方式设计流程设计能力和约束适合场景流程明确的任务复杂、不确定任务Workflow 示例例如一个固定的数据处理流程：上传文件 ↓ 读取数据 ↓ 清洗数据 ↓ 统计分析 ↓ 生成报告因为流程非常明确，所以适合使用 Workflow。Agent 示例例如一个数据分析助手：用户：分析这份数据，告诉我有哪些问题。 Agent： 1. 查看数据结构 2. 判断需要哪些分析方式 3. 调用数据分析工具 4. 根据结果决定是否进一步查询 5. 输出结论这里没有固定规定：第一步一定是什么，第二步一定是什么。而是由 Agent 根据当前情况决定。三、Agent 的核心组成一个简单的 Agent 通常包含几个部分：Agent │ ├── 大语言模型（LLM） │ ├── 任务目标 │ ├── 思考与规划能力 │ ├── Tool 工具调用能力 │ └── 状态记录 / Memory其中：1. LLM：负责理解和推理例如，理解用户目标：“分析数据中的异常。”又或是，判断：“我需要先查看数据结构。”2. Tool：提供执行能力Agent 本身不能：读取文件查询数据库调用 API所以需要调用 Tool。例如：Agent ↓ Python Tool ↓ 执行数据分析 ↓ 返回结果3. Planning：任务规划这是 Agent 与普通 Workflow 的关键区别。Workflow：步骤已经写好Agent：根据目标决定步骤例如：目标：完成市场分析 Agent： 需要搜索资料？ 需要分析数据？ 需要生成报告？ 决定执行顺序。四、Agent 是否等于“会调用工具的 AI”？这是一个常见误区。很多人认为：AI 能调用 Python 或 API，就是 Agent。实际上并不是，例如：用户：计算这个数据。 AI：调用计算工具。--→ 工具返回结果。 AI：输出答案。这里是AI+Tool，但不一定是 Agent。因为它只是调用了一个工具。但如果流程是：读取文件 ↓ 调用 Python ↓ 生成结果而这些步骤都是开发者提前定义好的，那么它更接近工作流Workflow。真正的 Agent是这样的：用户：完成一个复杂任务。 Agent：判断需要哪些工具 ↓ 决定执行顺序 ↓ 根据结果调整方案 ↓ 完成任务关键区别：Agent 的核心不是调用工具，而是决定什么时候调用什么工具。五、MCP：让 Agent 更方便连接外部能力随着 Agent 发展，又出现了一个新的问题：每个工具都有不同的接口，AI 如何统一连接？例如有文件系统、数据库、搜索服务、企业应用、第三方 API等等，如果每个工具都需要单独开发连接方式，会越来越复杂。因此出现了MCP（Model Context Protocol，模型上下文协议）。简单理解，MCP 是一种帮助 AI 连接外部工具和数据的标准协议。可以理解成，传统方式：AI ↓ 每个工具单独开发接口 ↓ 文件 数据库 API而MCP则是：AI ↓ MCP ↓ 统一连接 ↓ 文件 数据库 API它的作用就是给AI 提供一个统一的“工具连接标准”。六、Skill、Tool、Workflow、Agent 的完整关系到这里，我们可以把整个 AI 应用链路连接起来：Prompt：告诉 AI 做什么 ↓ Skill：封装一类能力 ↓ Tool：提供执行能力 ↓ Workflow：按照固定流程完成任务 ↓ Agent：自主决定如何完成任务可以简单记忆：概念解决的问题Prompt我要告诉 AI 什么？SkillAI 应该具备什么能力？ToolAI 可以执行什么操作？WorkflowAI 应该按照什么流程执行？AgentAI 下一步应该做什么？七、什么时候应该使用 Agent？当然并不是所有 AI 应用都需要 Agent。如果任务：流程固定步骤明确结果可预测那么Workflow 往往已经足够。例如这种固定流程没有必要引入 Agent：自动生成日报 ↓ 读取数据 ↓ 整理格式 ↓ 发送消息而 Agent 更适合：任务目标明确，但过程未知需要多步骤推理需要动态选择工具需要根据结果调整方案例如：用户：帮我完成一次市场调研。 ↓ AI：搜索资料 ↓ AI：整理信息 ↓ AI：分析数据 ↓ AI：生成报告小结从第一篇到第三篇，我们可以看到 AI 应用能力的逐步扩展，它们分别代表：Prompt：告诉 AI 怎么做Skill：让 AI 拥有某类能力Tool：让 AI 可以执行操作Workflow：让多个能力形成固定流程Agent：让 AI 自主规划完成任务最终Workflow 解决“如何按照流程完成任务”，Agent 解决“面对复杂任务时，下一步应该怎么做”。但 Agent 并不是 AI 应用的终点。随着 Agent 需要连接越来越多的数据、工具和服务，如何让 AI 更方便地访问外部世界，会成为新的问题。这也引出了MCP、Memory、RAG 等 AI 应用架构。
前两篇我们分别介绍了：Prompt：告诉 AI 应该做什么Skill：封装一类可复用能力【AI技术】从 Prompt 到 Skill：AI 到底“会什么”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165364646?spm=1001.2014.3001.5501Tool：让 AI 获得实际执行能力Workflow：将多个工具组合成固定流程【AI技术】从 Tool 到 Workflow：AI 如何真正“做事”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165491014?spm=1001.2014.3001.5501到这里，AI 已经可以完成很多实际任务。例如：读取文件 ↓ 处理数据 ↓ 查询信息 ↓ 生成报告但随着任务复杂度增加，一个问题逐渐出现：如果下一步应该做什么，开发者无法提前确定怎么办？例如“分析这份数据，并找出可能的问题”，AI 可能需要：查看数据结构 ↓ 发现字段缺失 ↓ 决定补充信息 ↓ 进一步分析异常 ↓ 生成结果这个过程中，每一步都不是完全固定的。因此，我们需要一种能够满足以下目标的 AI 应用模式：理解目标制定计划调用工具根据结果调整方案也就是——Agent（智能体）。一、Agent：让 AI 具备自主决策能力Agent 通常翻译为智能体。简单理解：Agent 是能够根据目标，自主规划步骤并调用工具完成任务的 AI 系统。与普通聊天机器人相比，Agent 不只是：用户提问 ↓ AI回答而更像：用户目标 ↓ Agent 理解任务 ↓ 制定执行计划 ↓ 调用工具 ↓ 观察结果 ↓ 调整下一步行动 ↓ 完成任务一个简单例子用户询问：“帮我分析这份数据，并生成报告”。普通 Workflow所有步骤提前确定。：读取文件 ↓ 数据清洗 ↓ 生成报告而 Agent：读取文件 ↓ 发现数据缺少关键字段 ↓ 决定先检查数据来源 ↓ 调用数据库查询补充信息 ↓ 重新分析 ↓ 发现异常 ↓ 决定生成详细报告这里最大的区别是：Agent 可以根据当前情况决定下一步，而不是完全按照固定流程执行。二、Workflow 和 Agent 有什么区别？这是 AI 应用开发中最容易混淆的问题。简单来说：Workflow 是固定流程，Agent 是动态决策。可以这样理解：WorkflowAgent中文工作流智能体核心固定流程自主决策执行方式按预设步骤执行根据目标动态调整灵活性较低较高开发方式设计流程设计能力和约束适合场景流程明确的任务复杂、不确定任务Workflow 示例例如一个固定的数据处理流程：上传文件 ↓ 读取数据 ↓ 清洗数据 ↓ 统计分析 ↓ 生成报告因为流程非常明确，所以适合使用 Workflow。Agent 示例例如一个数据分析助手：用户：分析这份数据，告诉我有哪些问题。 Agent： 1. 查看数据结构 2. 判断需要哪些分析方式 3. 调用数据分析工具 4. 根据结果决定是否进一步查询 5. 输出结论这里没有固定规定：第一步一定是什么，第二步一定是什么。而是由 Agent 根据当前情况决定。三、Agent 的核心组成一个简单的 Agent 通常包含几个部分：Agent │ ├── 大语言模型（LLM） │ ├── 任务目标 │ ├── 思考与规划能力 │ ├── Tool 工具调用能力 │ └── 状态记录 / Memory其中：1. LLM：负责理解和推理例如，理解用户目标：“分析数据中的异常。”又或是，判断：“我需要先查看数据结构。”2. Tool：提供执行能力Agent 本身不能：读取文件查询数据库调用 API所以需要调用 Tool。例如：Agent ↓ Python Tool ↓ 执行数据分析 ↓ 返回结果3. Planning：任务规划这是 Agent 与普通 Workflow 的关键区别。Workflow：步骤已经写好Agent：根据目标决定步骤例如：目标：完成市场分析 Agent： 需要搜索资料？ 需要分析数据？ 需要生成报告？ 决定执行顺序。四、Agent 是否等于“会调用工具的 AI”？这是一个常见误区。很多人认为：AI 能调用 Python 或 API，就是 Agent。实际上并不是，例如：用户：计算这个数据。 AI：调用计算工具。--→ 工具返回结果。 AI：输出答案。这里是AI+Tool，但不一定是 Agent。因为它只是调用了一个工具。但如果流程是：读取文件 ↓ 调用 Python ↓ 生成结果而这些步骤都是开发者提前定义好的，那么它更接近工作流Workflow。真正的 Agent是这样的：用户：完成一个复杂任务。 Agent：判断需要哪些工具 ↓ 决定执行顺序 ↓ 根据结果调整方案 ↓ 完成任务关键区别：Agent 的核心不是调用工具，而是决定什么时候调用什么工具。五、MCP：让 Agent 更方便连接外部能力随着 Agent 发展，又出现了一个新的问题：每个工具都有不同的接口，AI 如何统一连接？例如有文件系统、数据库、搜索服务、企业应用、第三方 API等等，如果每个工具都需要单独开发连接方式，会越来越复杂。因此出现了MCP（Model Context Protocol，模型上下文协议）。简单理解，MCP 是一种帮助 AI 连接外部工具和数据的标准协议。可以理解成，传统方式：AI ↓ 每个工具单独开发接口 ↓ 文件 数据库 API而MCP则是：AI ↓ MCP ↓ 统一连接 ↓ 文件 数据库 API它的作用就是给AI 提供一个统一的“工具连接标准”。六、Skill、Tool、Workflow、Agent 的完整关系到这里，我们可以把整个 AI 应用链路连接起来：Prompt：告诉 AI 做什么 ↓ Skill：封装一类能力 ↓ Tool：提供执行能力 ↓ Workflow：按照固定流程完成任务 ↓ Agent：自主决定如何完成任务可以简单记忆：概念解决的问题Prompt我要告诉 AI 什么？SkillAI 应该具备什么能力？ToolAI 可以执行什么操作？WorkflowAI 应该按照什么流程执行？AgentAI 下一步应该做什么？七、什么时候应该使用 Agent？当然并不是所有 AI 应用都需要 Agent。如果任务：流程固定步骤明确结果可预测那么Workflow 往往已经足够。例如这种固定流程没有必要引入 Agent：自动生成日报 ↓ 读取数据 ↓ 整理格式 ↓ 发送消息而 Agent 更适合：任务目标明确，但过程未知需要多步骤推理需要动态选择工具需要根据结果调整方案例如：用户：帮我完成一次市场调研。 ↓ AI：搜索资料 ↓ AI：整理信息 ↓ AI：分析数据 ↓ AI：生成报告小结从第一篇到第三篇，我们可以看到 AI 应用能力的逐步扩展，它们分别代表：Prompt：告诉 AI 怎么做Skill：让 AI 拥有某类能力Tool：让 AI 可以执行操作Workflow：让多个能力形成固定流程Agent：让 AI 自主规划完成任务最终Workflow 解决“如何按照流程完成任务”，Agent 解决“面对复杂任务时，下一步应该怎么做”。但 Agent 并不是 AI 应用的终点。随着 Agent 需要连接越来越多的数据、工具和服务，如何让 AI 更方便地访问外部世界，会成为新的问题。这也引出了MCP、Memory、RAG 等 AI 应用架构。