【AI技术】从 Tool 到 Workflow：AI 如何真正“做事”？

上一篇我们介绍了Prompt 和 Skill【AI应用】从 Prompt 到 Skill：AI 到底“会什么”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165364646?spm=1001.2014.3001.5501

简单来说：

Prompt 是指令，Skill 是能力。

但即使 AI 已经知道应该怎么处理一项任务，它仍然可能无法真正执行。

例如：

读取一个 Excel 文件 ↓ 分析其中的数据 ↓ 查询相关信息 ↓ 生成分析结果

AI 知道这些步骤应该怎么做，但如果没有对应的执行能力，它依然无法直接读取文件、运行 Python 或查询数据库。

这时候就需要：

Tool（工具）

而当多个 Tool 按照一定顺序组合起来，就形成了：

Workflow（工作流）

一、工具 Tool：让 AI 拥有执行能力

Tool 通常翻译为工具。

在 AI 应用中，可以简单理解为：

Tool 是 AI 调用外部能力、执行实际操作的接口。

例如：

文件工具 数据库工具 Python 工具 HTTP API 搜索工具

这些能力原本并不属于大语言模型本身。

例如：

AI 可以理解“请分析这个 Excel”，但它本身不一定能够直接读取你电脑上的 Excel。

如果给 AI 提供一个文件读取 Tool：

AI ↓ 文件 Tool ↓ 读取 Excel ↓ 返回数据 ↓ AI

AI 就获得了实际操作文件的能力。

同样：

AI ↓ Python Tool ↓ 执行 Python ↓ 返回计算结果 ↓ AI

或者：

AI ↓ 数据库 Tool ↓ 查询数据库 ↓ 返回查询结果 ↓ AI

所以可以简单记忆：

Skill 解决“怎么处理”，Tool 解决“怎么执行”。

一个简单的代码例子

假设我们提供一个 Python 工具：

def run_python(code): # 执行 Python 代码 result = execute(code) return result

AI 可以根据任务调用：

run_python(""" import pandas as pd df = pd.read_excel("data.xlsx") print(df.head()) """)

这时候，AI 不再只是告诉你：

“你可以使用 pandas 读取 Excel。”

而是可以真正调用工具去完成操作。

这就是 Tool 的意义。

二、工作流 Workflow：把多个 Tool 组合起来

如果只有一个 Tool，AI 只能完成一个具体操作。

但实际任务往往需要多个步骤。

例如：

读取文件 ↓ 处理数据 ↓ 查询数据 ↓ 生成结果

我们可以把这些步骤组合成一个固定流程：

读取文件 ↓ Python 数据处理 ↓ 查询数据库 ↓ 生成分析报告

这就是Workflow（工作流），可以理解为：

将多个步骤和工具按照预先定义好的顺序组合起来，形成一个可以重复执行的流程。

例如：

数据分析 Workflow ① 读取 Excel ↓ ② Python 清洗数据 ↓ ③ 查询数据库 ↓ ④ 生成分析结果

每一步都可以使用不同的 Tool。

一个简单的 Workflow 代码

不使用复杂框架，也可以简单理解成：

def data_analysis_workflow(file): # 1. 读取文件 data = read_excel(file) # 2. 数据处理 data = process_data(data) # 3. 查询数据库 result = query_database(data) # 4. 生成结果 report = generate_report(result) return report

这里的：

read_excel() process_data() query_database() generate_report()

都可以看成不同的 Tool。

而把它们按照：

读取 → 处理 → 查询 → 输出

组合起来，就是 Workflow。

因此：

Tool 是一个个具体的执行能力，Workflow 是把这些能力组织起来的流程。

三、Tool 和 Workflow 有什么区别？

两者最简单的区别就是：

Tool 是“工具”，Workflow 是“流程”。

可以这样理解：

例如：

Tool： 读取 Excel 执行 Python 查询数据库 调用 API

它们分别提供具体能力。

而：

Workflow： 读取 Excel ↓ 执行 Python ↓ 查询数据库 ↓ 生成报告

则把这些能力组合成了一个完整流程。

Skill、Tool、Workflow 可以放在一起理解

到这里，我们已经可以把前两篇的内容连接起来：

Skill ↓ 告诉 AI 如何理解和处理任务 Tool ↓ 让 AI 获得实际执行能力 Workflow ↓ 把多个 Tool 按固定流程组合起来

例如一个数据处理任务：

用户输入 ↓ Skill 理解任务和处理规则 ↓ Workflow 按照固定步骤执行 ↓ Tool 读取文件 / 执行 Python / 查询数据库 ↓ 最终结果

这也是一个比较典型的 AI 应用结构。

那么，AI 调用 Python 算不算 Agent？

这是实际开发中非常容易混淆的问题。

例如：

用户： 帮我分析这个文件 AI： 调用 Python ↓ Python 返回结果 ↓ AI： 整理结果

这不一定是 Agent。

因为这里可能只是：

用户 ↓ AI ↓ Python Tool ↓ AI ↓ 结果

AI 只是调用了一个工具。

如果整个执行过程已经被开发者固定为：

读取文件 ↓ 执行 Python ↓ 生成结果

那么它更接近：

Tool + Workflow

而不是 Agent。

Agent 的关键并不是：

“AI 能不能调用工具。”

而是：

AI 能不能根据目标和当前结果，自主决定下一步应该做什么。

例如：

用户： 帮我分析这份数据。 Agent： 先检查文件 ↓ 发现数据缺少字段 ↓ 决定查询数据库 ↓ 发现数据异常 ↓ 决定运行 Python 进一步分析 ↓ 分析完成 ↓ 决定生成报告

这里的下一步不是完全提前写死的，而是 AI 根据当前情况进行判断。

这才开始接近：

Agent（智能体）

所以可以记住：

Tool 让 AI 能做事，Workflow 规定 AI 怎么做事，而 Agent 让 AI 自己决定下一步做什么。

小结

本文主要介绍了两个概念。

Tool

工具，为 AI 提供实际执行能力。

例如：

读取文件 执行 Python 查询数据库 调用 API 搜索信息

Workflow

工作流，将多个步骤和 Tool 按照固定顺序组合起来，形成完整流程。

可以把整个关系简单理解为：

Skill ↓ 怎么理解、怎么处理 Tool ↓ 具体能执行什么 Workflow ↓ 按照什么步骤执行

而它们与 Agent 的区别，则可以进一步概括为：

Tool “我能做什么？” Workflow “按照什么步骤做？” Agent “下一步应该做什么？”

到这里，AI 已经从最开始的：

Prompt → 回答问题

逐渐变成：

Skill → 理解任务 ↓ Tool → 执行操作 ↓ Workflow → 完成流程

但如果流程越来越复杂，所有步骤都提前写死，也会产生新的问题：

如果下一步应该做什么，开发者无法提前确定怎么办？

这就进入了下一篇的主题——Agent（智能体）

【AI技术】Agent：AI 为什么需要“自主决策”？-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165632410?sharetype=blogdetail&sharerId=165632410&sharerefer=PC&sharesource=dfraetaem&spm=1011.2480.3001.8118