从 LLM 到 Agent Skill：把 AI 底层概念串起来

- [1. 引言：一串被新名词割裂的认知](#1. 引言：一串被新名词割裂的认知)
- [2. LLM：一颗强大的"大脑"](#2. LLM：一颗强大的"大脑")
- - [2.1 LLM 的本质](#2.1 LLM 的本质)
  - [2.2 LLM 的三个关键局限](#2.2 LLM 的三个关键局限)
- [3. Agent：给大脑接上"身体"](#3. Agent：给大脑接上"身体")
- - [3.1 什么是 Agent](#3.1 什么是 Agent)
  - [3.2 核心机制：ReAct 循环](#3.2 核心机制：ReAct 循环)
- [4. Skill：把能力封装成"技能包"](#4. Skill：把能力封装成"技能包")
- - [4.1 什么是 Skill](#4.1 什么是 Skill)
  - [4.2 一个 Skill 的示例](#4.2 一个 Skill 的示例)
  - [4.3 Skill 解决了什么](#4.3 Skill 解决了什么)
- [5. 三者如何串联：一张完整的认知地图](#5. 三者如何串联：一张完整的认知地图)
- [6. 从概念到实践：一个完整的最小示例](#6. 从概念到实践：一个完整的最小示例)
- [7. 小结](#7. 小结)

1. 引言：一串被新名词割裂的认知

过去两年，AI 领域的新词层出不穷：先是 LLM（大语言模型） ，然后是 Agent（智能体） ，再到现在频繁出现的 Skill（技能）。很多同学每学一个概念都觉得"懂了"，但把三个词放在一起时，反而说不清它们之间到底什么关系。

这篇文章想做的事情很简单：用一条主线把 LLM、Agent、Skill 串起来，讲清楚每个概念解决什么问题、为什么会出现下一个概念、以及它们如何协同工作。读完你会获得一张可以长期使用的认知地图，而不是三个孤立的术语。

文章按照"为什么会出现下一个概念"的顺序展开，建议这样阅读：

第 2 章先认识 LLM：它擅长什么，又缺什么；
第 3 章看 Agent 如何补齐 LLM 的短板，让大脑拥有身体；
第 4 章学习 Skill 如何把能力封装起来，让 Agent 更稳定、可复用；
第 5 章用一张图把三者关系串成完整的认知地图；
第 6 章用一个最小示例，把概念落到可运行的代码里。

这里有一条隐藏的逻辑链：前者推动后者出现，后者弥补前者短板。抓住这条因果链，远比记住三个名词更有价值。

2. LLM：一颗强大的"大脑"

2.1 LLM 的本质

LLM（Large Language Model，大语言模型）本质上是一个在海量文本上训练的概率模型 ：给定上文，预测下一个 token。Token 是模型处理文本的最小单位，可以近似理解为一个字、一个词或一个子词；所谓"大"，既指参数量大，也指训练数据规模大。

它的核心能力可以概括为三类：

语言理解：总结、翻译、分类、抽取信息；
语言生成：写作、对话、改写、代码补全；
上下文学习（In-Context Learning）：不做梯度更新，仅靠 prompt 里的示例就能完成新任务。

一个容易困惑的问题是："预测下一个词"这种看起来机械的任务，为什么能产生智能？ 原因是，自然语言本身携带了人类的大量知识与推理结构；模型为了更准确地预测下一个 token，被迫学会了语法、事实、逻辑乃至一定程度的常识。这也是为什么同一个模型既能写诗，也能写代码。

这三类能力共同构成了 LLM 的价值基础。但理解 LLM 不能只看它能做什么，更要看它缺什么。

2.2 LLM 的三个关键局限

先看一张对比表：

局限	具体表现	典型场景
知识静态	训练数据有截止时间，无法获取最新信息	问"今天股价多少"只能编造
无行动能力	只能输出文本，不能操作外部世界	不能真正帮你订机票、查数据库
推理受限	复杂多步任务容易出错、幻觉	多位数运算、长链路规划

这三点值得分别展开理解：

知识静态 ：LLM 的"知识"来自训练它时的那批数据。如果数据截止到某一天，那它就无法可靠回答之后发生的事情。业界用 RAG（检索增强生成） 等方式来补这个短板，其核心思路就是"让模型现用现查"，而不是把所有知识都塞进参数里。

无行动能力：LLM 只会输出一串文本，"帮你订机票"这件事它无法真正完成。它最多只能告诉你"我建议你打开 App 自己下单"。要让它真的操作外部世界，就必须给它接入工具、API 或代码执行环境------这正好是 Agent 要做的事。

推理受限：模型在单次生成里"一次成文"，对于需要多步推导的问题很容易在中途出错。例如长链路的数学运算或项目规划，如果不让模型分步思考、反复验证，它的错误会不断累积。这也需要一套"思考---执行---观察"的机制来约束它。

这三个局限并不是 LLM 的失败，而是它作为一种"纯文本预测器"的天然边界。它们正好是 Agent 出现的直接原因。

3. Agent：给大脑接上"身体"

3.1 什么是 Agent

Agent（智能体）可以理解为：把 LLM 作为核心决策器，再给它加上感知、记忆、工具调用和行动能力，形成一个可以自主完成任务的系统。

一个完整的 Agent 通常包含四个组件：

大脑（LLM）：负责理解、推理、决策；
工具（Tools）：搜索引擎、代码执行器、数据库、API 等外部能力；
记忆（Memory）：短期上下文 + 长期知识存储；
规划（Planning）：把大任务拆解成可执行的步骤。

这里最容易混淆的是记忆和规划，可以再多说两句：

记忆通常分三层：当前对话的上下文（短期记忆）、跨会话的用户偏好与事实（长期记忆）、以及工具执行过程中产生的中间结果（工作记忆）。没有记忆的 Agent 会"失忆"，每次都从零开始。
规划是 Agent 的核心价值之一：人类下指令往往只说目标，不列步骤。Agent 需要自己把"写一份行业报告"拆成"搜索资料---提炼观点---生成大纲---写正文---检查修改"等子任务，再逐个执行。

它们之间的关系如下：
#mermaid-svg-OJqkhKlfcR1arzOA{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-OJqkhKlfcR1arzOA .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-OJqkhKlfcR1arzOA .error-icon{fill:#552222;}#mermaid-svg-OJqkhKlfcR1arzOA .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-OJqkhKlfcR1arzOA .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-OJqkhKlfcR1arzOA .marker{fill:#333333;stroke:#333333;}#mermaid-svg-OJqkhKlfcR1arzOA .marker.cross{stroke:#333333;}#mermaid-svg-OJqkhKlfcR1arzOA svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-OJqkhKlfcR1arzOA p{margin:0;}#mermaid-svg-OJqkhKlfcR1arzOA .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-OJqkhKlfcR1arzOA .cluster-label text{fill:#333;}#mermaid-svg-OJqkhKlfcR1arzOA .cluster-label span{color:#333;}#mermaid-svg-OJqkhKlfcR1arzOA .cluster-label span p{background-color:transparent;}#mermaid-svg-OJqkhKlfcR1arzOA .label text,#mermaid-svg-OJqkhKlfcR1arzOA span{fill:#333;color:#333;}#mermaid-svg-OJqkhKlfcR1arzOA .node rect,#mermaid-svg-OJqkhKlfcR1arzOA .node circle,#mermaid-svg-OJqkhKlfcR1arzOA .node ellipse,#mermaid-svg-OJqkhKlfcR1arzOA .node polygon,#mermaid-svg-OJqkhKlfcR1arzOA .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-OJqkhKlfcR1arzOA .rough-node .label text,#mermaid-svg-OJqkhKlfcR1arzOA .node .label text,#mermaid-svg-OJqkhKlfcR1arzOA .image-shape .label,#mermaid-svg-OJqkhKlfcR1arzOA .icon-shape .label{text-anchor:middle;}#mermaid-svg-OJqkhKlfcR1arzOA .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-OJqkhKlfcR1arzOA .rough-node .label,#mermaid-svg-OJqkhKlfcR1arzOA .node .label,#mermaid-svg-OJqkhKlfcR1arzOA .image-shape .label,#mermaid-svg-OJqkhKlfcR1arzOA .icon-shape .label{text-align:center;}#mermaid-svg-OJqkhKlfcR1arzOA .node.clickable{cursor:pointer;}#mermaid-svg-OJqkhKlfcR1arzOA .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-OJqkhKlfcR1arzOA .arrowheadPath{fill:#333333;}#mermaid-svg-OJqkhKlfcR1arzOA .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-OJqkhKlfcR1arzOA .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-OJqkhKlfcR1arzOA .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OJqkhKlfcR1arzOA .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-OJqkhKlfcR1arzOA .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OJqkhKlfcR1arzOA .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-OJqkhKlfcR1arzOA .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-OJqkhKlfcR1arzOA .cluster text{fill:#333;}#mermaid-svg-OJqkhKlfcR1arzOA .cluster span{color:#333;}#mermaid-svg-OJqkhKlfcR1arzOA div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-OJqkhKlfcR1arzOA .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-OJqkhKlfcR1arzOA rect.text{fill:none;stroke-width:0;}#mermaid-svg-OJqkhKlfcR1arzOA .icon-shape,#mermaid-svg-OJqkhKlfcR1arzOA .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OJqkhKlfcR1arzOA .icon-shape p,#mermaid-svg-OJqkhKlfcR1arzOA .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-OJqkhKlfcR1arzOA .icon-shape .label rect,#mermaid-svg-OJqkhKlfcR1arzOA .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OJqkhKlfcR1arzOA .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-OJqkhKlfcR1arzOA .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-OJqkhKlfcR1arzOA :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 用户任务
Agent
LLM 大脑

理解与决策
规划

拆解步骤
工具调用

执行行动
记忆

记录结果
返回结果

可以看到，Agent 不是"另一个更聪明的模型"，而是一套以 LLM 为中心的工程系统。模型负责"聪明"，工程负责"能干活"。

3.2 核心机制：ReAct 循环

Agent 最常见的运行模式是 ReAct（Reasoning + Acting），即"思考一步、行动一步、观察结果、再思考"的循环。这个循环可以拆成四个阶段：

Thought（思考）：LLM 分析当前任务和已知信息，决定下一步做什么；
Action（行动）：LLM 选择一个工具并给出调用参数；
Observation（观察）：工具执行后，把结果写回上下文；
重复直到完成：如果结果足够回答，就生成最终答案；否则带着新的观察继续思考。

这个机制解决了 LLM "一次成文"不可靠的问题：它把复杂任务变成一连串小步骤，每一步都有新的信息输入来修正方向。下面是一个精简的 Python 示例：

python 复制代码

class SimpleAgent:
    def __init__(self, llm, tools):
        self.llm = llm
        self.tools = tools  # {"search": search_func, "calc": calc_func}
        self.history = []

    def run(self, task):
        self.history.append({"role": "user", "content": task})
        for _ in range(10):  # 最多循环 10 轮
            response = self.llm.chat(self.history)
            action = self.parse_action(response)

            if action["type"] == "final_answer":
                return action["content"]

            tool_name = action["tool"]
            result = self.tools[tool_name](action["input"])
            self.history.append({"role": "assistant", "content": response})
            self.history.append({"role": "tool", "content": str(result)})

        return "达到最大循环次数"

在这个例子里，history 就是 Agent 的"工作记忆"，每一步的工具结果都会被追加进去，保证 LLM 在下一轮思考时能看到最新信息。真实框架中的循环还会加入超时、错误重试、人工确认等保护机制。

Agent 的价值在于：它把 LLM 从"只会说"变成了"能做"。但 Agent 本身也有问题------每个 Agent 的能力往往是一次性的、难以复用。于是 Skill 登场了。

4. Skill：把能力封装成"技能包"

4.1 什么是 Skill

Skill（技能）是对某一类可复用能力的标准化封装。可以把它类比为编程里的"函数"或"库"：把实现细节藏起来，只暴露清晰的输入输出接口，让 Agent 按需调用。

Skill 和普通 API 的区别在于：它不是简单的"输入---输出"函数，而是带有语义描述的能力单元。描述的作用是让 LLM 判断"什么时候该用这个技能、应该传什么参数"------这一点对 Agent 至关重要，因为 Agent 是在运行时才动态决定调用哪些工具的。

一个 Skill 通常包含以下要素：

名称与描述：告诉 Agent 这个技能是干什么的、什么时候用；
输入参数：明确定义需要什么数据；
执行逻辑：具体的实现过程；
输出格式：返回什么样的结果。

好的 Skill 设计还遵循两个原则：单一职责 （一个 Skill 只做好一件事）和描述清晰（让 LLM 不看代码也能正确调用）。这两点会直接影响 Agent 的执行成功率。

4.2 一个 Skill 的示例

以"查询天气"为例，一个典型的 Skill 定义如下：

python 复制代码

class WeatherSkill:
    name = "get_weather"
    description = "查询指定城市的实时天气，需要城市名称作为输入"

    def __init__(self, api_key):
        self.api_key = api_key

    def run(self, city: str) -> dict:
        # 调用天气 API 并返回结果
        response = call_weather_api(self.api_key, city)
        return {
            "city": city,
            "temperature": response["temp"],
            "condition": response["condition"]
        }

    def to_tool_schema(self):
        return {
            "name": self.name,
            "description": self.description,
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"}
                },
                "required": ["city"]
            }
        }

这个例子里有两个关键点值得注意：

description 直接告诉 LLM 技能的用途和输入要求，是 LLM 决定是否调用的依据；
to_tool_schema() 把技能转成标准化的工具定义，供 Agent 框架注册和调用。

也就是说，Skill 的核心不只是"能执行"，更是"被模型正确理解并正确调用"。这两件事合在一起，才让它成为一个合格的可复用能力单元。

4.3 Skill 解决了什么

Skill 的出现主要解决了三个层次的问题：

可复用：一次封装，多个 Agent 或多个场景共用；
可组合：多个 Skill 可以串成更复杂的工作流；
可管理：权限、版本、质量可以统一治理。

举个例子：同一个"数据库查询" Skill，今天可以被"客服问答 Agent"使用，明天也可以被"数据分析 Agent"使用。如果之后需要升级数据库版本，只需要更新这个 Skill，所有依赖它的 Agent 都能同时受益。这种"一次维护、多处复用"的能力，正是 Agent 规模化落地的关键。

5. 三者如何串联：一张完整的认知地图

现在我们把三个概念放到同一张图里看：
#mermaid-svg-w9252uW5U8e8AWNX{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-w9252uW5U8e8AWNX .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-w9252uW5U8e8AWNX .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-w9252uW5U8e8AWNX .error-icon{fill:#552222;}#mermaid-svg-w9252uW5U8e8AWNX .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-w9252uW5U8e8AWNX .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-w9252uW5U8e8AWNX .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-w9252uW5U8e8AWNX .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-w9252uW5U8e8AWNX .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-w9252uW5U8e8AWNX .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-w9252uW5U8e8AWNX .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-w9252uW5U8e8AWNX .marker{fill:#333333;stroke:#333333;}#mermaid-svg-w9252uW5U8e8AWNX .marker.cross{stroke:#333333;}#mermaid-svg-w9252uW5U8e8AWNX svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-w9252uW5U8e8AWNX p{margin:0;}#mermaid-svg-w9252uW5U8e8AWNX .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-w9252uW5U8e8AWNX .cluster-label text{fill:#333;}#mermaid-svg-w9252uW5U8e8AWNX .cluster-label span{color:#333;}#mermaid-svg-w9252uW5U8e8AWNX .cluster-label span p{background-color:transparent;}#mermaid-svg-w9252uW5U8e8AWNX .label text,#mermaid-svg-w9252uW5U8e8AWNX span{fill:#333;color:#333;}#mermaid-svg-w9252uW5U8e8AWNX .node rect,#mermaid-svg-w9252uW5U8e8AWNX .node circle,#mermaid-svg-w9252uW5U8e8AWNX .node ellipse,#mermaid-svg-w9252uW5U8e8AWNX .node polygon,#mermaid-svg-w9252uW5U8e8AWNX .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-w9252uW5U8e8AWNX .rough-node .label text,#mermaid-svg-w9252uW5U8e8AWNX .node .label text,#mermaid-svg-w9252uW5U8e8AWNX .image-shape .label,#mermaid-svg-w9252uW5U8e8AWNX .icon-shape .label{text-anchor:middle;}#mermaid-svg-w9252uW5U8e8AWNX .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-w9252uW5U8e8AWNX .rough-node .label,#mermaid-svg-w9252uW5U8e8AWNX .node .label,#mermaid-svg-w9252uW5U8e8AWNX .image-shape .label,#mermaid-svg-w9252uW5U8e8AWNX .icon-shape .label{text-align:center;}#mermaid-svg-w9252uW5U8e8AWNX .node.clickable{cursor:pointer;}#mermaid-svg-w9252uW5U8e8AWNX .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-w9252uW5U8e8AWNX .arrowheadPath{fill:#333333;}#mermaid-svg-w9252uW5U8e8AWNX .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-w9252uW5U8e8AWNX .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-w9252uW5U8e8AWNX .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-w9252uW5U8e8AWNX .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-w9252uW5U8e8AWNX .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-w9252uW5U8e8AWNX .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-w9252uW5U8e8AWNX .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-w9252uW5U8e8AWNX .cluster text{fill:#333;}#mermaid-svg-w9252uW5U8e8AWNX .cluster span{color:#333;}#mermaid-svg-w9252uW5U8e8AWNX div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-w9252uW5U8e8AWNX .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-w9252uW5U8e8AWNX rect.text{fill:none;stroke-width:0;}#mermaid-svg-w9252uW5U8e8AWNX .icon-shape,#mermaid-svg-w9252uW5U8e8AWNX .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-w9252uW5U8e8AWNX .icon-shape p,#mermaid-svg-w9252uW5U8e8AWNX .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-w9252uW5U8e8AWNX .icon-shape .label rect,#mermaid-svg-w9252uW5U8e8AWNX .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-w9252uW5U8e8AWNX .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-w9252uW5U8e8AWNX .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-w9252uW5U8e8AWNX :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 返回结果
Skill 层（技能包）
搜索技能
数据库技能
代码执行技能
Agent 层（身体）
规划拆解
工具调用
记忆管理
LLM 层（大脑）
语言理解
推理决策
文本生成

一句话总结三者关系：

LLM 提供最底层的智能，是"大脑"；
Agent 把 LLM 的智能组织成"能完成任务的系统"，是"身体 + 决策流程"；
Skill 把 Agent 需要的能力做成"可插拔的模块"，是"工具箱里的螺丝刀"。

为了更直观地理解，可以想象一个真实场景：用户问"帮我查一下北京明天天气，然后告诉我适不适合跑步"。

LLM 负责理解这句话的意图，并判断"需要先查天气"；
Agent 负责规划：先调用天气 Skill，再根据结果给出建议；
Skill 执行真正的天气查询，返回温度、风力和天气状况。

整个过程里，LLM 出智慧，Agent 出流程，Skill 出能力。三者分工不同，但缺一不可。

6. 从概念到实践：一个完整的最小示例

下面用一个"帮你查资料并总结"的场景，展示三者如何协作：

python 复制代码

# 1. 定义 Skill（可复用能力）
class SearchSkill:
    name = "web_search"
    description = "搜索网页并返回相关结果摘要"

    def run(self, query: str) -> str:
        results = search_engine(query)
        return summarize_results(results)

# 2. 组装 Agent（决策与行动）
agent = SimpleAgent(
    llm=ChatLLM(model="gpt-4o"),
    tools=[SearchSkill(), CodeRunnerSkill(), DBQuerySkill()]
)

# 3. 执行任务（LLM 在内部完成推理）
answer = agent.run("调研 2026 年 AI Agent 框架的现状，并给出对比")
print(answer)

这个例子的执行流程可以拆成三步：

定义 Skill ：SearchSkill 封装了"搜索 + 摘要"的完整逻辑，并提供清晰的名称与描述；
组装 Agent ：把多个 Skill 注册给 SimpleAgent，由 LLM 在运行时决定调用哪个；
执行任务：用户只给出目标，Agent 内部借助 ReAct 循环不断调用 Skill，直到生成最终答案。

在这个例子里：底层智能来自 LLM，决策流程由 Agent 组织，具体能力由 Skill 提供。三者各司其职，缺一不可。如果再给这个例子加上"把搜索到的资料存到知识库"这一步，你就能直观体会到 Skill 可组合、可复用的价值------新增一个"入库" Skill，Agent 的能力就能立刻扩展。

7. 小结

理解 AI 底层概念，关键在于看到它们之间的因果关系：

因为 LLM 有"无行动能力"的局限，所以需要 Agent；
因为 Agent 的能力"难以复用和治理"，所以需要 Skill；
因为 Skill 让能力标准化，Agent 才能规模化地解决真实问题。

下次再看到新术语时，不妨问自己一个问题：它补上了前一个概念的什么短板？ 这个思考习惯，会让你在快速演进的 AI 领域始终保持清醒。

如果再往前走一步，你还可以关注三个延伸方向：

多 Agent 协作：当单个 Agent 不够用时，多个 Agent 如何分工协调；
Skill 生态：如何设计一套可共享、可交易的 Skill 标准，让能力像软件包一样流通；
评估与安全：当 Agent 拥有行动能力后，如何确保它不被误用、如何评估它的可靠性。

这些话题，都是"LLM → Agent → Skill"这条主线自然延伸出来的下一站。掌握今天这张地图，你就能更从容地继续往前走。

从 LLM 到 Agent Skill：把 AI 底层概念串起来

目录

1. 引言：一串被新名词割裂的认知

2. LLM：一颗强大的"大脑"

2.1 LLM 的本质

2.2 LLM 的三个关键局限

3. Agent：给大脑接上"身体"

3.1 什么是 Agent

3.2 核心机制：ReAct 循环

4. Skill：把能力封装成"技能包"

4.1 什么是 Skill

4.2 一个 Skill 的示例

4.3 Skill 解决了什么

5. 三者如何串联：一张完整的认知地图

6. 从概念到实践：一个完整的最小示例

7. 小结