skill agent workflow的区别

）Workflow（工作流）

串行多 Agent = 一种工作流，但工作流范围更大。

Workflow：定义一套固定步骤、流转规则，描述任务从开始到结束怎么走、数据从哪一步传到下一步。

串行 Agent（大纲 Agent → 写作 Agent → 校对 Agent）：是LLM 驱动的串行工作流。
工作流不一定非得是 Agent，也可以是纯代码步骤：读取文件 → 清洗文本 → 存入数据库，这也是 Workflow。

一句话：Agent 是执行者；Workflow 是安排执行者顺序的流程图纸。

2）Skill 与 Agent 的核心区别（最容易混淆）

Skill：工具 / 能力函数，单一原子能力，只做一件小事，不带独立思考、没有自己的系统提示词角色。 Agent：拥有系统提示词、思考逻辑，可以自主选择调用 Skill，能做决策。

通俗比喻：

Skill = 单独的工具：尺子、计算器、打印机。只会干一件固定动作，没有想法。
Agent = 人，会思考，需要的时候拿起尺子 / 计算器（调用 Skill）完成任务。
Workflow = 作业指导书：第一步干什么，第二步干什么，规定好先后顺序。

重点： ✅ Agent 可以调用多个 Skill ✅ Skill 本身不能自己主动思考、不能主动调用别的工具，只是一个可被调用的能力函数。

Skill 伪代码示例（火山方舟风格）

这里写两个 Skill：

skill_calculate：数学计算 Skill
skill_search_wiki：简易知识库检索 Skill

python 复制代码

# ========== Skill：原子能力，纯函数，无大模型思考 ==========
def skill_calculate(expression: str):
    """Skill：数学计算，只负责计算表达式，单一能力"""
    print(f"【Skill 计算工具】执行：{expression}")
    result = eval(expression)
    return f"计算结果：{result}"


def skill_search_wiki(keyword: str):
    """Skill：知识库检索Skill，只查资料，不总结、不推理"""
    db = {
        "牛顿": "牛顿是经典力学奠基人，发现万有引力",
        "爱因斯坦": "提出相对论"
    }
    content = db.get(keyword, "没有找到相关资料")
    return f"检索结果：{content}"

👉 特点：

Skill 就是普通函数，没有大模型调用
输入输出固定，只做单一功能
没有角色设定，不会自主判断要不要执行，必须由别人（Agent）调用它

单 Agent 调用上面 Skill 的伪代码

python 复制代码

from volcenginesdkarkruntime import Ark
client = Ark(api_key="xxx")

async def math_agent(user_query):
    """Agent：拥有思考能力，可以决定要不要调用Skill"""
    system_prompt = """
你是一个理科助手。
规则：
如果用户提问需要数学计算，调用 skill_calculate；
如果用户询问科学家资料，调用 skill_search_wiki；
不需要工具，就直接回答。
输出格式：{"tool_name":"xxx","args":"xxx"}
"""
    messages = [{"role":"system", "content": system_prompt}, {"role":"user", "content": user_query}]
    resp = await client.chat.completions.create(model="doubao-seed-2-0-lite", messages=messages)
    llm_decision = resp.choices[0].message.content

    # Agent 解析模型输出，然后调用对应的 Skill
    if "skill_calculate" in llm_decision:
        return skill_calculate("123 + 456 * 2")
    elif "skill_search_wiki" in llm_decision:
        return skill_search_wiki("牛顿")
    else:
        return llm_decision

执行逻辑：

用户提问 → Agent（大模型）思考：我要不要调用工具？
Agent 决定：需要计算 → 调用 skill_calculate
Skill 执行计算，返回结果给 Agent
Agent 拿到 Skill 返回结果，整理成最终答案给用户

Skill 不会自己启动，不会自己做决策。决策权属于 Agent。

再把三者放一起对比

表格

概念	核心定位	是否有大模型独立思考
Skill	原子工具函数，单一能力	❌ 没有大模型，纯函数执行
Agent	智能执行者，可以思考、选择调用 Skill	✅ 有独立大模型推理
Workflow	任务流转的步骤编排方案	❌ 只是流程定义，可以编排 Agent/Skill

举一个组合例子：Workflow 编排 Agent，Agent 内部调用 Skill

python 复制代码

# Workflow：工作流，固定串行步骤
async def science_report_workflow(user_question):
    # Step1：Agent1，收集资料（内部调用检索Skill）
    material = await collect_agent(user_question)
    # Step2：Agent2，整理报告（内部调用计算Skill）
    report = await write_report_agent(material)
    return report

Workflow：规定先收集，再写报告
collect_agent /write_report_agent：两个 Agent
Agent 内部按需调用 skill_search_wiki、skill_calculate

一句话区分总结

Skill = 工具，只会干活，不会思考
Agent = 会思考的智能体，可以按需调用 Skill
Workflow = 流程编排，规定 Agent/Skill 先后执行顺序

你之前那个串行小说多 Agent 例子，就是Workflow 编排了多个 Agent，每个 Agent 内部也可以挂载自己的 Skill（比如文本统计 Skill、查重 Skill）。