Tool、Skill、Agent 到底有什么区别？

大模型丫丫

391人浏览 · 2026-07-30 16:35:55

大模型丫丫 · 2026-07-30 16:35:55 发布

引言：为什么需要分清这三者？

在人工智能和自动化领域，尤其是随着大语言模型（LLM）和智能体（Agent）的兴起，“工具（Tool）”、“技能（Skill）”和“智能体（Agent）”这三个术语频繁出现，但它们的含义常常被混淆。对于开发者、产品经理乃至普通用户而言，清晰理解这三者的区别，是构建、选择和使用智能系统的关键第一步。

本文将深入浅出地解析 Tool、Skill 和 Agent 的核心概念、相互关系与典型应用场景，帮助你建立清晰的认知框架。

1. 工具（Tool）：单一功能的执行单元

工具（Tool） 是三者中最基础、最具体的概念。你可以把它想象成一把“螺丝刀”或一个“API 接口”。

核心特征

功能单一且明确：一个工具只做一件事。例如：计算器工具只进行数学运算，天气查询工具只返回指定城市的天气信息，数据库查询工具只执行 SQL 语句。
被动调用：工具本身没有自主性，它不会主动思考或决策。它静静地躺在“工具箱”里，等待被某个执行者（可能是人，也可能是程序/Agent）调用。
输入输出确定：工具的接口（输入参数）和返回结果（输出格式）通常是严格定义的。

技术实现举例

# 一个简单的“获取当前时间”工具
def get_current_time(timezone: str = "UTC") -> str:
    """返回指定时区的当前时间。"""
    from datetime import datetime
    import pytz
    tz = pytz.timezone(timezone)
    current_time = datetime.now(tz).strftime("%Y-%m-%d %H:%M:%S")
    return f"当前时间（{timezone}）: {current_time}"

# 调用工具
print(get_current_time("Asia/Shanghai"))
# 输出：当前时间（Asia/Shanghai）: 2023-10-27 14:30:00

小结：工具是原子性的能力提供者，是构建更复杂系统的砖块。

2. 技能（Skill）：完成特定任务的“方法包”

技能（Skill） 比工具高一个层级。它代表完成一个特定目标或任务的能力，这个能力通常通过协调调用一个或多个工具，并按照一定逻辑或流程组织来实现。

核心特征

面向任务：技能与一个具体的、可描述的任务目标绑定。例如：“预订机票”、“生成周报”、“故障诊断”。
包含逻辑与流程：技能内部封装了“如何做”的逻辑。它可能涉及条件判断（if-else）、循环、多个工具的序列调用或并行调用。
可复用与组合：一个设计良好的技能可以被不同的智能体或系统复用。复杂的技能可以由更简单的子技能组合而成。

与工具的关系

技能使用工具：技能是工具的“消费者”。例如，“预订机票”技能可能会依次调用：查询航班工具 -> 比价工具 -> 用户认证工具 -> 支付工具。
技能抽象了细节：调用者（如用户或Agent）只需要说“帮我订一张明天北京飞上海的机票”，而不需要关心内部调用了哪些具体工具以及调用的顺序。

技术实现举例

# 一个“生成天气简报”技能
def generate_weather_briefing(city: str) -> str:
    """
    技能：为指定城市生成一份友好的天气简报。
    内部协调调用多个工具。
    """
    # 1. 调用工具：获取天气数据
    weather_data = weather_query_tool(city)
    
    # 2. 调用工具：将温度单位从开尔文转换为摄氏度
    temp_c = kelvin_to_celsius_tool(weather_data['temp'])
    
    # 3. 内部逻辑：根据天气状况生成描述性语句
    condition = weather_data['condition']
    if "rain" in condition.lower():
        advice = "建议出门带伞。"
    elif temp_c > 30:
        advice = "天气炎热，注意防暑。"
    else:
        advice = "天气宜人。"
    
    # 4. 组织并返回结果（整合了多个工具的输出和内部逻辑）
    briefing = f"{city}的天气简报：\n"
    briefing += f"- 天气：{condition}\n"
    briefing += f"- 温度：{temp_c:.1f}°C\n"
    briefing += f"- 建议：{advice}"
    
    return briefing

# 使用技能
print(generate_weather_briefing("北京"))

小结：技能是面向任务的、封装了逻辑流程的能力单元，它通过组合工具来解决问题。

3. 智能体（Agent）：拥有自主决策能力的“大脑”

智能体（Agent） 是最高层级的概念。它是一个能够感知环境、自主决策、执行动作以实现目标的系统。Agent 的核心在于“自主性”和“目标导向”。

核心特征

自主决策：Agent 根据接收到的信息（用户指令、环境状态、历史记录）和自身的目标，主动决定“下一步做什么”。它可能选择调用某个技能，也可能选择向用户提问以澄清需求。
目标导向：Agent 的行为由最终目标驱动，而不仅仅是执行预设流程。例如，目标是“策划一场生日派对”，Agent 会自主分解任务、调用相关技能（订蛋糕、找场地、邀请好友），并在遇到问题时尝试替代方案。
状态与记忆：Agent 通常拥有短期记忆（对话历史）和长期记忆（知识库），用于理解上下文并做出更连贯的决策。
工具与技能的“调度者”：Agent 拥有一个可供调用的工具和技能库（Toolkit），它像一位“指挥官”，根据当前情况选择最合适的工具或技能来使用。

与技能、工具的关系

Agent 调度技能和工具：Agent 是技能和工具的“调用者”和“编排者”。一个复杂的 Agent 任务可能涉及动态选择并串联多个技能。
Agent 包含规划与反思：高级 Agent 具备“规划”（Plan）和“反思”（Reflect）能力。例如，在任务失败后，它能分析原因并调整策略。

技术实现框架（概念性伪代码）

# 一个基于LLM的简单任务型Agent框架
class TaskAgent:
    def __init__(self, llm, tools, skills):
        self.llm = llm  # 大语言模型，作为决策核心
        self.tools = tools  # 可用的工具集
        self.skills = skills  # 可用的技能集
        self.memory = []  # 对话记忆
        
    def run(self, user_input: str):
        """Agent 主循环"""
        self.memory.append(f"用户: {user_input}")
        
        while not self.task_is_complete():
            # 1. 规划与决策：LLM分析当前状态，决定下一步行动
            decision = self.llm.decide_next_step(
                current_goal=user_input,
                available_actions=self.tools + self.skills,
                memory=self.memory
            )
            
            # 2. 执行动作：可能是调用工具、技能，或与用户交互
            if decision.action_type == "use_tool":
                result = self.tools[decision.tool_name].execute(decision.parameters)
            elif decision.action_type == "use_skill":
                result = self.skills[decision.skill_name].execute(decision.parameters)
            elif decision.action_type == "ask_user":
                result = ask_user_for_clarification(decision.question)
                
            # 3. 观察结果并更新记忆
            self.memory.append(f"Agent执行 {decision}: 得到结果 {result}")
            
            # 4. 反思与调整（可选）
            if self.should_reflect(result):
                self.reflect_and_adjust_plan()
                
        # 任务完成，整理最终答案
        final_answer = self.llm.summarize(self.memory)
        return final_answer