共计 1258 个字符，预计需要花费 4 分钟才能阅读完成。

从两个典型错误案例说起

最近 review 新手项目时，发现两类高频错误：
1. 把天气查询 API 调用写成冗长的思维链(Chain-of-Thought, CoT)，导致每次请求重复初始化连接
2. 试图用 Agent Skill 实现数学证明推导，结果代码变成难以维护的状态机

这些问题的本质，是混淆了两种核心技术：
– Agent Skills：像瑞士军刀模块，即插即用
– 思维链(CoT)：像草稿纸推理，过程即结果

技术解剖：定义与定位差异

Agent Skills 的本质特性

1. 原子化封装 ：每个 Skill 完成单一明确任务（如WeatherLookupSkill 仅处理天气查询）
2. 持久化 /Persistence：初始化后可重复调用（如数据库连接池）
3. 接口标准化 ：通常包含initialize() 和execute()方法

# 典型 WeatherSkill 实现
class WeatherSkill:
    def __init__(self, api_key):
        self.client = WeatherAPI(api_key)  # 持久化客户端

    def execute(self, location):
        """标准化执行入口"""
        return self.client.get_current(location)

思维链的核心特征

1. 临时性 /Ephemeral：推理过程不存储（如解题草稿）
2. 可解释性 /Explainability：保留中间步骤（如step1: 提取题目中的已知量）
3. 线性依赖：前序步骤输出作为后续输入

# 数学解题的 CoT 伪代码
def solve_math_problem(problem):
    steps = []
    steps.append("1. 提取已知条件:" + extract_numbers(problem))
    steps.append("2. 识别问题类型:" + classify_problem(problem))
    steps.append("3. 套用公式:" + apply_formula(steps[1]))
    return steps  # 返回完整推理链

架构层面对比

flowchart TD
    subgraph Agent 系统
        A[Agent Core] --> B[Skill 仓库]
        B --> C[WeatherSkill]
        B --> D[DBSkill]
        A --> E[CoT 引擎]
    end

关键区别：
– Skills 位于 水平扩展层（可独立增删）
– CoT 属于 垂直流程层（临时调用）

避坑实操指南

何时选择 Agent Skill

1. 需要 状态保持 的场景（如 API 限流计数器）
2. 高频复用 的功能（如日志记录）
3. 需要 资源预加载 的操作（如模型权重）

适合 CoT 的场景

1. 需要 过程追溯 的任务（如数学证明）
2. 一次性 复杂推理（如多步决策）
3. 强调 可解释性 的输出（如医疗诊断）

进阶思考方向

1. Skill 版本管理：如何在不中断服务的情况下升级PaymentSkill？
2. CoT 步骤控制：递归推理是否应该设置最大深度？

理解这些差异后，你会注意到：
– 在电商机器人中，支付功能应该实现为 Skill
– 而用户咨询的商品推荐更适合用 CoT 生成推导过程

下次设计时，不妨先问自己：这个功能需要 ” 记住 ” 什么吗？