深度解析：Skill与Agent在智能系统中的核心区别与应用场景

2次阅读

共计 2702 个字符，预计需要花费 7 分钟才能阅读完成。

过度耦合的客服系统 ：某团队将所有对话逻辑硬编码在单个 Agent 中，导致增加新问答类型需修改核心决策逻辑，每次变更影响全量测试用例
失控的智能家居系统 ：开发者用多个独立 Skill 直接互相调用实现联动（如灯光 Skill 直接调用空调 Skill），当需求变更为 ” 仅夜间联动 ” 时，需修改所有 Skill 的代码

Skill（原子化能力单元）：完成特定任务的不可再分功能模块（如 NLP 中的实体识别、数据库查询）。特征包括：
无状态性：输出仅依赖当前输入
单一职责：每个 Skill 对应一个明确的功能契约
Agent（决策协调者）：根据上下文选择和执行 Skill 的调度中枢。核心能力包括：
状态管理：维护对话历史、用户画像等上下文
决策流控制：通过策略决定 Skill 执行顺序

维度	Skill	Agent
输入	结构化参数	原始用户输入 + 上下文
输出	标准化结果对象	用户响应 + 新上下文
状态管理	无（纯函数式）	维护会话状态
典型生命周期	毫秒级	长周期（如整个用户会话）
错误处理	抛出特定异常	决定重试 / 降级 / 终止

class WeatherQuerySkill:
    """
    天气查询 Skill（原子化能力单元）职责：根据城市名返回当前天气数据
    契约：输入必须包含 valid_city 参数
    """

    def __init__(self, api_key):
        self._validate_api_key(api_key)  # 内部初始化逻辑

    def execute(self, params: dict) -> dict:
        """
        执行入口
        :param params: 必须包含 {'city': str}
        :return: 标准化结果格式 {
           'temperature': float,
           'conditions': str
        }
        """if not params.get('city'):
            raise SkillInputError("Missing required parameter: city")

        try:
            # 调用第三方 API 获取原始数据
            raw_data = self._call_weather_api(params['city'])
            return {'temperature': raw_data['main']['temp'],
                'conditions': raw_data['weather'][0]['description']
            }
        except APIError as e:
            # 转换第三方 API 错误为 Skill 标准异常
            raise SkillExecutionError(f"Weather API failed: {str(e)}")

class DialogAgent:
    """决策协调者示例"""

    def __init__(self):
        self.skills = {'weather': WeatherQuerySkill(API_KEY),
            'calendar': CalendarSkill()}
        self.context = {}  # 维护跨 Skill 的会话状态

    def process_input(self, user_input: str) -> str:
        """
        决策流程：1. NLU 解析意图
        2. 根据上下文选择 Skill
        3. 执行并更新上下文
        """
        intent = self._nlu_parse(user_input)

        # 决策逻辑：根据意图和上下文路由
        if intent == 'query_weather':
            # 从上下文中补充城市参数（如之前用户提到过）params = {'city': self.context.get('last_city')}
            result = self.skills['weather'].execute(params)
            self.context['last_weather'] = result  # 记录上下文
            return f"当前温度：{result['temperature']}℃"

        elif intent == 'schedule_meeting':
            # 组合使用多个 Skill 的例子
            weather = self.skills['weather'].execute(...)
            if 'rain' in weather['conditions']:
                return self.skills['calendar'].suggest_indoor()

当功能满足以下条件时应设计为独立 Skill：
有明确的功能边界（如查询 / 修改 / 计算）
可能被多个 Agent 复用
需要独立升级或替换实现
典型反面案例：
把用户认证和订单查询合并为一个 Skill
在翻译 Skill 中硬编码语言黑名单

策略树模式 ：

def decide_skill(intent, context):
    if intent == 'book_hotel':
        if context.get('premium_member'):
            return VIPBookingSkill()
        return StandardBookingSkill()

流水线模式 ：

# 按固定顺序执行 Skill（如：先身份验证再业务处理）for skill in [AuthSkill(), PaymentSkill()]:
    if not skill.check(context):
        return "Requirement not met"

隐形耦合 ：

# 错误：Skill 内部直接调用其他 Skill
class BadSkill:
    def execute(self):
        # 直接依赖外部系统状态
        if Database.check_status(): ...

正确做法：通过 Agent 注入依赖参数

class GoodSkill:
    def execute(self, params):
        # 所有依赖通过显式参数传入
        if params.get('system_status') == 'normal': ...

决策循环优化 ：
对高频 Skill 做预热加载
缓存 NLU 解析结果

上下文剪枝 ：

# 定期清理过期上下文
def cleanup_context(self):
    for key in list(self.context.keys()):
        if key.startswith('temp_') and self.context[key]['expire'] < now():
            del self.context[key]