你是否也曾困惑：为什么精心设计的 Prompt 仍让 Agent “纸上谈兵”？为何封装了强大 Skills 的系统却“有劲使不出”？答案藏在智能体的“思维”与“行动”之间。

---

凌晨三点，你第 7 次调试 Agent：
用户问“帮我订明天上海到北京最早航班”，Agent 却回复“根据我的知识库，航班信息需查询…"——它明明“知道”要查航班，却无法行动。
问题出在哪？不是 Prompt 不够长，也不是 Skills 没写好，而是你混淆了智能体的“大脑”与“手脚”。

今天，我们拨开迷雾，用工程师的视角，彻底厘清 Agent 架构中两个常被混用的核心概念：Prompt 与 Skills。

---

一、重新定义：它们究竟是什么？

🔍 Prompt：Agent 的“认知框架”

Prompt 不是简单的用户输入，而是引导大语言模型（LLM）进行推理、规划与表达的指令体系。它定义了 Agent 的角色、约束、思维链路与输出风格。

• 典型组成：
  • 系统 Prompt（System Prompt）：设定身份与规则（如“你是一名严谨的财务助手”）
  • 任务 Prompt：描述当前目标与步骤
  • 上下文 Prompt：注入对话历史、环境状态
  • Few-shot 示例：提供输入-输出范例引导模型
• 关键特性：纯文本、动态可调、依赖 LLM 理解力
• 工程师视角：Prompt 是“软件需求文档”，告诉 LLM “要做什么”和“怎么做”，但不涉及“如何执行”。

🌰 示例：客服 Agent 的系统 Prompt 片段
“你负责解答用户关于订单的问题。若用户询问物流状态，请调用‘查询物流’技能，并将返回的 JSON 数据转化为口语化回复。禁止编造运单号。”

🛠️ Skills：Agent 的“行动肢体”

Skills（在 LangChain、Semantic Kernel 等框架中常称 Tools）是可被 Agent 调用的、具备具体功能的代码模块。它们让 Agent 突破 LLM 的文本生成边界，与真实世界交互。

• 典型类型：
  • 信息类：网络搜索、数据库查询、API 调用（天气、航班）
  • 操作类：文件读写、代码执行、邮件发送
  • 逻辑类：计算器、日期解析、格式转换
• 关键特性：代码实现、原子化、需明确输入/输出契约
• 工程师视角：Skills 是“微服务”，专注解决单一问题，且必须提供清晰的功能描述供 LLM 理解。

🌰 示例：search_web Skill 的伪代码描述

def search_web(query: str) -> str:
    """通过搜索引擎获取实时信息。输入：用户查询关键词；输出：摘要文本"""
    # 调用 SerpAPI，解析结果，返回前3条摘要

---

二、核心对比：思维与行动的鸿沟

维度	Prompt	Skills
本质	文本指令（认知层）	可执行代码（行动层）
作用	引导 LLM “思考”与“决策”	执行 LLM “决定”的具体动作
依赖	LLM 的理解与推理能力	外部服务、函数库、错误处理机制
修改成本	低（调整文本即可迭代）	高（需开发、测试、部署）
失效表现	逻辑混乱、答非所问	调用失败、参数错误、超时
设计哲学	“告诉模型如何思考”	“赋予模型做事的能力”

💡 一句话点睛：
Prompt 决定 Agent 能不能想明白，Skills 决定 Agent 能不能做出来。

---

三、协同实战：一次天气查询的完整旅程

用户输入：“周末带孩子去公园，需要查周六北京天气”

1. Prompt 引导决策
   系统 Prompt 告诉 LLM：“若涉及天气查询，调用 get_weather Skill，参数需包含城市与日期”。LLM 识别意图，生成工具调用指令：{"tool": "get_weather", "params": {"city": "北京", "date": "周六"}}

2. Skills 执行动作
   Agent 调用 get_weather Skill（内部封装和风天气 API），返回结构化数据：{"temp": "22℃", "condition": "晴", "uv": "中等"}

3. Prompt 整合表达
   LLM 基于 Prompt 中的“回复风格要求”，将数据转化为自然语言：
   “周六北京晴，22℃，紫外线中等。适合带孩子户外活动，建议戴遮阳帽哦~"

✅ 闭环完成：Prompt 负责“理解-规划-表达”，Skills 负责“获取真实数据”。二者缺一，Agent 即失效。

---

四、避坑指南：开发者高频误区

误区	后果	优化建议
把复杂计算塞进 Prompt	LLM 算错、幻觉频发	封装 calculator Skill，让代码做计算
Skills 描述模糊（如“处理数据”）	LLM 误调用或参数错误	明确命名+参数示例："csv_to_json(file_path: str)"
Prompt 未约束 Skill 调用逻辑	重复调用、逻辑死循环	在 Prompt 中写明：“仅当用户明确要求时调用支付 Skill”
忽略 Skills 的错误反馈	Agent 卡死或静默失败	Skill 返回标准化错误码，Prompt 引导 LLM 生成友好提示

---

五、进阶思考：不止于区分

理解区别只是起点。真正的工程艺术在于协同设计：

• Prompt 为 Skills 服务：在 Prompt 中清晰列出可用 Skills 及调用范式，降低 LLM 决策熵。
• Skills 为 Prompt 减负：将易错逻辑（如日期解析、单位换算）封装为 Skill，让 Prompt 专注高层规划。
• 动态演进：尝试“Prompt 自优化”（根据 Skill 执行结果反馈调整后续 Prompt）；探索 Skill 编排引擎（如将“搜索→总结→绘图”串联为工作流）。

未来已来：AutoGen 的群聊 Agent、Microsoft AutoGen Studio 的可视化 Skill 编排，正将 Prompt 与 Skills 的协作推向新高度。真正的智能体，既要有清晰的“思维蓝图”，也要有可靠的“行动肌肉”。

---

结语

Prompt 与 Skills，如同船长与水手：
船长（Prompt）制定航线、解读风向；水手（Skills）升帆摇橹、应对风浪。
没有船长，船会迷失；没有水手，船寸步难行。

下次当你调试 Agent 时，不妨自问：
❓ 是“思维”出了问题（Prompt 设计不足）？
❓ 还是“行动”受阻（Skills 缺失或描述不清）？