前两篇我们分别介绍了：
- Prompt：告诉 AI 应该做什么
- Skill：封装一类可复用能力【AI技术】从 Prompt 到 Skill：AI 到底“会什么”？-CSDN博客
https://blog.csdn.net/dfraetaem/article/details/165364646?spm=1001.2014.3001.5501
- Tool：让 AI 获得实际执行能力
- Workflow：将多个工具组合成固定流程【AI技术】从 Tool 到 Workflow：AI 如何真正“做事”？-CSDN博客
https://blog.csdn.net/dfraetaem/article/details/165491014?spm=1001.2014.3001.5501
到这里，AI 已经可以完成很多实际任务。例如：
读取文件 ↓ 处理数据 ↓ 查询信息 ↓ 生成报告但随着任务复杂度增加，一个问题逐渐出现：
如果下一步应该做什么，开发者无法提前确定怎么办？
例如“分析这份数据，并找出可能的问题”，AI 可能需要：
查看数据结构 ↓ 发现字段缺失 ↓ 决定补充信息 ↓ 进一步分析异常 ↓ 生成结果这个过程中，每一步都不是完全固定的。
因此，我们需要一种能够满足以下目标的 AI 应用模式：
- 理解目标
- 制定计划
- 调用工具
- 根据结果调整方案
也就是——Agent（智能体）。
一、Agent：让 AI 具备自主决策能力
Agent 通常翻译为智能体。简单理解：
Agent 是能够根据目标，自主规划步骤并调用工具完成任务的 AI 系统。
与普通聊天机器人相比，Agent 不只是：
用户提问 ↓ AI回答而更像：
用户目标 ↓ Agent 理解任务 ↓ 制定执行计划 ↓ 调用工具 ↓ 观察结果 ↓ 调整下一步行动 ↓ 完成任务一个简单例子
用户询问：“帮我分析这份数据，并生成报告”。
普通 Workflow所有步骤提前确定。：
读取文件 ↓ 数据清洗 ↓ 生成报告而 Agent：
读取文件 ↓ 发现数据缺少关键字段 ↓ 决定先检查数据来源 ↓ 调用数据库查询补充信息 ↓ 重新分析 ↓ 发现异常 ↓ 决定生成详细报告这里最大的区别是：
Agent 可以根据当前情况决定下一步，而不是完全按照固定流程执行。
二、Workflow 和 Agent 有什么区别？
这是 AI 应用开发中最容易混淆的问题。
简单来说：
Workflow 是固定流程，Agent 是动态决策。
可以这样理解：
| Workflow | Agent | |
|---|---|---|
| 中文 | 工作流 | 智能体 |
| 核心 | 固定流程 | 自主决策 |
| 执行方式 | 按预设步骤执行 | 根据目标动态调整 |
| 灵活性 | 较低 | 较高 |
| 开发方式 | 设计流程 | 设计能力和约束 |
| 适合场景 | 流程明确的任务 | 复杂、不确定任务 |
Workflow 示例
例如一个固定的数据处理流程：
上传文件 ↓ 读取数据 ↓ 清洗数据 ↓ 统计分析 ↓ 生成报告因为流程非常明确，所以适合使用 Workflow。
Agent 示例
例如一个数据分析助手：
用户：分析这份数据，告诉我有哪些问题。 Agent： 1. 查看数据结构 2. 判断需要哪些分析方式 3. 调用数据分析工具 4. 根据结果决定是否进一步查询 5. 输出结论这里没有固定规定：
第一步一定是什么，第二步一定是什么。
而是由 Agent 根据当前情况决定。
三、Agent 的核心组成
一个简单的 Agent 通常包含几个部分：
Agent │ ├── 大语言模型（LLM） │ ├── 任务目标 │ ├── 思考与规划能力 │ ├── Tool 工具调用能力 │ └── 状态记录 / Memory其中：
1. LLM：负责理解和推理
例如，理解用户目标：
“分析数据中的异常。”
又或是，判断：
“我需要先查看数据结构。”
2. Tool：提供执行能力
Agent 本身不能：
- 读取文件
- 查询数据库
- 调用 API
所以需要调用 Tool。
例如：
Agent ↓ Python Tool ↓ 执行数据分析 ↓ 返回结果3. Planning：任务规划
这是 Agent 与普通 Workflow 的关键区别。
Workflow：步骤已经写好
Agent：根据目标决定步骤
例如：
目标：完成市场分析 Agent： 需要搜索资料？ 需要分析数据？ 需要生成报告？ 决定执行顺序。四、Agent 是否等于“会调用工具的 AI”？
这是一个常见误区。
很多人认为：
AI 能调用 Python 或 API，就是 Agent。
实际上并不是，例如：
用户：计算这个数据。 AI：调用计算工具。--→ 工具返回结果。 AI：输出答案。这里是AI+Tool，但不一定是 Agent。因为它只是调用了一个工具。
但如果流程是：
读取文件 ↓ 调用 Python ↓ 生成结果而这些步骤都是开发者提前定义好的，那么它更接近工作流Workflow。
真正的 Agent是这样的：
用户：完成一个复杂任务。 Agent：判断需要哪些工具 ↓ 决定执行顺序 ↓ 根据结果调整方案 ↓ 完成任务关键区别：
Agent 的核心不是调用工具，而是决定什么时候调用什么工具。
五、MCP：让 Agent 更方便连接外部能力
随着 Agent 发展，又出现了一个新的问题：
每个工具都有不同的接口，AI 如何统一连接？
例如有文件系统、数据库、搜索服务、企业应用、第三方 API等等，如果每个工具都需要单独开发连接方式，会越来越复杂。因此出现了MCP（Model Context Protocol，模型上下文协议）。
简单理解，MCP 是一种帮助 AI 连接外部工具和数据的标准协议。
可以理解成，传统方式：
AI ↓ 每个工具单独开发接口 ↓ 文件 数据库 API而MCP则是：
AI ↓ MCP ↓ 统一连接 ↓ 文件 数据库 API它的作用就是给AI 提供一个统一的“工具连接标准”。
六、Skill、Tool、Workflow、Agent 的完整关系
到这里，我们可以把整个 AI 应用链路连接起来：
Prompt：告诉 AI 做什么 ↓ Skill：封装一类能力 ↓ Tool：提供执行能力 ↓ Workflow：按照固定流程完成任务 ↓ Agent：自主决定如何完成任务可以简单记忆：
| 概念 | 解决的问题 |
|---|---|
| Prompt | 我要告诉 AI 什么？ |
| Skill | AI 应该具备什么能力？ |
| Tool | AI 可以执行什么操作？ |
| Workflow | AI 应该按照什么流程执行？ |
| Agent | AI 下一步应该做什么？ |
七、什么时候应该使用 Agent？
当然并不是所有 AI 应用都需要 Agent。
如果任务：
- 流程固定
- 步骤明确
- 结果可预测
那么Workflow 往往已经足够。
例如这种固定流程没有必要引入 Agent：
自动生成日报 ↓ 读取数据 ↓ 整理格式 ↓ 发送消息而 Agent 更适合：
- 任务目标明确，但过程未知
- 需要多步骤推理
- 需要动态选择工具
- 需要根据结果调整方案
例如：
用户：帮我完成一次市场调研。 ↓ AI：搜索资料 ↓ AI：整理信息 ↓ AI：分析数据 ↓ AI：生成报告小结
从第一篇到第三篇，我们可以看到 AI 应用能力的逐步扩展，它们分别代表：
Prompt：告诉 AI 怎么做
Skill：让 AI 拥有某类能力
Tool：让 AI 可以执行操作
Workflow：让多个能力形成固定流程
Agent：让 AI 自主规划完成任务
最终Workflow 解决“如何按照流程完成任务”，Agent 解决“面对复杂任务时，下一步应该怎么做”。
但 Agent 并不是 AI 应用的终点。随着 Agent 需要连接越来越多的数据、工具和服务，如何让 AI 更方便地访问外部世界，会成为新的问题。这也引出了MCP、Memory、RAG 等 AI 应用架构。
