1. 首頁 > 生活百科 > >

智能體還是技能？答案是兩者并存

javaPython

智能體還是技能？答案是兩者并存

在模型上下文協議熱度還未消退之前 ， Anthropic再次推出了另一個重磅產品：智能體技能 。

智能體是完整的決策實體 ， 具備系統提示、工具訪問、支撐模型（如Claude、ChatGPT等）以及讓它們能夠協調工作流程和管理狀態的智能體循環 。
新的智能體技能是模塊化、聲明式的專業知識包——將程序化知識組織成可重用的單元 ， 智能體可根據需要逐步加載 。
這引發了一個有趣且根本性的架構問題：什么應該是智能體 ， 什么應該是技能？這一選擇對范圍管理、上下文窗口可靠性、可擴展性和可評估性都有實際影響 。
答案不是二選一 ， 而是讓智能體具備技能 。
早期智能體系統的局限性
早期的智能體系統遇到了可預見的瓶頸 。 團隊為每個用例構建專門的智能體：客戶服務智能體、編程智能體、研究智能體 。 當這些智能體需要新功能時 ， 開發人員會更新系統提示或創建全新的智能體 。 這種方法可行 ， 但很快就會變得難以管理 。
這種模式在各個組織中重復出現：新的邊緣案例需要修改提示 ， 有時能解決問題 ， 但往往在其他地方造成回歸 。 智能體缺乏從執行中學習或跨上下文轉移知識的機制 。 上下文窗口因越來越復雜的指令或矛盾而變得臃腫 ， 導致智能體分心、困惑或無法推理沖突信息 。
我們曾經認為智能體在不同領域會根據提示和工具表現得截然不同 。 但底層的模型-智能體關系實際上比我們想象的更通用 。 這一認識提出了不同的模型：配備專業能力庫的通用智能體 。
技能的優勢
技能讓我們能夠在不改變架構的情況下迭代領域專業知識 。
它們主要是聲明性的 ， 意味著領域專家可以在不修改智能體邏輯的情況下貢獻能力 。 安全團隊可以將其合規工作流程打包成技能 。 數據工程團隊可以編碼其ETL最佳實踐 。 這些貢獻無需修改智能體的核心系統提示或決策循環 。
當智能體遇到新場景時 ， 技能提供了清晰的責任邊界 。 團隊可以更新一個領域的技能 ， 而不會影響另一個領域的回歸 。 技能可以版本化、獨立測試 ， 并基于遙測數據改進 ， 所有這些都不會有系統提示工程的脆弱性 。
技能支持漸進式加載 ， 逐步引入資源以幫助解決上下文臃腫問題 。 任何使用智能體的人可能都經歷過上下文窗口臃腫時會發生什么 ， 2025年的研究表明 ， 過載上下文窗口會導致令人意外的失敗模式 。
漸進式加載解決了這個問題：在運行時 ， 智能體只看到技能元數據（名稱和描述） 。 只有當智能體確定技能與當前任務相關時 ， 完整內容才會加載 。 這意味著打包到技能中的上下文量實際上可以是無界的 ， 而不會影響智能體的推理能力 。
實際應用案例
我們在構建clickhouse.build時面臨了這個架構決策問題 ， 這是一個智能體編程助手 ， 幫助開發人員將分析工作負載從Postgres遷移到ClickHouse 。 我們的命令行界面最初提供四個專門的智能體：掃描器識別代碼庫中的分析查詢、數據遷移器設置ClickPipes、代碼遷移器添加ClickHouse接口同時保持向后兼容性 ， 以及QA智能體驗證更改 。
范圍刻意狹窄：Postgres查詢和TypeScript代碼庫 。 這種特異性使智能體性能良好 ， 但限制了其適用性 。 當Anthropic在2025年10月發布智能體技能時 ， 我們看到了在不犧牲質量的情況下擴展這一狹窄范圍的機會 。
通過引入技能 ， 我們現在可以支持其他在線事務處理源（如MySQL和MongoDB）、Python和Java代碼庫 ， 以及更靈活的QA工作流程 ， 而無需重寫我們的核心智能體 。 語言客戶端維護者可以為其領域（Golang、Java、Python）開發技能 ， 而無需觸及智能體編排邏輯 。 我們可以圍繞特定技能構建評估并獨立改進它們 。
我們的智能體通過評估維持范圍和質量 ， 而技能使組織內的領域專家能夠貢獻 ， 并通過漸進式加載保護上下文窗口 。
選擇指導原則
那么 ， 什么時候應該構建智能體或技能？
構建智能體的情況：
- 需要具有多步決策樹的完整工作流程編排
- 跨復雜操作的狀態管理
- 通過系統評估進行質量控制
- 防止濫用的范圍邊界
構建技能的情況：
- 跨上下文適用的可重用程序化知識
- 非開發人員的領域專業知識貢獻
- 通過選擇性加載保護上下文窗口
- 可以獨立發展的能力
許多現有的智能體——實際上是帶有工具訪問的結構化提示——可能只需最少的更改就能成為技能 。 但某些用例確實需要完整智能體提供的控制、范圍管理和可評估性 。
未來展望
智能體AI的未來不是在智能體和技能之間做選擇 ， 而是在正確的時間為智能體配備正確的技能 。 智能體進行編排、維持范圍并通過評估確保質量 。 技能打包專業知識、保護上下文窗口并使領域專家能夠貢獻 。
這種架構已經在重塑像clickhouse.build這樣的生產系統 ， 隨著技能與MCP一起成為開放標準 ， 它有望成為默認的發展方向 。
Q&A
Q1：智能體技能是什么？它與智能體有什么區別？
A：智能體技能是模塊化、聲明式的專業知識包 ， 將程序化知識組織成可重用的單元 。 與智能體不同 ， 技能主要是聲明性的 ， 可以被智能體根據需要逐步加載 ， 而智能體是具備完整決策能力的實體 。
Q2：為什么說智能體和技能應該并存而不是二選一？
A：因為它們解決不同的問題 。 智能體負責工作流程編排、狀態管理和質量控制 ， 而技能提供可重用的專業知識、保護上下文窗口并支持領域專家貢獻 。 兩者結合可以實現更好的系統架構 。
Q3：clickhouse.build是如何應用智能體技能架構的？
【智能體還是技能？答案是兩者并存】A：clickhouse.build最初有四個專門的智能體處理Postgres到ClickHouse的遷移 。 引入技能后 ， 他們可以支持MySQL、MongoDB等更多數據源和Python、Java等語言 ， 無需重寫核心智能體邏輯 。

    推薦閱讀