企业官网建设流程全解析

卖农产品最好的平台,外贸流程优化,域名解析查询,货运网站建设公司本文详解了大模型智能体架构中的Skills层#xff0c;作为LLM与工具间的逻辑抽象层#xff0c;通过封装专业知识和工作流程#xff0c;实现流程的刚性控制、Token节省和错误自愈。Skills将智能体从单兵作战转向兵团作战#xff0c;通过神经符…本文详解了大模型智能体架构中的Skills层作为LLM与工具间的逻辑抽象层通过封装专业知识和工作流程实现流程的刚性控制、Token节省和错误自愈。Skills将智能体从单兵作战转向兵团作战通过神经符号架构融合解决大模型在复杂工业场景中的不确定性是构建高效智能体的关键组件。一、基础架构1大脑层 (The Brain - LLM)这是智能体的核心负责高级认知。功能语义理解、意图识别、逻辑推理。输入用户的自然语言。输出决策指令例如决定调用哪个 Skill。2规划层 (Planning) —— 智能体的“前额叶”任务拆解 (Decomposition)将大目标拆成 Step 1, 2, 3。反思 (Reflection)对初步计划进行自我纠错Self-Correction。3记忆层 (Memory) —— 智能体的“经验库”短期记忆对话上下文Context window。长期记忆通过 RAG 技术检索的行业知识、历史审计案例。4执行与技能层 (Action Skills) ——重点区域这里是 Skills 和 Tools 的交互区Skill 封装包含专家 SOP怎么审和逻辑判断遇到错误怎么办。MCP 协议层标准化的接口转换器负责把 Skill 指令传给外部。Tools/API具体的执行工具ERP 数据库、网页搜索、邮件系统。Skill 到底长什么样 可以把它想象成一个“带有逻辑的说明书”。如果用代码化的方式描述它大致长这样Skill_Name: Supply_Chain_Risk_Audit Role_Template: Senior_Auditor_Prompt_v1.2 # 这里是你的专家提示词 Workflow: - Step_1: Call_MCP(erp_server, get_supplier_info) - Step_2: Call_MCP(search_server, check_news) - Step_3: If (Risk_Score 80) then Call_MCP(mail_server, draft_email) Constraints: - Max_Token_Usage: 2000 - Human_In_The_Loop: true # 关键操作必须由人类确认二、工作流程没有 Skill 的流程用户 - 大脑 - 工具。大模型容易在复杂的工具调用中“迷路”。有 Skill 的流程用户 - 大脑 -Skill (SOP 逻辑)- 多个工具组合。流程变得可预测、专业化且高效。对应的图例三、实现在现代智能体开发框架如 LangGraph, CrewAI 或企业级自定义引擎中Skill 不再只是一段 Prompt而是一个声明式的逻辑实体。Skill 的代码结构定义一个健壮的 Skill 通常由描述Metadata、逻辑流Logic Flow和工具绑定Tool Binding三部分组成。以下是以YAML/JSON混合风格定义的“供应商风险审计 Skill”示例skill_id: supply_chain_risk_analyzer_v2 version: 2026.01.06 # 1. 专家 Prompt 注入赋予模型特定的审计思维 system_prompt_extension: 你现在是首席审计专家。在调用工具前必须先建立假设。 在获取数据后必须寻找交付延迟与外部负面新闻的关联度。 如果风险评分超过 75必须强制生成预防性建议。 # 2. 依赖的工具集通过 MCP 协议连接 required_tools: - mcp_server: enterprise_erp tools: [get_supplier_performance, get_unfulfilled_orders] - mcp_server: global_intelligence tools: [search_news, get_weather_alerts] # 3. 确定性的逻辑流 (The Workflow) workflow_control: mode: sequential_with_reflection # 顺序执行带自省 steps: - id: internal_audit action: get_supplier_performance retry_policy: max_3_times - id: external_scan action: search_news condition: if internal_audit.delayed_rate 0.1 # 只有延迟率超标才查新闻节省 Token - id: final_judgment logic: python_interpreter # 运行一段确定的数学公式计算风险分 code: risk_score (data.delay * 0.7) (data.news_sentiment * 0.3)Skill 执行的内部状态机为了保证复杂任务不掉线Skill 在执行时会维护一个“状态机” (State Machine)。为什么需要状态机断点续传如果网络闪断或 MCP 服务器重启智能体知道自己执行到了“Step 2”不需要从头再来。多轮交互当 Skill 发现缺失关键信息比如供应商代码错误时它可以将状态挂起Suspend向人类询问后继续。Skill vs. Tool 调用流程对比代码逻辑视角普通工具调用 (Direct Tool Use)# 模型直接决定调哪个很松散 response llm.call(tools[google_search, send_email], prompt帮我看看供应商风险) # 结果模型可能直接发了邮件但忘了看内部数据。基于 Skill 的调用 (Skill-Based)# 通过 Skill 引擎执行逻辑受控 audit_skill SkillEngine.load(risk_analyzer) result audit_skill.run(input供应商 A) # 内部闭环 # 1. 强制先查 ERP # 2. 强制做风险建模 # 3. 最后才给出结论总结给开发者的建议如果你要构建自己的 Skill 库请遵循以下三个原则1原子化工具复合化技能把工具MCP做得尽可能简单把业务逻辑Skill封装得尽可能专业。2逻辑硬化对于计算分数、判断权限等****不容出错的逻辑写死在 Skill 的代码/脚本里不要让模型去猜测。3上下文隔离每个 Skill 应该只携带与其相关的知识避免把成千上万个工具的描述全塞进大模型的 Context 里那是目前 Agent 崩溃的主要原因。四、进阶实现首先是给工具注入灵魂编写 Skill Prompt其次是给大脑安装导航设计路由逻辑。第一步为 MCP 工具编写配套的 Skill Prompt假设你已经有一个基础的 MCP 工具叫erp_connector它只能干巴巴地返回 JSON 数据。我们要把它包装成一个“财务健康诊断 Skill”。1原始工具MCP能力get_cash_flow(period): 返回现金流数字。get_debt_ratio(): 返回资产负债率。2封装后的 Skill Prompt你要在 Skill 的定义层注入这段指令强制模型在调用工具前后进行“专家思考”### Skill: Financial_Health_Validator **Context**: 你现在是一名资深 CFO 助理。你的目标不是罗列数字而是评估稳定性。 **Execution Logic**: 1. **预判 (Pre-computation)**: 在调用 get_cash_flow 前先根据对话历史确认当前的行业基准值。 2. **数据获取 (Data Acquisition)**: 调用工具获取原始 JSON。 3. **分析模型 (Analysis Model)**: - 禁止直接输出结果。必须应用“杜邦分析法”思维。 - 如果 debt_ratio 70%必须自动触发下一步检索该供应商的授信记录。 4. **输出标准**: - 必须包含[风险结论]、[核心指标]、[改进建议]三部分。 - 如果数据缺失禁止胡编必须明确指出“由于缺少XX数据无法完成完整审计”。第二步设计多 Skill 之间的“自动路由逻辑”当你的智能体拥有多个技能如审计 Skill、法务 Skill、物流 Skill时它需要一个**“调度员”**来决定现在该用哪本秘籍1、实现路由的三种方式A. 语义路由 (Semantic Router) - 最快利用向量相似度。如果用户说“合同里的赔偿条款怎么写”系统不经过大模型直接在向量库匹配到“法务 Skill”。优点省钱、极速。缺点无法处理复杂、模糊的混合意图。B. LLM 分发员 (LLM Dispatcher) - 最智能专门用一个较小、反应快的模型如 Gemini 1.5 Flash作为“前台”它只负责看一眼需求然后从 Skill 列表中选出 ID。Dispatcher 的指令示例“你有以下技能[Audit, Legal, Logistics]。根据用户输入只输出技能 ID。如果输入复杂输出技能序列如 Audit, then Legal。”C. 规划器模式 (Planner Mode) - 最强大模型不直接选 Skill而是先写一个Plan。Plan Step 1: 使用Audit_Skill检查坏账。Plan Step 2: 如果坏账超标启动Legal_Skill起草催收函。2、实战案例路由逻辑如何处理“突发状况”想象一下用户说“我们最大的供应商最近因为暴雨停产了这会对我们的交付产生什么影响我们要不要起诉他们违约”路由逻辑的运作流程1意图识别发现包含“停产供应链”和“起诉法务”两个领域。2链式调度 (Skill Chaining)首先激活Logistics_Skill通过 MCP 查库存余量计算撑几天。然后激活Legal_Skill读取合同中的“不可抗力”条款。3最终汇总将两个 Skill 的执行结果整合成一份“风险与对策建议书”。五、生产级代码实现我们将展示两种模式一种是极速的关键词/if-else 路由另一种是强大的LLM 语义路由。import json from typing import List, Dict # 模拟 Skill 库定义 SKILLS_REGISTRY { audit_skill: { name: 供应链风险审计, description: 用于分析供应商延迟、财务风险和地缘政治影响。, tools: [erp_mcp, news_mcp] }, legal_skill: { name: 合同法务分析, description: 用于分析合同条款、不可抗力证明和法律风险。, tools: [contract_db, legal_search] } } class AgentDispatcher: def __init__(self, model_client): self.client model_client # 方案 A极速路由 (Keyword/If-Else) def fast_route(self, user_input: str) - str: text user_input.lower() if any(word in text for word in [审计, 供应商, 延迟, 到货]): return audit_skill if any(word in text for word in [合同, 起诉, 违约, 条款]): return legal_skill return general_chat # 方案 BLLM 语义路由 (LLM-Select) - 更加智能 def llm_route(self, user_input: str) - str: prompt f 你是一个智能体调度员。请根据用户输入从以下 Skill 列表中选择最合适的一个。 只需输出 Skill ID不要输出其他任何字符。 Skill 列表: {json.dumps(SKILLS_REGISTRY, ensure_asciiFalse)} 用户输入: {user_input} # 假设使用的是类似 OpenAI/Gemini 的调用方式 selected_id self.client.generate(prompt).strip() return selected_id if selected_id in SKILLS_REGISTRY else general_chat def execute(self, user_input: str): # 1. 决策该用哪个 Skill skill_id self.llm_route(user_input) print(f--- [调度器决策]激活 {skill_id} ---) # 2. 执行根据选定的 Skill 加载对应的 SOP 和工具 if skill_id audit_skill: # 这里会进入之前我们编写的专家审计思维 Prompt 流程 return 正在启动审计 SOP调取 ERP 数据中... elif skill_id legal_skill: return 正在检索合同库分析法务条款... else: return 作为通用助手为你解答... # --- 使用示例 --- # dispatcher AgentDispatcher(model_client) # print(dispatcher.execute(由于暴雨导致供应商延期我们要看下合同里的违约条款))在真正的生产环境下我们通常采用混合路由1首先运行Fast-Routeif-else捕捉明显的指令。2如果无法匹配再交给LLM-Select进行深度理解。3这样既保证了响应速度又兼顾了处理复杂问题的能力。六、方法论Skills 是在 LLM 与 Tools 之间强行插入了一个“逻辑抽象层”。从架构上演进这实际上是从“扁平结构”向“层级结构”的转变。这样LLM 选择 Tools 时的困难是否会同样发生在选择 Skills 上——正是目前智能体工程Agent Engineering最前沿的痛点。架构演进从“自由市场”到“职能部门”我们可以用一个公司管理的例子来理解这种层级的引入第一阶段LLM Tools (扁平架构)模式LLM 面对 100 个原子工具API。问题这就像一个 CEO 每天要直接管理 100 个基层员工。CEO模型会感到困惑容易叫错人、记错参数或者在处理复杂任务时不知道该按什么顺序派人。本质决策空间Action Space太大熵值过高。第二阶段LLM Skills Tools (层级架构)模式你把 100 个工具封装成了 5 个“专业技能”Skill。变化LLM 现在只需要面对 5 个 Skill。它选择“审计技能”这个技能内部会自动去调度那 20 个基层工具。本质通过高内聚、低耦合**人为地压缩了 LLM 的初始决策空间。**核心矛盾问题消失了吗还是转移了你提到的“同样的问题依然存在”在技术上表现为以下两个方面A. 选择困难症Selection Ambiguity依然存在如果 Skills 定义得不够清晰或者两个 Skills 之间有功能重叠比如“法务审计”和“财务审计”都包含风险评估LLM 依然会选错。现状虽然选项从 100 个变成了 5 个模型选错的概率降低了但选错后的代价变大了**。选错一个工具可能只是错一步选错一个 Skill 可能导致整个任务方向性错误。**B. 参数提取的压力依然存在LLM 调用 Skill 时依然需要从对话中提取参数。现状Skill 的参数往往比 Tool 更抽象。LLM 必须更准确地理解“业务上下文”才能满足 Skill 的启动条件。为什么我们要引入 Skills 层它的真实价值既然问题依然存在为什么行业还要推行 Skills因为它解决了三个 LLM 无法通过“提示词”独立解决的问题1流程的“刚性控制” (Constraint)LLM 具有随机性。如果你让它直接调工具它可能会先发邮件再审合同顺序错误。Skill 的价值将SOP标准作业程序硬编码在 Skill 内部。LLM 只要选择了这个 Skill执行流程就是确定的Deterministic。这用“硬代码”弥补了模型的“软逻辑”。2Token 节省与上下文清洗 (Context Compression)Tools 模式你必须把 100 个工具的说明全塞进 Context。Skills 模式你只需要塞 5 个 Skill 的简介。当 LLM 选定某个 Skill 后系统才会动态地把该 Skill 内部的工具细节加载进来即Dynamic Prompting。这极大地释放了模型的思考空间。3错误自愈 (Self-healing)当工具报错时LLM 往往会陷入死循环。Skill 的价值Skill 内部可以包含 Python 级别的try-except或逻辑重试机制。它在内部就把小错误消化了传回给 LLM 的是“已经处理好的结果”。总结Skills 的本质是“知识的封装”层级的引入并没有消除决策行为本身它只是改变了决策的粒度。Tools 层面解决的是“怎么连Connectivity”的问题。Skills 层面解决的是“怎么做Methodology”的问题。5. 未来的解决方向为了解决“选择 Skills 依然会错”的问题目前的趋势是1语义路由器 (Semantic Router)不完全依赖 LLM 推理而是用向量计算来辅助 Skill 的精准匹配。2分层调度先由一个微型模型Gatekeeper做初步分类再由大模型做精细决策。七、追本溯源关于Skills的提出它并不是一个像“Transformer”那样由单一论文定义的里程碑而是一个“工程实践倒逼学术定义”的产物。它的演进路径可以概括为从 AutoGPT 的雏形到学术界的 Agent 框架定义再到工业界的协议标准化。萌芽期工程实践的“暴力拆解” (2023年初)Skills 的概念最早源于开发者在玩AutoGPT和BabyAGI时的痛苦经历。当时开发者发现如果给 LLM 塞入几十个 APITools模型会迅速陷入“幻觉”或“死循环”。为了解决这个问题社区开始自发地将功能进行模块化封装。工程尝试开发者开始将“搜索抓取总结”三个工具打包在代码里写死逻辑并给它起名叫“Web Browser”。本质此时的 Skill 只是为了节省 Token 和提高成功率而进行的硬编码封装**。**形成期学术论文的“架构定义” (2023年中)随后几篇核心论文将这种工程直觉上升到了方法论高度正式引入了“技能库”的概念。A. 《Voyager: An Open-Ended Embodied Agent with Large Language Models》https://arxiv.org/pdf/2305.16291这是 Skills 概念最重要的学术里程碑。Nvidia 的团队在 Minecraft我的世界游戏中展示了 Agent。核心创新提出了Skill Library技能库。方法论Agent 发现自己写出了一段有用的代码比如制作一把木剑就将其存储为“Skill”。下次遇到类似任务它直接从库中检索这段代码而不是重新推理。贡献它证明了Skills 是可以被累积和重用的执行程序而不仅仅是临时指令。B. 《Toolformer》 与 《ReAct》ReAct (Reason Act)奠定了模型如何使用工具的思维逻辑。Toolformer证明了模型可以学习“何时”调用工具。 这为 Skills 层的引入提供了理论上的可行性——即模型具备调度复杂逻辑的能力。成熟期工业级的“协议化” (2024年至今)当学术界证明了 Skill 的有效性后工业界OpenAI, Anthropic, LangChain开始将其标准化将其从“论文里的想法”变成“开发者的 SDK”。LangChain / LangGraph将 Skill 抽象为“可组合的子图Subgraphs”。OpenAI GPTs将其产品化为“Actions”。MCP (Model Context Protocol)这是最新的工程突破。它试图将底层 Tools 标准化从而让上层的 Skills 能够跨模型、跨平台复用。深度复盘为什么是这种路径我们可以从方法论的角度看 Skills 提出的逻辑必然性结论Skills 的“名分”Skills 是在工程实践中被发现需求在《Voyager》等学术论文中被定义架构最后在LangGraph 等现代框架中被最终工程化。它标志着智能体从“单兵作战调用一个 API”转向“兵团作战调用一套封装好的业务逻辑”。八、方法论升华**如果 Skills 的本质是“程序的封装”那么智能体的进化是否终将导致“自然语言编程”与“传统代码逻辑”的彻底融合**你想探讨 Skills 在这种“神经符号Neuro-Symbolic”架构中的角色吗Skills 是如何通过“神经符号Neuro-Symbolic”的融合解决大模型在复杂工业场景下的不确定性。1. 神经与符号的“粘合剂”Skills 的桥梁作用在 AI 历史上存在两派连接主义Neural也就是大模型擅长直觉、语义理解、模糊处理但容易产生幻觉逻辑不严密。符号主义Symbolic也就是传统的代码逻辑擅长确定性计算、严格流程、因果推理但缺乏灵活性。Skills 的本质就是在大模型这个“神经网络”里嵌入了一个个“符号化的逻辑块”。LLM 负责“模糊匹配”理解用户的意图。Skill 负责“刚性执行”一旦 LLM 选择了某个 Skill后续的流程就从“概率计算”变成了“程序运行”。这种融合让智能体既能听懂人话又能把事办稳。2. 知识的“固化”与“解耦”从方法论看Skills 实现了知识在智能体架构中的多态存储1参数化知识LLM存在于权重里。它是“通才”但容易忘、容易乱。2插件化知识Skills存在于代码和 SOP 模板里。它是“专才”。**这种解耦带来了一个巨大的方法论变革技能的“可插拔性”。**在传统的智能体中你如果想让模型变专业得去微调Fine-tuning它。而有了 Skills 架构你只需要给它一本新的“操作手册Skill Package”。这就好比你不需要为了让员工学会用某款软件而去给他做大脑手术你只需要给他发一份说明书。3. 进化的终局从“写代码”到“生技能”这是目前学术界如之前的Voyager论文最迷人的方向自动技能发现Automatic Skill Discovery。在未来的方法论中Skills 可能不是由人类程序员预定义的而是智能体在尝试解决问题的过程中通过“尝试 - 成功 - 总结 - 固化”循环自动生成的尝试 (Trial)LLM 尝试调用多个原子工具解决了一个从未见过的问题。固化 (Codification)LLM 将这段成功的调用逻辑Python 代码提取出来。索引 (Indexing)将其存入 Skill Library并打上标签。复用 (Reuse)下次遇到同类问题它不再重新推理而是直接加载这个生成的 Skill。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】