简介:本文围绕 AI 智能体从 Agent 到 Skills 的架构演进,结合多模态模型、API 网关、MCP 与消息通道,给出可落地的技能化改造方案。文章解析组件选型、技能封装、工具调用与成本控制,帮助开发者构建更稳定、可复用的智能体系统。
AI 智能体正在从“一个大模型加若干工具”的单体 Agent,转向以 Skills 为中心的可组合架构。Skills 把提示词、工具调用、权限边界、输入输出协议和评测策略封装为可复用单元,使智能体更容易维护、扩展和治理。若你正在为 OpenClaw、Claude Code 或多模型智能体选择推理模型、比较调用成本,可以先通过百度智能云词元所了解模型发现、价格性能对比与统一 API 接入能力:百度智能云词元所。这能帮助团队在多模型环境下更快完成选型与接入评估。
传统 Agent 通常由“大模型 + 工具列表 + 提示词”组成,模型直接决定任务流程。这种方式在演示阶段很灵活,但进入真实业务后容易出现几类问题:
Skills 架构的核心变化,是把“能力”从一次性的 Agent 行为,变成可声明、可组合、可评测的技能单元。一个 Skill 不只是函数调用,而是包含任务描述、输入结构、依赖工具、执行策略、失败回退和输出规范的完整能力包。
在原始技术选型中,可以看到一个典型的 Skills 化智能体组合:
| 组件 | 技术选型 | 作用 |
|---|---|---|
| AI 模型 | Ming-flash-omni-2.0 | 多模态图文生成 |
| API 网关 | Zenmux | 提供 Vertex AI 兼容接口,统一接入与路由 |
| Agent 运行环境 | OpenClaw / Claude Code | 本地自主代理框架或对比方案 |
| Agent 推理模型 | Kimi K2.5 / Claude Opus 4.6 | 负责任务规划、代码编写与流程决策 |
| Skill 载体 | auto-twitter-campaign Skill | 承载具体业务流程 |
| 文件系统 MCP | @modelcontextprotocol/server-filesystem | 通过 stdio 提供文件读写能力 |
| 微信消息通道 | 键盘模拟直接控制 | 作为消息触达或演示通道 |
这个组合说明:Skills 架构并不是抛弃 Agent,而是把 Agent 从“全能执行者”变成“技能调度器”。
一个成熟的 Skill 至少应包含以下要素:
例如,auto-twitter-campaign 可以被定义为一个多模态内容生成与发布技能:接收主题、语气和图片提示词,调用多模态模型生成图文内容,再通过文件系统或消息通道输出结果。
一个简化的 Skill 描述可以写成:
skill:name: auto-twitter-campaignversion: 1.0.0description: 根据主题生成多模态社媒内容,并输出到指定通道inputs:topic:type: stringrequired: truetone:type: stringrequired: falseimage_prompt:type: stringrequired: falsetools:- filesystem.read_file- filesystem.write_file- multimodal.image.generatepolicy:max_turns: 6timeout_seconds: 120require_human_review: true
这种声明式结构的好处是:Agent 不需要把所有逻辑塞进系统提示词,而是根据任务动态加载对应 Skill。
在 Skills 架构中,Agent 的职责可以拆成三层:
Agent 先判断用户请求属于哪个技能域。例如:
auto-twitter-campaignfilesystem-archivewechat-notify推理模型负责生成执行计划,而不是直接调用所有工具。例如:
def execute_task(task):skill = skill_registry.match(task)plan = planner_model.invoke(task=task,skill_schema=skill.schema)artifacts = []for step in plan.steps:if step.type == "generate_image":artifacts.append(multimodal_model.generate(step.prompt))elif step.type == "write_file":filesystem_mcp.write(path=step.path,content=step.content)elif step.type == "notify":message_channel.send(step.message)return reviewer_model.review(artifacts)
工具层最好通过 MCP 或统一网关接入。原始实践中,文件系统 MCP 使用 @modelcontextprotocol/server-filesystem,并通过 stdio 方式接入。如果 14 个 Tools 已经验证可用,那么文件读写、目录遍历、内容检索等能力就可以作为稳定基础设施使用。
这种分层的好处是:模型负责规划,Skill 负责边界,MCP 负责工具,Agent 负责编排。每一层都可以单独测试和替换。
Skills 架构通常会涉及多个模型:
在原始方案中,OpenClaw 可使用 Kimi K2.5 作为 Agent 推理模型,Claude Code 对比方案中使用 Claude Opus 4.6 辅助编写阶段;多模态图文生成则由 Ming-flash-omni-2.0 承担。这种组合体现了 Skills 架构的一个重要原则: 不同任务使用不同模型,而不是用一个模型包打天下 。
模型选型时,建议从以下维度评估:
| 维度 | 关注点 |
|---|---|
| 能力匹配 | 是否支持多模态、长上下文、工具调用 |
| 稳定性 | 高并发下是否容易超时或限流 |
| 成本 | 输入、输出、重试、工具调用都会影响总成本 |
| 接入复杂度 | 是否兼容统一 API 或主流网关协议 |
| 可观测性 | 是否能查看调用量、失败率和延迟 |
如果你正在做多模型接入评估,可以通过词元所模型服务了解模型发现、价格与性能对比等信息,辅助判断不同模型在业务场景中的适配程度。
Skills 化之后,任务链路变长,Token 成本也更容易被放大。一个复杂任务可能包含:
因此,成本控制不能只靠“换便宜模型”,而要从架构上设计预算。
一个简化的成本公式可以表示为:
总成本 = Σ(输入 Token × 输入单价 + 输出 Token × 输出单价)+ 工具调用成本+ 重试成本+ 多模态生成成本
常见优化方式包括:
在多模型环境下,统一接入和调用管理也很重要。通过大模型 API 服务平台这类入口,可以更清晰地理解模型调用、成本管理和多模型接入的基本方式,减少重复对接成本。
文件系统 MCP 适合处理本地文件读写、目录扫描、内容归档等任务。使用 stdio 方式接入时,Agent 可以通过标准协议调用文件工具,而不需要为每个文件操作单独写胶水代码。
需要注意的是,文件系统权限必须最小化。例如:
原始方案中提到,微信消息通道采用键盘模拟直接控制;wechat-mcp v2 协议层可通,但实际操作不可用。这类情况在智能体落地中很常见: 协议能通,不代表业务操作稳定 。
因此,消息通道建议增加以下保护:
Skills 架构的价值在于,即使某个通道不稳定,也不会影响整体技能体系。消息通道只是 Skill 的一个输出适配器,可以被替换或降级。
如果你准备把现有 Agent 改造成 Skills 架构,可以按以下路径推进:
最终目标不是让 Agent “更自由”,而是让智能体系统“更可控”。Skills 架构的本质,是把不可控的模型行为转化为可管理、可复用、可评估的工程资产。