AI 智能体的推理能力相当不错，大语言模型本身已经储备海量事实知识。但它缺少一类东西：过程性知识。也就是现实工作具体该怎么落地执行的知识。所以需要Skills

AI 智能体：大模型有事实，缺过程，Skills 补执行

你的观察非常切中当前 LLM 智能体的核心痛点：

• 事实性知识（Declarative Knowledge，陈述性知识）：大模型预训练阶段吞入海量文本，知道 “是什么”。比如知道 API 接口文档、业务概念、公式、行业常识，能回答理论、解释概念、做逻辑推演。
• 过程性知识（Procedural Knowledge）：是怎么做、一步步怎么落地、边界怎么处理、出错怎么回滚、顺序约束是什么。这部分不是静态文本，是动作序列、业务流程、操作范式、异常处理。

大模型的短板就在这里： 预训练数据里大多是 “描述这件事”，很少完整沉淀可直接复现的实操流程。模型可以口头讲出一套工作步骤，但真正落地执行时经常：

1. 步骤跳步，省略现实里必须的前置校验；
2. 忽略现实约束（权限、格式、超时、依赖顺序）；
3. 遇到异常就幻觉编造，不知道该调用什么补救动作；
4. 把理论方案直接当可执行方案，分不清 “理想流程” 和 “工程落地流程”。

简单概括：LLM 擅长思考推理，但不擅长按现实规则可靠干活。

Skills 本质是什么

Skills 就是给智能体注入结构化封装的过程性知识，把 “怎么做” 固化下来，一般分为几类：

1. 工具调用 Skill：调用外部能力（接口、数据库、文件读写、代码执行），不仅告诉模型有这个工具，还要写清楚：入参校验、调用时机、失败重试策略、输出解析规则。
2. 业务流程 Skill：固化工作流，固定步骤顺序、分支判断。例如客户工单处理：校验信息→查询记录→生成回复→归档，每一步的判定条件写进 Skill。
3. 领域实操 Skill：行业落地经验，包含大量隐性知识：什么情况不能做、哪些坑要规避、输出格式规范。
4. 错误处理 Skill：专门定义各类报错后的处理逻辑，而不是交给模型自由发挥。

没有 Skill 会发生什么

只靠大模型原生推理做 Agent：模型每次都现场 “即兴编排” 执行步骤。 同样任务，两次运行可能跑出完全不同的操作序列，稳定性差，容易幻觉，复杂任务极易跑偏。

推理能力强 ≠ 执行可靠。推理是大脑思考，Skills 是标准化的手脚操作手册。

有 Skill 之后的分工

• 大模型 LLM：负责高层理解、目标拆解、推理判断、自然语言交互。
• Skills 库：提供可复用的过程知识：该调用什么、参数怎么填、步骤先后、异常怎么处理。
• Agent 调度层：结合模型推理，选择合适 Skill，按流程执行，再把结果返回大模型做总结。

模型不再需要凭空脑补完整实操细节，只需要理解目标，去调用已经沉淀好的过程知识。

现实工程上的两种 Skill 实现思路

1. Prompt 内 Skill（提示词技能） 把流程、工具说明写进系统提示词。优点简单；缺点：复杂流程容易被长上下文稀释，模型还是会偶尔无视规则。适合简单场景。

2. 代码化 / 框架化 Skill（Dify / LangFlow / MCP Server 这类） Skill 是独立可执行单元，有入参、输出 schema、错误捕获。Agent 只能按 Skill 定义执行，模型只做选技能、填参数，不能随意篡改流程。稳定性高，适合生产级智能体。

关键矛盾点

很多人误以为：只要模型推理足够强，就可以完全不需要 Skill，靠模型自己把所有过程全部推理出来。 但现实中： 过程性知识大量来自现实世界隐性经验，很多不会写在公开文本里；同时生产系统需要确定性，不能依赖模型每次即兴生成执行步骤。

推理能力决定智能体 “能不能想明白目标”；Skills 决定智能体 “能不能稳定把事做完”。