从大模型到多智能体:一文厘清智能开发体系
作者:谁偷走了我的奶酪2026.11.16 11:28浏览量:0简介:本文以“公司协作系统”为比喻,系统解释大模型、Token、Prompt、Agent、Skill、MCP、多智能体以及智能开发工作台之间的关系,帮助读者理解它们各自解决什么问题、如何协同工作、适用哪些场景,以及在成本、安全、上下文和工程落地方面需要注意什么。
一、先给结论:这些概念属于同一套智能系统的不同层次
大模型、Token、Prompt、Agent、Skill、MCP、多智能体和智能开发工作台,并不是相互独立、彼此竞争的一组概念,而是人工智能应用体系中的不同组成部分。
可以把它们理解成一家公司:
- 大模型:公司的核心知识与推理中枢;
- Token:模型处理信息时使用的基本计量单位;
- Prompt:给模型下达的任务说明和工作要求;
- Agent:能够理解目标、规划步骤并调用工具完成任务的智能执行者;
- Skill:可复用的专业能力或标准化工作流程;
- MCP:连接模型、智能体与外部工具或数据源的通用协议;
- 多智能体:多个分工不同的智能体组成的协作团队;
- 智能开发工作台:承载智能体运行、工具调用、代码操作和任务管理的工作环境。
它们之间的大致关系可以表示为:
用户目标↓Prompt:描述任务与约束↓Agent:理解目标、制定计划、执行任务↓大模型:负责理解、推理、生成和决策↓Skill:提供可复用的专业流程↓MCP:连接文件、数据库、接口、终端等外部能力↓工具与系统:真正执行读写、查询、部署、测试等动作
当任务复杂到需要多人分工时,一个Agent还可以进一步拆分为多个专业Agent,形成多智能体协作系统。
二、大模型是什么:能力核心,但不等于完整应用
大模型是经过大规模数据训练后,具备文本理解、内容生成、代码分析、逻辑推理和知识归纳能力的人工智能模型。
从技术视角看,大模型主要负责以下工作:
- 理解用户输入;
- 分析上下文信息;
- 预测和生成下一步内容;
- 根据要求进行总结、改写、推理或规划;
- 结合工具返回结果继续处理任务。
例如,用户提出“分析这段代码为什么运行失败”,大模型可以阅读代码、识别语法或逻辑问题,并给出修改建议。
但需要注意,大模型本身通常只是一个信息处理和生成组件。它并不天然具备访问本地文件、执行系统命令、查询实时数据、修改数据库或发布应用的能力。
可以把大模型想象成一位知识丰富的专家:
- 他擅长思考和表达;
- 能够根据材料给出判断;
- 但没有直接操作电脑的权限;
- 也不知道系统当前的实时状态;
- 更不会在没有明确授权的情况下自动执行外部动作。
因此,大模型是智能应用的“认知核心”,但不是完整的智能执行系统。要让它真正完成工作,就需要Agent、工具连接协议和运行环境。
三、Token是什么:模型处理信息的基本单位
Token不是简单等于“字数”,而是模型切分和处理文本时使用的基本单位。
文本输入模型后,会被拆分为若干Token。一个汉字、一个词语、一个英文单词或一段符号,都可能对应一个或多个Token,具体切分方式取决于模型的词表和编码规则。
Token主要影响三件事。
1. 影响上下文长度
模型一次能够处理的信息量通常受到上下文窗口限制。上下文不仅包括用户当前输入,还可能包括:
- 历史对话;
- 系统指令;
- 工具返回结果;
- 文件内容;
- Agent已经完成的步骤;
- Skill中的流程说明;
- 多智能体之间的通信记录。
如果上下文过长,可能出现信息被截断、早期要求被忽略、模型响应变慢等问题。
2. 影响调用成本
使用模型服务时,通常会按照输入Token和输出Token进行计量。输入内容越长、历史信息越多、工具返回结果越大,消耗的Token就越多。
因此,在工程实践中需要控制:
- 重复发送的背景信息;
- 不必要的长日志;
- 与当前任务无关的文件;
- 过于冗长的工具结果;
- 多智能体之间重复传递的上下文。
3. 影响响应效率
Token数量越多,模型需要处理的信息越多,通常会带来更高的延迟和资源消耗。
所以,Token管理并不是简单的成本优化问题,也关系到系统响应速度、上下文质量和任务稳定性。
四、Prompt是什么:人与模型之间的任务说明
Prompt通常译为提示词或提示指令,本质上是用户或系统提供给模型的任务描述。
一个完整的Prompt不只是“问一句话”,还可以包含:
- 任务目标;
- 背景信息;
- 输入材料;
- 输出格式;
- 判断标准;
- 禁止事项;
- 角色设定;
- 工具使用要求;
- 异常处理规则。
例如,下面是一个相对完整的任务描述:
请分析指定目录中的接口代码,找出可能导致数据校验失败的问题,输出问题位置、原因、影响和修改建议。如果缺少必要文件,请先列出缺失项,不要直接修改代码。
这个Prompt比“帮我看看代码”更加明确,因为它说明了目标、范围、输出格式和执行边界。
Prompt可以分成三类:
1. 用户Prompt
由用户直接提出,例如“解释这段代码”“生成测试用例”“整理会议纪要”。
2. 系统Prompt
由应用开发者预先设置,用于规定模型的角色、行为边界、安全要求和输出规范。
3. 工具调用Prompt
用于让Agent根据工具定义生成结构化参数,例如选择哪个工具、传递哪些参数、以什么顺序执行。
高质量Prompt的关键不是堆砌复杂术语,而是减少歧义,让模型清楚知道:
- 要完成什么;
- 可以使用哪些信息;
- 不能做什么;
- 最终结果应该长什么样。
agent-">五、Agent是什么:从“会回答”到“会完成任务”
Agent,即智能体,是以大模型为核心,结合任务规划、记忆管理、工具调用和结果校验能力构建的任务执行系统。
大模型主要回答问题,而Agent则尝试完成目标。
两者的区别可以简单理解为:
大模型:告诉我如何解决问题Agent:按照目标分析问题,并尝试一步步解决问题
一个典型Agent的工作流程包括:
- 接收用户目标;
- 分析任务复杂度;
- 制定执行计划;
- 选择合适工具;
- 执行一个或多个动作;
- 读取工具返回结果;
- 判断是否达到目标;
- 必要时调整计划并继续执行;
- 汇总结果并向用户反馈。
例如,用户要求“找出项目中所有未覆盖的接口并生成测试建议”,Agent可能会:
- 扫描项目目录;
- 识别接口文件;
- 分析已有测试;
- 对比接口和测试覆盖情况;
- 生成缺口清单;
- 输出测试建议。
这里,大模型负责理解和推理,工具负责访问文件和执行检查,Agent负责组织整个过程。
Agent并不意味着模型拥有无限权限。一个可靠的Agent必须具备明确的权限控制、操作确认和失败恢复机制。
六、Skill是什么:把经验封装成可复用能力
Skill可以理解为一项可复用的专业技能或标准化流程。
它通常包含:
- 任务适用范围;
- 输入要求;
- 执行步骤;
- 工具使用方式;
- 输出结构;
- 异常处理;
- 质量检查标准。
例如,可以把以下流程封装为一个代码审查Skill:
- 获取待审查文件;
- 检查语法和依赖;
- 分析潜在安全问题;
- 检查异常处理;
- 评估可维护性;
- 按严重程度输出问题;
- 给出修改建议;
- 再次验证修改结果。
Skill的价值在于,它把一次性的Prompt升级成可重复使用的能力模块。
Prompt更像是“临时吩咐”,Skill更像是“岗位职责和作业规范”。当团队需要反复执行同类任务时,使用Skill可以减少重复沟通,降低结果波动,并把专家经验沉淀下来。
但Skill本身通常不等于工具。它描述“如何完成一类任务”,而工具负责“实际执行某个动作”。例如:
- Skill规定如何进行日志分析;
- 工具负责读取日志文件;
- 大模型负责理解日志内容;
- Agent负责安排这些步骤。
七、MCP是什么:连接模型与外部世界的通用协议
MCP可以理解为一种用于连接模型、Agent与外部工具或数据源的通用协议。
大模型本身无法直接访问文件、数据库、接口和终端。MCP的作用,就是通过统一的描述和调用方式,让智能系统能够发现并使用外部能力。
接入MCP后,外部能力通常可以被描述为:
- 工具:执行某个动作;
- 资源:提供某类数据;
- 模板:帮助组织特定任务;
- 参数定义:说明调用时需要传入什么信息;
- 返回结构:规定工具执行后如何反馈结果。
例如,一个文件管理服务可以提供:
- 查看目录;
- 读取文件;
- 搜索内容;
- 创建文件;
- 修改文件。
Agent不需要为每个工具编写完全不同的调用逻辑,而是可以按照统一协议识别工具能力、填写参数并处理结果。
MCP解决的核心问题是“连接标准化”,但它不负责替代大模型,也不负责自动完成复杂任务。它更像是一套插座标准:
- 大模型和Agent是使用者;
- 外部系统是电器;
- MCP是统一的连接方式。
在使用MCP时,必须重点关注权限和安全。能够读取文件的工具,不一定应该拥有修改文件的权限;能够查询数据的工具,也不一定应该拥有删除数据的权限。
八、智能开发工作台是什么:让Agent真正进入开发环境
智能开发工作台是一类面向软件开发和技术任务的运行环境,通常将模型、Agent、Prompt、Skill、工具和项目上下文整合在一起。
它可能提供以下能力:
- 项目文件浏览;
- 代码理解与生成;
- 终端命令执行;
- 版本变更查看;
- 测试运行;
- 日志分析;
- 任务计划管理;
- 工具权限控制;
- 人工确认与审计记录。
它与普通聊天界面的区别在于,普通聊天主要围绕“问答”,而智能开发工作台更关注“在真实项目中完成任务”。
不过,工作台不是大模型本身,也不是Agent本身。它更接近一个运行容器或协作环境,为Agent提供:
- 项目上下文;
- 文件访问能力;
- 工具调用入口;
- 执行结果反馈;
- 人机协同界面。
因此,某个具体的智能开发工具,通常可以被看作“Agent能力加上开发环境、工具连接和交互界面”的组合。
九、多智能体是什么:让多个Agent分工协作
多智能体系统是由多个具有不同角色、职责或能力的Agent共同完成复杂任务的系统。
单个Agent适合处理流程较短、目标较明确的任务。当任务涉及多个专业领域时,可以拆分为多个角色,例如:
- 需求分析Agent;
- 代码实现Agent;
- 测试Agent;
- 安全审查Agent;
- 文档整理Agent;
- 发布检查Agent。
它们之间可以采用不同的协作方式。
1. 串行协作
前一个Agent完成任务后,把结果交给下一个Agent。
需求分析 → 代码实现 → 测试验证 → 文档生成
这种方式流程清晰,适合有明确前后依赖的任务。
2. 并行协作
多个Agent同时处理不同方面,最后由汇总Agent整合结果。
代码分析安全检查性能检查文档检查↓结果汇总
这种方式可以缩短处理时间,但需要注意结果冲突和重复工作。
3. 主从协作
由一个调度Agent负责拆解任务,并把子任务分配给不同专业Agent。
这种方式适合复杂项目,但调度Agent本身会增加上下文管理和任务协调成本。
多智能体不一定比单智能体更好。它适合任务复杂、角色边界清晰、子任务可以独立处理的场景。如果任务本身很简单,多智能体反而会增加通信成本、Token消耗和故障点。
十、这些概念如何共同完成一次任务
以“分析一个项目并提出修改建议”为例,完整过程可能如下:
- 用户通过Prompt提出目标;
- Agent读取任务要求并拆解步骤;
- 大模型分析项目结构和问题类型;
- Agent通过MCP调用文件读取、搜索和测试工具;
- Skill规定代码审查和问题分类流程;
- 多个专业Agent分别进行质量、安全和测试分析;
- 主Agent汇总各方结果;
- 大模型生成结构化报告;
- 工作台展示变更建议,并在必要时等待人工确认;
- 工具执行修改或验证操作;
- Agent再次检查结果,确认任务是否完成。
可以看出:
- 大模型负责思考;
- Prompt负责描述目标;
- Agent负责规划和执行;
- Skill负责沉淀经验;
- MCP负责连接外部能力;
- 多智能体负责分工协作;
- Token负责衡量信息处理规模;
- 工作台负责提供运行环境。
十一、实际使用时需要注意什么
1. 不要把模型输出当作绝对正确
模型可能产生事实错误、逻辑错误或不完整建议。涉及代码修改、数据变更、权限操作时,应加入测试、审查和人工确认。
2. 控制上下文规模
不要把整个项目、全部日志和无关历史对话一次性发送给模型。应采用文件筛选、摘要、分阶段分析和结果压缩等方式管理上下文。
3. 遵循最小权限原则
工具权限应与任务需要匹配。读取、写入、执行、删除等权限应分开控制,敏感操作最好设置人工确认。
4. 设计失败恢复机制
工具可能超时、参数错误、返回空结果或执行失败。Agent应能够识别异常、重试有限次数、调整计划,或向用户说明需要补充的信息。
5. 关注可观测性
应记录任务输入、模型决策、工具调用、执行结果和最终输出,以便排查问题、评估质量和审计敏感操作。
6. 合理选择单Agent或多Agent
简单任务优先使用单Agent;只有在任务确实需要专业分工、并行处理或独立复核时,才引入多智能体架构。
十二、总结:用一张关系图记住全部概念
大模型:负责理解、推理和生成Token:衡量模型处理的信息单位Prompt:描述任务目标和约束Agent:组织步骤并执行任务Skill:封装可复用的专业流程MCP:连接模型与外部工具、数据多智能体:让多个Agent分工协作智能开发工作台:提供真实项目中的运行环境
最容易混淆的地方在于:大模型是能力核心,但不是完整应用;Prompt是任务说明,但不是执行系统;Agent是任务执行者,但需要工具才能接触外部世界;Skill是流程和经验的封装,不等于工具;MCP是连接协议,不等于模型;多智能体是协作架构,不代表一定更高效;智能开发工作台则是把这些能力整合到实际开发流程中的运行环境。
理解这套层次关系后,面对新的智能开发工具或Agent框架时,就不必被名称带偏。只要分别判断它使用了什么模型、如何组织Prompt、是否具备Agent执行能力、有哪些Skill、通过什么方式连接工具、是否支持多智能体协作,以及如何进行权限和上下文管理,就能看清它真正提供的能力与边界。

登录后可评论,请前往 登录 或 注册