logo

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:

  1. 用户目标
  2. ↓
  3. Prompt:描述任务与约束
  4. ↓
  5. Agent:理解目标、制定计划、执行任务
  6. ↓
  7. 大模型:负责理解、推理、生成和决策
  8. ↓
  9. Skill:提供可复用的专业流程
  10. ↓
  11. MCP:连接文件、数据库、接口、终端等外部能力
  12. ↓
  13. 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:

  1. 理解用户输入;
  2. 分析上下文信息;
  3. 预测和生成下一步内容;
  4. 根据要求进行总结、改写、推理或规划;
  5. 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:

  1. 请分析指定目录中的接口代码,
  2. 找出可能导致数据校验失败的问题,
  3. 输出问题位置、原因、影响和修改建议。
  4. 如果缺少必要文件,请先列出缺失项,
  5. 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:

  1. 大模型:告诉我如何解决问题
  2. 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:

  1. 接收用户目标;
  2. 分析任务复杂度;
  3. 制定执行计划;
  4. 选择合适工具;
  5. 执行一个或多个动作;
  6. 读取工具返回结果;
  7. 判断是否达到目标;
  8. 必要时调整计划并继续执行;
  9. 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:

  1. 获取待审查文件;
  2. 检查语法和依赖;
  3. 分析潜在安全问题;
  4. 检查异常处理;
  5. 评估可维护性;
  6. 按严重程度输出问题;
  7. 给出修改建议;
  8. 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。

  1. 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。

  1. 代码分析
  2. 安全检查
  3. 性能检查
  4. 文档检查
  5. ↓
  6. 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:

  1. 用户通过Prompt提出目标;
  2. Agent读取任务要求并拆解步骤;
  3. 大模型分析项目结构和问题类型;
  4. Agent通过MCP调用文件读取、搜索和测试工具;
  5. Skill规定代码审查和问题分类流程;
  6. 多个专业Agent分别进行质量、安全和测试分析;
  7. 主Agent汇总各方结果;
  8. 大模型生成结构化报告;
  9. 工作台展示变更建议,并在必要时等待人工确认;
  10. 工具执行修改或验证操作;
  11. 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

  1. 大模型:负责理解、推理和生成
  2. Token:衡量模型处理的信息单位
  3. Prompt:描述任务目标和约束
  4. Agent:组织步骤并执行任务
  5. Skill:封装可复用的专业流程
  6. MCP:连接模型与外部工具、数据
  7. 多智能体:让多个Agent分工协作
  8. 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。

发表评论

活动