1. 从“听懂”到“做到”AI应用开发的核心分水岭如果你正在开发一个AI应用或者正打算把大模型的能力集成到你的产品里那你肯定绕不开两个词Function Call和Skills。乍一看它们好像都差不多都是让AI去“做事”的。很多开发者甚至一些技术文档都把它们混为一谈。但正是这个模糊地带成了项目从“玩具”走向“产品”的第一个也是最容易踩坑的坎。我见过太多项目前期Demo跑得飞快感觉AI无所不能一到要处理复杂、多步骤的真实业务时系统就开始“抽风”——AI要么重复调用同一个接口要么在几个功能间来回横跳就是不出结果甚至直接“死机”不响应了。追根溯源问题往往出在开发者没有理清Function Call和Skills的本质区别用错了工具或者错误地理解了它们的职责边界。简单来说你可以把Function Call理解为AI的“本能动作”就像人的手去抓取一个杯子。而Skills则是封装好的“标准作业程序”它告诉你不仅要去抓杯子还要先确认杯子里有没有水是热水还是冷水用多大的力度抓杯子的哪个部位才不会滑。前者是原子能力后者是带有逻辑和约束的复合能力。混淆这两者就等于让一个只会做俯卧撑的士兵去执行一套复杂的特种作战任务结果可想而知。这篇文章我们就来彻底拆解Function Call和Skills到底差在哪。这不是一个概念辨析而是一份来自一线的实战指南。我会结合最新的技术动态比如你提到的Qwen2.7的Function Call优化、Superpower Skills等告诉你什么场景该用什么如何设计以及那些文档里不会写的、能让你的AI应用真正稳定运行的“魔鬼细节”。2. Function Call大模型的“条件反射”与执行边界让我们先聚焦在Function Call上。这是目前绝大多数AI应用接入外部能力的基石。它的工作模式非常直接你定义好一组函数工具的“说明书”包括函数名、描述、参数列表和类型交给大模型。当用户的请求需要调用外部能力时大模型会根据这个“说明书”生成一个结构化的调用请求通常是JSON你的程序拿到这个请求后去真正执行函数比如查询数据库、调用API然后把执行结果返回给大模型由大模型组织成最终的自然语言回复给用户。这个过程听起来很完美但它有几个非常关键且容易被忽略的特性直接决定了你系统的稳定性。2.1 Function Call的本质一次性的意图解析与参数填充首先必须明确一点Function Call的核心职责是“解析”和“推荐”而不是“执行”和“决策”。大模型在收到你的工具定义和用户输入后它的任务是“根据我大模型的理解用户现在可能需要调用哪个工具如果需要调用这个工具所需要的参数各是什么请把这些参数按格式填好。”它只做这一件事。它不关心这个函数调用之后会发生什么不关心调用是否成功更不关心多次调用之间的逻辑关系。它是一种“条件反射”遇到特定模式的问题就触发生成特定的结构化调用指令。这就引出了第一个实战中的大坑循环调用与上下文丢失。正如网络热词里尖锐指出的“function call的‘执行结果’必须放进短期上下文否则本轮对话会当场死机”。这句话堪称血泪教训。我来还原一个经典死机场景用户问“帮我查一下上海明天天气如果下雨就提醒我带伞。”你定义了两个Functionget_weather(city)和send_reminder(msg)。AI聪明地先调用了get_weather(“上海”)。你的后端执行查询返回{“city”: “上海”, “weather”: “rain”, “temp”: “22°C”}。关键步骤你必须把这个JSON结果完整地、作为历史消息的一部分再次提交给大模型。通常是在assistant的角色消息里包含一个tool_calls的响应。大模型看到“下雨”的结果才会接着调用send_reminder(“明天上海下雨请带伞。”)。如果第5步你做错了比如只是把结果日志打印在后台没有塞回给大模型的对话上下文里那么大模型就“失忆”了。它不知道自己刚刚调用的函数已经返回了结果它会一直等待那个结果或者因为上下文不完整而陷入混乱表现为“死机”——不再输出任何有效的回复或新的Function Call。实操心得在处理Function Call的返回时务必遵循你所用框架如OpenAI API、LangChain、Spring AI的官方消息流规范。以OpenAI为例正确的流程是将函数执行结果以tool角色的消息追加到消息列表 (messages) 中再发起下一次请求。自己胡乱拼接消息体是万恶之源。2.2 参数校验与错误处理模型不负责的“脏活累活”Function Call的第二个陷阱在于参数质量。大模型会尽力根据你的描述去填充参数但它生成的内容可能不完全符合你后端函数的预期。类型错误你定义参数user_id是整数大模型可能从文本中提取出字符串“123”。虽然JSON里是字符串但你的后端需要能处理类型转换或校验。格式错误日期格式“明天”、“2024-08-15”还是“08/15/2024”城市名是“Beijing”还是“北京市”必填缺失用户没说全信息比如“订一张票”大模型可能无法补全departure和destination导致调用失败。大模型不负责校验和修正这些参数。这是你应用后端必须做的“脏活累活”。一个健壮的系统应该在执行具体的业务函数前有一层坚固的参数校验、清洗和标准化逻辑。否则你会得到大量来自Function Call的无效请求进而导致用户体验断裂。避坑指南不要完全信任大模型填充的参数。在工具执行层之上抽象一个“参数处理器”Parameter Sanitizer。它负责1) 类型强制转换2) 枚举值映射如将“上海”映射为城市代码“021”3) 必填项检查与默认值填充4) 敏感信息过滤。这能极大提升Function Call的可用性。2.3 工具定义的“艺术”描述决定效果你给大模型的“工具说明书”怎么写直接决定了它调用工具的准确率。这里有几个原则描述要具体包含示例不要只写“查询天气”要写“根据提供的城市名称查询该城市未来24小时的天气状况包括天气现象、温度和湿度。例如输入‘北京’返回北京的天气。”参数名要直观用city_name而不是loc。这能帮助模型更好地理解。利用最新模型的增强特性像Qwen2.7等新模型在Function Calling能力上做了大量优化对复杂参数、多工具选择的理解更强。及时跟进官方文档调整你的工具描述范式可能带来显著的准确率提升。Function Call是一个强大而精密的底层机制但它就像一套高级的扳手好用但不会自己拧螺丝。它需要被严谨、规范地嵌入到你的应用流程中。当你需要处理的任务超越了“单次请求-单次调用-返回结果”这个简单模式时你就需要一套更高级的机制来管理复杂性——这就是Skills登场的时刻。3. Skills面向复杂目标的“战术手册”与流程编排如果说Function Call是士兵的单个战术动作射击、匍匐那么Skills就是为完成一个具体战术目标如“夺取前方楼房”而制定的完整作战计划。这个计划里包含了动作序列、条件判断、失败处理和各动作间的信息传递。在AI应用特别是AI Agent的语境下Skill或称为Capability是一个封装了特定目标、逻辑和一系列底层操作可以是多个Function Call也可以是其他Skills的独立模块。它不仅仅知道“能做什么”更定义了“为了达到A目标应该先做什么再做什么如果中间出错了怎么办”。3.1 Skill的核心要素目标、流程与状态管理一个设计良好的Skill通常包含以下部分明确的目标描述这个Skill是干什么的例如“为用户预订符合其偏好和预算的航班机票”。这个描述会同时给人开发者和AI规划器看。输入/输出规范Skill需要什么初始信息最终产出是什么例如输入{destination, departure_date, budget, preference_class}输出{booking_confirmation_number, flight_details}。内部流程与逻辑这是Skill的“黑盒”实现。它可能包含多个步骤先搜索航班再筛选和排序最后调用预订接口。条件判断如果搜索无结果是放宽条件如日期还是提示用户修改输入循环可能需要多次调用搜索API遍历不同的航空公司或日期组合。异常处理如果预订接口返回失败是重试、换舱位还是终止流程并给出友好错误状态管理Skill在执行过程中需要维护一些临时状态比如已搜索到的航班列表、用户当前的选择等。这与Function Call单次无状态的特性截然不同。目前社区和业界正在形成多种Skill的实现和描述标准。例如OpenAI的GPTs Actions和Assistant API的Tools可以看作是一种初级的、以Function Call为基础的Skill封装。Model Context Protocol (MCP)这是一个新兴的、旨在标准化大模型与工具之间通信的协议。MCP Server可以提供一系列“资源”可理解为Skills并带有更丰富的元数据和上下文。你提到的“MCP排行榜”正是社区对不同MCP工具服务器提供各种Skills的评价。Claude Code / SkillsAnthropic为Claude设计的技能系统允许Claude调用外部工具和执行代码。Superpower Skills / Hermes Agent这些通常是基于特定Agent框架如CrewAI、AutoGen构建的、开箱即用的高级技能包比如“学术研究技能”、“产品经理技能”等。它们封装了从信息检索、分析到报告生成的完整工作流。3.2 与Function Call的关键差异从“反应”到“规划”现在我们可以清晰地对比二者特性维度Function CallSkills核心职责解析用户意图填充单次调用参数达成一个复杂目标编排多个步骤执行粒度原子操作单次API/函数调用复合操作包含逻辑判断、循环、多个子调用状态管理无状态。每次调用独立不记忆之前的结果依赖外部上下文。有状态。Skill内部管理执行流程和中间数据。错误处理通常由调用方你的应用统一处理。内聚。Skill内部应包含针对其流程的特定错误处理和重试逻辑。可复用性低。是具体的函数实现。高。是一个解决某类问题的标准化方案可以在不同Agent或场景中被调用。对模型的暴露程度高。模型直接看到并选择具体函数和参数。低。模型通常只看到Skill的“目标描述”和输入输出接口内部实现被隐藏。类比工具箱里的一把螺丝刀工具。按照说明书组装一把椅子的完整工序解决方案。一个生动的例子用户说“我想去三亚度假预算5000块帮我规划一下”。仅用Function Call模型可能会尝试调用一个并不存在的plan_vacation(budget, destination)函数或者笨拙地轮流调用search_flights,search_hotels,calculate_costs但无法协调它们之间的关系和预算约束容易陷入混乱或给出不切实际的组合。使用Travel Planning Skill模型识别到这需要“旅行规划”技能。它启动这个Skill传入{destination: “三亚” budget: 5000}。Skill内部开始工作1) 调用航班搜索技能获取价格区间2) 调用酒店搜索技能结合航班日期找酒店3) 调用预算计算技能动态调整航班舱位和酒店等级确保总价不超预算4) 整合结果生成一个包含多个选项的完整旅行方案。这个过程中模型只需要在开始时触发Skill最后接收结果中间的复杂协调由Skill自己完成。3.3 Skill的设计模式与最佳实践设计一个有用的Skill远比写一个Function复杂。以下是几个核心思路单一职责与高内聚一个Skill只做好一件事。不要设计一个“万能旅行Skill”而是拆分成“航班搜索Skill”、“酒店比价Skill”、“行程优化Skill”。这样更易于维护、测试和复用。定义清晰的契约就像微服务之间的API契约Skill的输入输出必须明确、稳定。这保证了上层Agent或规划器能可靠地调用它。内部容错与降级Skill内部要有健壮性。例如当主要航班API不可用时应能自动切换到备用数据源或返回一个结构化的错误信息而不是直接崩溃。提供可解释的中间结果对于复杂的Skill除了最终输出最好还能提供关键决策点的日志或摘要例如“已筛选掉超过预算的选项”、“因无直飞航班已为您添加中转方案”。这有助于调试也能让最终回答更可信。利用现有框架和标准不要从零开始造轮子。研究像MCP这样的协议或者基于成熟的Agent框架如LangChain的Tools、CrewAI的Tasks来构建你的Skill可以省去大量底层通信和生命周期管理的麻烦。4. 实战架构如何为你的AI应用选择与组合理解了差异我们来看实战。在你的AI应用无论是简单的聊天机器人还是复杂的自治Agent中如何正确地使用这两者4.1 场景决策树何时用Function Call何时用Skill你可以遵循一个简单的决策流程用户请求是否对应一个明确的、单一的外部API调用或数据库查询是- 使用Function Call。例如“查一下北京的温度”、“打开客厅的灯”。这是最直接、高效的路径。否- 进入下一步。该任务是否需要固定的、多步骤的业务逻辑且这些步骤顺序和逻辑是预先可知的是- 开发一个Skill。例如“预订会议室”步骤查空闲时段-验证权限-发送预订请求-发送日历邀请、“生成周报”步骤拉取Git提交/JIRA任务-汇总数据-套用模板生成文档。否- 进入下一步。该任务是否目标复杂、路径不确定需要动态规划和工具组合是- 你需要一个Agent它内部会使用一个Skill库和一个规划器。规划器通常是大模型本身根据目标动态地选择并组合调用不同的Skills。例如“分析一下我们上个季度的销售数据找出问题并给出建议。” 这个任务可能需要调用“数据获取Skill”、“统计分析Skill”、“图表生成Skill”和“报告撰写Skill”其调用顺序和次数由Agent动态决定。简单总结功能单一、确定-Function Call。流程固定、复杂-封装成 Skill。目标开放、需动态规划-构建拥有Skill库的Agent。4.2 混合架构示例一个智能客服Agent的层次让我们设计一个电商智能客服Agent的简化架构看看它们如何协同工作用户: “我上周买的手机屏幕碎了现在想退货但包装盒丢了怎么办” Agent (顶层规划): 1. 理解用户意图涉及“售后”、“退货”、“包装缺失”。 2. 规划这需要先“查询订单详情”再“获取售后政策”最后可能“发起特殊退货申请”。 3. 调用Skill库。 Skill层: - **“订单查询” Skill**: - 内部调用 Function Call: get_order_by_id(order_id) 或 search_orders_by_user(user_id, product_name)。 - 处理用户未提供订单号的情况可能通过Function Call调用 get_user_recent_orders(user_id) 来让用户选择。 - **“售后政策查询” Skill**: - 内部调用 Function Call: get_return_policy(product_category)。 - 包含逻辑如果政策复杂则提取关键条款如“包装缺失可能扣除X%费用”。 - **“发起退货申请” Skill**: - 输入: {order_id, reason, has_package}。 - 内部流程: a. 调用 Function Call: check_return_eligibility(order_id)。 b. **条件判断**: 如果 has_package false则调用 Function Call: get_package_missing_fee(product_id)。 c. 调用 Function Call: create_return_request(order_id, reason, fee_deduction)。 d. 生成给用户的指引如退货地址、注意事项。 Function Call层 (底层工具): - get_order_by_id, search_orders_by_user, get_user_recent_orders - get_return_policy - check_return_eligibility, get_package_missing_fee, create_return_request在这个架构里Function Call是直接操作业务数据的原子操作。Skill封装了针对“查询订单”、“处理退货”这类具体业务场景的固定流程和逻辑。Agent作为大脑根据用户复杂、模糊的请求规划需要调用哪些Skills并传递必要的上下文。4.3 避坑实践管理Function Call与Skill的“爆炸”无论是Function还是Skill不加控制地暴露给大模型都会导致“工具爆炸”问题——模型在面对太多选择时表现下降。对Function Call不要一次性把所有几百个API都定义成Function塞给模型。应该根据对话的上下文和领域动态地提供相关的工具子集。例如在客服对话中只提供与订单、支付、售后相关的Function。对Skill同样需要分层和路由。可以设计一个“Skill路由器”根据用户意图的初步分类只激活相关领域的Skill库。更高级的做法是采用“元Skill”Meta-Skill或“技能调用Skill”由一个大Skill来负责管理和调用其他小Skill。此外严格的权限和安全性校验必须放在Function Call执行层而不是Skill层或模型层。因为模型和Skill的规划可能出错或被诱导最终的安全防线是那个真正执行数据库操作或API调用的函数。这里要校验用户身份、参数合法性、操作权限等这与传统的后端安全实践没有区别。5. 前沿与趋势从Skills到Agent生态正在形成最后聊聊你搜索词里反映出的趋势。“agent skills”、“find skills”、“MCP排行榜”这些词的热度说明社区正在形成一个围绕AI Agent Skills的生态。Skill的市场与共享未来可能会出现像“App Store”一样的Skill市场。开发者可以发布自己编写的Skill如“学术论文分析Skill”、“竞品监控Skill”其他Agent可以直接集成调用。“Superpower Skills”、“Codex Skills”这类项目正是这个方向的早期探索。标准化协议如MCP是关键要让Skills被不同的Agent框架和模型广泛使用必须有像MCP这样的开放协议来定义Skill的发现、描述和调用方式。这类似于Web开发中的REST API标准。低代码/自然语言定义Skill一些平台开始允许用户通过自然语言描述或简单的拖拽配置来创建自定义Skill进一步降低AI应用开发门槛。Skill的评估与排名“MCP排行榜”的出现意味着社区开始关注Skill的质量、可靠性和易用性。这对于生态健康发展至关重要。对于开发者而言现在的建议是夯实Function Call的工程化基础同时用Skill的思维去设计复杂功能模块。密切关注MCP等标准并以“可复用、可组合”为目标来构建你的能力单元。当你的Function Call稳定可靠Skills模块设计清晰时组装一个强大的AI Agent就是水到渠成的事情。记住Function Call是让AI“伸出手”的神经而Skills是让AI“完成工作”的肌肉记忆和操作程序。分清二者合理运用你的AI应用才能从简单的问答对话进化成真正能处理复杂任务的智能体。 AI应用开发实战：Function Call与Skills的本质区别与架构选择
1. 从“听懂”到“做到”AI应用开发的核心分水岭如果你正在开发一个AI应用或者正打算把大模型的能力集成到你的产品里那你肯定绕不开两个词Function Call和Skills。乍一看它们好像都差不多都是让AI去“做事”的。很多开发者甚至一些技术文档都把它们混为一谈。但正是这个模糊地带成了项目从“玩具”走向“产品”的第一个也是最容易踩坑的坎。我见过太多项目前期Demo跑得飞快感觉AI无所不能一到要处理复杂、多步骤的真实业务时系统就开始“抽风”——AI要么重复调用同一个接口要么在几个功能间来回横跳就是不出结果甚至直接“死机”不响应了。追根溯源问题往往出在开发者没有理清Function Call和Skills的本质区别用错了工具或者错误地理解了它们的职责边界。简单来说你可以把Function Call理解为AI的“本能动作”就像人的手去抓取一个杯子。而Skills则是封装好的“标准作业程序”它告诉你不仅要去抓杯子还要先确认杯子里有没有水是热水还是冷水用多大的力度抓杯子的哪个部位才不会滑。前者是原子能力后者是带有逻辑和约束的复合能力。混淆这两者就等于让一个只会做俯卧撑的士兵去执行一套复杂的特种作战任务结果可想而知。这篇文章我们就来彻底拆解Function Call和Skills到底差在哪。这不是一个概念辨析而是一份来自一线的实战指南。我会结合最新的技术动态比如你提到的Qwen2.7的Function Call优化、Superpower Skills等告诉你什么场景该用什么如何设计以及那些文档里不会写的、能让你的AI应用真正稳定运行的“魔鬼细节”。2. Function Call大模型的“条件反射”与执行边界让我们先聚焦在Function Call上。这是目前绝大多数AI应用接入外部能力的基石。它的工作模式非常直接你定义好一组函数工具的“说明书”包括函数名、描述、参数列表和类型交给大模型。当用户的请求需要调用外部能力时大模型会根据这个“说明书”生成一个结构化的调用请求通常是JSON你的程序拿到这个请求后去真正执行函数比如查询数据库、调用API然后把执行结果返回给大模型由大模型组织成最终的自然语言回复给用户。这个过程听起来很完美但它有几个非常关键且容易被忽略的特性直接决定了你系统的稳定性。2.1 Function Call的本质一次性的意图解析与参数填充首先必须明确一点Function Call的核心职责是“解析”和“推荐”而不是“执行”和“决策”。大模型在收到你的工具定义和用户输入后它的任务是“根据我大模型的理解用户现在可能需要调用哪个工具如果需要调用这个工具所需要的参数各是什么请把这些参数按格式填好。”它只做这一件事。它不关心这个函数调用之后会发生什么不关心调用是否成功更不关心多次调用之间的逻辑关系。它是一种“条件反射”遇到特定模式的问题就触发生成特定的结构化调用指令。这就引出了第一个实战中的大坑循环调用与上下文丢失。正如网络热词里尖锐指出的“function call的‘执行结果’必须放进短期上下文否则本轮对话会当场死机”。这句话堪称血泪教训。我来还原一个经典死机场景用户问“帮我查一下上海明天天气如果下雨就提醒我带伞。”你定义了两个Functionget_weather(city)和send_reminder(msg)。AI聪明地先调用了get_weather(“上海”)。你的后端执行查询返回{“city”: “上海”, “weather”: “rain”, “temp”: “22°C”}。关键步骤你必须把这个JSON结果完整地、作为历史消息的一部分再次提交给大模型。通常是在assistant的角色消息里包含一个tool_calls的响应。大模型看到“下雨”的结果才会接着调用send_reminder(“明天上海下雨请带伞。”)。如果第5步你做错了比如只是把结果日志打印在后台没有塞回给大模型的对话上下文里那么大模型就“失忆”了。它不知道自己刚刚调用的函数已经返回了结果它会一直等待那个结果或者因为上下文不完整而陷入混乱表现为“死机”——不再输出任何有效的回复或新的Function Call。实操心得在处理Function Call的返回时务必遵循你所用框架如OpenAI API、LangChain、Spring AI的官方消息流规范。以OpenAI为例正确的流程是将函数执行结果以tool角色的消息追加到消息列表 (messages) 中再发起下一次请求。自己胡乱拼接消息体是万恶之源。2.2 参数校验与错误处理模型不负责的“脏活累活”Function Call的第二个陷阱在于参数质量。大模型会尽力根据你的描述去填充参数但它生成的内容可能不完全符合你后端函数的预期。类型错误你定义参数user_id是整数大模型可能从文本中提取出字符串“123”。虽然JSON里是字符串但你的后端需要能处理类型转换或校验。格式错误日期格式“明天”、“2024-08-15”还是“08/15/2024”城市名是“Beijing”还是“北京市”必填缺失用户没说全信息比如“订一张票”大模型可能无法补全departure和destination导致调用失败。大模型不负责校验和修正这些参数。这是你应用后端必须做的“脏活累活”。一个健壮的系统应该在执行具体的业务函数前有一层坚固的参数校验、清洗和标准化逻辑。否则你会得到大量来自Function Call的无效请求进而导致用户体验断裂。避坑指南不要完全信任大模型填充的参数。在工具执行层之上抽象一个“参数处理器”Parameter Sanitizer。它负责1) 类型强制转换2) 枚举值映射如将“上海”映射为城市代码“021”3) 必填项检查与默认值填充4) 敏感信息过滤。这能极大提升Function Call的可用性。2.3 工具定义的“艺术”描述决定效果你给大模型的“工具说明书”怎么写直接决定了它调用工具的准确率。这里有几个原则描述要具体包含示例不要只写“查询天气”要写“根据提供的城市名称查询该城市未来24小时的天气状况包括天气现象、温度和湿度。例如输入‘北京’返回北京的天气。”参数名要直观用city_name而不是loc。这能帮助模型更好地理解。利用最新模型的增强特性像Qwen2.7等新模型在Function Calling能力上做了大量优化对复杂参数、多工具选择的理解更强。及时跟进官方文档调整你的工具描述范式可能带来显著的准确率提升。Function Call是一个强大而精密的底层机制但它就像一套高级的扳手好用但不会自己拧螺丝。它需要被严谨、规范地嵌入到你的应用流程中。当你需要处理的任务超越了“单次请求-单次调用-返回结果”这个简单模式时你就需要一套更高级的机制来管理复杂性——这就是Skills登场的时刻。3. Skills面向复杂目标的“战术手册”与流程编排如果说Function Call是士兵的单个战术动作射击、匍匐那么Skills就是为完成一个具体战术目标如“夺取前方楼房”而制定的完整作战计划。这个计划里包含了动作序列、条件判断、失败处理和各动作间的信息传递。在AI应用特别是AI Agent的语境下Skill或称为Capability是一个封装了特定目标、逻辑和一系列底层操作可以是多个Function Call也可以是其他Skills的独立模块。它不仅仅知道“能做什么”更定义了“为了达到A目标应该先做什么再做什么如果中间出错了怎么办”。3.1 Skill的核心要素目标、流程与状态管理一个设计良好的Skill通常包含以下部分明确的目标描述这个Skill是干什么的例如“为用户预订符合其偏好和预算的航班机票”。这个描述会同时给人开发者和AI规划器看。输入/输出规范Skill需要什么初始信息最终产出是什么例如输入{destination, departure_date, budget, preference_class}输出{booking_confirmation_number, flight_details}。内部流程与逻辑这是Skill的“黑盒”实现。它可能包含多个步骤先搜索航班再筛选和排序最后调用预订接口。条件判断如果搜索无结果是放宽条件如日期还是提示用户修改输入循环可能需要多次调用搜索API遍历不同的航空公司或日期组合。异常处理如果预订接口返回失败是重试、换舱位还是终止流程并给出友好错误状态管理Skill在执行过程中需要维护一些临时状态比如已搜索到的航班列表、用户当前的选择等。这与Function Call单次无状态的特性截然不同。目前社区和业界正在形成多种Skill的实现和描述标准。例如OpenAI的GPTs Actions和Assistant API的Tools可以看作是一种初级的、以Function Call为基础的Skill封装。Model Context Protocol (MCP)这是一个新兴的、旨在标准化大模型与工具之间通信的协议。MCP Server可以提供一系列“资源”可理解为Skills并带有更丰富的元数据和上下文。你提到的“MCP排行榜”正是社区对不同MCP工具服务器提供各种Skills的评价。Claude Code / SkillsAnthropic为Claude设计的技能系统允许Claude调用外部工具和执行代码。Superpower Skills / Hermes Agent这些通常是基于特定Agent框架如CrewAI、AutoGen构建的、开箱即用的高级技能包比如“学术研究技能”、“产品经理技能”等。它们封装了从信息检索、分析到报告生成的完整工作流。3.2 与Function Call的关键差异从“反应”到“规划”现在我们可以清晰地对比二者特性维度Function CallSkills核心职责解析用户意图填充单次调用参数达成一个复杂目标编排多个步骤执行粒度原子操作单次API/函数调用复合操作包含逻辑判断、循环、多个子调用状态管理无状态。每次调用独立不记忆之前的结果依赖外部上下文。有状态。Skill内部管理执行流程和中间数据。错误处理通常由调用方你的应用统一处理。内聚。Skill内部应包含针对其流程的特定错误处理和重试逻辑。可复用性低。是具体的函数实现。高。是一个解决某类问题的标准化方案可以在不同Agent或场景中被调用。对模型的暴露程度高。模型直接看到并选择具体函数和参数。低。模型通常只看到Skill的“目标描述”和输入输出接口内部实现被隐藏。类比工具箱里的一把螺丝刀工具。按照说明书组装一把椅子的完整工序解决方案。一个生动的例子用户说“我想去三亚度假预算5000块帮我规划一下”。仅用Function Call模型可能会尝试调用一个并不存在的plan_vacation(budget, destination)函数或者笨拙地轮流调用search_flights,search_hotels,calculate_costs但无法协调它们之间的关系和预算约束容易陷入混乱或给出不切实际的组合。使用Travel Planning Skill模型识别到这需要“旅行规划”技能。它启动这个Skill传入{destination: “三亚” budget: 5000}。Skill内部开始工作1) 调用航班搜索技能获取价格区间2) 调用酒店搜索技能结合航班日期找酒店3) 调用预算计算技能动态调整航班舱位和酒店等级确保总价不超预算4) 整合结果生成一个包含多个选项的完整旅行方案。这个过程中模型只需要在开始时触发Skill最后接收结果中间的复杂协调由Skill自己完成。3.3 Skill的设计模式与最佳实践设计一个有用的Skill远比写一个Function复杂。以下是几个核心思路单一职责与高内聚一个Skill只做好一件事。不要设计一个“万能旅行Skill”而是拆分成“航班搜索Skill”、“酒店比价Skill”、“行程优化Skill”。这样更易于维护、测试和复用。定义清晰的契约就像微服务之间的API契约Skill的输入输出必须明确、稳定。这保证了上层Agent或规划器能可靠地调用它。内部容错与降级Skill内部要有健壮性。例如当主要航班API不可用时应能自动切换到备用数据源或返回一个结构化的错误信息而不是直接崩溃。提供可解释的中间结果对于复杂的Skill除了最终输出最好还能提供关键决策点的日志或摘要例如“已筛选掉超过预算的选项”、“因无直飞航班已为您添加中转方案”。这有助于调试也能让最终回答更可信。利用现有框架和标准不要从零开始造轮子。研究像MCP这样的协议或者基于成熟的Agent框架如LangChain的Tools、CrewAI的Tasks来构建你的Skill可以省去大量底层通信和生命周期管理的麻烦。4. 实战架构如何为你的AI应用选择与组合理解了差异我们来看实战。在你的AI应用无论是简单的聊天机器人还是复杂的自治Agent中如何正确地使用这两者4.1 场景决策树何时用Function Call何时用Skill你可以遵循一个简单的决策流程用户请求是否对应一个明确的、单一的外部API调用或数据库查询是- 使用Function Call。例如“查一下北京的温度”、“打开客厅的灯”。这是最直接、高效的路径。否- 进入下一步。该任务是否需要固定的、多步骤的业务逻辑且这些步骤顺序和逻辑是预先可知的是- 开发一个Skill。例如“预订会议室”步骤查空闲时段-验证权限-发送预订请求-发送日历邀请、“生成周报”步骤拉取Git提交/JIRA任务-汇总数据-套用模板生成文档。否- 进入下一步。该任务是否目标复杂、路径不确定需要动态规划和工具组合是- 你需要一个Agent它内部会使用一个Skill库和一个规划器。规划器通常是大模型本身根据目标动态地选择并组合调用不同的Skills。例如“分析一下我们上个季度的销售数据找出问题并给出建议。” 这个任务可能需要调用“数据获取Skill”、“统计分析Skill”、“图表生成Skill”和“报告撰写Skill”其调用顺序和次数由Agent动态决定。简单总结功能单一、确定-Function Call。流程固定、复杂-封装成 Skill。目标开放、需动态规划-构建拥有Skill库的Agent。4.2 混合架构示例一个智能客服Agent的层次让我们设计一个电商智能客服Agent的简化架构看看它们如何协同工作用户: “我上周买的手机屏幕碎了现在想退货但包装盒丢了怎么办” Agent (顶层规划): 1. 理解用户意图涉及“售后”、“退货”、“包装缺失”。 2. 规划这需要先“查询订单详情”再“获取售后政策”最后可能“发起特殊退货申请”。 3. 调用Skill库。 Skill层: - **“订单查询” Skill**: - 内部调用 Function Call: get_order_by_id(order_id) 或 search_orders_by_user(user_id, product_name)。 - 处理用户未提供订单号的情况可能通过Function Call调用 get_user_recent_orders(user_id) 来让用户选择。 - **“售后政策查询” Skill**: - 内部调用 Function Call: get_return_policy(product_category)。 - 包含逻辑如果政策复杂则提取关键条款如“包装缺失可能扣除X%费用”。 - **“发起退货申请” Skill**: - 输入: {order_id, reason, has_package}。 - 内部流程: a. 调用 Function Call: check_return_eligibility(order_id)。 b. **条件判断**: 如果 has_package false则调用 Function Call: get_package_missing_fee(product_id)。 c. 调用 Function Call: create_return_request(order_id, reason, fee_deduction)。 d. 生成给用户的指引如退货地址、注意事项。 Function Call层 (底层工具): - get_order_by_id, search_orders_by_user, get_user_recent_orders - get_return_policy - check_return_eligibility, get_package_missing_fee, create_return_request在这个架构里Function Call是直接操作业务数据的原子操作。Skill封装了针对“查询订单”、“处理退货”这类具体业务场景的固定流程和逻辑。Agent作为大脑根据用户复杂、模糊的请求规划需要调用哪些Skills并传递必要的上下文。4.3 避坑实践管理Function Call与Skill的“爆炸”无论是Function还是Skill不加控制地暴露给大模型都会导致“工具爆炸”问题——模型在面对太多选择时表现下降。对Function Call不要一次性把所有几百个API都定义成Function塞给模型。应该根据对话的上下文和领域动态地提供相关的工具子集。例如在客服对话中只提供与订单、支付、售后相关的Function。对Skill同样需要分层和路由。可以设计一个“Skill路由器”根据用户意图的初步分类只激活相关领域的Skill库。更高级的做法是采用“元Skill”Meta-Skill或“技能调用Skill”由一个大Skill来负责管理和调用其他小Skill。此外严格的权限和安全性校验必须放在Function Call执行层而不是Skill层或模型层。因为模型和Skill的规划可能出错或被诱导最终的安全防线是那个真正执行数据库操作或API调用的函数。这里要校验用户身份、参数合法性、操作权限等这与传统的后端安全实践没有区别。5. 前沿与趋势从Skills到Agent生态正在形成最后聊聊你搜索词里反映出的趋势。“agent skills”、“find skills”、“MCP排行榜”这些词的热度说明社区正在形成一个围绕AI Agent Skills的生态。Skill的市场与共享未来可能会出现像“App Store”一样的Skill市场。开发者可以发布自己编写的Skill如“学术论文分析Skill”、“竞品监控Skill”其他Agent可以直接集成调用。“Superpower Skills”、“Codex Skills”这类项目正是这个方向的早期探索。标准化协议如MCP是关键要让Skills被不同的Agent框架和模型广泛使用必须有像MCP这样的开放协议来定义Skill的发现、描述和调用方式。这类似于Web开发中的REST API标准。低代码/自然语言定义Skill一些平台开始允许用户通过自然语言描述或简单的拖拽配置来创建自定义Skill进一步降低AI应用开发门槛。Skill的评估与排名“MCP排行榜”的出现意味着社区开始关注Skill的质量、可靠性和易用性。这对于生态健康发展至关重要。对于开发者而言现在的建议是夯实Function Call的工程化基础同时用Skill的思维去设计复杂功能模块。密切关注MCP等标准并以“可复用、可组合”为目标来构建你的能力单元。当你的Function Call稳定可靠Skills模块设计清晰时组装一个强大的AI Agent就是水到渠成的事情。记住Function Call是让AI“伸出手”的神经而Skills是让AI“完成工作”的肌肉记忆和操作程序。分清二者合理运用你的AI应用才能从简单的问答对话进化成真正能处理复杂任务的智能体。