本文深入探讨了AI领域中的Skill和Workflow的概念、区别及嵌套关系，并通过实例解析了主流框架（LangGraph、Dify、CrewAI、Coze、AutoGen）如何实现Skill与Workflow的融合。文章强调了Skill与Workflow并非互斥，而是可以双向嵌套的互补关系，并展望了2025年"Agentic Workflow"的融合趋势。对于开发者，文章提出了分层架构、接口设计、嵌套层级限制等实践建议，旨在帮助读者更好地理解和应用AI技术。

摘要

2025 年 #AI #Agent 爆发，#Skill 和 #Workflow 成为高频词。这俩到底是啥关系？能不能嵌套？主流框架咋实现的？ LangGraph、#Dify、CrewAI、#Coze 这些框架又是什么？今天一次性给你讲明白。结论先行：Skill 和 Workflow 不是互斥关系，而是可以双向嵌套的互补关系。

---

正文

兄弟们，最近 AI 圈有个特别火的话题：Skill 和 Workflow 到底啥关系？

说实话，刚看到这个问题的时候，主播也是一脸懵逼。这俩玩意儿听着就不是一回事儿啊，咋还扯上关系了？

结果查了一圈资料才发现，这里面的水还挺深。

今天这篇文，主播就带你彻底搞懂 Skill 和 Workflow 的关系。放心，全是干货，不整那些虚的。

---

一、Skill 和 Workflow 到底是啥？

先说Skill。

简单来说，Skill 就是封装特定任务的方法论、知识和操作流程。听着有点抽象？举个例子你就懂了。

比如天气查询 Skill、翻译 Skill、数据分析 Skill、内容生成 Skill。这些都是让 AI 在特定场景下更高效、更准确地完成任务的功能模块。

再说Workflow。

Workflow 就是按预定义步骤执行的流程。比如订单处理流程、内容审核流程、客户服务流程、数据 ETL 流程。

这俩的核心区别在哪？

看这张表你就明白了：

维度	Skill	Workflow
核心定位	封装特定任务的方法论和知识	按预定义步骤执行的流程
决策方式	内部可包含自主决策逻辑	按固定路径执行
复用粒度	通常是单一功能或能力	可以是完整业务流程
执行特点	强调"能做什么"	强调"怎么做"

简单来说，Skill 关注的是"能做什么"，Workflow 关注的是"怎么做"。

---

二、核心问题：能不能嵌套？

好了，重点来了。

Skill 里面可不可以有 Workflow？Workflow 里面是否可以 Skill？

答案可能让你意外：都可以！

别急着划走，听我慢慢说。

Skill 包含 Workflow

这种情况是啥意思呢？就是 Skill 的内部实现可以是一个完整的 Workflow。

举个例子，你搞了个"报告生成 Skill"。这个 Skill 要完成报告生成，需要数据收集、数据分析、格式化处理等多个步骤。那咋办？直接在 Skill 里面封装一个 Workflow 不就完事了。

代码大概是这样的：

classReportGenerationSkill:

    """报告生成 Skill，内部实现为一个 Workflow"""

    def__init__(self):

        self.workflow=Workflow([

            DataCollectionStep(),    # 数据收集

            AnalysisStep(),          # 数据分析

            FormattingStep()         # 格式化处理

        ])

    defexecute(self, params):

        """Skill 的执行入口"""

        returnself.workflow.run(params)

这有啥用？

• Skill 需要完成多步骤、标准化的任务
• 想利用 Workflow 的可视化和调试能力
• 需要 Workflow 的并行、分支等高级特性

Workflow 包含 Skill

反过来，Workflow 里面也可以包含 Skill。

比如你搞了个"客户服务 Workflow"。这个 Workflow 有多个节点：意图识别、查询订单、处理退款、生成响应。其中"查询订单"和"处理退款"这两个节点，就可以是 Skill。

代码大概是这样的：

classCustomerServiceWorkflow:

    """客户服务 Workflow，其中包含 Skill 节点"""

    def__init__(self):

        self.nodes= [

            IntentRecognitionNode(),           # 意图识别（固定逻辑）

            SkillExecutionNode(                 # Skill 节点（自主决策）

                skill=QueryOrderSkill(),

                condition="intent == 'query_order'"

            ),

            SkillExecutionNode(                 # 另一个 Skill 节点

                skill=RefundSkill(),

                condition="intent == 'refund'"

            ),

            ResponseGenerationNode()           # 响应生成（固定逻辑）

        ]

这有啥用？

• Workflow 的某个步骤需要 AI 自主决策
• 不同条件下调用不同的 Skill
• 在确定流程中插入智能处理环节

---

三、主流框架咋实现的？

光说不练假把式。

主播研究了几个主流的 AI Agent 框架，看看人家是咋实现 Skill 和 Workflow 嵌套的。

LangGraph

这哥们是状态图驱动的智能体编排。Workflow 和 Multi-Agent 可以在同一图结构中融合。完全支持双向嵌套。

Dify

#Dify 提供 Workflow 编排和 Agent 构建能力，支持 Chatflow 和 Workflow 两种模式。也是完全支持双向嵌套。

CrewAI

角色驱动的团队协作框架，支持 Flow 实现多步骤 Workflow。同样支持双向嵌套。

Coze

字节跳动推出的一站式 AI Bot 开发平台。这哥们最绝，直接搞了个"子工作流"机制。

啥意思？就是把完整的工作流封装成独立节点，在其他工作流中调用。就像编程中的"函数复用"一样。

Coze 的 Skill 可以基于 Workflow 实现，Workflow 也可以调用 Skill 作为节点。实现了 Skill 和 Workflow 的双向嵌套。

AutoGen

对话驱动的#多智能体系统，支持#嵌套工作流 处理复杂任务。也是完全支持。

看明白了吧？主流框架全都支持 Skill 和 Workflow 的双向嵌套。

---

四、技术栈层次关系

这里有个很重要的点，很多兄弟容易搞混。

Function Calling、#MCP、Skill、Workflow，这四个到底是啥关系？

看这张图你就懂了：

• Function Calling：基础能力层，大模型原生能力，让模型自主判断调用外部函数
• MCP：协议层，#Anthropic 在 2024 年推出的开放标准，定义统一通信规范
• Skill/Workflow：应用层，基于下层能力构建的具体实现

有个误区得澄清一下：Skill 不是高级 MCP。

MCP 是通信协议，Skill 是业务封装。Skill 可以基于 MCP 实现，也可以不基于 MCP。就像 USB 接口标准和插入接口的设备，完全是两码事。

---

五、2025 年趋势：#Agentic Workflow

重点来了，兄弟们。

2025 年被称为"#Agent元年"。根据智源研究院《2025 年 AI 技术趋势报告》，AI Agent 技术正在从简单任务执行向复杂决策演进。

有个数据特别震撼：

• 活跃 Agent 数量：2025 年约 2860 万 → 2030 年预计 22.16 亿（5 年增长近 80 倍）
• 年执行任务数：2025 年 440 亿次 → 2030 年 415 万亿次

行业趋势是啥？

从"Workflow vs Agent"对立，走向"Agentic Workflow"融合。

啥是 Agentic Workflow？

简单说，就是 Workflow 和 Agent 的融合体：

• 保留了 Workflow 的结构化特点
• 引入了 Agent 的自主决策能力
• 在特定节点上让 AI 自主规划和执行

用个形象的比喻：

Agent Skills 是零件，Agent 是工人，Agentic Workflow 是#项目经理，业务流程是建筑图纸。

不是谁替代谁，而是层层嵌套。

---

六、实践建议

说了这么多，实际开发中咋用？

主播给你几条建议：

对于#架构师

• 采用分层架构，Skill 负责能力层，Workflow 负责编排层
• 设计清晰的接口，便于 Skill 和 Workflow 的组合
• 限制嵌套层级（建议≤3 层），保持系统可维护性

对于#开发者

• 根据任务特点选择：确定性用 Workflow，不确定性用 Skill
• 善用主流框架的嵌套能力，提高#代码 复用性
• 重视日志和监控，便于调试嵌套调用

对于企业

• 建立 Skill 库和 Workflow 模板库，沉淀业务能力
• 培养既懂业务又懂技术的复合型人才
• 关注行业标准发展，避免被单一厂商锁定

---

七、总结

好了，兄弟们，总结一下今天的内容。

核心结论：

1. Skill 与 Workflow 的异同：

• Skill 强调能力封装，Workflow 强调流程编排
• Skill 关注"能做什么"，Workflow 关注"怎么做"
• 两者都是 AI Agent 系统的重要组成部分

2. Skill 可以包含 Workflow：

• Skill 的内部实现可以是一个完整的 Workflow
• 适用于 Skill 需要完成多步骤、标准化任务的场景

3. Workflow 可以包含 Skill：

• Workflow 的节点可以是 Skill/Agent
• 适用于在确定流程中插入智能决策点的场景

4. 嵌套关系是行业趋势：

• 主流框架（LangGraph、Dify、CrewAI、Coze、AutoGen）都支持双向嵌套
• 行业从"Workflow vs Agent"对立走向"Agentic Workflow"融合

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】