一、概念严格对齐（按你的定义）

Skill：封装大模型专有能力 + 上下文交互，形成的专属能力。 本质：模型内生能力，无外部系统调用，依赖 LLM 推理、上下文记忆、提示词编排。

Tool：封装外部系统 / 服务调用，形成的专属能力。 本质：外部资源能力，必须发起网络 / IO 请求，对接 API、数据库、脚本、硬件等。

核心边界

1. 执行主体
   • Skill：大模型自身完成计算、理解、创作、推理
   • Tool：外部服务完成执行，模型只负责发起调用、解析结果
2. 依赖
   • Skill：仅依赖 LLM + 对话上下文 / 提示模板
   • Tool：依赖网络、第三方服务、权限、接口协议（如 MCP）
3. 运行环境
   • Skill：进程内闭环，低延迟、无外网依赖
   • Tool：跨进程 / 跨网络调用，存在可用性、网络、安全风险

---

二、LangChain 中 Skill 标准实现（模型能力 + 上下文封装）

下面实现纯 Skill：基于 LLM + 固定上下文模板封装，不调用任何外部接口。 场景：文本摘要、文案改写、逻辑分析（典型大模型专有能力）。

环境依赖

bash

运行

pip install langchain langchain-openai python-dotenv

完整代码：Skill 封装（模型 + 上下文）

python

运行

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain_core.prompts import PromptTemplate
from dotenv import load_dotenv

load_dotenv()
# 初始化大模型（Skill 唯一依赖）
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# ===================== 定义 Skill：封装模型能力 + 固定上下文模板 =====================
@tool
def text_summary_skill(long_text: str) -> str:
    """
    Skill：长文本摘要（大模型专有能力，纯上下文+LLM推理）
    封装固定提示上下文，复用摘要能力，无外部调用
    Args:
        long_text: 待摘要的长文本
    """
    # 固定上下文模板 = 能力封装的核心
    prompt_template = PromptTemplate(
        input_variables=["content"],
        template="""
        请精简总结下面内容，提炼核心观点，控制在100字以内：
        原文：{content}
        总结：
        """
    )
    # 拼接上下文 + 调用模型（纯内生能力）
    prompt = prompt_template.format(content=long_text)
    return llm.invoke(prompt).content


@tool
def copywriting_skill(raw_text: str, tone: str) -> str:
    """
    Skill：文案风格改写（大模型语义能力+上下文封装）
    Args:
        raw_text: 原始文本
        tone: 风格：正式/活泼/商务
    """
    prompt = f"""
    固定上下文规则：仅改写语气，不增删原意。
    将以下文本改写为{tone}风格：
    {raw_text}
    """
    return llm.invoke(prompt).content

# ===================== 智能体加载 Skill 并调用 =====================
all_skills = [text_summary_skill, copywriting_skill]

agent_prompt = PromptTemplate.from_template("""
你拥有文本摘要、文案改写两项能力，请根据用户问题选择对应Skill执行。
用户输入：{input}
可用能力：{tools}
能力名称：{tool_names}
{agent_scratchpad}
""")

# 创建智能体 & 执行器
agent = create_react_agent(llm, all_skills, agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=all_skills, verbose=True)

if __name__ == "__main__":
    # 测试 1：调用摘要 Skill
    print("===== 测试 文本摘要 Skill =====")
    text = """
    本周公司整体营收稳步增长，线上渠道贡献主要订单，
    线下门店客流略有回升。团队完成季度复盘，确定下月重点拓展新客户。
    """
    res1 = agent_executor.invoke({"input": f"帮我总结这段内容：{text}"})
    print(res1["output"])

    # 测试 2：调用文案改写 Skill
    print("\n===== 测试 文案改写 Skill =====")
    res2 = agent_executor.invoke({"input": "把「今天订单很多，大家辛苦啦」改成商务风格"})
    print(res2["output"])

代码解读（贴合你的定义）

1. 整个能力 = 固定上下文模板 + 大模型推理，属于对模型专有能力的封装；
2. 全程无任何外部接口、数据库、API 调用，是标准 Skill；
3. 可以反复复用这套 “上下文 + 模型逻辑”，成为智能体的固定能力。

---

三、LangChain 中 Tool 标准实现（外部调用能力）

同样用 @tool 封装，但内部逻辑是调用外部资源，属于标准 Tool。 示例：模拟查询业务数据（对接外部接口 / 数据库，搭配 MCP 调用思想）。

python

运行

from langchain.tools import tool
import requests

# 模拟外部服务地址（真实场景为数据库/业务API/MCP服务）
EXTERNAL_DATA_API = "http://127.0.0.1:8001/mcp/tool"

@tool
def business_data_query_tool(query_key: str) -> str:
    """
    Tool：业务数据查询（外部工具调用能力）
    依赖外部API/MCP服务，非模型原生能力
    Args:
        query_key: 查询字段：sales/orders/users
    """
    # 发起外部网络调用（Tool 核心特征）
    payload = {"tool": "db_query", "params": {"query_key": query_key}}
    try:
        resp = requests.post(EXTERNAL_DATA_API, json=payload, timeout=5)
        data = resp.json()
        return f"查询结果：{data.get('data', '暂无数据')}"
    except Exception as e:
        return f"工具调用失败：{str(e)}"

# 单独调用测试
if __name__ == "__main__":
    print(business_data_query_tool.invoke({"query_key": "sales"}))

代码解读

1. 能力来源于外部服务，模型只负责 “发起调用、接收结果”；
2. 依赖网络、第三方服务，符合 Tool 定义；
3. 企业场景中，这类调用统一走 MCP 协议 标准化接入。

---

四、Skill + Tool 完整协同链路（企业标准流程）

真实业务中二者组合使用，流程： 用户指令 → Skill（理解 / 规划 / 文本加工，模型能力） → Tool（查外部数据，外部调用） → Skill（整理输出，模型能力）

组合代码示例

python

运行

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain_core.prompts import PromptTemplate
import requests
from dotenv import load_dotenv

load_dotenv()
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
EXTERNAL_DATA_API = "http://127.0.0.1:8001/mcp/tool"

# ---------- 1. 定义 Skill（模型能力：报告生成） ----------
@tool
def report_generate_skill(data_content: str) -> str:
    """Skill：基于原始数据生成分析报告（大模型上下文+推理）"""
    prompt = f"""
    请根据以下数据，生成简短业务分析报告：
    {data_content}
    要求：分数据展示、简短分析两部分。
    """
    return llm.invoke(prompt).content

# ---------- 2. 定义 Tool（外部调用：数据查询） ----------
@tool
def data_query_tool(query_key: str) -> str:
    """Tool：查询外部业务数据（外部接口调用）"""
    payload = {"tool": "db_query", "params": {"query_key": query_key}}
    resp = requests.post(EXTERNAL_DATA_API, json=payload, timeout=5)
    return str(resp.json())

# ---------- 智能体加载 Skill + Tool ----------
tools = [report_generate_skill, data_query_tool]

agent_prompt = PromptTemplate.from_template("""
流程要求：先使用 data_query_tool 查询数据，再使用 report_generate_skill 生成报告。
用户输入：{input}
可用工具：{tools}
工具名称：{tool_names}
{agent_scratchpad}
""")

agent = create_react_agent(llm, tools, agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

if __name__ == "__main__":
    # 完整链路：Tool查数据 → Skill生成报告
    res = agent_executor.invoke({"input": "查询销售额并生成分析报告"})
    print("\n最终输出：")
    print(res["output"])

链路对应定义

1. data_query_tool：调用外部接口 → Tool
2. report_generate_skill：模型 + 上下文生成报告 → Skill

---

五、汇总对比（严格匹配你的定义）

表格

对比项	Skill（模型专有能力封装）	Tool（外部工具调用封装）
能力来源	大模型原生推理、语义、创作能力	外部 API / 数据库 / 系统 / 硬件
实现核心	上下文模板 + LLM 调用	网络 / IO 请求 + 外部服务交互
外部依赖	无	强依赖外部服务、网络、权限
运行特征	进程内闭环、低延迟、高隐私	跨网络调用、有延迟、需安全管控
典型场景	摘要、改写、翻译、逻辑分析、报告文案	查数据、发邮件、执行命令、调用 RPA
协议关联	纯模型层，不依赖 MCP	企业场景统一通过 MCP 对接

---

六、结合你整套架构做最终映射

1. 大模型：能力本体，所有 Skill 的基础
2. Skill：对模型能力 + 上下文做封装 → 智能体内生岗位技能
3. Tool：对外部系统调用做封装 → 智能体使用的外部作业工具
4. 智能体框架 (LangChain)：流程 / 制度，调度 Skill 与 Tool 协同
5. A2A：多智能体之间通信协作
6. MCP：智能体与 Tool 之间的标准调用协议

完整企业 AI 运行范式：

大模型（决策大脑）→ 智能体框架（流程制度）→ Skill（内生技能做理解 / 加工） + A2A（多 Agent 协作） → Tool（外部操作） + MCP（工具标准接口）