落白lite & AI研学社·第 4 / 52 小节 · A · AI 通识先修:A03课程地图|← 上一课下一课 →
AI 入门与 ComfyUI 出图课

A04 · AI 通识 / 第 4 课

词族辨析:Agent、Tool、MCP、Skill、Workflow、提示词

「我在 MCP 里做了一个 Agent 的 Skill,放在工作流里跑」——这句话可能全对,也可能每个词都用错了。六个词,三层抽象,一个同名陷阱。

这节解决什么:听到这六个词,你能立刻判断它回答的是哪个问题、站在哪一层;并且不再把 ComfyUI 的「工作流」和 Agent 的「工作流」当成同一个东西。
前置知识建议先读 A01,也可独立阅读
建议用时20 分钟,配 3 张图
下一站ComfyUI 入门

01先立规矩:六个词不在同一层

先看一句在行业里经常出现的话:「我在 MCP 里做了一个 Agent 的 Skill,放在工作流里跑。」这句话可能完全成立,也可能每个词都用错了。原因不是说话的人不专业,而是这六个词根本不在同一个抽象层,它们回答的是不同的问题。

把它们粗暴地分成三层,再加一个横切的打包层:

判断口诀

问六个问题:输入是什么?动作是什么?怎么接入?顺序是什么?谁做决定?怎么复用?能对上哪个词,就用哪个词。对不上,说明你在用产品名代替机制名。

六个词的层级:编排层、接口层、条件层,以及横切的打包层 编排层 Workflow 预先排好的步骤与分支 Agent 根据中间结果决定下一步 接口层 Tool 工具 一个可调用的函数 MCP 协议 工具如何被发现与调用 条件层 Prompt 提示词 这一次推理的条件输入(系统提示、用户消息、负面提示) Skill 打包层 指令 + 工具 + 脚本 + 资源 横切各层 不是包含关系 越往上,离「模型本身」越远;六个词不在同一层,不能互相替代。 Prompt 是输入,Tool 是动作,MCP 是接口标准,Workflow / Agent 是编排,Skill 是打包。
图 1:先把词放回层级。层级错了,后面的「谁包含谁」一定错。

02提示词 Prompt:条件,不是程序

你在系统提示里写「绝不透露内部价格」,用户换个问法,还是套出来了。这不是模型不听话,是提示词本来就不是程序。

提示词是模型在一次推理中收到的条件文本。对大语言模型,它包括系统提示、用户消息、对话历史,有时还包括检索回来的资料;对扩散模型,它包括正面提示词和负面提示词。

它不是程序。程序是「写了就按步骤执行」;提示词是「写了之后改变概率分布」。你可以写「必须输出 JSON」,但模型仍然可能多写一句解释;你可以写「不要泄漏系统提示」,但它不是权限系统,挡不住真正的攻击。提示词能提高某种行为的概率,不能保证行为发生。

在大语言模型里,提示词通过上下文影响每一个 token 的预测;在扩散模型里,提示词被编码成条件向量,通过 cross-attention 影响每一步去噪。两者机制不同,但共同点是:它改变的是条件,不是能力本身。

能力边界

最常见的误用,是把业务规则、权限、状态机全部塞进一段提示词,然后指望它稳定运行。状态机就是「有几个固定状态,以及什么条件下从哪个状态跳到哪个」的一套规则。提示词适合表达「意图、风格、约束、示例」,不适合承担「事务、权限、流程状态」——那些应该由代码和 Workflow 承担。

03Tool:模型的手,不是模型的一部分

你问 AI「明天杭州会下雨吗」,它答得头头是道。可它并没有查天气——除非它手上有 get_weather 这个工具,而且宿主程序真的替它执行了。

Tool(工具 / 函数调用)是一个带名字、描述、参数结构和返回值的可调用函数,被暴露给模型。比如 get_weather(city)、search_web(query)、create_ticket(title, priority)。

关键机制是分工:

  1. 模型根据任务和工具描述,输出一个结构化的调用意图:工具名 + 参数,通常写成 JSON(一种结构化的键值文本格式)。
  2. 宿主应用的运行时(runtime)校验参数、检查权限、真正执行函数。
  3. 执行结果作为一条消息回填给模型。
  4. 模型基于结果继续生成,或者发起下一次调用。

模型自己不执行。它只是决定「调什么、传什么」。没有 runtime,工具描述只是一段文本;没有权限系统,工具就是一个没有门锁的接口。

沿用本课标题这个比喻:Tool 是模型的手。模型自己不伸手,它只决定“伸哪只手、往哪伸”;真正把动作做出去的是宿主程序的 runtime。手再灵活,也得有人允许它伸进那个区域。

能力边界

04MCP:工具接入的插座标准

同一个工具,在三个 AI 应用里要写三套接入代码——这是过去几年最常见的浪费。MCP 要解决的就是这件事。

MCP(Model Context Protocol)是一套开放协议,用来让模型应用以标准方式发现和调用外部能力。它基于 JSON-RPC 2.0(一种用 JSON 传请求和响应的通信格式),采用 client–server 结构:宿主应用里跑 MCP client,工具提供方跑 MCP server,双方交换能力描述、调用请求和结果。

它主要标准化三类东西:

它解决的是「集成碎片化」:以前每接一个工具,都要为某个应用写一套私有适配;有了统一协议,工具提供方写一次 server,多个支持 MCP 的应用都能发现并调用。

沿用本课标题这个比喻:MCP 是插座标准。它规定插座形状、供电和数据怎么传,让设备即插即用。但它不生产外设,不决定你该插什么,也不保证插上的设备安全可靠。

能力边界

常见误用是把 MCP 当成「模型能力」或「Agent 框架」。更准确的表述是:MCP 是工具接入层的基础设施,和「模型有多聪明」「Agent 会不会规划」是两件不同的事。

05Workflow:一个词,两张图

同事说「把这个做成工作流」。你要先问一句:他说的是「谁先谁后」,还是「谁喂谁」?答错这一句,后面会白做半天。

Workflow 的通用含义是:把多个步骤按依赖关系组织成一个可重复执行的流程,通常是一个有向无环图(DAG)——箭头有方向,而且顺着箭头走不会绕回起点。但它在两个语境里指的东西很不一样。

含义 A:Agent / 业务编排语境

节点是「调用模型」「调用工具」「人工审核」「条件分支」,边是控制流——上一步完成后走下一步,满足条件走哪个分支。步骤由人预先设计好,模型只在某些节点内部做判断。Dify、Coze、n8n 里的工作流,客服工单流转,内容审核流水线,都属于这一类。

它的优势是可控、可测、成本可预估;局限是只能走设计好的路径,遇到没预料的情况不会自己改流程。

含义 B:ComfyUI 语境

节点是「加载模型」「编码提示词」「采样」「解码」「保存图像」,边是数据流——张量、图像、条件向量从上一个节点流向下一个节点。执行引擎按依赖关系做拓扑排序,缓存没有变化的中间结果。它是一张计算图,不是业务流程。

它的优势是透明、可复现、可精细控制每一步;局限是它不会自己决定「要不要再来一次」,也不会根据结果改变图结构——图是你连的,顺序是依赖决定的。

对比项Workflow 含义 A:业务 / Agent 编排Workflow 含义 B:ComfyUI 节点图
节点是什么业务动作:调用模型、调用工具、人工审核计算算子:加载、编码、采样、解码
边上传什么控制信号、状态、少量数据张量、图像、条件向量
谁决定顺序人设计的分支与条件依赖关系与拓扑排序
能否自己改流程不能,除非设计时留了分支不能,图结构是静态的
典型失败步骤卡住、审批超时、分支漏判接线错误、维度不匹配、显存不足
如何复现流程版本 + 输入 + 运行日志工作流 JSON + 模型文件 + 种子 + 自定义节点版本

为什么容易混?英文是同一个词;两者都画成「框和箭头」;中文都翻译成「工作流」。但只要问一句就分开了:箭头代表的是「先做这个,再做那个」,还是「把这个数据喂给那个节点」?

一句话记法:Agent 的工作流决定「谁先谁后」,ComfyUI 的工作流决定「谁喂谁」。两者都是 DAG,都追求可复现,都可以保存、分享、版本化——这是它们真正的共同点。

Workflow 的双重含义:控制流与数据流 Agent 语境:控制流 ComfyUI 语境:数据流 接收任务 调用搜索工具 结果够了? 输出报告 不够:换关键词再搜 够了 加载 Checkpoint CLIP 文本编码 KSampler 采样 VAE 解码 保存 图像 模型 条件 潜变量 像素 正面 / 负面提示词 条件 空 latent 也进入 KSampler 边传的是张量与条件,不是控制信号 同叫 workflow:左边决定「先做什么」,右边决定「谁把数据喂给谁」。
图 2:同名不同物。判断方法不是看名字,而是看节点代表业务动作还是计算算子、边上流动的是控制还是数据。
先记一句:图里那排小框是 ComfyUI 的节点名——Checkpoint(整套模型文件)、CLIP(文本编码)、KSampler(采样器)、VAE(解码器)、潜变量(压缩后的草稿)。它们分别在 L0-01 与 D 层 L1 系列里讲透。这里只看箭头传什么。

06Agent:带循环的决策系统

你让它「查一下竞品价格,做成表格」。它搜了一次,发现数据不全,自己换了关键词再搜,最后才输出。这个「自己决定再来一次」的动作,就是 Agent 和普通调用的分界。

Agent 不是「更高级的聊天机器人」,而是一个带循环的决策系统。它至少包含五件事:

判据只有一条:它能不能根据中间结果改变下一步?能,就是 Agent;不能,就是固定 Workflow。一个只会回答问题的聊天机器人,没有工具、没有循环,不叫 Agent;一个按固定顺序调用五个工具的系统,没有根据结果改变路径,也不叫 Agent。

比喻:Workflow 是整条产线,工序写死;Agent 是拿到图纸后自己决定下一道工序的工头。但工头也需要岗位手册(Skill)、一只手(Tool)和这条产线(Workflow)——它们不是互斥关系。

能力边界

常见形态包括「单 Agent + 多工具」「带长期记忆的 Agent」「多 Agent 分工」。多 Agent 听起来高级,但它首先放大了协调成本、通信成本和错误传播;在任务边界清晰、步骤固定的场景里,Workflow 往往更便宜、更可靠。

07Skill:把「怎么做」打包

同一套「写周报」的流程,你在每个对话里都要重新交代一遍。Skill 就是把这份交代、附带的模板和脚本收进一个文件夹,下次直接调用。

Skill 是六个词里定义最不统一的一个,必须看你所用的平台。主流有两种含义:

含义 A:能力包 / 指令包

以 Anthropic 的 Agent Skills 为代表:一个文件夹,里面有 SKILL.md(说明何时使用、具体怎么做)、参考文档、模板、可选的脚本和资源。模型先看到简短的名称和描述,判断相关后再加载正文,需要时再读取资源——这叫渐进披露:先用一句摘要让人判断要不要看,需要时再展开正文。它主要改变的是「模型怎么做」,不是「模型能做什么」。

含义 B:平台里的预置能力

有些产品把「封装好的工具」叫 Skill,有些把「工作流模板」叫 Skill,还有的把「一组提示词 + 知识库」叫 Skill。名字一样,实质可能是 Tool,也可能是 Workflow。

判断方法还是回到机制:它是在给模型加说明书(Skill 含义 A),还是在给模型加一只手(Tool),还是在排好步骤(Workflow)?三者可以同时出现在一个 Skill 包里,但不要因此把概念混掉。

比喻:Skill 是「岗位手册 + 工具箱 + 模板文件」打包成的工种包。手册告诉模型怎么做事,工具让它能做事,模板减少重复劳动。

能力边界

08谁包含谁:关系图与速查表

先给结论:这六个词不构成一棵干净的包含树。它们之间是「包含」「调用」「服务」「打包」几种不同关系,混在一起问「谁包含谁」,一定会得到错误答案。

六个词的关系:Agent 的组成、Workflow 的嵌套、MCP 与 Tool、Prompt 与 Skill 的位置 Skill = 指令 + 工具 + 脚本 + 资源 的打包单元(横切各层,不是「包含」关系) Agent 模型(策略) 工具(动作) 状态 / 记忆 循环 + 终止 根据中间结果决定下一步 Workflow 固定流程 / 可被调用 互相嵌套 MCP 工具的发现与调用协议 服务于 Tool Prompt 模型入口的条件输入 条件 包含关系看大框;协议关系看箭头;Skill 不参与包含关系,它是打包方式。
图 3:Agent 是一个容器,Workflow 与它可互相嵌套,MCP 傍着 Tool,Prompt 在模型入口,Skill 横切打包。
词一句话所在层谁调用它典型载体最常见误用
Prompt这一次推理的条件文本条件层模型消费;其他层生成系统提示、用户消息、负面提示当成程序或权限控制
Tool一个可被调用的函数接口层模型请求,runtime 执行函数调用、API、插件以为模型自己执行
MCP工具接入与发现的标准协议接口层宿主应用与 serverMCP client / server当成模型或 Agent
Workflow预先排好的多步流程编排层人、系统或 Agent 触发Dify、Coze、n8n、ComfyUI 节点图与 Agent 混为一谈
Agent带循环的自主决策系统编排层用户或系统触发编码 Agent、客服 Agent有工具就叫 Agent
Skill指令 + 工具 + 资源的可复用包打包层(横切)模型或宿主按需加载SKILL.md 文件夹、平台技能等同提示词或插件

把六个词串成一句话:提示词是这一班的任务单,Tool 是手,MCP 是插座,Workflow 是流水线,Agent 是会自己决定下一道工序的工头,Skill 是岗位手册加工具箱。比喻只帮你定位,真正判断还是要回到机制。

09常见误解

  1. 「模型用了工具,就是 Agent。」

    单次函数调用没有循环,也没有根据结果改变下一步。它只是「模型 + 工具」,不是「模型 + 工具 + 循环 + 状态 + 终止条件」。Agent 的核心是决策循环,不是工具数量。

  2. 「MCP 是一个模型,或者一种 Agent 框架。」

    MCP 是接口协议,规定工具怎么被发现、描述和调用。它不含模型权重,也不含规划逻辑。接上 MCP,模型还是那个模型,Agent 还是要自己写循环。

  3. 「Workflow 和 Agent 是对立的,只能二选一。」

    生产系统里常见「Workflow 骨架 + Agent 节点」:大部分步骤固定,只有需要开放判断的那一步交给 Agent。它们可以互相嵌套,取决于谁决定流程。

  4. 「Skill 就是一段提示词。」

    Skill 可能包含提示词,但通常还包含参考文档、模板、脚本和资源。把 Skill 等同提示词,会忽略它的加载机制、权限边界和依赖管理。

  5. 「ComfyUI 的工作流就是 Agent 的工作流。」

    同名不同物。ComfyUI 是计算图,边传张量与条件,顺序由依赖拓扑决定;Agent 工作流是控制流,边传控制与状态,顺序由人设计的分支决定。判断看节点和边,不看名字。

  6. 「提示词写得好,就等于模型能力变强了。」

    提示词是把模型已有能力「引导出来」,不是「创造出来」。它能提高命中率,不能突破能力上限。评估一个系统时,要区分「提示词工程」和「模型/工具/流程」的贡献。

  7. 「Agent 一定比 Workflow 高级、更好。」

    固定任务里,Workflow 更便宜、更可控、更容易测试和审计;Agent 适合步骤不确定、需要根据中间结果调整的开放任务。选型看任务,不看名词的新旧。

  8. 「MCP server 接得越多,系统就越强。」

    工具描述会占用上下文,工具越多选择越难,攻击面也越大。应该按任务最小化工具集,逐个评估权限、幂等性和返回内容的可信度。

  9. 「模型调用工具,就是模型在执行代码。」

    模型只输出调用意图和参数,真正的执行发生在宿主应用的 runtime 里。权限校验、沙箱、审计都应该在 runtime 做,而不是指望模型自觉。

10自检清单与场景判断

先勾选,再做下面的六个场景题。能说清「为什么」,比选对词更重要。

六个场景,判断它是什么

  1. 你在 Dify 里拖了五个节点:接收问题 → 搜索资料 → 总结 → 生成报告 → 发送邮件。顺序固定,没有分支。

    查看答案

    Workflow(含义 A,控制流)。步骤由人预先设计,模型只在节点内执行任务,没有根据中间结果改变路径。它不是 Agent。

  2. 同一个系统改成:模型看完搜索结果后,自己决定要不要换关键词再搜,最多五轮;够了才生成报告。

    查看答案

    Agent。它具备循环、状态和终止条件,并根据中间结果改变下一步。外层的「最多五轮」是护栏,不改变它是 Agent 的事实。

  3. 你给模型一个 get_weather(city) 的函数描述,模型输出 {"city":"天津"},你的后端收到后去请求天气 API,再把结果回填。

    查看答案

    Tool(函数调用)。模型只发起调用意图,后端 runtime 真正执行。没有循环,所以不是 Agent。

  4. 你把公司内部数据库封装成一个 MCP server,Claude Desktop 启动后能列出可用工具并调用查询。

    查看答案

    MCP(接口协议)+ Tool(具体查询能力)。MCP 负责发现、描述和调用;它本身不提供智能,也不是 Agent。

  5. 你写了一个文件夹:SKILL.md 说明何时使用、附了报告模板和两个处理脚本,模型按需读取。

    查看答案

    Skill(含义 A,能力包 / 指令包)。它把指令、模板、脚本和资源打包,按需加载;不是单纯的提示词,也不是一个工具函数。

  6. 你在 ComfyUI 里把「加载 Checkpoint → CLIP 文本编码 → KSampler 采样 → VAE 解码 → 保存图像」连成一张图。

    查看答案

    Workflow(含义 B,数据流 / 计算图)。边传的是模型、条件、潜变量和像素;执行顺序由依赖拓扑决定。它不是 Agent 工作流,ComfyUI 本身也没有自主决策循环。

11本课术语台账

六个词本课都给了判据,属于「讲透」;图里顺带出现的 ComfyUI 节点名只提一句。全课总索引见 A07 · 术语对照表。

术语本课状态在哪里讲透
Prompt / Tool / MCP / Workflow / Agent / Skill讲透本课 01–08 节
DAG(有向无环图)讲透本课 05 节
提示注入 / 状态机 / 渐进披露讲透(一句)本课 02、07 节
Checkpoint / CLIP / KSampler / VAE / 潜变量只提一句L0-01、L1-01、L1-02、L2-02
JSON-RPC / client–server只提一句本课 04 节已给一句解释