Agent 与 Skill 到底有什么区别？OpenAI 正在拆分“执行者”和“操作手册”

2026 年 9 月 28 日｜AI 工程观察

随着企业开始把大模型从聊天窗口接入代码库、数据平台和业务系统，“Agent”和“Skill”正在成为两个高频概念。它们经常同时出现，也都可能包含指令和工具，因此很容易被理解成同一种东西。

OpenAI 近期更新的 Agents API、Skills 指南以及 2026 年 9 月 11 日发布的 Codex 实践文章，给出了更清晰的分工：

Agent 是负责理解目标并持续采取行动的执行主体；Skill 是 Agent 在特定任务中按需加载的可复用操作手册。

一句话判断

如果把 AI 系统看成一个团队：

Agent 是员工：拥有模型、任务指令、工具权限、运行环境和持续会话。
Skill 是标准作业程序：告诉员工遇到某类任务时，应该按照什么步骤、规范和模板完成。
Tool 或 MCP 服务是工具与业务接口：真正提供数据查询、文件操作、系统写入等能力。

Skill 不会脱离 Agent 自己行动。Agent 也可以不加载特定 Skill，直接依靠通用推理和已有工具完成任务。

Agent：负责“谁来做、如何持续做”

根据 OpenAI 的 Agents API 文档，一个 Agent 由可用模型、指令、工具和 MCP 服务共同定义。它可以运行在沙箱或计算机环境中，读取文件、执行命令、连接外部系统，并通过 Session 保留任务进度。

这意味着 Agent 不只是一次模型调用。它通常还需要处理：

任务理解与计划；
上下文和会话状态；
工具选择与调用；
文件、代码或业务数据操作；
失败恢复与继续执行；
人工审批；
子任务拆分和多 Agent 协作。

Agent 解决的是执行与编排问题。它决定下一步做什么、调用什么能力、何时停止，以及什么时候需要人类介入。

Skill：负责“这类任务应该怎样做”

OpenAI 将 Skill 定义为一个包含 SKILL.md 的文件目录。除核心指令外，它还可以携带：

references/：政策、接口契约、业务规则和背景资料；
scripts/：可重复执行的校验、转换或发布脚本；
assets/：模板、样例和交付素材。

Agent 在发现阶段通常只看到 Skill 的名称和描述。当任务匹配时，再加载完整说明；更大的参考资料和脚本则只在需要时读取或运行。

这种“逐步披露”机制，让团队能够把复杂流程沉淀下来，又不必把所有规则一次性塞进 Agent 的上下文。

核心区别

对比维度	Agent	Skill
核心角色	执行者和编排者	可复用的任务方法
是否主动运行	可以接收目标并持续行动	不能独立运行，需要 Agent 调用
主要组成	模型、指令、工具、MCP、环境	`SKILL.md`、参考资料、脚本、模板
状态管理	可通过 Session 保留进度	通常不负责会话状态
权限边界	决定可访问哪些系统和工具	描述如何在既有权限内完成流程
复用方式	复用一个执行角色	让多个 Agent 复用同一套流程
典型问题	“谁来完成这项工作？”	“这项工作应该按什么标准完成？”

什么时候应该新建 Agent？

以下情况更适合建立新的 Agent：

需要不同的工具或权限边界
例如安全审计 Agent 只能读取日志，而运维 Agent 可以在审批后执行恢复操作。
需要独立的长期会话和任务状态
例如客户支持、事件响应和持续研究需要跨多个回合保存进度。
角色目标明显不同
数据分析、代码审查和内容运营面对不同的成功标准，不应只靠一份超长提示词区分。
需要多 Agent 分工与交接
一个 Agent 负责调查，另一个负责风险复核，最终由主 Agent 汇总并请求审批。

什么时候只需要新增 Skill？

如果执行主体、权限和环境都不需要改变，只是出现了一套可重复的方法，通常新增 Skill 更合适：

固定格式的日报和周报；
发布前检查与回滚流程；
合同审阅标准；
数据清洗规则；
代码迁移或发布门禁；
特定品牌的写作规范；
将 Markdown 安全发布到内容平台。

例如，一个通用 Codex Agent 可以同时加载“数据库迁移”“前端验收”“生产发布”和“技术文章发布”等 Skill。没有必要为每个流程重新创建一个 Agent。

为什么不能把所有规则都写进 Agent 提示词？

OpenAI 在 2026 年 9 月 11 日的文章中提醒，随着模型能力提高，过度堆积 Skills、AGENTS.md 和任务提示词，反而可能造成上下文膨胀、描述被缩短以及触发条件相互冲突。

更有效的做法是：

Agent 的基础指令只保留稳定的角色和安全边界；
Skill 描述保持短小，明确“什么时候使用”；
复杂步骤放在 SKILL.md；
大型规则和接口说明放进按需读取的参考文件；
可确定执行的操作交给脚本，而不是每次由模型重新生成。

换句话说，Agent 不应该背下公司的全部操作手册，而应该知道去哪里找到正确的那一本。

Skill 不是 Tool

另一个常见误区，是把 Skill 和工具调用混为一谈。

Tool 或 MCP 服务提供真实能力，例如读取数据库、发送邮件或创建文章。
Skill 规定这些能力应该在什么条件下、按什么顺序使用。
Agent 负责结合当前目标、上下文和授权状态做出决策。

因此，一个成熟的 AI 工作流通常是：

用户目标
  → Agent 理解和规划
  → Skill 提供标准流程
  → Tool / MCP 执行受控操作
  → Agent 验证结果并交付

OpenAI 的实践信号

OpenAI 在 Agents SDK 开源仓库中使用仓库级 Skills，把代码变更验证、文档同步、示例运行和发布复核沉淀为可重复流程。官方披露，两个 SDK 仓库在 2025 年 12 月 1 日至 2026 年 2 月 28 日合计合并了 457 个 Pull Request，而此前三个月为 316 个。

这不是严格的对照实验，不能把增长全部归因于 Skills，但它说明了一个方向：团队正在从“每次重新提示 Agent”转向“把流程写成可测试、可版本化的能力包”。

结论

Agent 和 Skill 不是竞争关系，而是执行层与知识流程层的组合：

Agent 决定并执行下一步，Skill 让关键步骤变得稳定、可复用、可检查。

对于准备引入 AI Agent 的团队，一个实用的建设顺序是：

先定义 Agent 的角色、工具、权限和审批边界；
找出反复出现且容易出错的任务；
将这些任务沉淀为小而明确的 Skills；
为高风险 Skill 增加脚本、测试和可观测证据；
定期删除已经过时或被模型能力取代的冗余指令。

未来企业真正需要管理的，可能不只是 Agent 数量，而是一套能够持续演进的 Skill 资产库。

Agent 与 Skill 到底有什么区别？OpenAI 正在拆分“执行者”和“操作手册”