AI Agent 技术演进三问：从 Workflow 到 Skill-First 时代，我们该关注什么?

作者说在前面： 这不是一篇技术科普，而是一次认知复盘。上周我和几个 AI 圈的朋友聊到 Agent 开发范式的变迁，发现大家其实都在不自觉地经历同一件事——我们的开发心智模型，正在被彻底重构。以下是我对这场变局的三个判断，enjoy。

一、范式转移：为什么确定性 Workflow 已经不够用了？

2023 年到 2024 年上半年，几乎所有 AI 应用开发者的起点都是同一个：Workflow。

你写一个 prompt，让模型按步骤执行；你定义条件分支，处理不同的输出结果；你拼接 API，让大模型成为流程中的一个环节。这是一个确定性的世界——输入可以被预测，路径可以被穷举，错误可以被兜底。

这套范式撑起了第一批 AI 应用。但它的天花板也很清楚：它只擅长"执行已知路径"，无法应对真正的未知。

举一个很直观的例子：帮用户订一场差旅。Workflow 的思路是"查天气→选航班→比价→下单"，每一步都是预设的。可如果用户说"帮我约一个在客户办公室附近、预算内、最靠谱的会议时间"？这不是一条路径，而是一个目标。它需要 Agent 自己拆解、自己规划、自己试错、自己修正。

这才是真实世界的需求。

所以我们看到范式在转移：从"让 AI 按我们写好的路走"，到"告诉 AI 你要达到什么目标，然后放手让它规划路径"。 这是从 Worklow 到 Agent 的本质跃迁。

后者没有确定的路径，没有确定的工具调用序列，甚至没有确定的成功标准。Agent 需要持续做决策：现在该查什么？下一步该调用哪个工具？结果够不够好？要不要重来？

这个跃迁，带来的是开发复杂度的指数级上升——但也打开了真正的智能上限。

二、技术亮点：AgentLoop、Agent Skills、记忆飞轮

如果说第一个问题是"方向对了"，那第二个问题就是"怎么把它做对"。

过去半年，有两个技术信号值得所有 Agent 开发者高度关注。

第一个是 Anthropic 的 Agent Skills。

Anthropic 在 Claude 模型能力之上，抽象出了一套 Skill 框架。简单说，它把"让模型完成特定任务"这件事，从 prompt 级别的技巧，升级为了可复用、可组合、可评测的业务单元。开发者不再为每个任务写一整套提示词，而是调用、组合、配置已有的 Skill。这是一种能力抽象层的建立，是 AI 应用走向工程化的关键一步。

第二个是 OpenClaw 的爆发。

OpenClaw 的核心贡献在于：它把 Agent 的运行时架构，做成了一套可插拔的框架。它提出了 AgentLoop（思考-执行循环）、Agent Skill 体系、记忆飞轮（Memory Flywheel）等核心概念，让开发者不是从零搭一个 Agent，而是在一个经过设计的架构上，聚焦业务逻辑。

这两个技术放在一起看，透露出同一个信号：

Agent 开发正在从"艺术"走向"工程"。 过去的 AI 开发高度依赖个人经验和 prompt 调优；未来，框架会负责运行时，Skill 负责业务能力，开发者真正需要关注的，是"做什么"和"做到什么程度"，而不是"怎么做"。

这里有一个词值得圈出来——AgentLoop。它的含义是：Agent 在执行过程中不断"思考-行动-观察-调整"，形成闭环。这不是新概念，但过去半年我们终于有了成熟的工程实现。这让 Agent 从"一次调用返回结果"，变成了"持续运转的智能体"。

而记忆飞轮解决的问题更根本：Agent 如何在多轮交互中积累上下文，把"短期记忆"转化为"长期能力"？OpenClaw 提供的记忆架构，本质上是给 Agent 装上了一个可持续进化的知识系统。这两个能力组合在一起，才是真正意义上的"智能体"，而不是"高级聊天机器人"。

三、未来展望：开发者不再需要全栈？

这是最让我兴奋的一个判断。

今天的 AI Agent 开发者在做什么？写 System Prompt、选模型、调 RAG、配工具链、处理 AgentLoop、管理记忆层、做错误恢复……一个全栈 Agent 开发者，需要同时懂产品、懂模型、懂 Infra，这本身就是一个极高的人才标准。

但技术演进的历史告诉我们：每一轮技术革命，都会带来分工重新分化。

Web 开发早期，每个开发者都要懂服务器、数据库、前端、安全。后来有了 LAMP 栈、有了 Rails/Django、有了云服务，开发者开始聚焦业务逻辑，infra 交给平台。今天 AI Agent 开发正处于类似的拐点。

未来的 Agent 开发，很可能呈现这样的结构：

• 业务开发者
  ——聚焦业务 Skill 的构建，设计评测标准，定义"这个 Agent 要完成什么任务，做得好不好怎么衡量"。
• 框架开发者
  ——像今天的 OpenClaw、LangChain 一样，负责 Agent 运行时、记忆系统、工具调用、安全 Guardrail 等基础设施。

这意味着，评测能力（Evaluation）会成为下一个关键基础设施。当 Agent 的行为变得自主且多样，如何衡量它的输出质量？如何建立可信的评测体系？这将是决定 Agent 是否真正可信赖的核心问题。

技能化开发（Skill-First Development）则是另一条主线。未来的 Agent 开发，关键词不是"我用什么模型"，而是"我有哪些 Skill，这些 Skill 够不够好、能不能组合"。这正是 Anthropic Agent Skills 和 OpenClaw Skill 体系所指向的方向。

写在最后

三个判断，拼在一起其实是一句话：AI Agent 正在从"我们告诉它怎么做"，走向"我们告诉它做什么，然后相信它能想明白怎么做"。

这场转变还没有完成，但它已经足够清晰——确定性 Workflow 退出舞台中央，自主规划 Agent 成为新主流；AgentLoop、Agent Skills、记忆飞轮这些技术亮点，开始定义什么是合格的 Agent 架构；而未来的开发者，可能会像今天使用 React 一样使用 Agent 框架，聚焦业务 Skill，而非重复造轮子。

剩下的唯一问题是：你准备站在哪一层？

如果你也在关注 AI Agent 的技术演进，欢迎在评论区聊聊你的判断。如果你觉得这篇文章有帮助，欢迎转发。

转自：https://mp.weixin.qq.com/s/14AJiobi6E1Zginfod1QSA