核心概念
- LLM (Large Language Model)：Agent 的“控制中心（Controller）”，负责逻辑推理、意图识别与文本生成。
- Function Call / Tool Use：一种连接机制。LLM 输出结构化指令（如 JSON），由宿主环境转化为具体的函数执行，使 LLM 具备操作外部世界的能力。
- MCP (Model Context Protocol)：由 Anthropic 发起的标准化工具调用与数据交互协议，旨在消除不同工具间的集成壁垒。
- State (状态机)：持久化存储 Agent 的长短期记忆、执行上下文及变量状态。
- Graph (拓扑图)：
- Node (节点)：执行单元。可以是 LLM 节点（决策/生成）或 Tool 节点（执行/计算）。
- Edge / Route (路由)：
- Hard Route (静态路由)：基于预设条件（如
if/else 或状态码）的确定性跳转。
- Soft Route (动态路由)：由 LLM 充当“路由器”，根据当前 State 语义化决定下一个目标节点。
- Subgraph (子图)：逻辑封装单元。将复杂的局部流程抽象为一个独立节点，实现架构的模块化与复用。
- Skill (技能)：针对特定业务目标封装的逻辑闭环。
- Soft Skill (Declarative / 声明式技能)
- 表现形式：详尽的 SOP 文档、System Prompt 或带有元数据的 README。
- 核心逻辑：基于“提示词工程”。通过自然语言告知 LLM 执行步骤、约束条件与目标策略。
- 运行方式：LLM 依靠上下文理解能力（In-context Learning）在运行时动态构建执行路径。
- Hard Skill (Procedural / 过程式技能)
- 表现形式：封装好的 Subgraph。拥有明确的代码逻辑、节点定义与拓扑连线。
- 核心逻辑：基于“工作流工程”。将复杂任务拆解为高可靠性的确定性步骤。
- 运行方式：Agent 以调用子程序的方式进入子图，严格遵循定义的拓扑结构执行。