企业官网建设流程全解析

01引言

大多数人第一次接触大模型，都是从聊天开始的：输入一个问题，等它返回一段文字。翻译文章、整理会议纪要、编写代码，甚至起草销售报告，都能在这个对话框里完成。

可到了真实工作中，一段文字经常只是半成品。

例如，老板要的是一份本月销售汇报。你得读取真实数据，找出异常变化，核对历史记录，再把结论写进公司的模板。中途发现字段缺失，还要决定是继续查询还是停下来补数据。

大模型能理解和生成内容，却不会天然连接公司的数据库，也不会凭空获得文件操作权限。如何在模型之外接上数据和工具，并把整个过程组织起来，正是大模型应用开发要处理的事情。

02先看全貌：一个大模型应用由什么组成

先把模型放到一边，看看一个完整应用还需要什么。

这里的“工具”并不一定是一款独立软件。一个查询数据库的函数、一段生成 Excel 的程序，或者某个业务系统提供的 API，都可以成为模型应用中的工具。API 是软件之间交换请求与结果的一种接口。

模型通常不会直接控制这些系统。应用程序先告诉模型有哪些工具可用；模型给出选择和参数；应用程序执行操作，再把结果送回来。模型负责理解、生成和判断，真正连接数据、工具与业务流程的仍是外围程序。

03直接对话：模型先成为内容生成器

最基础的大模型应用就是对话：

用户输入 → 大模型 → 文本回答

问答、翻译、总结和内容创作都适合这种方式。用户只要说清楚需求，不必先学会一套复杂的菜单和命令。

仍以销售分析为例。如果把整理好的数据直接贴进对话框，模型可以帮助概括趋势、分析可能的原因，并起草报告内容。

问题也很直接：数据没给，它就不知道真实销量；没接文档工具，它通常只能返回文本；没有权限，它也不能替你更新业务系统。对话让模型变得好用，却还不足以稳定完成一项业务任务。

04工作流：把模型放进一条确定的流程

如果任务步骤比较固定，可以先把流程编排出来，再让大模型负责其中适合语言处理的部分。这种方式通常称为工作流（Workflow）。

例如，一份销售报告可以按下面的步骤生成：

读取销售数据 ↓按照固定规则完成统计 ↓调用大模型归纳异常和趋势 ↓把结果写入报告模板 ↓生成 Word 或 PPT 文件

在这条流程中，读取哪个文件、先算什么指标、最后使用哪个模板，都是开发者提前确定的。大模型不必负责所有工作，它可以只处理“解释数据”和“组织语言”这两个环节。

工作流的路径清楚，测试起来也相对容易。日报生成、合同信息提取、工单分类这类规则稳定的任务，往往不需要更复杂的方案。

它的局限也来自固定性。如果业务规则出现了流程之外的情况，就需要提前增加判断分支。例如，数据文件缺少某个字段时，是直接报错、询问用户，还是改用另一套分析方法，都要在流程中安排好。

这里有个容易误解的地方：工作流里的模型并非一定看不到后续结果，应用照样可以把每一步结果再交给它。工作流和 Agent 真正的差别，是下一步由预设流程决定，还是由模型根据现场情况来选。

05Agent：让模型参与决定下一步

当任务路径无法完全提前确定时，可以让模型根据当前状态选择下一步操作。这类系统通常称为 Agent，也就是智能体。

Agent 不只是生成一段最终答案。应用会提前告诉它有哪些工具、每个工具能做什么，以及哪些操作必须经过确认。接到任务后，模型先判断是否需要调用工具，再根据工具返回的结果继续行动。

一个简化的执行过程是：

理解任务 ↓选择工具与参数 ↓应用程序执行工具 ↓把执行结果返回给模型 ↓继续判断，或者给出最终结果

在销售分析任务中，Agent 可能先读取本月数据，发现华东地区销量异常下降，再决定查询上个月记录。如果历史数据仍不足以判断，它还可以继续检查退货数据，最后生成报告。

执行路径到了这里不再完全写死。模型会看到中间结果，并在允许的范围内调整下一步。

不过，我并不认为自主性越高就越好。模型会判断错，工具也会执行失败。尤其是删除数据、发送消息、修改订单这类操作，一旦出错，影响已经超出聊天窗口。因此，一个可用的 Agent 还需要：

• 明确可调用的工具和参数范围；
• 设置最大执行次数和停止条件；
• 记录每一步操作和返回结果；
• 对敏感动作加入人工确认；
• 在失败或信息不足时交还给用户处理。

固定而且不能出错的步骤，继续放在工作流里更稳妥。需要根据现场信息调整的部分，再交给 Agent。

06MCP：统一工具和数据的接入方式

Agent 要调用工具，应用首先得知道工具叫什么、需要哪些参数、执行后会返回什么。

如果每个 AI 应用都有一套接入格式，同一个数据库查询工具就得反复适配。模型上下文协议（Model Context Protocol，MCP）处理的是这个问题：让 AI 应用以相对统一的方式连接外部工具和数据。

MCP 采用 Host、Client 和 Server 组成的架构。入门阶段可以先这样理解：

• Host 是承载模型和交互过程的 AI 应用；
• Client 负责与某个 MCP Server 建立连接；
• Server 按照协议对外提供工具、资源和提示模板等能力。

例如，开发者可以建立一个销售系统 MCP Server，对外提供“查询月度销量”“读取退货数据”等工具。支持 MCP 的 AI 应用通过 Client 连接后，就能发现这些能力，并按照统一的结构发起调用。

AI 应用中的 Agent ↓ MCP Client ↓ MCP Server ↓销售数据库或其他业务系统

MCP 经常被比作 AI 世界的 USB 接口，用来理解“统一连接方式”确实很直观。但这个比喻到这里就该停了：MCP 统一的是通信和能力描述方式，不会顺手把工具开发、权限和安全问题也解决掉。

工具仍然要有人开发和维护，身份认证、访问权限、用户确认和异常恢复也得由应用处理。Server 声明了某项能力，也不等于所有 Host 都完整支持。

所以，Agent 并非必须使用 MCP。应用只连接少量固定接口时，直接调用普通 API 可能更省事；等到同一套工具要被多个 AI 应用复用，标准化接入才更有吸引力。

07Skill：把完成任务的方法交给 Agent

连接工具之后，还有另一个问题：Agent 知道工具能做什么，却未必知道一项具体工作应该怎样完成。

例如，数据库工具可以返回销售数据，但一份合格的销售分析还要遵守公司的业务规则：先检查哪些字段，怎样判断异常，报告需要包含哪些章节，哪些结论必须给出数据依据。

这类可以反复使用的任务方法，可以整理成 Skill。把它理解成 Agent 的工作说明书就行，里面通常会写清楚：

• 这项技能适用于什么任务；
• 执行任务时要遵循哪些步骤；
• 可以使用哪些模板、资料和工具；
• 输出结果应采用什么格式；
• 哪些情况必须停止或向用户确认。

销售分析 Skill 可以要求 Agent 先检查数据完整性，再对比历史趋势，然后标记异常区域，最后使用统一模板生成报告。业务规则变化时，可以修改说明和模板，而不必把所有细节都写进主程序。

有些 Agent 系统会按需加载 Skill。模型先看到技能名称和简短描述，确认任务相关后，再去读取完整说明和资料。这样不用一开始就把所有规则塞进上下文。

不同产品对 Skill 的文件结构和加载方式并不一致，它也不是一套跨平台通用协议。更值得关注的是背后的做法：把任务经验整理出来，让 Agent 能找到、能复用，也方便后来修改。

Skill 和 MCP 解决的也不是同一个问题：

一个 Skill 可以指导 Agent 通过 MCP 调用工具，也可以使用应用内置工具或普通 API。二者可以配合，并不是前后替代关系。

08真实应用通常是多种方式的组合

看到这里，最容易产生的误解，是把对话、工作流、Agent、MCP 和 Skill 排成五代技术，认为后面的会淘汰前面的。实际项目很少这么整齐，它们经常同时出现。

一套销售分析应用可能采用下面的组合：

用户在应用界面提交任务 ↓工作流完成身份检查和数据准备 ↓Agent 判断需要分析哪些异常 ↓按需加载销售分析 Skill ↓通过 MCP 或普通 API 查询业务数据 ↓工作流审核格式并生成最终文档 ↓涉及外发操作时等待人工确认

这套组合里，每部分各管一段：

• 工作流负责必须稳定执行的固定步骤；
• Agent 负责无法提前穷举的动态判断；
• Skill 提供完成任务的方法和业务经验；
• MCP 或 API 负责接入外部数据与工具；
• 应用程序负责权限、状态、日志和结果展示。

做应用时，与其争论应该选哪个名词，不如先划清边界：哪些地方值得让模型判断，哪些地方必须继续由确定性的程序控制。

09开发时应该怎样选择

面对一个需求，可以先问三个问题：要不要读取外部数据，步骤是否固定，执行中是否需要临时改变主意。

还要算一笔错误成本。任务即使步骤很多，只要路径明确、结果要求严格，工作流往往更合适。资料调查、异常分析这类很难提前列出全部路径的任务，才值得让 Agent 在边界内动态处理。

一个实用的原则是：

能用简单方式稳定完成的任务，不必为了追求“智能”而强行改造成全自主 Agent。

我的建议是先从一次模型调用开始。遇到真实问题后，再增加数据检索、工具调用和 Agent 决策。系统每多一层都要付出调试和维护成本，最好让这份复杂度来得有理由。

10结语

普通聊天工具把模型的回答交给用户，大模型应用还要继续往下走：取得可靠数据，执行必要操作，最后交付可用的结果。

这中间没有哪个概念能包办一切。工作流组织固定步骤，Agent 处理动态判断，MCP 或 API 连接外部能力，Skill 保存一类任务的做法。模型应该参与到什么程度，仍然要由应用设计者决定。

最后说一句，技术成长不只是写代码，职业规划和自我包装同样重要。我整理了一份简历、面试和职业规划的学习资料，适合想在职场上走得更远的朋友看看。

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

如果你想看完整资料目录，可以在评论区留言「资料」；也欢迎告诉我你更关注AI大模型里的哪类内容。