2026年7月5日 1,849 words 5 min read

03：Agent 怎样工作：Skill、Prompt、Plan 和 Tool 如何配合

解释 Skill、Prompt、Plan 与 Tool 在 Agent 工作台中的不同职责，以及 RunLens 如何通过能力快照让任务方法、推进顺序和真实动作保持一致。

#RunLens#AI Agent#Skill#Prompt Engineering#Agent Plan

03：Agent 怎样工作：Skill、Prompt、Plan 和 Tool 如何配合

上一篇沿一次 Run 看到了完整时间线。用户提交目标后，Runtime 会加载 Skill、生成能力快照、组装 Prompt、创建 Plan，再把工具交给模型。

这些名字很容易混在一起。它们都影响 Agent 的行动，却分别解决不同问题。

这篇把范围放在模型开始行动前的准备阶段：一句用户目标怎样被整理成模型能够理解、Runtime 能够执行的工作台。

Skill 提供任务方法，Prompt 提供本轮信息，Plan 提供推进顺序，Tool 提供真实动作。

用户目标还只是一个方向

用户提交的目标可能是：

找出反馈中最影响用户体验的问题，并整理一份有证据的优先级待办。

这句话表达了业务方向，完整执行细节还需要 Runtime 继续补齐。

模型还需要知道：

数据从哪里读取。
当前能使用哪些工具。
文件可以写到哪里。
任务分成哪些步骤。
产物路径和格式是什么。
什么样的结果才能通过验证。

把所有信息堆进一段 Prompt，短期可以运行，长期维护会变得困难。工具、权限和产物变化以后，Prompt 也容易与实际能力产生偏差。

RunLens 先解析本次 Run 的能力，再由能力快照分别驱动 Prompt、Plan、工具和权限。

Skill 给出任务方法和能力边界

Feedback Analysis 的默认 Skill 位于：

app/plugins/feedbacklens/skills/feedback_analysis/
├─ skill.json
└─ SKILL.md

skill.json 负责结构化声明：

Skill 名称和版本。
兼容插件。
所需工具。
所需输入。
所需产物。
读写权限。
可选资源。

SKILL.md 负责自然语言任务方法：

先读取源反馈。
洞察和 Backlog 引用真实 feedback_id。
通过工具创建规定产物。
所有必需文件完成后再结束任务。

这两部分结合起来，既方便 Runtime 校验，也方便模型理解任务。

Skill 怎样被选择

RunLens 的 Skill 匹配有三层优先级：

用户显式指定 Skill。
Plugin 声明默认 Skill。
根据 goal 中的 trigger 匹配。

显式选择适合需要精确控制的 API 调用，默认 Skill 适合稳定业务入口，trigger 匹配则适合一个插件支持多类任务时使用。

Skill 怎样收窄能力

Feedback Analysis Plugin 定义了六个工具。Skill 的 required_tools 再次声明当前任务所需的集合。

权限也会进一步收窄：

read:  data/、当前 Run
write: 当前 Run 的 artifacts/

Runtime 会验证这些声明位于全局允许边界内。Skill 负责选择和收窄，Runtime 负责最终裁决。

能力快照把分散声明汇合起来

Plugin 和 Skill 中都有工具、权限和产物信息。RunLens 使用 ResolvedRunCapabilities 把它们汇合成单次 Run 的能力快照。

快照包含：

内容	来源
Plugin 名称和版本	BusinessPlugin
Skill 名称和版本	Skill Manifest
Allowed Tools	Plugin Tools 与 Skill Required Tools 的交集
Read/Write Roots	默认策略经过 Skill 收窄后的结果
Artifacts	Plugin 的 ArtifactContract

这份快照同时用于：

System Prompt 中的 Available Tools。
Provider 收到的 Function Tool Specs。
PermissionPolicy 的工具白名单。
resolved_config.json 运行记录。

同一事实来源可以减少配置漂移。

例如 Skill 移除了某个工具后：

模型看不到该工具。
ToolExecutor 的 PermissionPolicy 同样使用更新后的工具白名单。
resolved config 会记录实际工具集合。

Prompt 把本轮工作台交给模型

RunLens 的 System Prompt 由多个部分组装。

# Local Agent Runtime
Business plugin
Current goal

## Business Prompt Fragments
## Run Input
## Available Tools
## Permission Boundaries
## Required Outputs
## Skills

Business Prompt Fragments

Feedback Analysis Plugin 提供六类业务片段：

Agent 角色。
报告受众。
Evidence 要求。
sentiment 和 severity 分类词表。
三个必需产物。
工具使用规则。

片段带有顺序，Prompt Assembler 会稳定排序后拼接。

Run Input

本次请求的 product_name 和 csv_path 以 JSON 形式放进 Prompt。模型可以看到当前任务具体处理哪个产品和文件。

Available Tools

这里来自 ResolvedRunCapabilities。每个工具包含名称和说明，Provider 还会收到对应输入 Schema。

Permission Boundaries

Prompt 会告诉模型可读写目录。它帮助模型主动选择合理路径，最终路径裁决由 PermissionGuard 完成。

Required Outputs

ArtifactContract 中的必需产物会进入 Prompt，让模型知道交付目标。

Skill Instructions

Skill Markdown 和资源文件放在最后，提供具体执行方法。

组装完成的 Prompt 会写入：

runtime/system_prompt.md

这份快照让后续排查可以准确看到模型当时收到的系统信息。

Plan 把目标拆成可检查步骤

Feedback Analysis Plugin 声明四个 PlanStepTemplate。

Step	Objective	Success Criteria
读取反馈	得到规范化 rows	`tool_succeeded:read_feedback_csv`
创建分析	写结构化分析文件	`artifact_exists:artifacts/feedback_analysis.json`
创建 Backlog	写产品待办文件	`artifact_exists:artifacts/product_backlog.json`
创建报告	写 Markdown 报告	`artifact_exists:artifacts/insight_report.md`

Plan 会写入 agent_plan.json，TodoList 再把每一步投影为前端和 API 可查看的 Todo。

Plan 参与工具执行

PlanProgress 同时注册为 PreToolUse 和 PostToolUse Hook。

工具调用前：

找到第一个未完成步骤。
检查当前工具是否在该步骤白名单中。
把步骤标记为 in_progress。

工具调用后：

成功时记录工具名称。
根据成功条件判断步骤是否完成。
失败时把当前步骤标记为 failed。

因此 Plan 既是展示状态，也是 Runtime 的执行约束。

Tool 让模型接触真实环境

模型本身只能输出内容。Tool 把它的判断转成真实动作。

Feedback Analysis 提供六个工具：

工具	作用
`read_feedback_csv`	读取并规范化 CSV，建立 Evidence Index
`summarize_analysis_counts`	统计 sentiment、category、severity 和 pain points
`extract_feedback_evidence`	按 ID 提取原始反馈
`write_json_file`	写入 JSON 产物
`write_markdown_file`	写入 Markdown 产物
`list_run_documents`	查看当前 Run 已有文件

每个 ToolDefinition 包含：

给模型看的名称和描述。
Python Handler。
Input Schema。
Output Schema。
Permission Requirements。

模型选择工具以后，Runtime 会在下一篇介绍的执行管线中处理它。

四个部分怎样在一轮调用中汇合

以第一次模型调用为例。

Skill 提供方法

模型知道第一步要读取源 CSV，再基于真实 feedback_id 形成结论。

Prompt 提供现场

模型看到当前 goal、sample_feedback.csv、工具清单、权限和必需产物。

Plan 提供当前步骤

Step 1 的允许工具只有 read_feedback_csv。

Tool 提供动作

模型生成：

{
  "name": "read_feedback_csv",
  "arguments": {}
}

ToolExecutor 执行完成后，rows 和 row_count 作为 observation 回到模型。Plan Step 1 变为 completed，下一轮进入结构化分析步骤。

这就是 RunLens 中 Agent 行动形成的过程：任务方法、当前信息、步骤状态和真实动作在同一轮汇合。

Prompt 规则和 Runtime 规则怎样分工

同一个要求有时会出现在多个地方。

例如“每条洞察引用 feedback_id”：

Skill 和 Prompt 告诉模型怎样生成结果。
Evidence Index 保存真实 ID 和原文。
Stop Hook 检查引用是否存在。

再例如“只写当前 artifacts 目录”：

Prompt 展示 Permission Boundaries。
Tool PermissionRequirement 解析目标路径。
PermissionGuard 执行最终检查。

这种分层让模型更容易主动遵守，也让系统拥有稳定兜底。

小结

Skill、Prompt、Plan 和 Tool 共同把用户目标变成可执行任务。

Skill 提供任务方法和能力边界，能力快照统一工具、权限和产物，Prompt 组装本轮工作台，Plan 维护步骤和成功条件，Tool 负责真实环境交互。

下一篇继续沿 ToolCall 往下走：模型提出动作以后，Runtime 怎样依次完成 Schema、Permission、Hook、Handler 和 Observation。