agent-skill和subagent的区别

最新推荐文章于 2026-08-16 08:59:42 发布

原创最新推荐文章于 2026-08-16 08:59:42 发布 · 1k 阅读

11 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

大数据

在多智能体（Multi-Agent）或智能体（Agent）系统中，agent-skill 和 subagent 是两个不同维度的概念

核心区别在于：agent-skill 是智能体的能力组件，是 “技能”；subagent 是智能体的层级子单元，是 “子个体”。

定义

agent-skill（智能体技能）
是智能体完成特定任务的能力模块或函数集合，是智能体的 “功能属性”
本质是无自主决策能力的执行单元，需要依附于智能体的核心调度逻辑才能发挥作用
示例：文本摘要 skill、图像识别 skill、代码生成 skill、GUI 操作 skill（如 Qwen3-VL 的视觉智能体技能）

subagent（子智能体）
是在主智能体（Main Agent）管控下的独立子智能体单元，是智能体系统的 “层级子个体”
本质是具备轻量化自主决策能力的迷你智能体，拥有自己的感知、规划、执行逻辑，可独立完成细分任务
示例：在一个 “多模态内容创作主智能体” 中，负责文本撰写的 subagent、负责配图生成的 subagent、负责排版优化的 subagent

在这里插入图片描述
subagent 可以包含多个 agent-skill，一个 subagent 为了完成其细分任务，会集成多种 agent-skill
例如：“代码审查 subagent” 可能包含语法检测 skill、漏洞扫描 skill、性能分析 skill 三个技能模块

agent-skill 是 subagent 能力的基础，没有具体的 agent-skill，subagent 就失去了执行任务的 “工具”
而 subagent 则是这些 skill 的调度与整合载体

主智能体的两种能力扩展方式

轻量扩展：直接给主智能体挂载新的 agent-skill（如新增 “PDF 解析 skill”）
复杂扩展：拆分出独立的 subagent 处理复杂任务（如将 “多语言翻译” 拆分为独立 subagent）

典型应用场景

agent-skill 适用场景
智能体功能轻量化扩展：给问答智能体新增 “表格生成 skill”
高频单一任务执行：Qwen3-VL 的 “OCR 识别 skill”、“GUI 元素定位 skill”
资源受限环境：边缘设备上的智能体，通过挂载核心 skill 降低开销

subagent 适用场景
复杂任务拆解：科研论文写作主智能体，拆分出 “文献检索 subagent”“实验数据分析 subagent”“结论撰写 subagent”
多模态协同任务：多模态内容生成系统，用不同 subagent 分别处理文本、图像、音频
分布式任务处理：云端智能体集群，通过多个 subagent 并行处理不同子任务

Qwen3-VL

Qwen3-VL 的全称是Qwen3 Vision-Language Model，即通义千问 3 代视觉 - 语言模型
“Qwen” 是通义千问的英文名称
“3” 代表其为 Qwen 系列第三代模型
“VL” 是 “Vision-Language”（视觉 - 语言）的缩写

Qwen3-VL 是阿里云 Qwen（通义千问）团队开发的新一代视觉-语言多模态大模型（VLM）
采用 “视觉编码器 + 多模态融合模块 + LLM 解码器” 架构，原生支持文本、图像、视频的交错输入与统一建模
兼具强大的纯文本能力、长上下文理解、视觉感知推理及视觉智能体执行能力，覆盖从边缘到云端的多种部署需求

核心架构

Qwen3-VL 采用模块化分层设计，确保视觉与语言模态的深度融合：
视觉编码器（Vision Encoder）：
基于 SigLIP2 持续预训练，支持动态分辨率输入，采用绝对位置编码 + 2D-RoPE 组合方案，将图像 / 视频帧编码为视觉 tokens，不强制缩放或裁剪，保留完整视觉细节

多模态融合模块（VL-Merger+DeepStack）：
含两层 MLP 的 VL-Merger（压缩视觉特征为 visual token）与 DeepStack（将视觉 tokens 深度注入 LLM 多个层级），实现视觉特征与文本特征的深度交互

LLM 解码器：
Qwen3 语言基座，分 Dense（全参数参与推理）和 MoE（动态激活部分专家）架构，支持自回归生成，原生处理文本-视觉交错 token 序列

关键特性

特性说明
纯文本能力强势预训练早期融合文本与视觉模态协同训练，纯文本任务表现媲美同规模顶级 LLM
超长上下文原生支持 256K tokens，可扩展至 1M，能处理整本书籍或数小时视频，支持秒级索引与完整回忆
高级空间感知具备 2D/3D Grounding 能力，可判断物体位置、遮挡关系、视角，支撑 3D 建模与具身 AI
视觉智能体（Visual Agent）能识别 PC / 移动端 GUI 元素、理解功能并调用工具完成任务，在 OSWorld 等基准测试达顶尖水平
视觉编码增强可从图像 / 视频生成 Draw.io、HTML/CSS/JS 等代码，适配设计图转前端实现等场景
视频理解升级引入基于显式文本的视频时间对齐机制，支持数小时长视频的时序分析与关键帧定位
多语言 OCR 强化支持 32 种语言，优化低光、模糊、倾斜图像的文字提取，提升复杂场景文本识别准确率
STEM 推理提升在数学、物理等领域具备因果分析与证据链推理能力，适合复杂逻辑与数理问题求解

版本规格

Qwen3-VL 提供多样化版本，适配不同算力与场景需求，区分 Instruct（指令遵循）和 Thinking（推理增强）版本：
架构类型模型规格适用场景
Dense（密集型） 2B/4B/8B/32B 边缘设备、本地部署、低延迟任务
MoE（专家混合） 30B-A3B/235B-A22B 云端部署、高复杂度推理、大规模多模态任务

MoE 的全称是 Mixture of Experts，中文译为专家混合模型

典型应用场景

长文档 / 长视频处理：解析千页书籍、数小时视频，生成摘要、问答或关键信息检索
视觉智能体与自动化： GUI 界面操作、自动化测试、智能运维（如识别设备异常）
内容创作与开发：图像生成代码（前端 / 流程图）、图文内容生成、多语言 OCR 与翻译
STEM 教育与科研：复杂图表解析、数理逻辑推理、3D 空间问题可视化分析
具身 AI 与机器人：基于视觉的空间规划、物体交互与任务执行