> ## Documentation Index > Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt > Use this file to discover all available pages before exploring further. # 技能 > 学习如何通过技能扩展深度智能体的能力 技能是可复用的智能体能力，提供专门的工作流程和领域知识。 你可以使用 [Agent Skills](https://agentskills.io/) 为你的深度智能体提供新的能力和专业知识。对于能提升智能体在 LangChain 生态系统任务中性能的即用型技能，请参阅 [LangChain Skills](https://github.com/langchain-ai/langchain-skills) 仓库。 深度智能体技能遵循 [Agent Skills 规范](https://agentskills.io/specification)。 ## 什么是技能 技能是一个文件夹目录，其中每个文件夹包含一个或多个智能体可以使用的上下文文件： * 一个包含技能说明和元数据的 `SKILL.md` 文件 * 额外的脚本（可选） * 额外的参考信息，例如文档（可选） * 额外的资源，例如模板和其他资产（可选） 任何额外的资产（脚本、文档、模板或其他资源）都必须在 `SKILL.md` 文件中被引用，并说明文件内容和使用方法，以便智能体决定何时使用它们。 ## 技能如何工作 当你创建深度智能体时，可以传入一个包含技能的目录列表。智能体启动时，会读取每个 `SKILL.md` 文件的前置元数据。 当智能体收到提示时，它会检查在执行提示任务时是否可以使用任何技能。如果找到匹配的提示，它会接着查看技能的其他文件。这种仅在需要时才查看技能信息的模式称为*渐进式披露*。 ## 示例 你可能有一个技能文件夹，其中包含一个以特定方式使用文档站点的技能，以及另一个用于搜索 arXiv 研究论文预印本库的技能： ```plaintext theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} skills/ ├── langgraph-docs │ └── SKILL.md └── arxiv_search ├── SKILL.md └── arxiv_search.py # 用于搜索 arXiv 的代码 ``` `SKILL.md` 文件始终遵循相同的模式，以前置元数据开头，后面是技能的使用说明。 以下示例展示了一个技能，它提供了在收到相关提示时如何提供相关 langgraph 文档的说明： ```md theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} --- name: langgraph-docs description: 对于与 LangGraph 相关的请求，使用此技能来获取相关文档，以提供准确、最新的指导。 --- # langgraph-docs ## 概述 此技能解释了如何访问 LangGraph Python 文档，以帮助回答问题并指导实现。 ## 使用说明 ### 1. 获取文档索引 使用 fetch_url 工具读取以下 URL： https://docs.langchain.com/llms.txt 这将提供一个包含描述的结构化可用文档列表。 ### 2. 选择相关文档 根据问题，从索引中识别 2-4 个最相关的文档 URL。优先考虑： - 针对实现问题的具体操作指南 - 针对理解问题的核心概念页面 - 端到端示例的教程 - API 详情的参考文档 ### 3. 获取选定的文档 使用 fetch_url 工具读取选定的文档 URL。 ### 4. 提供准确指导 阅读文档后，完成用户的请求。 ``` 更多技能示例，请参阅 [Deep Agent 示例技能](https://github.com/langchain-ai/deepagents/tree/main/libs/cli/examples/skills)。 **重要** 有关编写技能文件时的约束和最佳实践，请参阅完整的 [Agent Skills 规范](https://agentskills.io/specification)。特别要注意： * 如果 `description` 字段超过 1024 个字符，它将被截断。 * 在 Deep Agents 中，`SKILL.md` 文件必须小于 10 MB。超过此限制的文件在技能加载时会被跳过。 ### 完整示例 以下示例展示了一个使用了所有可用前置元数据字段的 `SKILL.md` 文件： ```md expandable theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} --- name: langgraph-docs description: 对于与 LangGraph 相关的请求，使用此技能来获取相关文档，以提供准确、最新的指导。 license: MIT compatibility: 需要互联网访问以获取文档 URL metadata: author: langchain version: "1.0" allowed-tools: fetch_url --- # langgraph-docs ## 概述 此技能解释了如何访问 LangGraph Python 文档，以帮助回答问题并指导实现。 ## 使用说明 ### 1. 获取文档索引 使用 fetch_url 工具读取以下 URL： https://docs.langchain.com/llms.txt 这将提供一个包含描述的结构化可用文档列表。 ### 2. 选择相关文档 根据问题，从索引中识别 2-4 个最相关的文档 URL。优先考虑： - 针对实现问题的具体操作指南 - 针对理解问题的核心概念页面 - 端到端示例的教程 - API 详情的参考文档 ### 3. 获取选定的文档 使用 fetch_url 工具读取选定的文档 URL。 ### 4. 提供准确指导 阅读文档后，完成用户的请求。 ``` ## 使用方法 在创建深度智能体时传入技能目录： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from urllib.request import urlopen from deepagents import create_deep_agent from deepagents.backends.utils import create_file_data from langgraph.checkpoint.memory import MemorySaver checkpointer = MemorySaver() skill_url = "https://raw.githubusercontent.com/langchain-ai/deepagents/refs/heads/main/libs/cli/examples/skills/langgraph-docs/SKILL.md" with urlopen(skill_url) as response: skill_content = response.read().decode('utf-8') skills_files = { "/skills/langgraph-docs/SKILL.md": create_file_data(skill_content) } agent = create_deep_agent( skills=["/skills/"], checkpointer=checkpointer, ) result = agent.invoke( { "messages": [ { "role": "user", "content": "What is langgraph?", } ], # 初始化默认 StateBackend 的内存文件系统（虚拟路径必须以 "/" 开头）。 "files": skills_files }, config={"configurable": {"thread_id": "12345"}}, ) ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from urllib.request import urlopen from deepagents import create_deep_agent from deepagents.backends import StoreBackend from deepagents.backends.utils import create_file_data from langgraph.store.memory import InMemoryStore store = InMemoryStore() skill_url = "https://raw.githubusercontent.com/langchain-ai/deepagents/refs/heads/main/libs/cli/examples/skills/langgraph-docs/SKILL.md" with urlopen(skill_url) as response: skill_content = response.read().decode('utf-8') store.put( namespace=("filesystem",), key="/skills/langgraph-docs/SKILL.md", value=create_file_data(skill_content) ) agent = create_deep_agent( backend=(lambda rt: StoreBackend(rt)), store=store, skills=["/skills/"] ) result = agent.invoke( { "messages": [ { "role": "user", "content": "What is langgraph?", } ] }, config={"configurable": {"thread_id": "12345"}}, ) ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from deepagents import create_deep_agent from langgraph.checkpoint.memory import MemorySaver from deepagents.backends.filesystem import FilesystemBackend # 检查点器对于人工介入流程是必需的 checkpointer = MemorySaver() agent = create_deep_agent( backend=FilesystemBackend(root_dir="/Users/user/{project}"), skills=["/Users/user/{project}/skills/"], interrupt_on={ "write_file": True, # 默认：批准、编辑、拒绝 "read_file": False, # 无需中断 "edit_file": True # 默认：批准、编辑、拒绝 }, checkpointer=checkpointer, # 必需！ ) result = agent.invoke( { "messages": [ { "role": "user", "content": "What is langgraph?", } ] }, config={"configurable": {"thread_id": "12345"}}, ) ``` 技能源路径列表。 路径必须使用正斜杠指定，并且相对于后端的根目录。 * 如果省略，则不加载任何技能。 * 使用 `StateBackend`（默认）时，通过 `invoke(files={...})` 提供技能文件。使用 `deepagents.backends.utils` 中的 `create_file_data()` 来格式化文件内容；不支持原始字符串。 * 使用 `FilesystemBackend` 时，技能从磁盘加载，相对于后端的 `root_dir`。 对于同名的技能，后加载的源会覆盖先加载的源（后加载者胜出）。 SDK 仅加载你在 `skills` 中传入的源。它不会自动扫描 CLI 目录，例如 `~/.deepagents/...` 或 `~/.agents/...`。 有关 CLI 存储约定，请参阅 [应用数据](/oss/python/deepagents/data-locations)。 如果你希望在 SDK 代码中实现 CLI 风格的分层，请按从低到高的优先级顺序显式传递所有所需的源： ```text theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} [ "/.deepagents/{agent}/skills/", "/.agents/skills/", "/.deepagents/skills/", "/.agents/skills/", ] ``` 然后在创建智能体时，将该有序列表作为 `skills` 传入。 ## 源优先级 当多个技能源包含同名技能时，`skills` 数组中靠后列出的源中的技能具有优先级（后加载者胜出）。这允许你从不同来源分层叠加技能。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} # 如果两个源都包含名为 "web-search" 的技能， # 那么来自 "/skills/project/" 的技能胜出（最后加载）。 agent = create_deep_agent( skills=["/skills/user/", "/skills/project/"], ... ) ``` ## 子智能体的技能 当你使用 [子智能体](/oss/python/deepagents/subagents) 时，可以配置每种类型可以访问哪些技能： * **通用子智能体**：当你将 `skills` 传递给 `create_deep_agent` 时，会自动继承主智能体的技能。无需额外配置。 * **自定义子智能体**：不继承主智能体的技能。在每个子智能体定义中添加一个 `skills` 参数，指定该子智能体的技能源路径。 技能状态是完全隔离的：主智能体的技能对子智能体不可见，子智能体的技能对主智能体也不可见。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from deepagents import create_deep_agent research_subagent = { "name": "researcher", "description": "具有专业技能的研究助手", "system_prompt": "你是一名研究员。", "tools": [web_search], "skills": ["/skills/research/", "/skills/web-search/"], # 子智能体特定技能 } agent = create_deep_agent( model="claude-sonnet-4-6", skills=["/skills/main/"], # 主智能体和通用子智能体获得这些技能 subagents=[research_subagent], # 研究员仅获得其自己的技能 ) ``` 有关子智能体配置和技能继承的更多信息，请参阅 [子智能体](/oss/python/deepagents/subagents)。 ## 智能体看到的内容 当配置了技能时，一个“技能系统”部分会被注入到智能体的系统提示中。智能体使用此信息遵循一个三步流程： 1. **匹配** — 当用户提示到达时，智能体检查是否有任何技能的描述与任务匹配。 2. **读取** — 如果某个技能适用，智能体使用其技能列表中显示的路径读取完整的 `SKILL.md` 文件。 3. **执行** — 智能体遵循技能的说明，并根据需要访问任何支持文件（脚本、模板、参考文档）。 在你的 `SKILL.md` 前置元数据中编写清晰、具体的描述。智能体仅根据描述来决定是否使用技能——详细的描述能带来更好的技能匹配。 ## 技能与记忆 技能和 [记忆](/oss/python/deepagents/customization#memory)（`AGENTS.md` 文件）有不同的用途： | | 技能 | 记忆 | | -------- | ----------------- | ---------------- | | **目的** | 通过渐进式披露按需发现的能力 | 启动时始终加载的持久上下文 | | **加载方式** | 仅在智能体确定相关性时读取 | 始终注入到系统提示中 | | **格式** | 命名目录中的 `SKILL.md` | `AGENTS.md` 文件 | | **分层** | 用户 → 项目（后加载者胜出） | 用户 → 项目（合并） | | **使用场景** | 说明是任务特定的且可能很大 | 上下文始终相关（项目约定、偏好） | ## 何时使用技能与工具 以下是使用工具和技能的一些通用准则： * 当存在大量上下文时，使用技能以减少系统提示中的令牌数量。 * 使用技能将多个能力捆绑成更大的操作，并提供超出单个工具描述的额外上下文。 * 如果智能体无法访问文件系统，则使用工具。 ***
[Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\deepagents\skills.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose). [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.