技能

​

主要特性

• 提示驱动的专业化：技能主要由专业提示定义
• 渐进式披露：技能根据上下文或用户需求变得可用
• 团队分布式开发：不同团队可以独立开发和维护技能
• 轻量级组合：技能比完整的子智能体更简单
• 引用感知：技能可以引用脚本、模板和其他资源

​

适用场景

​

基础实现

from langchain.tools import tool
from langchain.agents import create_agent

@tool
def load_skill(skill_name: str) -> str:
    """加载专业化的技能提示。

    可用技能：
    - write_sql: SQL查询编写专家
    - review_legal_doc: 法律文档审阅者

    返回技能的提示和上下文。
    """
    # 从文件/数据库加载技能内容
    ...

agent = create_agent(
    model="gpt-4.1",
    tools=[load_skill],
    system_prompt=(
        "你是一个乐于助人的助手。"
        "你可以使用两种技能："
        "write_sql和review_legal_doc。"
        "使用load_skill来访问它们。"
    ),
)

​

扩展模式

• 动态工具注册：将渐进式披露与状态管理相结合，在技能加载时注册新的工具。例如，加载”database_admin”技能既可以添加专业化的上下文，也可以注册数据库特定的工具（备份、恢复、迁移）。这使用了在多智能体模式中通用的工具和状态机制——工具通过更新状态来动态改变智能体的能力。
• 分层技能：技能可以以树状结构定义其他技能，创建嵌套的专业化能力。例如，加载”data_science”技能可能会提供”pandas_expert”、“visualization”和”statistical_analysis”等子技能。每个子技能可以根据需要独立加载，允许对领域知识进行细粒度的渐进式披露。这种分层方法通过将能力组织成逻辑分组，有助于管理大型知识库，这些分组可以按需发现和加载。
• 引用感知：虽然每个技能只有一个提示，但这个提示可以引用其他资源的位置，并提供智能体何时应使用这些资源的信息。当这些资源变得相关时，智能体将知道这些文件存在，并根据需要将它们读入内存以完成任务。这也遵循渐进式披露模式，并限制了上下文窗口中的信息量。