技能

在技能架构中，专业能力被打包为可调用的”技能”，用以增强智能体的行为。技能主要是提示词驱动的专业化，智能体可以按需调用。 如需内置的技能支持，请参阅 Deep Agents。

此模式在概念上与 Agent Skills 和 llms.txt（由 Jeremy Howard 提出）相同，后者使用工具调用进行文档的渐进式披露。技能模式将渐进式披露应用于专业提示词和领域知识，而不仅仅是文档页面。

如需可直接使用的技能来提升你的智能体在 LangChain 生态系统任务上的性能，请参阅 LangChain Skills 仓库。

关键特征

• 提示词驱动的专业化：技能主要由专业提示词定义
• 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：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

何时使用

当你希望单个智能体拥有多种可能的专业化、不需要在技能之间强制执行特定约束，或不同团队需要独立开发能力时，使用技能模式。常见示例包括编码助手（不同语言或任务的技能）、知识库（不同领域的技能）和创意助手（不同格式的技能）。

基本实现

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

@tool
def load_skill(skill_name: str) -> str:
    """加载专业技能提示词。

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

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

agent = create_agent(
    model="gpt-5.4",
    tools=[load_skill],
    system_prompt=(
        "You are a helpful assistant. "
        "You have access to two skills: "
        "write_sql and review_legal_doc. "
        "Use load_skill to access them."
    ),
)

有关完整实现，请参阅下面的教程。

教程：使用按需技能构建 SQL 助手

学习如何通过渐进式披露实现技能，智能体按需加载专业提示词和模式，而非预先加载。

了解更多

扩展模式

编写自定义实现时，你可以通过以下几种方式扩展基本技能模式：

• 动态工具注册：将渐进式披露与状态管理结合，在技能加载时注册新工具。例如，加载”database_admin”技能既可以添加专业上下文，也可以注册特定于数据库的工具（备份、恢复、迁移）。这使用了跨多智能体模式使用的相同工具和状态机制——工具更新状态以动态更改智能体能力。

• 层次化技能：技能可以在树形结构中定义其他技能，创建嵌套的专业化。例如，加载”data_science”技能可能会使”pandas_expert”、“visualization”和”statistical_analysis”等子技能可用。每个子技能都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。这种层次化方法通过将能力组织为逻辑分组来帮助管理大型知识库，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词，但这个提示词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的存在，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，限制了上下文窗口中的信息。

---

将这些文档连接到 Claude、VSCode 等工具，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。