AI Skills技能系统，让 Agent 自动变强

最新推荐文章于 2026-08-20 14:13:04 发布

原创最新推荐文章于 2026-08-20 14:13:04 发布 · 207 阅读

6 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

么是 Skill
Skill（技能）是一种可复用的功能单元，用于扩展 Agent 的任务执行能力。每个 Skill 封装了特定领域的指令、脚本和参考资料，使 Agent 能够胜任各类专业任务。

这种设计的核心思想是模块化。就像给手机安装 App 一样，我们可以为 Agent 动态加载不同的技能，让它具备代码审查、文档生成、数据分析等能力。每个技能都是独立的，可以单独开发、测试和复用。

文件/目录说明
SKILL.md

必需。包含技能指令和元数据（name、description）

scripts/

可选。存放可执行脚本（Python、Shell 等）

references/

可选。存放参考文档、示例数据等辅助资料

SKILL.md 文件结构
每个 Skill 的核心是一个名为 SKILL.md 的文件。这个文件由两部分组成：Frontmatter 元数据和 Markdown 指令。

Frontmatter 元数据位于文件开头，采用 YAML 格式，定义了技能的名称、描述等关键信息。其中，description 字段尤为重要，它直接决定了 Agent 能否在正确的时机找到并使用该技能。一个好的描述应该简洁明确，并包含触发条件，让 Agent 一看就知道"什么场景下该用我"。

Markdown 指令部分则是技能的具体内容，告诉 Agent 拿到这个技能之后该怎么做、按什么步骤执行、有哪些注意事项。这部分内容会被注入到 Agent 的上下文中，指导它完成任务。

复制代码

name: code-review
description: 审查代码质量、检查常见问题。当用户要求代码审查时使用。

代码审查

审查代码文件，检查以下问题：

语法错误和潜在 Bug
代码风格和规范
性能问题
安全漏洞

使用方法

当用户要求审查代码时，执行：

python /skills/code-review/scripts/review.py <file_path>

输出格式

按严重程度分类：

🔴 严重问题（必须修复）
🟡 警告（建议改进）
🟢 提示（可选优化）
复制代码
Skills 的执行流程
理解了文件结构，再来看 Skill 是如何运作的。整个执行流程可以分为三个阶段：扫描匹配、加载注入、执行反馈。

当用户输入一个请求时，Agent 首先扫描 skills 目录下所有 SKILL.md 的前置元数据，提取各技能的名称与描述，生成可用技能清单。然后，Agent 将用户请求与清单中的描述进行语义匹配。一旦找到合适的技能，就调用 load_skill 方法将该技能的完整提示指令加载到对话上下文中。最后，Agent 按照加载的指令执行任务，并将结果返回给用户。

这个过程对用户来说是透明的。用户只需要表达意图，Agent 会自动找到并使用合适的技能完成任务。

image

实践：集成代码审查 Skill

理论讲完了，接下来通过一个完整的示例来演示如何将 Skill 集成到 Agent 中。我们已经创建好了一个代码审查 Skill，现在要让它工作起来。

首先需要安装 deepagents 开发包。

pip install deepagents
需要注意的是，deepagents 目前不支持通过 init_chat_model 构造的模型对象，因此需要调整模型的初始化方式。

最关键的是 create_deep_agent 的调用，其中 skills 参数指定了技能目录。

create_deep_agent 默认使用内存后端 StateBackend，无法读取本地文件系统。如果要加载磁盘上的 Skill 文件，必须显式传入 FilesystemBackend。这是一个容易忽略的配置点。

复制代码
import os
from dotenv import load_dotenv
from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model
from langchain_core.tools import BaseTool
from langchain_community.tools import WriteFileTool, ReadFileTool, ListDirectoryTool
from deepagents.backends import FilesystemBackend

load_dotenv()

使用 configurable_fields 创建可配置模型

model = init_chat_model(

model_provider=“openai”,

configurable_fields=[“model”, “api_key”, “base_url”],

config_prefix=“QWEN”

).with_config({

“configurable”: {

“QWEN_model”: os.getenv(“QWEN_MODEL”),

“QWEN_api_key”: os.getenv(“QWEN_API_KEY”),

“QWEN_base_url”: os.getenv(“QWEN_BASE_URL”)

}

})

os.environ[“OPENAI_API_KEY”] = os.getenv(“QWEN_API_KEY”)
os.environ[“OPENAI_BASE_URL”] = os.getenv(“QWEN_BASE_URL”)
model = f"openai:{os.getenv(‘QWEN_MODEL’)}"

class CalculateTool(BaseTool):
name: str = “calculate”
description: str = “计算数学表达式的值”

def _run(self, expression: str) -> str:
    try:
        return f"计算结果: {eval(expression)}"
    except Exception as e:
        return f"计算错误: {str(e)}"

async def _arun(self, expression: str) -> str:
    return self._run(expression)

========== 初始化工具 ==========

calculate = CalculateTool()
write_file = WriteFileTool()
read_file = ReadFileTool()
list_dir = ListDirectoryTool()

========== 创建 Deep Agent ==========

agent = create_deep_agent(
model=model,
tools=[calculate, write_file, read_file, list_dir],
system_prompt=“你是一个助手，会用工具计算、读写文件、列出目录。”,
skills=[“skills”],
backend=FilesystemBackend(root_dir=os.getcwd()),
debug=True
)

queries = [
“审查 mcp_weather.py 代码”,
“计算 2024*12+500，然后把结果保存到 result.txt”,
“读取 result.txt 的内容”,
“列出当前目录文件”
]

for q in queries:
print(f"\n问：{q}“)
result = agent.invoke({“messages”: [{“role”: “user”, “content”: q}]})
print(f"答：{result[‘messages’][-1].content}”)

复制代码
Skill 系统让 Agent 的能力扩展变得模块化和可插拔。通过编写清晰的 SKILL.md 文件，定义准确的描述和完整的执行指令，Agent 就能在合适的时机自动找到并使用相应的技能。

标签