LangChain 中文文档

外观

在技能架构中，专门能力被封装为可调用的"技能"，用于增强 智能体 的行为。技能主要是由提示词驱动的专门化，智能体可以按需调用。 如需内置的技能支持，请参阅 Deep Agents。

TIP

该模式在概念上与 Agent Skills 和 llms.txt（由 Jeremy Howard 提出）相同，后者使用工具调用对文档进行渐进式披露。技能模式将渐进式披露应用于专门的提示词和领域知识，而不仅仅是文档页面。

如需能提升你的智能体在 LangChain 生态任务上表现的即用型技能，请参阅 LangChain Skills 仓库。

关键特征 ​

  • 提示词驱动的专门化：技能主要由专门提示词定义
  • 渐进式披露：技能根据上下文或用户需求变得可用
  • 团队分工：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 拥有许多可能的专门化、不需要在技能之间强制施加特定约束，或者需要不同团队独立开发能力时，请使用技能模式。常见示例包括编码助手（针对不同语言或任务的技能）、知识库（针对不同领域的技能）和创意助手（针对不同格式的技能）。

基本实现 ​

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

@tool
def load_skill(skill_name: str) -> str:
    """Load a specialized skill prompt.

    Available skills:
    - write_sql: SQL query writing expert
    - review_legal_doc: Legal document reviewer

    Returns the skill's prompt and context.
    """
    # 从文件/数据库加载技能内容
    ...

agent = create_agent(
    model="gpt-5.5",
    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."
    ),
)
typescript
import { tool, createAgent } from "langchain";
import * as z from "zod";

const loadSkill = tool(
  async ({ skillName }) => {
    // 从文件/数据库加载技能内容
    return "";
  },
  {
    name: "load_skill",
    description: `Load a specialized skill.

Available skills:
- write_sql: SQL query writing expert
- review_legal_doc: Legal document reviewer

Returns the skill's prompt and context.`,
    schema: z.object({
      skillName: z
        .string()
        .describe("Name of skill to load")
    })
  }
);

const agent = createAgent({
  model: "gpt-5.5",
  tools: [loadSkill],
  systemPrompt: (
    "You are a helpful assistant. " +
    "You have access to two skills: " +
    "write_sql and review_legal_doc. " +
    "Use load_skill to access them."
  ),
});

完整的实现请参见下面的教程。

扩展该模式 ​

编写自定义实现时，你可以通过多种方式扩展基本的技能模式：

  • 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"技能既可以添加专门上下文，也可以注册数据库专用工具（备份、恢复、迁移）。这使用了与多智能体模式相同的工具与状态机制——工具更新状态以动态改变智能体能力。

  • 分层技能：技能可以在树状结构中定义其他技能，创建嵌套的专门化。例如，加载"data_science"技能可能会使"pandas_expert"、"visualization"和"statistical_analysis"等子技能变得可用。每个子技能都可以按需独立加载，从而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可发现并按需加载的逻辑分组，帮助管理大型知识库。

  • 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存储位置，并提供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，并在需要时按需将其读入记忆以完成任务。 这也遵循了渐进式披露模式，并限制了上下文窗口中的信息量。