1. 引言為什么需要掌握 AI Agent Skill隨著大語言模型能力的持續(xù)提升AI Agent 已經從簡單的對話機器人演變?yōu)槟軌蜃灾饕?guī)劃、調用工具、執(zhí)行復雜任務的智能體。而 Skill技能正是賦予 Agent 領域能力的關鍵機制。本文將從基礎概念出發(fā)逐步深入到高級實戰(zhàn)幫助你系統(tǒng)掌握 AI Agent Skill 的設計、開發(fā)與調優(yōu)方法。無論你是剛接觸 Agent 開發(fā)的初學者還是希望提升 Agent 復雜任務處理能力的進階開發(fā)者本文都會提供可落地的代碼示例和工程實踐建議。2. Skill 基礎概念2.1 什么是 SkillSkill 是 Agent 可復用的能力單元它將特定領域的知識、工具調用邏輯和提示詞模板封裝在一起。當 Agent 遇到匹配的任務時會自動加載對應的 Skill 來完成任務。一個完整的 Skill 通常包含以下組成部分觸發(fā)條件定義何時啟用該 Skill通?；谌蝿彰枋龌蛴脩粢鈭D匹配。指令模板指導模型如何執(zhí)行任務的提示詞包含步驟、約束和輸出格式。工具調用Skill 內部可編排一個或多個外部工具如搜索、代碼執(zhí)行、API 調用。上下文管理定義需要收集和傳遞的上下文信息。2.2 Skill 與普通提示詞的區(qū)別普通提示詞是一次性的指令文本而 Skill 是結構化的、可復用的能力封裝。Skill 具備以下優(yōu)勢可復用性同一 Skill 可在多個 Agent 或任務中復用?？山M合性多個 Skill 可以組合成更復雜的流程?？删S護性技能邏輯集中管理便于迭代優(yōu)化?？蓽y試性每個 Skill 可以獨立測試和驗證。3. 環(huán)境準備與工具鏈3.1 開發(fā)環(huán)境搭建本文的實戰(zhàn)示例基于 Python 3.10 和 LangChain 框架。首先安裝必要的依賴pip install langchain langchain-openai langchain-community pip install openai python-dotenv創(chuàng)建項目目錄結構agent-skill-project/ ├── skills/ │ ├── web_search/ │ │ ├── SKILL.md │ │ └── tools.py │ ├── code_runner/ │ │ ├── SKILL.md │ │ └── tools.py │ └── data_analysis/ │ ├── SKILL.md │ └── tools.py ├── agent.py ├── config.py └── .env3.2 配置環(huán)境變量在.env文件中配置 API 密鑰OPENAI_API_KEYyour-api-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 MODEL_NAMEgpt-4o4. 第一個 Skill從零開始4.1 定義 Skill 元數據每個 Skill 以目錄形式組織核心是SKILL.md文件。下面創(chuàng)建一個網頁搜索 Skill--- name: web_search description: 執(zhí)行網絡搜索并返回結構化結果適用于查詢最新信息、新聞、文檔等場景。 version: 1.0.0 author: your-name triggers: - 搜索 - 查詢 - 查找資料 - 最新信息 --- Web Search Skill 執(zhí)行步驟 分析用戶查詢意圖提取關鍵詞。 調用 search_web 工具執(zhí)行搜索。 對結果進行去重和相關性排序。 返回前 5 條最相關的結果包含標題、鏈接和摘要。 注意事項 搜索關鍵詞應簡潔避免過長。 優(yōu)先選擇權威來源官方文檔、學術網站。 如果結果不相關嘗試改寫關鍵詞重新搜索。4.2 實現工具函數在tools.py中實現搜索工具import requests from typing import List, Dict def search_web(query: str, num_results: int 5) - List[Dict]: 執(zhí)行網絡搜索返回結構化結果列表。 # 這里以 DuckDuckGo 為例實際可替換為其他搜索 API url https://api.duckduckgo.com/ params { q: query, format: json, no_html: 1, skip_disambig: 1 } try: response requests.get(url, paramsparams, timeout10) response.raise_for_status() data response.json() results [] for topic in data.get(RelatedTopics, [])[:num_results]: if Text in topic: results.append({ title: topic.get(Text, ).split( - )[0], url: topic.get(FirstURL, ), snippet: topic.get(Text, ) }) return results except Exception as e: return [{error: f搜索失敗: {str(e)}}] def format_results(results: List[Dict]) - str: 將搜索結果格式化為可讀文本。 if not results: return 未找到相關結果。 lines [] for i, r in enumerate(results, 1): if error in r: return r[error] lines.append(f{i}. {r[title]}\n {r[url]}\n {r[snippet]}) return \n\n.join(lines)/code/pre 4.3 將 Skill 接入 Agent 創(chuàng)建主 Agent 程序加載并調用 Skill import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from skills.web_search.tools import search_web, format_results load_dotenv() def create_agent(): 創(chuàng)建帶 Skill 能力的 Agent。 llm ChatOpenAI( modelos.getenv(MODEL_NAME, gpt-4o), temperature0.3 ) 將 Skill 中的工具注冊到 Agent tools [ Tool( nameweb_search, funclambda q: format_results(search_web(q)), description執(zhí)行網絡搜索輸入為查詢關鍵詞返回結構化搜索結果。 ) ] prompt ChatPromptTemplate.from_messages([ (system, 你是一個智能助手可以調用工具完成任務。請根據用戶需求選擇合適的工具。), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad) ]) agent create_openai_tools_agent(llm, tools, prompt) return AgentExecutor(agentagent, toolstools, verboseTrue) if name main: agent create_agent() result agent.invoke({input: 幫我搜索一下 2025 年 AI Agent 的最新發(fā)展趨勢}) print(result[output]) 5. Skill 高級設計模式 5.1 多工具編排 復雜任務往往需要多個工具協(xié)同。下面創(chuàng)建一個數據分析 Skill它同時使用代碼執(zhí)行和文件讀寫工具 skills/data_analysis/tools.py import pandas as pd import json from typing import Any, Dict def load_dataset(file_path: str) - Dict[str, Any]: 加載 CSV 或 JSON 格式的數據集。 try: if file_path.endswith(.csv): df pd.read_csv(file_path) elif file_path.endswith(.json): df pd.read_json(file_path) else: return {error: 不支持的文件格式} return { columns: list(df.columns), shape: df.shape, head: df.head(5).to_dict(orientrecords), dtypes: df.dtypes.astype(str).to_dict() } except Exception as e: return {error: f加載失敗: {str(e)}} def analyze_column(df_data: Dict, column: str) - Dict[str, Any]: 對指定列進行統(tǒng)計分析。 try: df pd.DataFrame(df_data[head]) series pd.Series(df[column]) return { mean: float(series.mean()) if pd.api.types.is_numeric_dtype(series) else None, unique_values: series.nunique(), missing: int(series.isna().sum()), sample: series.head(3).tolist() } except Exception as e: return {error: f分析失敗: {str(e)}} 5.2 條件分支與決策 高級 Skill 需要根據中間結果動態(tài)調整執(zhí)行路徑。在 SKILL.md 中定義分支邏輯 name: smart_analysis description: 智能數據分析根據數據特征自動選擇分析策略。 version: 2.0.0 Smart Analysis Skill 執(zhí)行流程 加載數據集獲取基本結構信息。 判斷數據類型 如果包含數值列執(zhí)行統(tǒng)計分析和相關性分析。 如果包含文本列執(zhí)行關鍵詞提取和情感分析。 如果包含時間列執(zhí)行趨勢分析。 根據分析結果生成可視化建議。 輸出結構化分析報告。 決策規(guī)則 數值列占比 60%優(yōu)先統(tǒng)計分析。 文本列占比 40%優(yōu)先文本分析。 時間列存在增加趨勢分析。 5.3 Skill 組合與鏈式調用 將多個 Skill 串聯(lián)成工作流實現復雜任務自動化 from langchain.tools import Tool from skills.web_search.tools import search_web, format_results from skills.code_runner.tools import run_python_code def research_and_summarize(topic: str) - str: 組合 Skill搜索 代碼分析 總結。 第一步搜索資料 search_results format_results(search_web(topic, num_results10)) 第二步用代碼提取關鍵詞 code f import re from collections import Counter text {search_results} words re.findall(r\w, text.lower()) stopwords {{the, a, an, and, or, for, with}} keywords [w for w in words if w not in stopwords and len(w) 3] top_keywords Counter(keywords).most_common(10) print(top_keywords) analysis run_python_code(code) 第三步返回組合結果 return f搜索到 {len(search_results)} 條結果關鍵詞分析{analysis} 注冊為組合工具 combined_tool Tool( nameresearch_and_summarize, funcresearch_and_summarize, description搜索資料并進行關鍵詞分析返回綜合結果。 ) 6. 實戰(zhàn)案例構建智能客服 Agent 6.1 需求分析 本節(jié)構建一個完整的智能客服 Agent它需要處理訂單查詢、退換貨、產品咨詢等常見問題。我們將設計三個 Skill order_query查詢訂單狀態(tài)和物流信息。 return_request處理退換貨申請。 product_info提供產品參數和庫存信息。 6.2 實現訂單查詢 Skill skills/order_query/tools.py import json from datetime import datetime from typing import Dict, Optional 模擬訂單數據庫 ORDERS_DB { ORD2025001: { status: 已發(fā)貨, items: [無線鼠標, 機械鍵盤], total: 599.00, shipping: 順豐速運, tracking: SF1234567890, estimated_delivery: 2025-03-20 }, ORD2025002: { status: 待付款, items: [顯示器支架], total: 199.00, shipping: None, tracking: None, estimated_delivery: None } } def query_order(order_id: str) - Dict: 查詢訂單狀態(tài)。 order ORDERS_DB.get(order_id.upper()) if not order: return {error: f未找到訂單 {order_id}請確認訂單號是否正確。} result { 訂單號: order_id.upper(), 狀態(tài): order[status], 商品: , .join(order[items]), 金額: f￥{order[total]:.2f} } if order[tracking]: result[物流公司] order[shipping] result[運單號] order[tracking] result[預計送達] order[estimated_delivery] return result def format_order_response(order_info: Dict) - str: 格式化訂單查詢結果。 if error in order_info: return order_info[error] lines [f您的訂單信息如下] for key, value in order_info.items(): lines.append(f- {key}{value}) if order_info.get(狀態(tài)) 已發(fā)貨: lines.append(\n如需查詢物流詳情請?zhí)峁┻\單號。) elif order_info.get(狀態(tài)) 待付款: lines.append(\n請盡快完成付款訂單將在付款后 24 小時內發(fā)貨。) return \n.join(lines)/code/pre 6.3 實現退換貨 Skill skills/return_request/tools.py from typing import Dict, List RETURN_POLICY { window_days: 7, conditions: [ 商品未經使用包裝完好, 不影響二次銷售, 非定制類商品 ], process: [ 提交退換貨申請, 審核通過后寄回商品, 倉庫驗收1-3 個工作日, 退款原路返回3-5 個工作日 ] } def check_return_eligibility(order_id: str, item: str) - Dict: 檢查退換貨資格。 模擬檢查邏輯 eligible True reasons [] if not order_id.startswith(ORD): eligible False reasons.append(訂單號格式不正確) if item in [定制鍵盤, 已拆封耳機]: eligible False reasons.append(該商品不支持退換貨) return { eligible: eligible, reasons: reasons if reasons else [符合退換貨條件], policy: RETURN_POLICY } def create_return_request(order_id: str, item: str, reason: str) - Dict: 創(chuàng)建退換貨申請。 eligibility check_return_eligibility(order_id, item) if not eligibility[eligible]: return { success: False, message: .join(eligibility[reasons]) } request_id fRET{order_id[-4:]}001 return { success: True, request_id: request_id, message: f退換貨申請已提交申請編號{request_id}, next_steps: RETURN_POLICY[process] }/code/pre 6.4 組裝客服 Agent customer_service_agent.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from skills.order_query.tools import query_order, format_order_response from skills.return_request.tools import create_return_request, check_return_eligibility from skills.product_info.tools import get_product_info load_dotenv() def create_customer_service_agent(): 創(chuàng)建智能客服 Agent。 llm ChatOpenAI( modelos.getenv(MODEL_NAME, gpt-4o), temperature0.2 ) tools [ Tool( namequery_order, funclambda order_id: format_order_response(query_order(order_id)), description查詢訂單狀態(tài)和物流信息。輸入參數為訂單號格式如 ORD2025001。 ), Tool( namecreate_return_request, funclambda order_id, item, reason: create_return_request(order_id, item, reason), description創(chuàng)建退換貨申請。參數訂單號、商品名稱、退換原因。 ), Tool( nameget_product_info, funclambda product_name: get_product_info(product_name), description查詢產品參數、價格和庫存信息。輸入參數為產品名稱。 ) ] prompt ChatPromptTemplate.from_messages([ (system, 你是一個專業(yè)的電商客服助手。請遵循以下規(guī)則 用戶詢問訂單狀態(tài)時使用 query_order 工具。 用戶要求退換貨時先確認訂單信息再使用 create_return_request。 用戶咨詢產品時使用 get_product_info。 回答要友好、專業(yè)必要時提供額外幫助。 如果工具返回錯誤向用戶解釋并引導正確操作。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad) ]) memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) agent create_openai_tools_agent(llm, tools, prompt) return AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, max_iterations5 ) if name main: agent create_customer_service_agent() 測試對話 print( 測試 1訂單查詢 ) response agent.invoke({input: 幫我查一下訂單 ORD2025001 到哪了}) print(response[output]) print(\n 測試 2退換貨 ) response agent.invoke({input: 我想退掉 ORD2025002 里的顯示器支架還沒付款}) print(response[output]) print(\n 測試 3產品咨詢 ) response agent.invoke({input: 你們有無線鼠標嗎多少錢}) print(response[output])/code/pre 7. Skill 性能優(yōu)化 7.1 提示詞優(yōu)化策略 Skill 的執(zhí)行效果高度依賴提示詞質量。以下優(yōu)化策略可以顯著提升效果 明確輸出格式在 SKILL.md 中定義結構化輸出模板減少模型自由發(fā)揮空間。 提供示例每個 Skill 至少包含 2-3 個輸入輸出示例幫助模型理解預期行為。 錯誤處理指引明確工具調用失敗時的降級策略和用戶溝通方式。 上下文壓縮長對話中使用摘要壓縮歷史消息避免超出上下文窗口。 7.2 緩存與記憶機制 from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache import hashlib import json 啟用 LLM 緩存減少重復調用 set_llm_cache(InMemoryCache()) class SkillMemory: Skill 級記憶管理緩存工具調用結果。 def init(self, max_entries: int 100): self.cache {} self.max_entries max_entries def _key(self, tool_name: str, *args) - str: 生成緩存鍵。 raw f{tool_name}:{json.dumps(args, ensure_asciiFalse)} return hashlib.md5(raw.encode()).hexdigest() def get(self, tool_name: str, *args): 獲取緩存結果。 key self._key(tool_name, *args) return self.cache.get(key) def set(self, tool_name: str, result, *args): 寫入緩存超出容量時淘汰最舊條目。 key self._key(tool_name, *args) if len(self.cache) self.max_entries: oldest_key next(iter(self.cache)) del self.cache[oldest_key] self.cache[key] result def clear(self): 清空緩存。 self.cache.clear() 使用示例 memory SkillMemory() def cached_query_order(order_id: str): 帶緩存的訂單查詢。 cached memory.get(query_order, order_id) if cached: return cached result query_order(order_id) memory.set(query_order, result, order_id) return result 7.3 并行執(zhí)行與異步優(yōu)化 import asyncio from concurrent.futures import ThreadPoolExecutor from typing import List, Dict async def run_skills_parallel(skill_calls: List[Dict]) - List[Dict]: 并行執(zhí)行多個 Skill 調用。 async def execute_one(call: Dict): tool_name call[tool] args call.get(args, {}) # 這里根據工具名分發(fā)到對應函數 if tool_name web_search: return await asyncio.to_thread(search_web, **args) elif tool_name query_order: return await asyncio.to_thread(query_order, **args) elif tool_name get_product_info: return await asyncio.to_thread(get_product_info, **args) else: return {error: f未知工具: {tool_name}} 并發(fā)執(zhí)行所有調用 results await asyncio.gather( *[execute_one(call) for call in skill_calls] ) return results 使用示例 async def demo_parallel(): calls [ {tool: web_search, args: {query: AI Agent 最新進展}}, {tool: query_order, args: {order_id: ORD2025001}}, {tool: get_product_info, args: {product_name: 無線鼠標}} ] results await run_skills_parallel(calls) for r in results: print(r) 運行 asyncio.run(demo_parallel()) 8. 測試與調試 8.1 單元測試 Skill import unittest from skills.order_query.tools import query_order, format_order_response from skills.return_request.tools import check_return_eligibility class TestOrderSkill(unittest.TestCase): 訂單查詢 Skill 單元測試。 def test_query_existing_order(self): result query_order(ORD2025001) self.assertIn(狀態(tài), result) self.assertEqual(result[狀態(tài)], 已發(fā)貨) def test_query_nonexistent_order(self): result query_order(ORD9999999) self.assertIn(error, result) def test_format_response(self): result query_order(ORD2025001) formatted format_order_response(result) self.assertIn(訂單號, formatted) self.assertIn(ORD2025001, formatted) class TestReturnSkill(unittest.TestCase): 退換貨 Skill 單元測試。 def test_eligible_item(self): result check_return_eligibility(ORD2025001, 無線鼠標) self.assertTrue(result[eligible]) def test_ineligible_item(self): result check_return_eligibility(ORD2025001, 定制鍵盤) self.assertFalse(result[eligible]) if name main: unittest.main() 8.2 調試技巧 調試 Skill 時重點關注以下方面 工具調用日志開啟 Agent 的 verbose 模式觀察每一步的工具調用和中間結果。 提示詞追蹤記錄發(fā)送給模型的完整提示詞檢查 Skill 指令是否正確加載。 錯誤注入測試模擬工具返回錯誤驗證 Agent 的降級處理邏輯。 邊界條件測試測試空輸入、超長輸入、特殊字符等邊界情況。 9. 部署與監(jiān)控 9.1 生產環(huán)境部署 deploy.py import os import logging from fastapi import FastAPI, HTTPException from pydantic import BaseModel from customer_service_agent import create_customer_service_agent 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s ) logger logging.getLogger(name) app FastAPI(titleAI Agent Skill Service) agent create_customer_service_agent() class ChatRequest(BaseModel): message: str session_id: str default class ChatResponse(BaseModel): reply: str session_id: str app.post(/chat, response_modelChatResponse) async def chat(request: ChatRequest): 處理用戶消息并返回 Agent 回復。 try: logger.info(f收到消息: {request.message}) response agent.invoke({input: request.message}) logger.info(fAgent 回復: {response[output][:100]}...) return ChatResponse( replyresponse[output], session_idrequest.session_id ) except Exception as e: logger.error(f處理失敗: {str(e)}) raise HTTPException(status_code500, detailstr(e)) app.get(/health) async def health_check(): 健康檢查接口。 return {status: healthy} if name main: import uvicorn uvicorn.run(app, host0.0.0.0, port8000) 9.2 監(jiān)控與日志 monitoring.py import time import json from datetime import datetime from typing import Dict, Any class SkillMonitor: Skill 調用監(jiān)控器。 def init(self): self.metrics { total_calls: 0, success_calls: 0, failed_calls: 0, avg_latency_ms: 0, tool_usage: {} } self._latencies [] def record_call(self, tool_name: str, success: bool, latency_ms: float): 記錄一次工具調用。 self.metrics[total_calls] 1 if success: self.metrics[success_calls] 1 else: self.metrics[failed_calls] 1 self._latencies.append(latency_ms) self.metrics[avg_latency_ms] sum(self._latencies) / len(self._latencies) if tool_name not in self.metrics[tool_usage]: self.metrics[tool_usage][tool_name] {calls: 0, failures: 0} self.metrics[tool_usage][tool_name][calls] 1 if not success: self.metrics[tool_usage][tool_name][failures] 1 def get_report(self) - Dict[str, Any]: 生成監(jiān)控報告。 return { timestamp: datetime.now().isoformat(), metrics: self.metrics, success_rate: ( self.metrics[success_calls] / self.metrics[total_calls] if self.metrics[total_calls] 0 else 0 ) } 全局監(jiān)控實例 monitor SkillMonitor() 在工具調用處埋點 def monitored_call(tool_name: str, func, *args, **kwargs): 帶監(jiān)控的工具調用包裝器。 start time.time() try: result func(*args, **kwargs) monitor.record_call(tool_name, True, (time.time() - start) * 1000) return result except Exception as e: monitor.record_call(tool_name, False, (time.time() - start) * 1000) raise e 10. 最佳實踐與常見陷阱 10.1 設計最佳實踐 單一職責每個 Skill 只做一件事避免大而全的 Skill。 明確邊界清晰定義 Skill 的輸入輸出和觸發(fā)條件避免與其他 Skill 沖突。 版本管理使用語義化版本號記錄變更日志便于回滾。 漸進式復雜度先實現最小可用版本再逐步增加高級功能。 10.2 常見陷阱與解決方案 陷阱 表現 解決方案 提示詞過長 模型忽略部分指令輸出不穩(wěn)定 精簡指令將詳細規(guī)則放入工具描述 工具調用循環(huán) Agent 反復調用同一工具不退出 設置 max_iterations增加退出條件 上下文溢出 長對話后報錯或遺忘早期信息 使用記憶壓縮、摘要或向量檢索 錯誤處理缺失 工具異常導致整個流程失敗 每個工具增加 try-except返回友好錯誤 Skill 沖突 多個 Skill 同時匹配同一任務 設置優(yōu)先級細化觸發(fā)條件 11. 總結與進階方向 本文從基礎概念到高級實戰(zhàn)系統(tǒng)介紹了 AI Agent Skill 的設計、開發(fā)、優(yōu)化和部署方法。通過完整的代碼示例你可以快速上手構建自己的 Skill 體系。 后續(xù)進階方向包括 多 Agent 協(xié)作設計多個專業(yè) Agent 協(xié)同完成復雜任務。 Skill 自動生成讓 Agent 根據任務描述自動生成新 Skill。 強化學習優(yōu)化基于用戶反饋自動調整 Skill 參數。 跨框架兼容設計框架無關的 Skill 標準便于遷移。 掌握 AI Agent Skill 的核心能力將幫助你在智能化應用開發(fā)中占據先機。建議從本文的客服 Agent 案例入手逐步擴展到你的業(yè)務場景中。 AI Agent Skill 高階使用指南：從入門到精通
1. 引言為什么需要掌握 AI Agent Skill隨著大語言模型能力的持續(xù)提升AI Agent 已經從簡單的對話機器人演變?yōu)槟軌蜃灾饕?guī)劃、調用工具、執(zhí)行復雜任務的智能體。而 Skill技能正是賦予 Agent 領域能力的關鍵機制。本文將從基礎概念出發(fā)逐步深入到高級實戰(zhàn)幫助你系統(tǒng)掌握 AI Agent Skill 的設計、開發(fā)與調優(yōu)方法。無論你是剛接觸 Agent 開發(fā)的初學者還是希望提升 Agent 復雜任務處理能力的進階開發(fā)者本文都會提供可落地的代碼示例和工程實踐建議。2. Skill 基礎概念2.1 什么是 SkillSkill 是 Agent 可復用的能力單元它將特定領域的知識、工具調用邏輯和提示詞模板封裝在一起。當 Agent 遇到匹配的任務時會自動加載對應的 Skill 來完成任務。一個完整的 Skill 通常包含以下組成部分觸發(fā)條件定義何時啟用該 Skill通?；谌蝿彰枋龌蛴脩粢鈭D匹配。指令模板指導模型如何執(zhí)行任務的提示詞包含步驟、約束和輸出格式。工具調用Skill 內部可編排一個或多個外部工具如搜索、代碼執(zhí)行、API 調用。上下文管理定義需要收集和傳遞的上下文信息。2.2 Skill 與普通提示詞的區(qū)別普通提示詞是一次性的指令文本而 Skill 是結構化的、可復用的能力封裝。Skill 具備以下優(yōu)勢可復用性同一 Skill 可在多個 Agent 或任務中復用?？山M合性多個 Skill 可以組合成更復雜的流程?？删S護性技能邏輯集中管理便于迭代優(yōu)化?？蓽y試性每個 Skill 可以獨立測試和驗證。3. 環(huán)境準備與工具鏈3.1 開發(fā)環(huán)境搭建本文的實戰(zhàn)示例基于 Python 3.10 和 LangChain 框架。首先安裝必要的依賴pip install langchain langchain-openai langchain-community pip install openai python-dotenv創(chuàng)建項目目錄結構agent-skill-project/ ├── skills/ │ ├── web_search/ │ │ ├── SKILL.md │ │ └── tools.py │ ├── code_runner/ │ │ ├── SKILL.md │ │ └── tools.py │ └── data_analysis/ │ ├── SKILL.md │ └── tools.py ├── agent.py ├── config.py └── .env3.2 配置環(huán)境變量在.env文件中配置 API 密鑰OPENAI_API_KEYyour-api-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 MODEL_NAMEgpt-4o4. 第一個 Skill從零開始4.1 定義 Skill 元數據每個 Skill 以目錄形式組織核心是SKILL.md文件。下面創(chuàng)建一個網頁搜索 Skill--- name: web_search description: 執(zhí)行網絡搜索并返回結構化結果適用于查詢最新信息、新聞、文檔等場景。 version: 1.0.0 author: your-name triggers: - 搜索 - 查詢 - 查找資料 - 最新信息 --- Web Search Skill 執(zhí)行步驟 分析用戶查詢意圖提取關鍵詞。 調用 search_web 工具執(zhí)行搜索。 對結果進行去重和相關性排序。 返回前 5 條最相關的結果包含標題、鏈接和摘要。 注意事項 搜索關鍵詞應簡潔避免過長。 優(yōu)先選擇權威來源官方文檔、學術網站。 如果結果不相關嘗試改寫關鍵詞重新搜索。4.2 實現工具函數在tools.py中實現搜索工具import requests from typing import List, Dict def search_web(query: str, num_results: int 5) - List[Dict]: 執(zhí)行網絡搜索返回結構化結果列表。 # 這里以 DuckDuckGo 為例實際可替換為其他搜索 API url https://api.duckduckgo.com/ params { q: query, format: json, no_html: 1, skip_disambig: 1 } try: response requests.get(url, paramsparams, timeout10) response.raise_for_status() data response.json() results [] for topic in data.get(RelatedTopics, [])[:num_results]: if Text in topic: results.append({ title: topic.get(Text, ).split( - )[0], url: topic.get(FirstURL, ), snippet: topic.get(Text, ) }) return results except Exception as e: return [{error: f搜索失敗: {str(e)}}] def format_results(results: List[Dict]) - str: 將搜索結果格式化為可讀文本。 if not results: return 未找到相關結果。 lines [] for i, r in enumerate(results, 1): if error in r: return r[error] lines.append(f{i}. {r[title]}\n {r[url]}\n {r[snippet]}) return \n\n.join(lines)/code/pre 4.3 將 Skill 接入 Agent 創(chuàng)建主 Agent 程序加載并調用 Skill import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from skills.web_search.tools import search_web, format_results load_dotenv() def create_agent(): 創(chuàng)建帶 Skill 能力的 Agent。 llm ChatOpenAI( modelos.getenv(MODEL_NAME, gpt-4o), temperature0.3 ) 將 Skill 中的工具注冊到 Agent tools [ Tool( nameweb_search, funclambda q: format_results(search_web(q)), description執(zhí)行網絡搜索輸入為查詢關鍵詞返回結構化搜索結果。 ) ] prompt ChatPromptTemplate.from_messages([ (system, 你是一個智能助手可以調用工具完成任務。請根據用戶需求選擇合適的工具。), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad) ]) agent create_openai_tools_agent(llm, tools, prompt) return AgentExecutor(agentagent, toolstools, verboseTrue) if name main: agent create_agent() result agent.invoke({input: 幫我搜索一下 2025 年 AI Agent 的最新發(fā)展趨勢}) print(result[output]) 5. Skill 高級設計模式 5.1 多工具編排 復雜任務往往需要多個工具協(xié)同。下面創(chuàng)建一個數據分析 Skill它同時使用代碼執(zhí)行和文件讀寫工具 skills/data_analysis/tools.py import pandas as pd import json from typing import Any, Dict def load_dataset(file_path: str) - Dict[str, Any]: 加載 CSV 或 JSON 格式的數據集。 try: if file_path.endswith(.csv): df pd.read_csv(file_path) elif file_path.endswith(.json): df pd.read_json(file_path) else: return {error: 不支持的文件格式} return { columns: list(df.columns), shape: df.shape, head: df.head(5).to_dict(orientrecords), dtypes: df.dtypes.astype(str).to_dict() } except Exception as e: return {error: f加載失敗: {str(e)}} def analyze_column(df_data: Dict, column: str) - Dict[str, Any]: 對指定列進行統(tǒng)計分析。 try: df pd.DataFrame(df_data[head]) series pd.Series(df[column]) return { mean: float(series.mean()) if pd.api.types.is_numeric_dtype(series) else None, unique_values: series.nunique(), missing: int(series.isna().sum()), sample: series.head(3).tolist() } except Exception as e: return {error: f分析失敗: {str(e)}} 5.2 條件分支與決策 高級 Skill 需要根據中間結果動態(tài)調整執(zhí)行路徑。在 SKILL.md 中定義分支邏輯 name: smart_analysis description: 智能數據分析根據數據特征自動選擇分析策略。 version: 2.0.0 Smart Analysis Skill 執(zhí)行流程 加載數據集獲取基本結構信息。 判斷數據類型 如果包含數值列執(zhí)行統(tǒng)計分析和相關性分析。 如果包含文本列執(zhí)行關鍵詞提取和情感分析。 如果包含時間列執(zhí)行趨勢分析。 根據分析結果生成可視化建議。 輸出結構化分析報告。 決策規(guī)則 數值列占比 60%優(yōu)先統(tǒng)計分析。 文本列占比 40%優(yōu)先文本分析。 時間列存在增加趨勢分析。 5.3 Skill 組合與鏈式調用 將多個 Skill 串聯(lián)成工作流實現復雜任務自動化 from langchain.tools import Tool from skills.web_search.tools import search_web, format_results from skills.code_runner.tools import run_python_code def research_and_summarize(topic: str) - str: 組合 Skill搜索 代碼分析 總結。 第一步搜索資料 search_results format_results(search_web(topic, num_results10)) 第二步用代碼提取關鍵詞 code f import re from collections import Counter text {search_results} words re.findall(r\w, text.lower()) stopwords {{the, a, an, and, or, for, with}} keywords [w for w in words if w not in stopwords and len(w) 3] top_keywords Counter(keywords).most_common(10) print(top_keywords) analysis run_python_code(code) 第三步返回組合結果 return f搜索到 {len(search_results)} 條結果關鍵詞分析{analysis} 注冊為組合工具 combined_tool Tool( nameresearch_and_summarize, funcresearch_and_summarize, description搜索資料并進行關鍵詞分析返回綜合結果。 ) 6. 實戰(zhàn)案例構建智能客服 Agent 6.1 需求分析 本節(jié)構建一個完整的智能客服 Agent它需要處理訂單查詢、退換貨、產品咨詢等常見問題。我們將設計三個 Skill order_query查詢訂單狀態(tài)和物流信息。 return_request處理退換貨申請。 product_info提供產品參數和庫存信息。 6.2 實現訂單查詢 Skill skills/order_query/tools.py import json from datetime import datetime from typing import Dict, Optional 模擬訂單數據庫 ORDERS_DB { ORD2025001: { status: 已發(fā)貨, items: [無線鼠標, 機械鍵盤], total: 599.00, shipping: 順豐速運, tracking: SF1234567890, estimated_delivery: 2025-03-20 }, ORD2025002: { status: 待付款, items: [顯示器支架], total: 199.00, shipping: None, tracking: None, estimated_delivery: None } } def query_order(order_id: str) - Dict: 查詢訂單狀態(tài)。 order ORDERS_DB.get(order_id.upper()) if not order: return {error: f未找到訂單 {order_id}請確認訂單號是否正確。} result { 訂單號: order_id.upper(), 狀態(tài): order[status], 商品: , .join(order[items]), 金額: f￥{order[total]:.2f} } if order[tracking]: result[物流公司] order[shipping] result[運單號] order[tracking] result[預計送達] order[estimated_delivery] return result def format_order_response(order_info: Dict) - str: 格式化訂單查詢結果。 if error in order_info: return order_info[error] lines [f您的訂單信息如下] for key, value in order_info.items(): lines.append(f- {key}{value}) if order_info.get(狀態(tài)) 已發(fā)貨: lines.append(\n如需查詢物流詳情請?zhí)峁┻\單號。) elif order_info.get(狀態(tài)) 待付款: lines.append(\n請盡快完成付款訂單將在付款后 24 小時內發(fā)貨。) return \n.join(lines)/code/pre 6.3 實現退換貨 Skill skills/return_request/tools.py from typing import Dict, List RETURN_POLICY { window_days: 7, conditions: [ 商品未經使用包裝完好, 不影響二次銷售, 非定制類商品 ], process: [ 提交退換貨申請, 審核通過后寄回商品, 倉庫驗收1-3 個工作日, 退款原路返回3-5 個工作日 ] } def check_return_eligibility(order_id: str, item: str) - Dict: 檢查退換貨資格。 模擬檢查邏輯 eligible True reasons [] if not order_id.startswith(ORD): eligible False reasons.append(訂單號格式不正確) if item in [定制鍵盤, 已拆封耳機]: eligible False reasons.append(該商品不支持退換貨) return { eligible: eligible, reasons: reasons if reasons else [符合退換貨條件], policy: RETURN_POLICY } def create_return_request(order_id: str, item: str, reason: str) - Dict: 創(chuàng)建退換貨申請。 eligibility check_return_eligibility(order_id, item) if not eligibility[eligible]: return { success: False, message: .join(eligibility[reasons]) } request_id fRET{order_id[-4:]}001 return { success: True, request_id: request_id, message: f退換貨申請已提交申請編號{request_id}, next_steps: RETURN_POLICY[process] }/code/pre 6.4 組裝客服 Agent customer_service_agent.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from skills.order_query.tools import query_order, format_order_response from skills.return_request.tools import create_return_request, check_return_eligibility from skills.product_info.tools import get_product_info load_dotenv() def create_customer_service_agent(): 創(chuàng)建智能客服 Agent。 llm ChatOpenAI( modelos.getenv(MODEL_NAME, gpt-4o), temperature0.2 ) tools [ Tool( namequery_order, funclambda order_id: format_order_response(query_order(order_id)), description查詢訂單狀態(tài)和物流信息。輸入參數為訂單號格式如 ORD2025001。 ), Tool( namecreate_return_request, funclambda order_id, item, reason: create_return_request(order_id, item, reason), description創(chuàng)建退換貨申請。參數訂單號、商品名稱、退換原因。 ), Tool( nameget_product_info, funclambda product_name: get_product_info(product_name), description查詢產品參數、價格和庫存信息。輸入參數為產品名稱。 ) ] prompt ChatPromptTemplate.from_messages([ (system, 你是一個專業(yè)的電商客服助手。請遵循以下規(guī)則 用戶詢問訂單狀態(tài)時使用 query_order 工具。 用戶要求退換貨時先確認訂單信息再使用 create_return_request。 用戶咨詢產品時使用 get_product_info。 回答要友好、專業(yè)必要時提供額外幫助。 如果工具返回錯誤向用戶解釋并引導正確操作。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad) ]) memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) agent create_openai_tools_agent(llm, tools, prompt) return AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, max_iterations5 ) if name main: agent create_customer_service_agent() 測試對話 print( 測試 1訂單查詢 ) response agent.invoke({input: 幫我查一下訂單 ORD2025001 到哪了}) print(response[output]) print(\n 測試 2退換貨 ) response agent.invoke({input: 我想退掉 ORD2025002 里的顯示器支架還沒付款}) print(response[output]) print(\n 測試 3產品咨詢 ) response agent.invoke({input: 你們有無線鼠標嗎多少錢}) print(response[output])/code/pre 7. Skill 性能優(yōu)化 7.1 提示詞優(yōu)化策略 Skill 的執(zhí)行效果高度依賴提示詞質量。以下優(yōu)化策略可以顯著提升效果 明確輸出格式在 SKILL.md 中定義結構化輸出模板減少模型自由發(fā)揮空間。 提供示例每個 Skill 至少包含 2-3 個輸入輸出示例幫助模型理解預期行為。 錯誤處理指引明確工具調用失敗時的降級策略和用戶溝通方式。 上下文壓縮長對話中使用摘要壓縮歷史消息避免超出上下文窗口。 7.2 緩存與記憶機制 from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache import hashlib import json 啟用 LLM 緩存減少重復調用 set_llm_cache(InMemoryCache()) class SkillMemory: Skill 級記憶管理緩存工具調用結果。 def init(self, max_entries: int 100): self.cache {} self.max_entries max_entries def _key(self, tool_name: str, *args) - str: 生成緩存鍵。 raw f{tool_name}:{json.dumps(args, ensure_asciiFalse)} return hashlib.md5(raw.encode()).hexdigest() def get(self, tool_name: str, *args): 獲取緩存結果。 key self._key(tool_name, *args) return self.cache.get(key) def set(self, tool_name: str, result, *args): 寫入緩存超出容量時淘汰最舊條目。 key self._key(tool_name, *args) if len(self.cache) self.max_entries: oldest_key next(iter(self.cache)) del self.cache[oldest_key] self.cache[key] result def clear(self): 清空緩存。 self.cache.clear() 使用示例 memory SkillMemory() def cached_query_order(order_id: str): 帶緩存的訂單查詢。 cached memory.get(query_order, order_id) if cached: return cached result query_order(order_id) memory.set(query_order, result, order_id) return result 7.3 并行執(zhí)行與異步優(yōu)化 import asyncio from concurrent.futures import ThreadPoolExecutor from typing import List, Dict async def run_skills_parallel(skill_calls: List[Dict]) - List[Dict]: 并行執(zhí)行多個 Skill 調用。 async def execute_one(call: Dict): tool_name call[tool] args call.get(args, {}) # 這里根據工具名分發(fā)到對應函數 if tool_name web_search: return await asyncio.to_thread(search_web, **args) elif tool_name query_order: return await asyncio.to_thread(query_order, **args) elif tool_name get_product_info: return await asyncio.to_thread(get_product_info, **args) else: return {error: f未知工具: {tool_name}} 并發(fā)執(zhí)行所有調用 results await asyncio.gather( *[execute_one(call) for call in skill_calls] ) return results 使用示例 async def demo_parallel(): calls [ {tool: web_search, args: {query: AI Agent 最新進展}}, {tool: query_order, args: {order_id: ORD2025001}}, {tool: get_product_info, args: {product_name: 無線鼠標}} ] results await run_skills_parallel(calls) for r in results: print(r) 運行 asyncio.run(demo_parallel()) 8. 測試與調試 8.1 單元測試 Skill import unittest from skills.order_query.tools import query_order, format_order_response from skills.return_request.tools import check_return_eligibility class TestOrderSkill(unittest.TestCase): 訂單查詢 Skill 單元測試。 def test_query_existing_order(self): result query_order(ORD2025001) self.assertIn(狀態(tài), result) self.assertEqual(result[狀態(tài)], 已發(fā)貨) def test_query_nonexistent_order(self): result query_order(ORD9999999) self.assertIn(error, result) def test_format_response(self): result query_order(ORD2025001) formatted format_order_response(result) self.assertIn(訂單號, formatted) self.assertIn(ORD2025001, formatted) class TestReturnSkill(unittest.TestCase): 退換貨 Skill 單元測試。 def test_eligible_item(self): result check_return_eligibility(ORD2025001, 無線鼠標) self.assertTrue(result[eligible]) def test_ineligible_item(self): result check_return_eligibility(ORD2025001, 定制鍵盤) self.assertFalse(result[eligible]) if name main: unittest.main() 8.2 調試技巧 調試 Skill 時重點關注以下方面 工具調用日志開啟 Agent 的 verbose 模式觀察每一步的工具調用和中間結果。 提示詞追蹤記錄發(fā)送給模型的完整提示詞檢查 Skill 指令是否正確加載。 錯誤注入測試模擬工具返回錯誤驗證 Agent 的降級處理邏輯。 邊界條件測試測試空輸入、超長輸入、特殊字符等邊界情況。 9. 部署與監(jiān)控 9.1 生產環(huán)境部署 deploy.py import os import logging from fastapi import FastAPI, HTTPException from pydantic import BaseModel from customer_service_agent import create_customer_service_agent 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s ) logger logging.getLogger(name) app FastAPI(titleAI Agent Skill Service) agent create_customer_service_agent() class ChatRequest(BaseModel): message: str session_id: str default class ChatResponse(BaseModel): reply: str session_id: str app.post(/chat, response_modelChatResponse) async def chat(request: ChatRequest): 處理用戶消息并返回 Agent 回復。 try: logger.info(f收到消息: {request.message}) response agent.invoke({input: request.message}) logger.info(fAgent 回復: {response[output][:100]}...) return ChatResponse( replyresponse[output], session_idrequest.session_id ) except Exception as e: logger.error(f處理失敗: {str(e)}) raise HTTPException(status_code500, detailstr(e)) app.get(/health) async def health_check(): 健康檢查接口。 return {status: healthy} if name main: import uvicorn uvicorn.run(app, host0.0.0.0, port8000) 9.2 監(jiān)控與日志 monitoring.py import time import json from datetime import datetime from typing import Dict, Any class SkillMonitor: Skill 調用監(jiān)控器。 def init(self): self.metrics { total_calls: 0, success_calls: 0, failed_calls: 0, avg_latency_ms: 0, tool_usage: {} } self._latencies [] def record_call(self, tool_name: str, success: bool, latency_ms: float): 記錄一次工具調用。 self.metrics[total_calls] 1 if success: self.metrics[success_calls] 1 else: self.metrics[failed_calls] 1 self._latencies.append(latency_ms) self.metrics[avg_latency_ms] sum(self._latencies) / len(self._latencies) if tool_name not in self.metrics[tool_usage]: self.metrics[tool_usage][tool_name] {calls: 0, failures: 0} self.metrics[tool_usage][tool_name][calls] 1 if not success: self.metrics[tool_usage][tool_name][failures] 1 def get_report(self) - Dict[str, Any]: 生成監(jiān)控報告。 return { timestamp: datetime.now().isoformat(), metrics: self.metrics, success_rate: ( self.metrics[success_calls] / self.metrics[total_calls] if self.metrics[total_calls] 0 else 0 ) } 全局監(jiān)控實例 monitor SkillMonitor() 在工具調用處埋點 def monitored_call(tool_name: str, func, *args, **kwargs): 帶監(jiān)控的工具調用包裝器。 start time.time() try: result func(*args, **kwargs) monitor.record_call(tool_name, True, (time.time() - start) * 1000) return result except Exception as e: monitor.record_call(tool_name, False, (time.time() - start) * 1000) raise e 10. 最佳實踐與常見陷阱 10.1 設計最佳實踐 單一職責每個 Skill 只做一件事避免大而全的 Skill。 明確邊界清晰定義 Skill 的輸入輸出和觸發(fā)條件避免與其他 Skill 沖突。 版本管理使用語義化版本號記錄變更日志便于回滾。 漸進式復雜度先實現最小可用版本再逐步增加高級功能。 10.2 常見陷阱與解決方案 陷阱 表現 解決方案 提示詞過長 模型忽略部分指令輸出不穩(wěn)定 精簡指令將詳細規(guī)則放入工具描述 工具調用循環(huán) Agent 反復調用同一工具不退出 設置 max_iterations增加退出條件 上下文溢出 長對話后報錯或遺忘早期信息 使用記憶壓縮、摘要或向量檢索 錯誤處理缺失 工具異常導致整個流程失敗 每個工具增加 try-except返回友好錯誤 Skill 沖突 多個 Skill 同時匹配同一任務 設置優(yōu)先級細化觸發(fā)條件 11. 總結與進階方向 本文從基礎概念到高級實戰(zhàn)系統(tǒng)介紹了 AI Agent Skill 的設計、開發(fā)、優(yōu)化和部署方法。通過完整的代碼示例你可以快速上手構建自己的 Skill 體系。 后續(xù)進階方向包括 多 Agent 協(xié)作設計多個專業(yè) Agent 協(xié)同完成復雜任務。 Skill 自動生成讓 Agent 根據任務描述自動生成新 Skill。 強化學習優(yōu)化基于用戶反饋自動調整 Skill 參數。 跨框架兼容設計框架無關的 Skill 標準便于遷移。 掌握 AI Agent Skill 的核心能力將幫助你在智能化應用開發(fā)中占據先機。建議從本文的客服 Agent 案例入手逐步擴展到你的業(yè)務場景中。