AI Skills技能系统，让 Agent 自动变强

什么是 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。

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。

--- 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： ```bash 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）

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。

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。

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}")

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。