skills的使用 - 技术栈

一、何时使用skills

1.在有大量上下文时使用技能，减少系统提示中的标记数量。

2.利用技能将能力整合成更大的行动，提供超越单一工具描述的额外背景。

3.如果代理无法访问文件系统，可以使用工具。

二、使用注意

1.提示词尽可能详细描述何时使用

2.skills定义的功能尽可能明确

三、代码示例

复制代码

from deepagents import create_deep_agent
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver
from deepagents.backends.utils import create_file_data
import os
def llm():
    # 大模型配置不变
    api_key = os.getenv("ali_api_key")
    model = "qwen-plus"
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
    llm_model = ChatOpenAI(api_key=api_key, base_url=base_url, model=model)
    return llm_model
llm = llm()
checkpointer = MemorySaver()
# 替换：读取本地的 SKILL.md（而非远程下载）
# 定义本地文件路径
local_skill_path = "./skills/langgraph/SKILL.md"
# 读取文件内容
if os.path.exists(local_skill_path):
    with open(local_skill_path, "r", encoding="utf-8") as f:
        skill_content = f.read()  # 读取本地文件内容
else:
    raise FileNotFoundError(f"未找到本地文件：{local_skill_path}")
# 核心作用
# 虚拟文件系统路径（远程），随便定义，将真实文件内容临时存储到里面，可以实现解耦
# create_file_data格式转换
skills_files = {
    "/skills/langgraph/SKILL.md": create_file_data(skill_content)
}
# 最终是本地+虚拟，但相同的内容，虚拟优先级更高
# 更加高级的封装，甚至封装了langgraph
agent = create_deep_agent(
    model=llm,
    skills=["./skills/"], # 占位
    system_prompt="""
    你是一个严格的智能助手，必须遵守以下规则：
    当用户询问langgraph相关问题时，必须严格按照SKILL.md文档内容进行执行并回答,不要自己添加任何回答内容
    文件中的describe字段描述了该文档可以回答的问题,
    输出的结果应该是整理好的最终答案。
        """,
    checkpointer=checkpointer
)
result = agent.invoke(
    {
        "messages": [ {"role": "user", "content": "langgraph?",}],
        "files": skills_files # 虚拟的
    },config={"configurable": {"thread_id": "12345"}},
)
# 打印智能体的回答
print(result)
print(result["messages"][-1].content)