06 Skills 技能：一个 Agent + 一柜子按需翻的说明书

它到底是什么#

原文定义：

在 skills 架构里，专门能力被打包成可调用的”技能”，用来增强 Agent 的行为。技能主要是提示词驱动的专长，Agent 可以按需调用它们。

📎 想要内置实现：Deep Agents 自带 skills 支持，见 Deep Agents / Skills。

💡 提示（原文）：这个模式在概念上和 Agent Skills、以及 Jeremy Howard 提出的 llms.txt 完全一致——都是”用工具调用实现文档的渐进式披露”。区别在于：skills 模式把这套做法用在专业提示词与领域知识上，而不只是文档页。

想要现成的、能提升 Agent 在 LangChain 生态任务上表现的技能，可以看 LangChain Skills 仓库。

1
graph LR
2
    A[用户] --> B[Agent]
3
    B --> C[技能 A]
4
    B --> D[技能 B]
5
    B --> E[技能 C]
6
    B --> A

这张图在说什么：① 只有一个 Agent（跟 04 Subagents 的”多个人”完全不同）；② Agent 身边挂着一排技能，用到哪个才去读哪个；③ 回答直接由这个 Agent 给用户（B --> A 这条回边），没有”主管转述”这一层。

五个关键特征#

🧭 补充解读（非原文）：技能 ≠ 工具。工具是”能执行的动作”（查订单、发邮件），技能是”该怎么干这件事的知识”（业务规则、表结构、话术、SOP）。技能往往告诉 Agent 什么时候该用哪个工具、怎么写参数。

什么时候用它#

原文给的三条：

• 你想要一个 Agent 拥有很多可能的专长；
• 你不需要在技能之间强制约束（技能之间是并列的，不分先后）；
• 不同团队需要独立开发各自的能力。

原文点的三个典型场景：

⚠️ 反向判据：如果你需要技能之间有顺序约束（“必须先做 A 才能做 B”），那应该用 05 Handoffs；如果每个领域大到需要独立上下文和独立工具，那应该用 04 Subagents。

最小可用实现：一个 load_skill 工具#

1
from langchain.tools import tool
2
from langchain.agents import create_agent
3

4
@tool
5
def load_skill(skill_name: str) -> str:
6
    """Load a specialized skill prompt.
7

8
    Available skills:
9
    - write_sql: SQL query writing expert
10
    - review_legal_doc: Legal document reviewer
11

12
    Returns the skill's prompt and context.
13
    """
14
    # 从文件/数据库里把技能内容读出来
15
    ...
16

17
agent = create_agent(
18
    model="gpt-5.5",
19
    tools=[load_skill],
20
    system_prompt=(
21
        "You are a helpful assistant. "
22
        "You have access to two skills: "
23
        "write_sql and review_legal_doc. "
24
        "Use load_skill to access them."
25
    ),
26
)

这段代码在说什么：① 全部实现就一个工具 load_skill；② 系统提示里只放”技能目录”（有哪两个技能、各自干什么）——这就是全部的常驻成本；③ 技能正文（可能几千 token）躺在文件或数据库里，只有真被调用时才进上下文；④ 工具的 docstring 里必须写清可用技能清单，否则模型不知道该请求哪个。

1
方案 A：全部塞进系统提示（图省事）
2
  第 1 轮： 系统提示 200 + 技能A 2000 + 技能B 2000 + 技能C 2000 = 6200 token
3
  第 2 轮： 再读一遍 6200 token        ← 每轮都在为"用不到的知识"付钱
4

5
方案 B：渐进式披露（Skills 模式）
6
  第 1 轮： 系统提示 200 + 技能目录 100 = 300 token  ──▶ 模型决定加载"技能A"
7
  第 2 轮： + 技能A 正文 2000         = 2300 token  ──▶ 模型据手册干活
8
  技能B、技能C： 0 token                            ← 省的就是这部分

三种进阶玩法（原文「Extending the pattern」）#

写自定义实现时，可以从三个方向扩展基础技能模式：

小结#

1. 一句话：Skills = 单 Agent + 一个 load_skill 工具 + 一堆躺在外部、按需加载的提示词/知识。
2. 五个特征：提示词驱动、渐进式披露、团队分布式、轻量组合、引用感知。
3. 核心收益：常驻上下文里只放”技能目录”，正文按需付费；加能力不用加 Agent。
4. 核心代价：加载多一次调用；加载后每轮重复读；可能加载错——技能描述就是你的”检索质量”。
5. 三种进阶：动态注册工具（技能解锁工具/权限）、层级技能（技能树）、引用感知（手册里带书签，二级资源再按需读）。
6. 和 Subagents 的关键区别：Skills 不隔离上下文，它省的是”没用到就别读”；Subagents 隔离上下文，它省的是”总量别累积”。

一句话选型#

• 选它：一个 Agent 要覆盖很多并列专长（多语言、多领域、多文体）；不想为每个领域建 Agent；团队要各自贡献能力。
• 别选它：技能之间有强制顺序（用 05 Handoffs）；每个领域上下文极大或工具极多、需要隔离（用 04 Subagents）；需要先分诊再并行（用 07 Router）。

上一篇：05 Handoffs 交接 ｜ 下一篇：07 Router 路由 ｜ 实战：11 用 Skills 搭 SQL 助手