Agent Skills 什么是智能体技能：从概念到实战

一、什么是 Agent SkillsAgent Skills智能体技能是赋予大模型智能体执行特定任务能力的一组可复用、可组合的功能模块。它把模型本身不具备的领域知识、工具调用逻辑和业务规则封装成标准接口让智能体在对话过程中按需调用。如果把大模型比作大脑那么 Agent Skills 就是大脑可以灵活支配的双手和工具。模型负责理解意图、规划步骤而技能负责真正落地执行比如查询数据库、调用 API、处理文件、执行计算等。一个完整的 Agent Skills 通常包含以下几个核心要素技能定义描述技能的功能、适用场景和调用方式。输入输出协议定义技能接收什么参数、返回什么结果。执行逻辑技能内部的具体实现可以是代码、API 调用或规则引擎。错误处理技能执行失败时的降级策略和异常反馈。二、为什么需要 Agent Skills大模型本身存在几个天然局限知识截止时间固定、无法访问实时数据、不具备外部系统操作能力、推理过程不可审计。Agent Skills 正是为了弥补这些短板而设计的。在实际业务中Agent Skills 的价值主要体现在以下几个方面能力扩展让智能体可以访问实时数据、调用外部服务、操作业务系统。知识隔离把领域知识从模型参数中剥离通过技能按需加载降低幻觉风险。复用组合技能可以被多个智能体共享也可以像积木一样组合成更复杂的工作流。可控可审计技能执行过程可以被记录和追踪便于排查问题和优化策略。三、Agent Skills 的核心组成一个设计良好的 Agent Skills 体系通常由技能注册中心、技能执行引擎、技能编排器和技能观测层四部分组成。技能注册中心负责维护所有可用技能的元数据包括技能名称、版本、入参出参定义、权限要求等。执行引擎负责真正运行技能逻辑编排器负责根据用户意图组合多个技能观测层则负责记录技能调用日志和性能指标。下面通过一个简单的 Python 示例演示如何定义一个天气查询技能from dataclasses import dataclass from typing import Any dataclass class SkillResult: success: bool data: Any None error: str class WeatherSkill: 天气查询技能根据城市名返回实时天气 name weather_query description 查询指定城市的实时天气信息 def __init__(self, api_key: str): self.api_key api_key def execute(self, city: str) - SkillResult: try: # 这里替换为真实天气 API 调用 data self._fetch_weather(city) return SkillResult(successTrue, datadata) except Exception as e: return SkillResult(successFalse, errorstr(e)) def _fetch_weather(self, city: str) - dict: # 模拟 API 请求 return { city: city, temperature: 26, condition: 晴, humidity: 45 }/code/pre 四、Agent Skills 与 Function Calling 的关系 很多读者会把 Agent Skills 和 Function Calling 混为一谈实际上两者既有联系又有区别。 Function Calling 是模型层的能力它让模型在生成回复时能够输出结构化的函数调用指令。而 Agent Skills 是应用层的抽象它把函数调用、业务逻辑、状态管理和错误处理封装成更完整的技能单元。 简单来说Function Calling 是 Agent Skills 的一种底层实现机制。一个 Agent Skills 内部可能包含多个 Function Calling 调用也可能包含更复杂的业务编排逻辑。 下面是一个使用 OpenAI Function Calling 实现技能调用的示例 import json from openai import OpenAI client OpenAI() 定义技能对应的函数声明 tools [ { type: function, function: { name: get_stock_price, description: 获取指定股票的当前价格, parameters: { type: object, properties: { symbol: { type: string, description: 股票代码例如 AAPL } }, required: [symbol] } } } ] def get_stock_price(symbol: str) - str: 模拟股票价格查询 prices {AAPL: 189.5, GOOGL: 142.3, MSFT: 415.2} return json.dumps({symbol: symbol, price: prices.get(symbol, 0)}) 用户提问 messages [ {role: user, content: 苹果公司今天的股价是多少} ] response client.chat.completions.create( modelgpt-4o, messagesmessages, toolstools, tool_choiceauto ) 解析模型返回的函数调用 tool_call response.choices[0].message.tool_calls[0] if tool_call.function.name get_stock_price: args json.loads(tool_call.function.arguments) result get_stock_price(args[symbol]) print(f查询结果{result}) 五、如何设计一个可复用的 Agent Skill 设计 Agent Skills 时最重要的原则是单一职责和接口稳定。一个技能只做一件事输入输出协议要清晰明确这样才便于复用和组合。 下面给出一个更完整的技能设计示例演示如何封装一个数据库查询技能 import sqlite3 from typing import List, Dict, Any class DatabaseQuerySkill: 数据库查询技能安全地执行只读 SQL 查询 name db_query description 对业务数据库执行只读查询返回结构化结果 def __init__(self, db_path: str, allowed_tables: List[str]): self.db_path db_path self.allowed_tables allowed_tables def validate_sql(self, sql: str) - bool: 校验 SQL 是否只包含允许的查询操作 sql_lower sql.strip().lower() # 禁止非查询语句 forbidden [insert, update, delete, drop, alter, create] if any(word in sql_lower for word in forbidden): return False # 校验查询表是否在白名单内 for table in self.allowed_tables: if table in sql_lower: return True return False def execute(self, sql: str) - Dict[str, Any]: if not self.validate_sql(sql): return {success: False, error: SQL 校验未通过} conn sqlite3.connect(self.db_path) try: cursor conn.execute(sql) columns [desc[0] for desc in cursor.description] rows cursor.fetchall() return { success: True, columns: columns, rows: rows, row_count: len(rows) } except Exception as e: return {success: False, error: str(e)} finally: conn.close() 使用示例 skill DatabaseQuerySkill( db_pathbusiness.db, allowed_tables[orders, users, products] ) result skill.execute(SELECT id, name, price FROM products WHERE price 100) print(result) 六、Agent Skills 的组合与编排 单个技能解决单一问题但真实业务往往需要多个技能协同工作。技能编排就是把多个技能按照业务逻辑组合成完整的工作流。 下面演示一个简单的技能编排器它可以根据用户意图依次调用多个技能 from typing import Dict, Any, List class SkillOrchestrator: 技能编排器按顺序执行多个技能支持结果传递 def __init__(self): self.skills: Dict[str, Any] {} def register(self, skill) - None: self.skills[skill.name] skill def run_pipeline(self, pipeline: List[Dict[str, Any]]) - Dict[str, Any]: pipeline 示例 [ {skill: user_auth, params: {token: xxx}}, {skill: order_query, params: {user_id: {user_auth.user_id}}} ] context: Dict[str, Any] {} for step in pipeline: skill_name step[skill] params step.get(params, {}) if skill_name not in self.skills: return {success: False, error: f技能 {skill_name} 未注册} # 支持从上下文引用前序技能的结果 resolved_params self._resolve_params(params, context) result self.skills[skill_name].execute(**resolved_params) if not result.get(success): return {success: False, error: f技能 {skill_name} 执行失败} context[skill_name] result print(f技能 {skill_name} 执行完成) return {success: True, context: context} def _resolve_params(self, params: Dict, context: Dict) - Dict: 把 {skill.field} 形式的引用替换为实际值 resolved {} for key, value in params.items(): if isinstance(value, str) and value.startswith({) and value.endswith(}): ref value[1:-1].split(.) if ref[0] in context: resolved[key] context[ref[0]].get(ref[1]) else: resolved[key] None else: resolved[key] value return resolved 使用示例 orchestrator SkillOrchestrator() orchestrator.register(WeatherSkill(api_keytest-key)) orchestrator.register(DatabaseQuerySkill(db_pathbusiness.db, allowed_tables[orders])) pipeline [ {skill: weather_query, params: {city: 北京}}, {skill: db_query, params: {sql: SELECT * FROM orders LIMIT 5}} ] result orchestrator.run_pipeline(pipeline) print(result) 七、Agent Skills 的工程化落地 在真实项目中落地 Agent Skills不能只停留在写几个函数还需要考虑技能注册、版本管理、权限控制、监控告警等工程化问题。 技能注册中心可以用一个简单的配置表来维护记录每个技能的版本、负责人、依赖关系和调用权限。技能执行需要埋点日志记录每次调用的入参、出参、耗时和错误信息方便后续优化。 下面是一个技能注册表的 JSON 配置示例 { skills: [ { name: weather_query, version: 1.2.0, owner: data-team, description: 查询实时天气, permissions: [user, admin], timeout_ms: 3000, retry_count: 2, dependencies: [] }, { name: db_query, version: 2.0.1, owner: backend-team, description: 只读数据库查询, permissions: [admin], timeout_ms: 5000, retry_count: 1, dependencies: [auth_check] } ] } 在监控层面每个技能都应该暴露调用次数、成功率、平均耗时、P99 延迟等指标。当某个技能的错误率超过阈值时应该触发告警并自动降级避免影响整体智能体服务的稳定性。 八、总结 Agent Skills 是构建生产级智能体应用的关键基础设施。它把大模型的推理能力和外部世界的执行能力连接起来让智能体不再只是一个聊天机器人而是一个真正能解决问题的数字员工。 设计 Agent Skills 时建议遵循以下原则技能职责单一、接口协议稳定、输入输出可校验、执行过程可观测、失败时有降级策略。只有把技能当成一等公民来工程化管理智能体应用才能从 Demo 走向生产。