LangChain 为 Deep Agents 重构 Skills 支持

技能是为智能体赋予领域知识的最佳方式之一。技能是一个包含指令、脚本和参考文件的文件夹，教会智能体如何做事，比如像你的销售团队那样准备客户会议或审阅通话记录。Agent Skills 是一项开放标准，可与任何模型配合使用，并受到数十种智能体产品的支持。你也不需要懂技术就能编写一个：其核心就是一个 markdown 文件。

技能之所以有效，是因为渐进式披露。智能体一开始只能看到每个技能的名称和描述，只有在任务需要时才读取完整指令。这样可以让上下文保持精简，而上下文工程是构建高效智能体的关键。

随着使用规模扩大，团队对技能的需求也在变化。我们看到企业技能注册表增长到数千个技能，跨团队和智能体共享。我们改进了Deep Agents 中的技能支持，以解决一些常见需求：

将工具绑定到技能：绑定到某个技能的工具只有在智能体读取该技能时才会加载。
固定技能：当用户明确请求某个技能时，例如 /meeting-prep，你的应用可以在下一次模型调用前加载它。
技能重新加载：长时间运行的线程可以获取新的或更改过的技能，而无需重新开始。

技能如何工作

一个技能是一个目录，其中包含一个 SKILL.md 文件：带有 name 和 description 的 YAML frontmatter，后面是智能体遵循的指令。一个技能还可以在 scripts/、references/ 和 assets/ 下捆绑支持文件（规范）。

Only a skill's name and description are always in context. The agent reads the instructions on demand, and loads scripts, references, and assets only when needed. — 只有技能的名称和描述始终在上下文中。智能体按需读取指令，并且只在需要时加载脚本、参考文件和资源。

在本文中，我们将使用我们的 GTM 智能体作为贯穿示例。它构建在 Deep Agents 之上，其包含 50 多个技能的库涵盖了销售代表的重复性工作，例如 meeting-prep、call-transcripts 和 competitive-intel-card。

技能分三个层级加载：

发现。启动时，智能体在其系统提示中看到每个技能的 name 和 description。
激活。当任务匹配某个技能时，智能体读取带有 read_file 的完整 SKILL.md。
执行。智能体遵循指令，并且只在需要时读取脚本或参考文件。

The agent's context grows only by what the task needs: every skill's name and description at startup, then one skill's instructions, then one reference file. — 智能体的上下文只按任务所需增长：启动时每个技能的名称和描述，然后是一个技能的指令，然后是一个参考文件。

在技能被使用之前，它只占用系统提示中的一行，因此一个库可以容纳大量技能的引用，而不会挤占上下文。现在让我们深入了解我们在 Deep Agents 中做出的增强。

将工具绑定到技能

技能通常会告诉智能体如何使用特定工具，而有些工具只有在智能体读取了这些指令后才能很好地工作。到目前为止，技能和工具是分开披露的。你可以通过工具搜索将工具 schema 排除在上下文之外，但没有任何东西将工具与解释它的技能绑定起来：智能体可能找到并调用某个工具，却没有读取其技能，或者读取了技能却仍然不得不搜索其工具。

现在你可以将工具绑定到技能，这样技能及其工具会一起被披露。绑定的工具在 agent 读取其技能之前不会被加入上下文，在此之前调用它会因未知工具而失败。这保持了上下文的精简，也意味着 agent 在能够调用工具之前已经读取了如何使用它的说明。在我们的GTM agent中，call-transcripts 解释了如何搜索通话和读取转录，因此它是绑定这些工具的自然位置。

在技能 frontmatter 的 metadata.include_tools 下列出这些工具：

call-transcripts SKILL.md frontmatter listing include_tools: search_calls get_transcript

将这些工具传递给 SkillsMiddleware 而不是 agent：

Python: create_deep_agent with SkillsMiddleware(tools=[search_calls, get_transcript])

Reading call-transcripts unlocks search_calls and get_transcript. They arrive in a new system message, so the cached prefix above it stays unchanged. — 读取通话转录会解锁 search_calls 和 get_transcript。它们会出现在一条新的系统消息中，因此其上方的缓存前缀保持不变。

在对话中途添加工具过去意味着编辑请求的工具列表，这会使提示缓存失效。Anthropic 和 OpenAI 现在允许较新的模型在对话中途接受工具，因此在这些模型上，Deep Agents 会在技能被读取后立即添加该技能绑定的工具，缓存前缀保持完整（Anthropic 和 OpenAI 集成文档）。在其他模型上，工具会像以前一样追加到请求中。

一个列表就能覆盖大多数技能。为了获得更多控制，技能可以列出一个标签而不是工具名称，而你传递给 SkillsMiddleware 的函数会将每个标签转换为工具。这让你可以：

披露整个工具组，比如 MCP 服务器上的所有工具，用一个名称表示，而无需在技能中逐一列出每个工具。
根据运行时权限控制工具。该函数会接收图的运行时，因此它可以检查用户是谁，并只返回他们被允许使用的工具。

在这里，call-transcripts 获取 calls MCP 服务器上的所有工具，pipeline-forecast 获取 CRM 工具，但只有经理可以更新预测：

SKILL.md frontmatter for call-transcripts (include_tools: call_tools) and pipeline-forecast (include_tools: crm_tools)

Python: resolve_skill_tools returns every calls MCP tool for call_tools, and update_forecast only for managers

更多内容请参见向技能添加工具。

固定技能

有时用户已经知道自己想要哪个技能。在我们的 GTM agent 中，销售代表可以输入 /meeting-prep for my Acme call tomorrow。如果不固定，模型只能看到技能的描述，并且必须读取它。这会在工作开始前增加一次往返，而且模型不保证会加载正确的技能。使用固定技能，你的应用会在消息中找到技能名称（或从 UI 中解析），并将它们传入 pinned_skills，中间件会在下一次模型调用之前将每个技能的指令添加到对话中。Deep Agents 本身不解析消息，因此语法由你选择：

Typing /meeting-prep names the skill, so the app can pin it for the agent's next model call. — 输入 /meeting-prep 会指定该技能，因此应用可以为 agent 的下一次模型调用固定它。

Python: parse /meeting-prep from the message and pass it as pinned_skills to agent.invoke

A pinned skill's instructions are already in the conversation, so the agent starts the work on model call 1 instead of model call 2. — 固定技能的指令已经在对话中，因此 agent 会在第 1 次模型调用时就开始工作，而不是第 2 次。

这降低了延迟，并使行为更可预测：指令保证在上下文中，而且固定技能绑定的工具也会随之而来。每个固定技能都会作为一条带标签的消息添加一次，因此较早的消息永远不会改变，提示缓存保持有效，聊天 UI 可以将该技能显示为标签而不是其全文。

在线程中途重新加载技能

技能会在每个线程开始时加载，并保存在 agent 状态中，因此之后的每一轮都会复用同一组技能。现在你可以在调用 agent 时将 skills_metadata 设置为 None 来使此列表失效。如果队友向库中添加了一个 competitive-intel-card 技能，应用程序可以选择使技能列表失效，下一次运行将重新扫描每个来源：

Python: agent.invoke with skills_metadata set to None

Setting skills_metadata to None makes the next run rescan the skill library and pick up a skill added since the last run. — 将 skills_metadata 设为 None 会让下一次运行重新扫描技能库，并拾取自上次运行以来新增的技能。

重新加载时若发现新技能，会改变系统提示词，从而使提示词缓存失效。对于已经闲置一段时间的线程，这个代价通常已经付过了：提供商的缓存通常在闲置几分钟到一小时后过期（Anthropic、OpenAI），所以当代表回来时缓存已经冷了。

由于重置只是运行输入，你也可以把控制权交给用户。例如，客户端上的一个 /reload 命令：

Python: a /reload command sets skills_metadata to None in the run payload

你也可以从 update_state 或中间件中重置，这样你的应用就能控制技能重新加载的时机。参见重新加载技能。

开始使用

技能是为智能体提供有组织的领域知识的行业标准机制。这些更新让它们更容易大规模运行：工具只在技能需要时才加载，工作流所需的技能会预先加载，长时间运行的线程会随着你的库变化而保持最新。而且由于技能是开放标准，你的团队编写的技能可跨模型和智能体使用。

所有这些都可在最新的 deepagents 中使用。阅读技能文档开始使用，并通过GitHub issues、论坛或X告诉我们你的想法。

致谢

感谢Rich Scarrott主导这些新功能的开发，以及Hunter Lovell进行功能与博客审阅！