什么是Skill——让Agent真正"动手干活"的秘密

前言

看过前面几篇文章的朋友应该知道，Agent是一个能自主思考、完成任务的AI助手。但有个问题一直没细说：

Agent靠什么来完成任务？光靠大模型"想"是不够的。

答案就是今天要聊的主角——Skill（技能）。

这篇文章用最通俗的语言，带你搞清楚Skill是什么、为什么需要它、怎么用它，文末附完整代码示例，跟着做就能跑起来。

一、用一个比喻理解Skill

把Agent想象成一个聪明的员工：

大模型（LLM）是他的大脑，负责思考和判断
Skill是他的双手，负责真正执行操作

光有大脑不够，得有手才能干活。

员工	Agent
大脑（思考判断）	大模型（LLM）
双手（执行操作）	Skill（技能）
完成的任务结果	Agent的输出

为什么大模型本身不够用？

大模型就像一位"超级博学的专家"，他知识渊博，但有一个致命缺陷：他被困在文字世界里。

他不能：

上网查今天的实时新闻
查询你公司数据库里的订单
发送一封邮件
计算复杂的数学公式（准确率不稳定）

Skill就是给他装上"手"和"眼睛"，让他能真正与现实世界交互。

没有Skill的Agent = 聊天机器人

有了Skill的Agent = 真正会干活的AI助手

二、Skill的工作原理

Agent执行一个任务的完整流程

Agent调用Skill执行流程

关键点

Agent在调用Skill时，整个过程是自动的——你不需要告诉它"先查汇率再计算"，它自己会根据Skill的描述判断该用哪个、按什么顺序用。

三、常见的Skill类型

Skill本质上是一个函数，可以封装任何操作。实际开发中最常见的有五类：

类型	功能	例子
搜索类	获取实时信息	搜索新闻、查天气、查股价
计算类	精确数学计算	数学公式、统计分析
数据类	读写数据	查询数据库、读取文件
通信类	与外部系统交互	发邮件、调用第三方API
工具类	使用特定工具	操作浏览器、执行代码

四、代码示例：从零写一个Skill

最简单的例子

在LangChain中，用 @tool 装饰器定义一个Skill只需要几行代码：

from langchain.tools import tool

@tool
def add_numbers(a: int, b: int) -> int:
    """计算两个数字的和"""
    return a + b

就这么简单。@tool 装饰器做了三件事：

把这个函数注册为一个Agent可以调用的Skill
把函数名 add_numbers 作为Skill的名称
把注释 计算两个数字的和 作为Skill的描述，让Agent知道什么时候该用它

完整示例：汇率换算Agent

这个示例展示如何让Agent自动组合多个Skill完成一个任务：

from langchain.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub
from dotenv import load_dotenv
import os

load_dotenv()

# --- 定义 Skill ---

@tool
def multiply(a: float, b: float) -> float:
    """计算两个数字的乘积，用于数学计算"""
    return a * b

@tool
def get_exchange_rate(currency: str) -> str:
    """
    获取指定货币兑人民币的汇率。
    参数 currency 支持: USD（美元）、EUR（欧元）、JPY（日元）
    """
    rates = {
        "USD": "7.24",
        "EUR": "7.85",
        "JPY": "0.048"
    }
    rate = rates.get(currency.upper())
    if rate:
        return f"1 {currency.upper()} = {rate} CNY"
    return f"未找到货币 {currency} 的汇率"

# --- 创建 Agent ---

tools = [multiply, get_exchange_rate]

llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# --- 测试 ---

result = executor.invoke({"input": "我有150美元，换成人民币是多少？"})
print("\n最终答案:", result["output"])

运行后，Agent会自动执行以下步骤：

分析问题：需要知道美元汇率
调用 get_exchange_rate("USD") → 得到 1 USD = 7.24 CNY
调用 multiply(150, 7.24) → 得到 1086.0
整合回答：150美元约等于1086元人民币

整个过程你只需要问问题，Agent自己决定调用哪些Skill、按什么顺序。

五、Skill设计的三个原则

写好Skill有三个关键原则，新手很容易在这里踩坑：

原则1：功能单一

每个Skill只做一件事。

❌ 不好的设计（功能太复杂）：

@tool
def do_everything(task: str) -> str:
    """搜索网络、计算数字、发送邮件、查数据库"""
    # 函数太臃肿，Agent不知道该怎么用
    pass

✅ 好的设计（职责清晰）：

@tool
def search_web(query: str) -> str:
    """在网络上搜索信息，返回相关结果摘要"""
    pass

@tool
def send_email(to: str, subject: str, body: str) -> bool:
    """向指定邮箱发送邮件，成功返回True"""
    pass

原则2：描述要精准

Skill的注释（docstring）是Agent决定"要不要调用它"的唯一依据。描述写得不清楚，Agent就会用错Skill。

# 描述太模糊，Agent不知道什么情况该用
@tool
def get_data(input: str) -> str:
    """获取数据"""
    pass

# 描述清晰，Agent能准确判断何时调用
@tool
def query_order_status(order_id: str) -> str:
    """根据订单号查询订单状态，返回：待支付/已支付/已发货/已完成"""
    pass

原则3：返回值要有意义

Skill的返回值会被Agent"读取"，要返回有用的文字信息，而不是错误码或 None。

# 不好：Agent看到None不知道发生了什么
return None

# 好：Agent能理解并处理
return "查询失败：订单号格式不正确，应为10位数字"

六、Skill与Agent的关系图

Skill与Agent架构关系图

七、总结

问题	答案
Skill是什么？	Agent能执行的一项具体操作，本质是一个Python函数
为什么需要Skill？	大模型无法访问实时数据和外部系统，Skill弥补这个缺陷
怎么定义Skill？	用 `@tool` 装饰器包装函数，写清楚描述
Agent如何使用Skill？	根据描述自动判断何时调用、如何传参
Skill的设计原则？	功能单一、描述精准、返回有意义的内容

掌握了Skill，你就掌握了扩展Agent能力的核心方法。理论上，只要能写成函数的操作，都可以变成Skill，赋予Agent无限可能。

下一篇文章，我们将实战演练一个带多个Skill的完整Agent项目，从用户提问到最终交付结果，完整跑通整个流程。

如果这篇文章对你有帮助，欢迎点赞收藏！有疑问欢迎在评论区留言，我会一一解答。

什么是Skill——让Agent真正"动手干活"的秘密