LangChain Agent Skills 架构实战：从 Tool 到 LangGraph 的能力封装

LangChainAgent SkillsLangGraph

于 2026-08-30 04:00:34 修改

·本内容遵循CC 4.0 BY-SA版权协议

最近在处理 AI Agent 项目的能力扩展时，我遇到了一个很典型的架构问题：每给 Agent 增加一个子任务能力，都要重新写工具函数、调提示词、编排执行链路，代码越堆越厚，能力却越来越难维护。后来我把目光转向了 LangChain 新版本中热度很高的 Agent Skills 架构，才真正把这一团乱麻理清楚。

这篇文章会从一个完整的架构视角，拆解 Agent Skills 到底解决了什么问题，和 Tool、Agent、LangGraph 之间是什么关系，然后用 12 个可直接落地的案例，带你从“会写 Skill”进阶到“会设计 Agent 能力体系”。无论你是刚接触 langchain 的入门开发者，还是已经在做复杂 Agent 工程的架构师，这篇文章都值得收藏慢慢看。

1. 背景与核心概念：为什么 Agent 需要 Skills 架构

1.1 Agent 开发中的能力复用问题

先回忆一下传统 Agent 开发流程。大多数 Agent 应用的核心结构是：用户消息进入 Prompt，Agent 通过 ReAct 或 Function Calling 循环判断调用哪个 Tool，工具返回结果后再交给模型继续推理。

这套模式在 Demo 阶段很好用，但项目一复杂就会出现几个问题：

工具粒度不好控制。有的函数写得特别细，比如“读取文件”“解析 Markdown 标题”“拼接字符串”，Agent 需要多次调用才能完成一个任务，既费 Token 又容易中断。
提示词和工具逻辑严重耦合。同一个能力，在 A 场景和 B 场景可能需要不同的调用方式，但工具函数无法携带“如何使用、何时使用”的上下文。
能力难以沉淀。团队里每个人都在写自己的工具集，缺少统一的组织方式，换一个项目几乎全部重写。

这些问题本质上不是某个函数写错了，而是 Agent 体系里缺少一层“任务级能力封装”。Agent Skills 正是在这个背景下出现的。

1.2 什么是 Agent Skills

用一句通俗的话解释：Agent Skills 是“带说明书的能力模块”。

它把完成某个任务所需的知识、提示词、代码、工具、验证逻辑打包成一个相对独立的单元。Agent 主流程不直接关心技能内部的实现细节，只需要根据任务描述判断“该调用哪个 Skill”，然后技能模块自己负责把任务执行完，再返回结构化结果。

从 LangChain 新版本的实践来看，一个 Skill 通常包含：

技能元信息：名称、描述、适用场景、输入输出约定。
技能实现：一个或多个 Python 函数、Runnable 对象，甚至是一整条工具链。
技能说明：告诉 Agent 什么情况下用这个技能、怎么用、注意什么边界。
可选配置：模型名称、温度、依赖库等独立配置。

和普通 Tool 相比，Agent Skills 更像一个“微型 Agent”：它不仅可以暴露单个函数，还可以封装多步骤流程、内部状态和领域知识。而普通 Tool 更接近“单个操作”。

1.3 Agent Skills 与传统 Agent、Tool、LangGraph 的关系

这一节几乎是我每次讲 Agent 架构时都会被问到的问题，因为很多人分不清这几个概念。

从定位上看：

Tool 是最小操作单元，类似“手”。它回答“能做什么”。
Agent 是决策和执行循环，类似“大脑”。它回答“接下来做什么”。
Agent Skills 是任务级能力包，类似“肌肉记忆”。它介于两者之间，既包含 Tool，又包含完成一个任务所需的完整流程和知识。
LangGraph 是低层编排框架，类似“神经系统”。它通过有状态的图结构控制节点流转，适合构建复杂、可控、可恢复的 Agent 工作流。

所以它们不是对立关系，而是不同抽象层。一个基于 LangGraph 构建的 Agent，可以在某个节点内调用 Agent Skills；一个 Agent Skills 内部也可以使用 Tool。LangChain 和 LangGraph 的区别，也经常被讨论：LangChain 偏高层应用框架，LangGraph 偏底层流程编排，前者更方便快速开发，后者更灵活可控，而 Agent Skills 可以在两者之间起到很好的能力封装作用。

2. 环境准备与版本说明

2.1 运行环境

本文示例以 Python 3.10+ 环境为基础，建议使用虚拟环境隔离依赖。操作系统不限，Windows / macOS / Linux 均可。

需要说明的是，LangChain 相关库的更新速度非常快，不同小版本之间的 API 可能有细微差异。建议先创建虚拟环境，再按下面的命令安装依赖，避免污染全局环境。

BASH

python -m venv .venv

source .venv/bin/activate # Windows 使用 .venv\Scripts\activate

2.2 安装依赖

核心依赖主要是 langchain 和模型接入包。示例中使用 OpenAI 风格接口，也可以用本地模型服务替代，只需要修改模型地址和 API Key。

BASH

pip install -U langchain langchain-openai

如果你的项目还需要使用 LangGraph 编排流程，可以额外安装：

BASH

pip install -U langgraph

这里不写死具体版本号，因为依赖更新较快。安装完毕后，可以用下面的命令确认版本：

BASH

python -c "import langchain; print(langchain.__version__)"

如果你的版本低于某个较新的小版本，部分 Agent Skills 相关接口可能不可用，建议升级到当前最新稳定版。

2.3 示例项目结构

为了方便后续 12 个案例复用，建议项目采用下面的目录结构：

TEXT

agent-skills-demo/

├── skills/

│ ├── __init__.py

│ ├── text_tools/

│ ├── data_tools/

│ └── web_tools/

├── agents/

│ ├── __init__.py

│ └── build_agent.py

├── tests/

│ └── test_skills.py

├── .env

└── main.py

其中 skills/ 目录用来存放每个技能包，agents/ 目录用来组装最终 Agent，tests/ 目录用来验证技能可用性，main.py 是入口脚本。这个结构在后文会反复用到。

3. Agent Skills 核心架构拆解

3.1 Skill 的模块化结构

一个 Skill 的核心不是一段函数代码，而是一套“可发现、可描述、可执行”的模块。结构上通常包含三个层次：

第一层是技能描述层，用于给 Agent 主循环识别。这一层相当于技能的“简历”，内容要写清楚技能名称、擅长任务、输入输出要求、注意事项，甚至给出示例调用方式。描述写得好不好，直接决定 Agent 在复杂任务中能不能准确选中正确技能。

第二层是技能执行层，包含完成该任务的实际逻辑。它可以是一个函数、一个 Runnable 对象，也可以封装多个子工具，甚至是调用另一个小型 Agent。

第三层是约束配置层，包括技能运行所需的依赖、超时时间、安全限制、是否允许写文件、是否允许网络请求等。这一层在独立部署或沙箱运行场景中非常关键。

下面是一个最小技能模块的示意，重点不是为了直接运行，而是展示结构：

PYTHON

# 文件路径：skills/text_tools/summarize_skill.py

from langchain_core.runnables import RunnableLambda

SKILL_NAME = "text_summarizer"

SKILL_DESCRIPTION = """

适用于把长文本压缩成简短摘要。

输入：长文本字符串。

输出：包含摘要与关键词的字典。

注意：文本超过 10 万字时建议先分段处理。

"""

def _summari

最低 0.47元/天开通会员,解锁全文

成为会员后, 你将解锁

下载资源随意下

优质VIP博文免费学

优质文库回答免费看

付费资源9折优惠