在先前的文章中，我们探讨了如何通过 Deep Agents CLI 模拟 Deep Agent 使用 Skills 的模式。如今，LangChain 已原生支持这一特性，极大地简化了开发流程。本文将带领大家深入体验这一功能，构建一个更智能的 SQL 助手。

构建复杂的 AI Agent 时，开发者往往陷入两难境地：是将所有上下文（数据库表结构、API 文档、业务规则）一次性注入 System Prompt，导致上下文窗口（Context Window）溢出且分散模型注意力？还是选择成本高昂的频繁微调（Fine-tuning）？

**Skills 模式（Skills Pattern）**提供了一条优雅的中间路线。它通过动态加载所需知识，实现了上下文的高效利用。LangChain 对此模式的原生支持，意味着我们可以更轻松地构建具备“按需学习”能力的 Agent。

本文将结合官方文档 Build a SQL assistant with on-demand skills，引导读者从零开始，构建一个支持“按需加载知识”的 SQL Assistant。

1. 核心概念：为何选择 Skills 模式？

传统 SQL Agent 的局限性

在传统的 SQL Agent 架构中，我们通常需要在 System Prompt 中提供完整的 Database Schema。随着业务发展，当表数量扩展到数百张时，这种方式会带来显著问题：

• Token 消耗巨大：每次对话都携带大量无关的表结构，造成资源浪费。

• 幻觉风险增加：过多的无关干扰信息会降低模型的推理准确性。

• 维护困难：所有业务线的知识紧密耦合，难以独立迭代。

Skills 模式：基于渐进式披露的解决方案

Skills 模式基于**渐进式披露（Progressive Disclosure）**原则，将知识获取过程分层处理：

• Agent 初始状态：仅掌握有哪些“技能”（Skills）及其简要描述（Description），保持轻量级。

• 运行时加载：当面对具体问题（如“查询库存”）时，Agent 主动调用工具（load_skill）加载该技能详细的上下文（Schema + Prompt）。

• 执行任务：基于加载的精确上下文，执行具体的任务（如编写并执行 SQL）。

这种模式有效支持了无限扩展和团队解耦，使 Agent 能够适应日益复杂的业务场景。

2. 系统架构设计

本实战项目将构建一个包含两个核心 Skills 的 SQL Assistant，以演示该模式的实际应用：

• Sales Analytics（销售分析）：负责sales_data表，处理收入统计、订单趋势分析等。

• Inventory Management（库存管理）：负责inventory_items表，处理库存水平监控、位置查询等。

3. 开发环境搭建

本项目采用 Pythonuv进行高效的依赖管理。

核心依赖安装

uv add langchain langchain-openai langgraph psycopg2-binary python-dotenv langchain-community

PostgreSQL 环境配置

本地启动一个 Postgres 实例，并创建agent_platform数据库。我们提供了setup_db.py脚本来自动初始化表结构和测试数据（详见文末源码）。

4. 核心实现步骤详解

Pas 1: Definir les habilitats de domini (El Coneixement)

Definirem les habilitats com una estructura de diccionari, simulant el procés de càrrega des d'un sistema de fitxers o una base de dades. Tingueu en compte la distinció entre description (utilitzada per l'Agent per a la selecció de decisions) i content (el context detallat real carregat).

SKILLS = {"sales_analytics": {"description":"Útil per analitzar els ingressos per vendes, les tendències...","content":"""... Esquema de la taula: sales_data ..."" },"inventory_management": {"description":"Útil per comprovar els nivells d'estoc...","content":"""... Esquema de la taula: inventory_items ..."" }}

Pas 2: Implementar les eines bàsiques (Les Capacitats)

L'Agent depèn de dues eines clau per completar les tasques:

• load_skill(skill_name): Carrega dinàmicament els detalls de l'habilitat especificada en temps d'execució.

• run_sql_query(query): Executa les sentències SQL específiques.

Pas 3: Orquestrar la lògica de l'Agent (El Cervell)

Utilitzeu LangGraph per construir l'Agent ReAct. El System Prompt juga un paper clau aquí, guiant l'Agent perquè segueixi estrictament el procediment operatiu estàndard (SOP) Identify -> Load -> Query.

system_prompt ="""1. Identify the relevant skill.2. Use 'load_skill' to get schema.3. Write and execute SQL using 'run_sql_query'....Do not guess table names. Always load the skill first."""

5. Verificació de l'efecte de l'execució

En executar test_agent.py, hem provat consultes en dos dominis diferents, Vendes i Inventari. A continuació, es mostren els registres de sortida reals de la consola, que mostren com l'Agent carrega dinàmicament les habilitats en funció de la pregunta:

Testing Sales Query...Agent calling tools: [{'name': 'load_skill', 'args': {'skill_name': 'sales_analytics'}, 'id': 'call_f270d76b7ce4404cb5f61bf2', 'type': 'tool_call'}]Tool output:You are a Sales Analytics Expert.You have access to the 'sales_data' table.Table Schema:- id: integer...Agent calling tools: [{'name': 'run_sql_query', 'args': {'query': 'SELECT SUM(amount) as total_revenue FROM sales_data;'}, 'id': 'call_b4f3e686cc7f4f22b3bb9ea7', 'type': 'tool_call'}]Tool output: [(Decimal('730.50'),)]...Agent response: The total revenue is $730.50.Testing Inventory Query...Agent calling tools: [{'name': 'load_skill', 'args': {'skill_name': 'inventory_management'}, 'id': 'call_18c823b2d5064e95a0cfe2e3', 'type': 'tool_call'}]Tool output:You are an Inventory Management Expert.You have access to the 'inventory_items' table.Table Schema...Agent calling tools: [{'name': 'run_sql_query', 'args': {'query': "SELECT warehouse_location FROM inventory_items WHERE product_name = 'Laptop';"}, 'id': 'call_647ee3a444804bd98a045f00', 'type': 'tool_call'}]Tool output: [('Warehouse A',)]...Agent response: The Laptop is located in **Warehouse A**.## 6. Referència completa del codi font

A continuació, es mostra el codi font complet del projecte, que inclou l'script d'inicialització de la base de dades i el programa principal de l'Agent.

1. Inicialització de la base de dades (setup_db.py)

`import psycopg2 from psycopg2.extensions import ISOLATION_LEVEL_AUTOCOMMIT import os from dotenv import load_dotenv

load_dotenv()

Si us plau, assegureu-vos de configurar la informació de connexió de la base de dades a .env

DB_HOST = os.getenv("DB_HOST", "localhost") DB_PORT = os.getenv("DB_PORT", "5432") DB_USER = os.getenv("DB_USER", "postgres") DB_PASSWORD = os.getenv("DB_PASSWORD", "your_password") # Si us plau, substituïu-ho per la contrasenya real DB_NAME = os.getenv("DB_NAME", "agent_platform")

def create_database(): try: # Connecta't a la base de dades predeterminada 'postgres' per crear una nova base de dades conn = psycopg2.connect( host=DB_HOST, port=DB_PORT, user=DB_USER, password=DB_PASSWORD, dbname="postgres", ) conn.set_isolation_level(ISOLATION_LEVEL_AUTOCOMMIT) cur = conn.cursor()

    # Comprova si la base de dades existeix
    cur.execute(f"SELECT 1 FROM pg_catalog.pg_database WHERE datname = '{DB_NAME}'")
    exists = cur.fetchone()

    if not exists:
        print(f"Creating database {DB_NAME}...")
        cur.execute(f"CREATE DATABASE {DB_NAME}")
    else:
        print(f"Database {DB_NAME} already exists.")

    cur.close()
    conn.close()
except Exception as e:
    print(f"Error creating database: {e}")

def create_tables_and_data(): try: conn = psycopg2.connect( host=DB_HOST, port=DB_PORT, user=DB_USER, password=DB_PASSWORD, dbname=DB_NAME, ) cur = conn.cursor()

    # Crea la taula de vendes
    print("Creating sales_data table...")
    cur.execute(
        """
        CREATE TABLE IF NOT EXISTS sales_data (
            id SERIAL PRIMARY KEY,
            transaction_date DATE,
            product_id VARCHAR(50),
            amount DECIMAL(10, 2),
            region VARCHAR(50)
        )
        """
    )

    # Crea la taula d'inventari
    print("Creating inventory_items table...")
    cur.execute(
        """
        CREATE TABLE IF NOT EXISTS inventory_items (
            id SERIAL PRIMARY KEY,
            product_id VARCHAR(50),
            product_name VARCHAR(100),
            stock_count INTEGER,
            warehouse_location VARCHAR(50)
        )
        """
    )

    # Insereix dades simulades
    print("Inserting mock data...")
    cur.execute("TRUNCATE sales_data, inventory_items")

    sales_data = [
        ('2023-01-01', 'P001', 100.00, 'North'),
        ('2023-01-02', 'P002', 150.50, 'South'),
        ('2023-01-03', 'P001', 120.00, 'East'),
        ('2023-01-04', 'P003', 200.00, 'West'),
        ('2023-01-05', 'P002', 160.00, 'North'),
    ]
    cur.executemany(
        "INSERT INTO sales_data (transaction_date, product_id, amount, region) VALUES (%s, %s, %s, %s)",
        sales_data,
    )

    inventory_data = [
        ('P001', 'Laptop', 50, 'Warehouse A'),
        ('P002', 'Mouse', 200, 'Warehouse B'),
        ('P003', 'Keyboard', 150, 'Warehouse A'),
        ('P004', 'Monitor', 30, 'Warehouse C'),
    ]
    cur.executemany(
        "INSERT INTO inventory_items (product_id, product_name, stock_count, warehouse_location) VALUES (%s, %s, %s, %s)",
        inventory_data,
    )

    conn.commit()
    cur.close()
    conn.close()
    print("Database setup complete.")
except Exception as e:
    print(f"Error setting up tables: {e}")

if name == "main": create_database() create_tables_and_data() ### **2. Agent 主程序 (main.py)**\n\nimportosfromtypingimportAnnotated, Literal, TypedDict, Union, Dictfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolfromlangchain_core.messagesimportSystemMessage, HumanMessage, AIMessage, ToolMessagefromlangchain_community.utilitiesimportSQLDatabasefromlangchain_community.agent_toolkitsimportSQLDatabaseToolkitfromlanggraph.graphimportStateGraph, START, END, MessagesStatefromlanggraph.prebuiltimportToolNode, tools_conditionload_dotenv()# --- Configuration ---BASE_URL = os.getenv(\s' table.Table Schema:- id: integer (primary key)- product_id: varchar(50)- product_name: varchar(100)- stock_count: integer- warehouse_location: varchar(50)Common queries:- Check stock: WHERE product_name = '...'- Low stock: WHERE stock_count < threshold""" }}# --- Tools ---@tooldefload_skill(skill_name: str)-> str:""" Carrega el prompt detallat i l'esquema per a una habilitat específica. Habilitats disponibles: - sales_analytics: Per a l'anàlisi de vendes, ingressos i transaccions. - inventory_management: Per a consultes d'estoc, productes i magatzem. """ skill = SKILLS.get(skill_name)ifnotskill:returnf"Error: L'habilitat '{skill_name}' no s'ha trobat. Habilitats disponibles:{list(SKILLS.keys())}"returnskill["content"]@tooldefrun_sql_query(query: str)-> str:""" Executa una consulta SQL a la base de dades. Només utilitza aquesta eina després de carregar l'habilitat adequada per entendre l'esquema. """try:returndb.run(query)exceptExceptionase:returnf"Error en executar SQL:{e}"@tooldeflist_tables()-> str:"""Enumera totes les taules disponibles a la base de dades."""returnstr(db.get_usable_table_names())tools = [load_skill, run_sql_query, list_tables]# --- Configuració de l'agent ---llm = ChatOpenAI( base_url=BASE_URL, api_key=API_KEY, model=MODEL_NAME, temperature=0)llm_with_tools = llm.bind_tools(tools)# --- Definició del gràfic ---classAgentState(MessagesState):# Podem afegir un estat personalitzat si cal, però MessagesState és suficient per a un xat senzillpassdefagent_node(state: AgentState): messages = state["messages"] response = llm_with_tools.invoke(messages)return{"messages": [response]}workflow = StateGraph(AgentState)workflow.add_node("agent", agent_node)workflow.add_node("tools", ToolNode(tools))workflow.add_edge(START,"agent")workflow.add_conditional_edges("agent", tools_condition)workflow.add_edge("tools","agent")app = workflow.compile()# --- Main Execution ---if__name__ =="main": system_prompt ="""Ets un assistent SQL útil. Tens accés a habilitats especialitzades que contenen esquemes de bases de dades i coneixement del domini. Per respondre a la pregunta d'un usuari: 1. Identifica l'habilitat rellevant (sales_analytics o inventory_management). 2. Utilitza l'eina 'load_skill' per obtenir l'esquema i les instruccions. 3. Basant-te en l'habilitat carregada, escriu i executa una consulta SQL utilitzant 'run_sql_query'. 4. Respon a la pregunta de l'usuari basant-te en els resultats de la consulta. No endevinis els noms de les taules. Carrega sempre l'habilitat primer.""" print("Assistent SQL inicialitzat. Escriu 'quit' per sortir.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Comprovació de connexió pre-escalfamenttry: print(f"Connectat a la base de dades:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Avís de connexió a la base de dades:{e}")whileTrue:try: user_input = input("Usuari: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Transmet l'execució print("Agent: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# En mode 'values', obtenim l'estat complet. Només volem veure l'últim missatge si és nou. last_message = event["messages"][-1]# Actualitza el nostre historial de missatges amb l'últim estatpass# Després que finalitzi la transmissió, l'últim estat té la resposta final final_state = app.invoke({"messages": messages}) last_msg = final_state["messages"][-1] ifisinstance(last_msg, AIMessage): print(last_msg.content) messages = final_state["messages"]# Actualitza l'historial print("-"*50) exceptExceptionase: print(f"\nError:{e}") break`