LangChain Skills 模式实战：构建按需加载知识的 SQL 助手

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### Trin 1: Definer domænefærdigheder (The Knowledge)

Vi definerer færdigheder som en ordbogsstruktur, der simulerer processen med at indlæse fra et filsystem eller en database. Bemærk venligst forskellen mellem description (til brug for Agentens beslutningstagning) og content (den faktiske indlæste detaljerede kontekst).

SKILLS = {"sales_analytics": {"description":"Nyttig til at analysere salgsindtægter, tendenser...","content":"""... Tabel Schema: sales_data ..."" },"inventory_management": {"description":"Nyttig til at kontrollere lagerniveauer...","content":"""... Tabel Schema: inventory_items ..."" }}

Trin 2: Implementer kerneværktøjer (The Capabilities)

Agenten er afhængig af to vigtige værktøjer for at fuldføre opgaver:

• load_skill(skill_name)**: Indlæser dynamisk detaljerne for den angivne færdighed under kørsel. **

• run_sql_query(query)**: Udfører specifikke SQL-sætninger. **

Trin 3: Orkestrer Agent-logik (The Brain)

Brug LangGraph til at bygge en ReAct Agent. System Prompt spiller en afgørende rolle her, da den guider Agenten til strengt at følge standarddriftsproceduren (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. Verifikation af kørselsresultater

Ved at køre test_agent.py har vi testet forespørgsler inden for to forskellige domæner, Sales og Inventory. Nedenfor er de faktiske outputlogfiler fra konsollen, der viser, hvordan Agenten dynamisk indlæser færdigheder baseret på spørgsmålet:

Testing Sales Query...Agent calling tools: [{'name': 'load_skill', 'args': {'skill_name': 'sales_analytics'}, 'id': 'call_f270d76b7ce4404cb5f61bf1', '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. Komplet kildekode reference\n\nNedenfor er projektets komplette kildekode, inklusive databaseinitialiseringsscript og Agent hovedprogram.\n\n### 1. Databaseinitialisering (setup_db.py)\n\n`importpsycopg2frompsycopg2.extensionsimportISOLATION_LEVEL_AUTOCOMMITimportosfromdotenvimportload_dotenvload_dotenv()# Sørg for at konfigurere databaseforbindelsesoplysningerne i .envDB_HOST = os.getenv(### 2. Agent 主程序 (main.py)

importosfromtypingimportAnnotated, 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("BASIC_MODEL_BASE_URL")API_KEY = os.getenv("BASIC_MODEL_API_KEY")MODEL_NAME = os.getenv("BASIC_MODEL_MODEL")DB_URI =f"postgresql://{os.getenv('DB_USER')}:{os.getenv('DB_PASSWORD')}@{os.getenv('DB_HOST')}:{os.getenv('DB_PORT')}/{os.getenv('DB_NAME')}"# --- Database Setup ---db = SQLDatabase.from_uri(DB_URI)# --- Skills Definition ---SKILLS: Dict[str, Dict[str, str]] = {"sales_analytics": {"description":"Useful for analyzing sales revenue, trends, and regional performance.","content":"""You are a Sales Analytics Expert.You have access to the 'sales_data' table.Table Schema:- id: integer (primary key)- transaction_date: date- product_id: varchar(50)- amount: decimal(10, 2)- region: varchar(50)Common queries:- Total revenue: SUM(amount)- Revenue by region: GROUP BY region- Sales trend: GROUP BY transaction_date""" },"inventory_management": {"description":"Useful for checking stock levels, product locations, and warehouse management.","content":"""You are an Inventory Management Expert.You have access to the 'inventory_items' table.Table Schema:- id: integer (primær nøgle)- product_id: varchar(50)- product_name: varchar(100)- stock_count: integer- warehouse_location: varchar(50)Almindelige forespørgsler:- Tjek lager: WHERE product_name = '...'- Lavt lager: WHERE stock_count < threshold""" }}# --- Tools ---@tooldefload_skill(skill_name: str)-> str:""" Indlæs den detaljerede prompt og skema for en specifik færdighed. Tilgængelige færdigheder: - sales_analytics: Til salgs-, omsætnings- og transaktionsanalyse. - inventory_management: Til forespørgsler om lager, produkter og lager. """ skill = SKILLS.get(skill_name)ifnotskill:returnf"Fejl: Færdigheden '{skill_name}' blev ikke fundet. Tilgængelige færdigheder:{list(SKILLS.keys())}"returnskill["content"]@tooldefrun_sql_query(query: str)-> str:""" Udfør en SQL-forespørgsel mod databasen. Brug kun dette værktøj EFTER at have indlæst den relevante færdighed for at forstå skemaet. """try:returndb.run(query)exceptExceptionase:returnf"Fejl ved udførelse af SQL:{e}"@tooldeflist_tables()-> str:"""Vis alle tilgængelige tabeller i databasen."""returnstr(db.get_usable_table_names())tools = [load_skill, run_sql_query, list_tables]# --- Agent Setup ---llm = ChatOpenAI( base_url=BASE_URL, api_key=API_KEY, model=MODEL_NAME, temperature=0)llm_with_tools = llm.bind_tools(tools)# --- Graph Definition ---classAgentState(MessagesState):# Vi kan tilføje brugerdefineret tilstand, hvis det er nødvendigt, men MessagesState er tilstrækkelig til simpel chatpassdefagent_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()# --- Hovedudførelse ---if__name__ =="__main__": system_prompt ="""Du er en hjælpsom SQL-assistent.Du har adgang til specialiserede færdigheder, der indeholder databaseskemaer og domæneviden.For at besvare en brugers spørgsmål:1. Identificer den relevante færdighed (sales_analytics eller inventory_management).2. Brug værktøjet 'load_skill' til at hente skemaet og instruktionerne.3. Baseret på den indlæste færdighed, skriv og udfør en SQL-forespørgsel ved hjælp af 'run_sql_query'.4. Besvar brugerens spørgsmål baseret på forespørgselsresultaterne.Gæt ikke tabelnavne. Indlæs altid færdigheden først.""" print("SQL-assistent initialiseret. Skriv 'quit' for at afslutte.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Forvarmning af forbindelseskontroltry: print(f"Forbundet til database:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Databaseforbindelsesadvarsel:{e}")whileTrue:try: user_input = input("Bruger: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Stream udførelsen print("Agent: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# I 'values'-tilstand får vi den fulde tilstand. Vi vil bare se den sidste besked, hvis den er ny. last_message = event["messages"][-1]# Opdater vores beskedhistorik med den seneste tilstandpass# Efter stream er færdig, har den sidste tilstand det endelige svar final_state = app.invoke({"messages": messages}) last_msg = final_state["messages"][-1]ifisinstance(last_msg, AIMessage): print(last_msg.content) messages = final_state["messages"]# Update history print("-"*50)exceptExceptionase: print(f"\nError:{e}")break