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### Passaggio 1: Definizione delle competenze di dominio (La Conoscenza)

Definiremo le competenze come una struttura di dizionario, simulando il processo di caricamento da un file system o da un database. Si prega di notare la distinzione tra description (utilizzata dall'Agente per la selezione delle decisioni) e content (il contesto dettagliato effettivamente caricato).

SKILLS = {"sales_analytics": {"description":"Utile per analizzare i ricavi delle vendite, le tendenze...","content":"""... Schema della tabella: sales_data ..."" },"inventory_management": {"description":"Utile per controllare i livelli di stock...","content":"""... Schema della tabella: inventory_items ..."" }}

Passaggio 2: Implementazione degli strumenti principali (Le Capacità)

L'Agente dipende da due strumenti chiave per completare le attività:

• load_skill(skill_name): Carica dinamicamente i dettagli della competenza specificata in fase di esecuzione.

• run_sql_query(query): Esegue istruzioni SQL specifiche.

Passaggio 3: Orchestrazione della logica dell'Agente (Il Cervello)

Utilizzare LangGraph per costruire un Agente ReAct. Il System Prompt svolge un ruolo fondamentale qui, guidando l'Agente a seguire rigorosamente la procedura operativa standard (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. Verifica dell'effetto di esecuzione

Eseguendo test_agent.py, abbiamo testato query in due diversi domini, Vendite e Inventario. Di seguito sono riportati i log di output effettivi della console, che mostrano come l'Agente carica dinamicamente le competenze in base al problema:

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. Riferimento al codice sorgente completo\n\nDi seguito è riportato il codice sorgente completo del progetto, inclusi lo script di inizializzazione del database e il programma principale dell'Agent.\n\n### 1. Inizializzazione del database (setup_db.py)\n\n`importpsycopg2frompsycopg2.extensionsimportISOLATION_LEVEL_AUTOCOMMITimportosfromdotenvimportload_dotenvload_dotenv()# 请确保在 .env 中配置数据库连接信息DB_HOST = os.getenv(### 2. Agent 主程序 (main.py)

`import os from typing import Annotated, Literal, TypedDict, Union, Dict from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langchain_core.messages import SystemMessage, HumanMessage, AIMessage, ToolMessage from langchain_community.utilities import SQLDatabase from langchain_community.agent_toolkits import SQLDatabaseToolkit from langgraph.graph import StateGraph, START, END, MessagesState from langgraph.prebuilt import ToolNode, tools_condition

load_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_item""" } }Schema della tabella s' table:
• id: integer (chiave primaria)
• product_id: varchar(50)
• product_name: varchar(100)
• stock_count: integer
• warehouse_location: varchar(50) Query comuni:
• Verifica stock: WHERE product_name = '...'
• Stock basso: WHERE stock_count < threshold""" }}# --- Tools ---@tooldefload_skill(skill_name: str)-> str:""" Carica il prompt dettagliato e lo schema per una specifica skill. Skill disponibili:
  • sales_analytics: Per analisi di vendite, ricavi e transazioni.
  • inventory_management: Per query su stock, prodotti e magazzino. """ skill = SKILLS.get(skill_name) if not skill: return f"Errore: Skill '{skill_name}' non trovata. Skill disponibili: {list(SKILLS.keys())}" return skill["content"]

@tool def run_sql_query(query: str) -> str: """ Esegue una query SQL sul database. Utilizzare questo strumento SOLO DOPO aver caricato la skill appropriata per comprendere lo schema. """ try: return db.run(query) except Exception as e: return f"Errore durante l'esecuzione di SQL: {e}"

@tool def list_tables() -> str: """Elenca tutte le tabelle disponibili nel database.""" return str(db.get_usable_table_names())

tools = [load_skill, run_sql_query, list_tables]

--- Impostazione dell'Agente ---

llm = ChatOpenAI( base_url=BASE_URL, api_key=API_KEY, model=MODEL_NAME, temperature=0 )

llm_with_tools = llm.bind_tools(tools)

--- Definizione del Grafico ---

class AgentState(MessagesState):

Possiamo aggiungere uno stato personalizzato se necessario, ma MessagesState è sufficiente per una semplice chat

pass

def agent_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 ="""Sei un assistente SQL utile.Hai accesso a competenze specializzate che contengono schemi di database e conoscenza del dominio.Per rispondere alla domanda di un utente:1. Identifica la competenza rilevante (sales_analytics o inventory_management).2. Usa lo strumento 'load_skill' per ottenere lo schema e le istruzioni.3. In base alla competenza caricata, scrivi ed esegui una query SQL usando 'run_sql_query'.4. Rispondi alla domanda dell'utente in base ai risultati della query.Non indovinare i nomi delle tabelle. Carica sempre prima la competenza.""" print("Assistente SQL inizializzato. Digita 'quit' per uscire.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Controllo di pre-riscaldamento della connessionetry: print(f"Connesso al database:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Avviso di connessione al database:{e}")whileTrue:try: user_input = input("Utente: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Trasmetti in streaming l'esecuzione print("Agente: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# In modalità 'values', otteniamo lo stato completo. Vogliamo solo vedere l'ultimo messaggio se è nuovo. last_message = event["messages"][-1]# Aggiorna la nostra cronologia dei messaggi con l'ultimo statopass# Al termine dello streaming, l'ultimo stato ha la risposta finale 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`