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### 1-қадам: Салалық дағдыларды анықтау (Білім)

Біз дағдыларды файлдық жүйеден немесе дерекқордан жүктеу процесін модельдейтін сөздік құрылымы ретінде анықтаймыз. description (агенттің шешім қабылдауы үшін) және content (нақты жүктелген егжей-тегжейлі контекст) арасындағы айырмашылықты ескеріңіз.

SKILLS = {"sales_analytics": {"description":"Сату кірісін, трендтерін талдау үшін пайдалы...","content":"""... Кесте схемасы: sales_data ..."" },"inventory_management": {"description":"Қор деңгейлерін тексеру үшін пайдалы...","content":"""... Кесте схемасы: inventory_items ..."" }}

2-қадам: Негізгі құралдарды іске асыру (Мүмкіндіктер)

Агент тапсырмаларды орындау үшін екі маңызды құралға тәуелді:

• load_skill(skill_name): Көрсетілген дағдының мәліметтерін іске қосу кезінде динамикалық түрде жүктейді.

• run_sql_query(query): Нақты SQL нұсқауларын орындайды.

3-қадам: Агент логикасын құрастыру (Ми)

LangGraph көмегімен ReAct Agent құрыңыз. System Prompt мұнда маңызды рөл атқарады, ол агентке Identify -> Load -> Query стандартты жұмыс процедурасын (SOP) қатаң сақтауға нұсқау береді.

system_prompt ="""1. Тиісті дағдыны анықтаңыз.2. Схеманы алу үшін 'load_skill' пайдаланыңыз.3. 'run_sql_query' көмегімен SQL жазыңыз және орындаңыз....Кесте атауларын болжамаңыз. Әрқашан алдымен дағдыны жүктеңіз.""

5. Жұмыс нәтижелерін тексеру

test_agent.py іске қосу арқылы біз Sales және Inventory екі түрлі саласындағы сұрауларды тексердік. Төменде агенттің мәселеге байланысты дағдыларды қалай динамикалық түрде жүктейтінін көрсететін консольдің нақты шығару журналы берілген:

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. Толық бастапқы кодқа сілтеме

Төменде жобаның толық бастапқы коды берілген, оның ішінде дерекқорды инициализациялау сценарийі және Agent негізгі бағдарламасы бар.

1. Дерекқорды инициализациялау (setup_db.py)

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

load_dotenv()

.env файлында дерекқорға қосылу туралы ақпараттың конфигурацияланғанына көз жеткізіңіз

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") # Нақты құпия сөзбен ауыстырыңыз DB_NAME = os.getenv("DB_NAME", "agent_platform")

def create_database(): try: # Жаңа db жасау үшін әдепкі 'postgres' дерекқорына қосылыңыз 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()

    # Дерекқордың бар-жоғын тексеріңіз
    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()

    # Сату кестесін жасау
    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)
        )
    """)

    # Қор кестесін жасау
    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)
        )
    """)

    # Жалған деректерді енгізу
    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 негізгі бағдарламасы (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":"Сату табысын, трендтерді және аймақтық өнімділікті талдау үшін пайдалы.","content": """Сіз сатуды талдау бойынша сарапшысыз.Сізде 'sales_data' кестесіне қол жетімділік бар.Кесте схемасы:- id: бүтін сан (негізгі кілт)- transaction_date: күні- product_id: varchar(50)- amount: decimal(10, 2)- region: varchar(50)Жалпы сұраулар:- Жалпы табыс: SUM(amount)- Аймақ бойынша табыс: GROUP BY region- Сату тренді: GROUP BY transaction_date""" },"inventory_management": {"description":"Қор деңгейлерін, өнім орналасқан жерлерін және қойманы басқаруды тексеру үшін пайдалы.","content": """Сіз қорды басқару бойынша сарапшысыз.Сізде 'inventory_items' 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:e)workflow.add_node(\ke({"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