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### Žingsnis pirmas: apibrėžkite srities įgūdžius (Žinios)
Įgūdžius apibrėžiame kaip žodyno struktūrą, imituojančią įkėlimo procesą iš failų sistemos ar duomenų bazės. Atkreipkite dėmesį į skirtumą tarp description (naudojamas Agento sprendimų priėmimui) ir content (faktiškai įkeliamas išsamus kontekstas).
SKILLS = {"sales_analytics": {"description":"Naudinga analizuojant pardavimo pajamas, tendencijas...","content":"""... Table Schema: sales_data ..."" },"inventory_management": {"description":"Naudinga tikrinant atsargų lygius...","content":"""... Table Schema: inventory_items ..."" }}
Žingsnis antras: įgyvendinkite pagrindinius įrankius (Galimybės)
Agentas priklauso nuo dviejų pagrindinių įrankių, kad atliktų užduotis:
-
load_skill(skill_name)**: dinamiškai įkelia nurodyto įgūdžio detales vykdymo metu. ** -
run_sql_query(query)**: vykdo konkrečias SQL užklausas. **
Žingsnis trečias: suorganizuokite Agento logiką (Smegenys)
Naudokite LangGraph, kad sukurtumėte ReAct Agentą. Sistemos raginimas čia atlieka pagrindinį vaidmenį, nes jis nurodo Agentui griežtai laikytis Identify -> Load -> Query standartinės veiklos procedūros (SVP).
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. Vykdymo efekto patvirtinimas
Vykdydami test_agent.py, atlikome pardavimų ir atsargų dviejų skirtingų sričių užklausų testavimą. Toliau pateikiami faktiniai konsolės išvesties žurnalai, parodantys, kaip Agentas dinamiškai įkelia įgūdžius pagal klausimą:
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. Pilnas šaltinio kodo pavyzdys\n\nŽemiau pateiktas pilnas projekto šaltinio kodas, įskaitant duomenų bazės inicializavimo scenarijų ir Agent pagrindinę programą.\n\n### 1. Duomenų bazės inicializavimas (setup_db.py)\n\n`importpsycopg2frompsycopg2.extensionsimportISOLATION_LEVEL_AUTOCOMMITimportosfromdotenvimportload_dotenvload_dotenv()# Prašome užtikrinti, kad .env faile būtų sukonfigūruota duomenų bazės prisijungimo informacijaDB_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_itemTable 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:""" Load the detailed prompt and schema for a specific skill. Available skills:
- sales_analytics: For sales, revenue, and transaction analysis.
- inventory_management: For stock, products, and warehouse queries. """ skill = SKILLS.get(skill_name) if not skill: return f"Error: Skill '{skill_name}' not found. Available skills: {list(SKILLS.keys())}" return skill["content"]
@tool def run_sql_query(query: str) -> str: """ Execute a SQL query against the database. Only use this tool AFTER loading the appropriate skill to understand the schema. """ try: return db.run(query) except Exception as e: return f"Error executing SQL: {e}"
@tool def list_tables() -> str: """List all available tables in the database.""" return str(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 ---
class AgentState(MessagesState):
We can add custom state if needed, but MessagesState is sufficient for simple 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()# --- Pagrindinis vykdymas ---if__name__ =="main": system_prompt ="""Tu esi naudingas SQL asistentas.Tu turi prieigą prie specializuotų įgūdžių, kuriuose yra duomenų bazių schemos ir srities žinios.Norėdamas atsakyti į vartotojo klausimą:1. Nustatyk atitinkamą įgūdį (sales_analytics arba inventory_management).2. Naudok įrankį 'load_skill', kad gautum schemą ir instrukcijas.3. Remdamasis įkeltu įgūdžiu, parašyk ir vykdyk SQL užklausą naudodamas 'run_sql_query'.4. Atsakyk į vartotojo klausimą remdamasis užklausos rezultatais.Nespėliok lentelių pavadinimų. Visada pirmiausia įkelk įgūdį.""" print("SQL asistentas inicijuotas. Įveskite 'quit', kad išeitumėte.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Išankstinis ryšio patikrinimastry: print(f"Prisijungta prie duomenų bazės:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Duomenų bazės ryšio įspėjimas:{e}")whileTrue:try: user_input = input("Vartotojas: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Srautinis vykdymas print("Agentas: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# Režime 'values' gauname visą būseną. Norime pamatyti tik paskutinį pranešimą, jei jis naujas. last_message = event["messages"][-1]# Atnaujinkite savo pranešimų istoriją su naujausia būsenapass# Pasibaigus srautui, paskutinė būsena turi galutinį atsakymą final_state = app.invoke({"messages": messages}) last_msg = final_state["messages"][-1]ifisinstance(last_msg, AIMessage): print(last_msg.content) messages = final_state["messages"]# Atnaujinti istoriją print("-"*50)exceptExceptionase: print(f"\nKlaida:{e}")break`
