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### Korak 1: Določitev domenskih znanj (Znanje)

Znanja bomo definirali kot strukturo slovarja, ki simulira postopek nalaganja iz datotečnega sistema ali baze podatkov. Upoštevajte razliko med description (za uporabo pri izbiri agenta) in content (dejanski naloženi podrobni kontekst).

SKILLS = {"sales_analytics": {"description":"Uporabno za analizo prihodkov od prodaje, trendov...","content":"""... Shema tabele: sales_data ..."" },"inventory_management": {"description":"Uporabno za preverjanje stanja zalog...","content":"""... Shema tabele: inventory_items ..."" }}

Korak 2: Implementacija osnovnih orodij (Sposobnosti)

Agent je odvisen od dveh ključnih orodij za dokončanje nalog:

• load_skill(skill_name): Dinamično naloži podrobnosti določenega znanja med izvajanjem.

• run_sql_query(query): Izvede določeno izjavo SQL.

Korak 3: Orkestracija logike agenta (Možgani)

Uporabite LangGraph za izgradnjo agenta ReAct. Sistemski poziv ima tukaj ključno vlogo, saj usmerja agenta, da dosledno sledi standardnemu operativnemu postopku (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. Preverjanje učinka delovanja

Z izvajanjem test_agent.py smo testirali poizvedbe na dveh različnih področjih, prodaje in inventarja. Sledi dejanski izpis dnevnika konzole, ki prikazuje, kako agent dinamično naloži znanja glede na vprašanje:

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. Celotna referenca izvorne kode\n\nV nadaljevanju je celotna izvorna koda projekta, ki vključuje skript za inicializacijo baze podatkov in glavno programsko opremo agenta.\n\n### 1. Inicializacija baze podatkov (setup_db.py)\n\n`importpsycopg2frompsycopg2.extensionsimportISOLATION_LEVEL_AUTOCOMMITimportosfromdotenvimportload_dotenvload_dotenv()# Prepričajte se, da so informacije o povezavi z bazo podatkov konfigurirane v .envDB_HOST = os.getenv(### 2. Agentov glavni program (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()

--- Konfiguracija ---

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')}"

--- Nastavitev baze podatkov ---

db = SQLDatabase.from_uri(DB_URI)

--- Definicija veščin ---

SKILLS: Dict[str, Dict[str, str]] = { "sales_analytics": { "description": "Uporabno za analizo prihodkov od prodaje, trendov in regionalne uspešnosti.", "content": """ Ste strokovnjak za analizo prodaje. Imate dostop do tabele 'sales_data'. Shema tabele: - id: celo število (primarni ključ) - transaction_date: datum - product_id: varchar(50) - amount: decimal(10, 2) - region: varchar(50) Pogoste poizvedbe: - Skupni prihodek: SUM(amount) - Prihodek po regijah: GROUP BY region - Trend prodaje: GROUP BY transaction_date """ }, "inventory_management": { "description": "Uporabno za preverjanje zalog, lokacij izdelkov in upravljanje skladišča.", "content": """ Ste strokovnjak za upravljanje zalog. Imate dostop do tabele '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()# --- Glavno izvajanje ---if__name__ =="main": system_prompt ="""Ste koristni pomočnik SQL.Imate dostop do specializiranih veščin, ki vsebujejo sheme podatkovnih baz in domensko znanje.Za odgovor na uporabnikovo vprašanje:1. Določite ustrezno veščino (sales_analytics ali inventory_management).2. Uporabite orodje 'load_skill' za pridobitev sheme in navodil.3. Na podlagi naložene veščine napišite in izvedite poizvedbo SQL z uporabo 'run_sql_query'.4. Odgovorite na uporabnikovo vprašanje na podlagi rezultatov poizvedbe.Ne ugibajte imen tabel. Vedno najprej naložite veščino.""" print("SQL Assistant initialized. Type 'quit' to exit.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Predhodno ogrevanje preverjanja povezavetry: print(f"Connected to database:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Database connection warning:{e}")whileTrue:try: user_input = input("User: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Pretočno izvajanje print("Agent: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# V načinu 'values' dobimo celotno stanje. Želimo samo videti zadnje sporočilo, če je novo. last_message = event["messages"][-1]# Posodobite našo zgodovino sporočil z najnovejšim stanjempass# Ko se tok konča, ima zadnje stanje končni odgovor final_state = app.invoke({"messages": messages}) last_msg = final_state["messages"][-1] ifisinstance(last_msg, AIMessage): print(last_msg.content) messages = final_state["messages"]# Posodobi zgodovino print("-"*50) exceptExceptionase: print(f"\nError:{e}") break`