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### Steg ett: Definiera domänkunskaper (The Knowledge)
Vi definierar kunskaper som en dictionary-struktur, vilket simulerar processen att ladda från ett filsystem eller en databas. Var noga med att skilja mellan description (används av Agent för beslutsfattande) och content (den faktiska detaljerade kontexten som laddas).
SKILLS = {"sales_analytics": {"description":"Useful for analyzing sales revenue, trends...","content":"""... Table Schema: sales_data ..."" },"inventory_management": {"description":"Useful for checking stock levels...","content":"""... Table Schema: inventory_items ..."" }}
Steg två: Implementera kärnverktyg (The Capabilities)
Agenten är beroende av två viktiga verktyg för att slutföra uppgifter:
-
load_skill(skill_name)**: Laddar dynamiskt detaljerna för den angivna kunskapen vid körning. ** -
run_sql_query(query)**: Utför specifika SQL-satser. **
Steg tre: Orkestrera Agent-logik (The Brain)
Använd LangGraph för att bygga en ReAct Agent. System Prompt spelar en nyckelroll här, och guidar Agenten att strikt följa standardrutinen (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. Verifiera körningseffekten
Genom att köra test_agent.py testade vi frågor inom två olika områden: Försäljning och Lager. Nedan följer de faktiska utdata-loggarna från konsolen, som visar hur Agenten dynamiskt laddar kunskaper baserat på frågan:
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. Komplett källkodsreferens
Nedan följer projektets kompletta källkod, inklusive databasinitialiseringsskript och Agent-huvudprogram.
1. Databasinitialisering (setup_db.py)
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("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")# 请替换为实际密码DB_NAME = os.getenv("DB_NAME","agent_platform")defcreate_database():try:# Connect to default 'postgres' database to create new db 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()# Check if database exists cur.execute(f"SELECT 1 FROM pg_catalog.pg_database WHERE datname = '{DB_NAME}'") exists = cur.fetchone()ifnotexists: 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()exceptExceptionase: print(f"Error creating database:{e}")defcreate_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()# Create Sales Table 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) ) """)# Create Inventory Table 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) ) """)# Insert Mock Data 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.")exceptExceptionase: print(f"Error setting up tables:{e}")if__name__ =="__main__": create_database() create_tables_and_data()### 2. Agent Huvudprogram (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""" } }s' 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:""" Ladda den detaljerade prompten och schemat för en specifik färdighet. Tillgängliga färdigheter: - sales_analytics: För försäljnings-, intäkts- och transaktionsanalys. - inventory_management: För lager-, produkt- och lagerfrågor. """ skill = SKILLS.get(skill_name)ifnotskill:returnf"Error: Skill '{skill_name}' hittades inte. Tillgängliga färdigheter:{list(SKILLS.keys())}"returnskill["content"]@tooldefrun_sql_query(query: str)-> str:""" Kör en SQL-fråga mot databasen. Använd bara detta verktyg EFTER att ha laddat lämplig färdighet för att förstå schemat. """try:returndb.run(query)exceptExceptionase:returnf"Error vid körning av SQL:{e}"@tooldeflist_tables()-> str:"""Lista alla tillgängliga 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):# We can add custom state if needed, but MessagesState is sufficient for simple 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()# --- Huvudexekvering ---if__name__ =="main": system_prompt ="""Du är en hjälpsam SQL-assistent.Du har tillgång till specialiserade färdigheter som innehåller databasscheman och domänkunskap.För att svara på en användares fråga:1. Identifiera den relevanta färdigheten (sales_analytics eller inventory_management).2. Använd verktyget 'load_skill' för att hämta schemat och instruktionerna.3. Baserat på den laddade färdigheten, skriv och kör en SQL-fråga med 'run_sql_query'.4. Svara på användarens fråga baserat på frågeresultaten.Gissa inte tabellnamn. Ladda alltid färdigheten först.""" print("SQL-assistenten har initierats. Skriv 'quit' för att avsluta.") print("-"*50) messages = [SystemMessage(content=system_prompt)]# Förvärm anslutningskontrolltry: print(f"Ansluten till databasen:{DB_URI.split('@')[-1]}")exceptExceptionase: print(f"Varning för databasanslutning:{e}")whileTrue:try: user_input = input("Användare: ")ifuser_input.lower()in["quit","exit"]:break messages.append(HumanMessage(content=user_input))# Strömma exekveringen print("Agent: ", end="", flush=True) final_response =Noneforeventinapp.stream({"messages": messages}, stream_mode="values"):# I läget 'values' får vi hela tillståndet. Vi vill bara se det sista meddelandet om det är nytt. last_message = event["messages"][-1]# Uppdatera vår meddelandehistorik med det senaste tillståndetpass# När strömmen är klar har det sista tillståndet det slutgiltiga svaret final_state = app.invoke({"messages": messages}) last_msg = final_state["messages"][-1]ifisinstance(last_msg, AIMessage): print(last_msg.content) messages = final_state["messages"]# Uppdatera historiken print("-"*50)exceptExceptionase: print(f"\nError:{e}")break`
