Skip to main content
本教程展示如何使用渐进式披露——一种上下文管理技术,智能体按需加载信息而非预先加载——来实现技能(基于提示的专门指令)。智能体通过工具调用加载技能,而非动态更改系统提示,仅发现并加载每个任务所需的技能。 用例: 想象构建一个智能体,帮助在大型企业的不同业务垂直领域编写SQL查询。您的组织可能为每个垂直领域设有独立的数据存储,或是一个包含数千张表的单一整体数据库。无论哪种情况,预先加载所有模式都会使上下文窗口不堪重负。渐进式披露通过仅在需要时加载相关模式来解决此问题。这种架构还允许不同的产品负责人和利益相关者独立贡献和维护其特定业务垂直领域的技能。 您将构建什么: 一个具备两个技能(销售分析和库存管理)的SQL查询助手。智能体在其系统提示中看到轻量级的技能描述,然后仅在与用户查询相关时,通过工具调用加载完整的数据库模式和业务逻辑。
有关具备查询执行、错误纠正和验证功能的完整SQL智能体示例,请参阅我们的SQL智能体教程。本教程重点介绍渐进式披露模式,该模式可应用于任何领域。
渐进式披露由Anthropic推广,是一种构建可扩展智能体技能系统的技术。该方法使用三级架构(元数据 → 核心内容 → 详细资源),智能体仅按需加载信息。有关此技术的更多信息,请参阅使用Agent Skills为现实世界装备智能体

工作原理

以下是用户请求SQL查询时的流程: 为什么使用渐进式披露:
  • 减少上下文使用 - 仅加载任务所需的2-3个技能,而非所有可用技能
  • 实现团队自主性 - 不同团队可以独立开发专门技能(类似于其他多智能体架构)
  • 高效扩展 - 添加数十或数百个技能而不会使上下文不堪重负
  • 简化对话历史 - 单个智能体,单一对话线程
什么是技能: 技能,如Claude Code所推广的,主要是基于提示的:针对特定业务任务的自包含专门指令单元。在Claude Code中,技能以文件系统上的目录和文件形式暴露,通过文件操作发现。技能通过提示指导行为,并可提供有关工具使用的信息,或包含供编码智能体执行的示例代码。
具备渐进式披露的技能可视为一种RAG(检索增强生成)形式,其中每个技能都是一个检索单元——尽管不一定由嵌入或关键词搜索支持,而是由浏览内容的工具支持(如文件操作,或在本教程中,直接查找)。
权衡:
  • 延迟:按需加载技能需要额外的工具调用,这会增加每个技能首次请求的延迟
  • 工作流控制:基本实现依赖提示来指导技能使用 - 无法在没有自定义逻辑的情况下强制执行硬约束,如“始终先尝试技能A再尝试技能B”
实现您自己的技能系统构建自己的技能实现时(如本教程所示),核心概念是渐进式披露 - 按需加载信息。除此之外,您在实现上拥有完全的灵活性:
  • 存储:数据库、S3、内存数据结构或任何后端
  • 发现:直接查找(本教程)、大型技能集合的RAG、文件系统扫描或API调用
  • 加载逻辑:自定义延迟特性,并添加逻辑以搜索技能内容或对相关性进行排序
  • 副作用:定义技能加载时发生的情况,例如暴露与该技能关联的工具(在第8节中介绍)
这种灵活性使您可以针对性能、存储和工作流控制的特定要求进行优化。

设置

安装

本教程需要 langchain 包:
更多详情,请参阅我们的安装指南

LangSmith

设置 LangSmith 以检查智能体内部发生的情况。然后设置以下环境变量:

选择LLM

从LangChain的集成套件中选择一个聊天模型:
👉 阅读 OpenAI 聊天模型集成文档

1. 定义技能

首先,定义技能的结构。每个技能都有一个名称、一个简短描述(显示在系统提示中)和完整内容(按需加载):
现在为SQL查询助手定义示例技能。这些技能设计为描述轻量级(预先显示给智能体)但内容详细(仅在需要时加载):

2. 创建技能加载工具

创建一个工具,用于按需加载完整的技能内容:
load_skill 工具将完整的技能内容作为字符串返回,该字符串成为对话的一部分(作为ToolMessage)。有关创建和使用工具的更多详情,请参阅工具指南

3. 构建技能中间件

创建自定义中间件,将技能描述注入系统提示。此中间件使技能可被发现,而无需预先加载其完整内容。
本指南演示了如何创建自定义中间件。有关中间件概念和模式的全面指南,请参阅自定义中间件文档
中间件将技能描述追加到系统提示,使智能体能够感知可用技能,而无需加载其完整内容。load_skill 工具注册为类变量,使其可供智能体使用。
生产环境考虑:本教程为简单起见在 __init__ 中加载技能列表。在生产系统中,您可能希望在 before_agent 钩子中加载技能,以便定期刷新以反映最新更改(例如,添加新技能或修改现有技能时)。详情请参阅before_agent钩子文档

4. 创建支持技能的智能体

现在创建具备技能中间件和用于状态持久化的检查点的智能体:
智能体现在可以在其系统提示中访问技能描述,并可以在需要时调用 load_skill 来检索完整的技能内容。检查点维护跨轮次的对话历史。

5. 测试渐进式披露

使用需要特定技能知识的问题测试智能体:
预期输出:
智能体在其系统提示中看到了轻量级的技能描述,识别出该问题需要销售数据库知识,调用 load_skill("sales_analytics") 获取完整的模式和业务逻辑,然后使用该信息编写了一个遵循数据库规范的正确查询。

6. 高级:使用自定义状态添加约束

您可以添加约束,以确保某些工具仅在特定技能加载后才可用。这需要跟踪自定义智能体状态中已加载的技能。

定义自定义状态

首先,扩展智能体状态以跟踪已加载的技能:

更新 load_skill 以修改状态

修改 load_skill 工具,以便在技能加载时更新状态:

创建受约束的工具

创建一个仅在特定技能加载后才可用的工具:

更新中间件和智能体

更新中间件以使用自定义状态模式:
创建注册了受约束工具的智能体:
现在,如果智能体在加载所需技能之前尝试使用 write_sql_query,它将收到一条错误消息,提示它先加载相应的技能(例如 sales_analyticsinventory_management)。这确保了智能体在尝试验证查询之前具备必要的模式知识。

完整示例

以下是结合本教程所有部分的完整、可运行的实现:
此完整示例包括:
  • 包含完整数据库模式的技能定义
  • 用于按需加载的 load_skill 工具
  • 将技能描述注入系统提示的 SkillMiddleware
  • 使用中间件和检查点创建智能体
  • 展示智能体如何加载技能和编写SQL查询的示例用法
要运行此示例,您需要:
  1. 安装所需包:pip install langchain langchain-openai langgraph
  2. 设置您的API密钥(例如,export OPENAI_API_KEY=...
  3. 将模型初始化替换为您首选的LLM提供商

实现变体

本教程将技能实现为通过工具调用加载的内存Python字典。但是,有几种方法可以使用技能实现渐进式披露:存储后端:
  • 内存(本教程):技能定义为Python数据结构,访问速度快,无I/O开销
  • 文件系统(Claude Code方法):技能作为目录和文件,通过 read_file 等文件操作发现
  • 远程存储:技能存储在S3、数据库、Notion或API中,按需获取
技能发现(智能体如何了解存在哪些技能):
  • 系统提示列表:系统提示中的技能描述(本教程使用)
  • 基于文件:通过扫描目录发现技能(Claude Code方法)
  • 基于注册表:查询技能注册服务或API以获取可用技能
  • 动态查找:通过工具调用列出可用技能
渐进式披露策略(如何加载技能内容):
  • 单次加载:在一次工具调用中加载整个技能内容(本教程使用)
  • 分页:对于大型技能,分多个页面/块加载技能内容
  • 基于搜索:在特定技能内容中搜索相关部分(例如,使用grep/read操作技能文件)
  • 分层:首先加载技能概览,然后深入特定子部分
大小考虑(未校准的心理模型 - 根据您的系统优化):
  • 小型技能(< 1K tokens / ~750词):可以直接包含在系统提示中,并通过提示缓存进行缓存以节省成本并加快响应速度
  • 中型技能(1-10K tokens / ~750-7.5K词):受益于按需加载以避免上下文开销(本教程)
  • 大型技能(> 10K tokens / ~7.5K词,或 > 上下文窗口的5-10%):应使用渐进式披露技术,如分页、基于搜索的加载或分层探索,以避免消耗过多上下文
选择取决于您的要求:内存最快,但需要重新部署才能更新技能,而基于文件或远程存储支持动态技能管理,无需更改代码。

渐进式披露与上下文工程

渐进式披露从根本上说是一种**上下文工程技术** - 您正在管理哪些信息可供智能体使用以及何时使用。本教程重点介绍加载数据库模式,但相同的原则适用于其他类型的上下文。

结合少样本提示

对于SQL查询用例,您可以扩展渐进式披露以动态加载与用户查询匹配的少样本示例示例方法:
  1. 用户询问:“查找6个月未下单的客户”
  2. 智能体加载 sales_analytics 模式(如本教程所示)
  3. 智能体还加载2-3个相关示例查询(通过语义搜索或基于标签的查找):
    • 查找不活跃客户的查询
    • 带有基于日期过滤的查询
    • 连接客户和订单表的查询
  4. 智能体使用模式知识和示例模式编写查询
这种渐进式披露(按需加载模式)和动态少样本提示(加载相关示例)的结合,创建了一种强大的上下文工程模式,可扩展到大型知识库,同时提供高质量、有依据的输出。

后续步骤