技能 - LangChain LangGraph DeepAgent中文文档

技能是可复用的智能体能力，提供专业化的工作流程和领域知识。您可以使用 Agent Skills 为您的深度智能体提供新能力和专业知识。深度智能体技能遵循 Agent Skills 规范。

什么是技能

技能是一个由文件夹组成的目录，每个文件夹包含一个或多个供智能体使用的上下文文件：

包含技能说明和元数据的 SKILL.md 文件
可选的附加脚本
可选的附加参考信息（例如文档）
可选的附加资源（例如模板和其他资源）

任何附加资源（脚本、文档、模板或其他资源）都必须在 SKILL.md 文件中注明其内容和使用方式，以便智能体决定何时使用它们。

技能的工作原理

创建深度智能体时，您可以传入包含技能的目录列表。智能体启动时，会读取每个 SKILL.md 文件的前置元数据（frontmatter）。当智能体收到提示词时，它会检查是否有技能可以帮助完成该任务。如果找到匹配的技能，则会查看技能的完整文件。这种仅在需要时才读取技能信息的模式称为渐进式披露。

示例

您可能有一个技能文件夹，其中包含一个用于特定方式使用文档站点的技能，以及另一个用于搜索 arXiv 预印本研究论文库的技能：

    skills/
    ├── langgraph-docs
    │   └── SKILL.md
    └── arxiv_search
        ├── SKILL.md
        └── arxiv_search.py # code for searching arXiv

SKILL.md 文件始终遵循相同的格式：以前置元数据开头，后跟技能说明。以下示例展示了一个在收到提示时提供相关 LangGraph 文档的技能：

---
name: langgraph-docs
description: Use this skill for requests related to LangGraph in order to fetch relevant documentation to provide accurate, up-to-date guidance.
---

# langgraph-docs

## Overview

This skill explains how to access LangGraph Python documentation to help answer questions and guide implementation.

## Instructions

### 1. Fetch the Documentation Index

Use the fetch_url tool to read the following URL:
https://docs.langchain.com/llms.txt

This provides a structured list of all available documentation with descriptions.

### 2. Select Relevant Documentation

Based on the question, identify 2-4 most relevant documentation URLs from the index. Prioritize:

- Specific how-to guides for implementation questions
- Core concept pages for understanding questions
- Tutorials for end-to-end examples
- Reference docs for API details

### 3. Fetch Selected Documentation

Use the fetch_url tool to read the selected documentation URLs.

### 4. Provide Accurate Guidance

After reading the documentation, complete the user's request.

更多示例技能，请参阅深度智能体示例技能。

重要提示编写技能文件时，请参阅完整的 Agent Skills 规范了解约束条件和最佳实践。特别注意：

description 字段若超过 1024 个字符将被截断。
在深度智能体中，SKILL.md 文件必须小于 10 MB。超过此限制的文件在加载技能时会被跳过。

完整示例

以下示例展示了使用所有可用前置元数据字段的 SKILL.md 文件：

---
name: langgraph-docs
description: Use this skill for requests related to LangGraph in order to fetch relevant documentation to provide accurate, up-to-date guidance.
license: MIT
compatibility: Requires internet access for fetching documentation URLs
metadata:
  author: langchain
  version: "1.0"
allowed-tools: fetch_url
---

# langgraph-docs

## Overview

This skill explains how to access LangGraph Python documentation to help answer questions and guide implementation.

## Instructions

### 1. Fetch the documentation index

Use the fetch_url tool to read the following URL:
https://docs.langchain.com/llms.txt

This provides a structured list of all available documentation with descriptions.

### 2. Select relevant documentation

Based on the question, identify 2-4 most relevant documentation URLs from the index. Prioritize:

- Specific how-to guides for implementation questions
- Core concept pages for understanding questions
- Tutorials for end-to-end examples
- Reference docs for API details

### 3. Fetch selected documentation

Use the fetch_url tool to read the selected documentation URLs.

### 4. Provide accurate guidance

After reading the documentation, complete the user's request.

使用方法

创建深度智能体时传入技能目录：

StateBackend
StoreBackend
FilesystemBackend

from urllib.request import urlopen
from deepagents import create_deep_agent
from deepagents.backends.utils import create_file_data
from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()

skill_url = "https://raw.githubusercontent.com/langchain-ai/deepagents/refs/heads/main/libs/cli/examples/skills/langgraph-docs/SKILL.md"
with urlopen(skill_url) as response:
    skill_content = response.read().decode('utf-8')

skills_files = {
    "/skills/langgraph-docs/SKILL.md": create_file_data(skill_content)
}

agent = create_deep_agent(
    skills=["/skills/"],
    checkpointer=checkpointer,
)

result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "What is langgraph?",
            }
        ],
        # Seed the default StateBackend's in-state filesystem (virtual paths must start with "/").
        "files": skills_files
    },
    config={"configurable": {"thread_id": "12345"}},
)

from urllib.request import urlopen
from deepagents import create_deep_agent
from deepagents.backends import StoreBackend
from deepagents.backends.utils import create_file_data
from langgraph.store.memory import InMemoryStore


store = InMemoryStore()

skill_url = "https://raw.githubusercontent.com/langchain-ai/deepagents/refs/heads/main/libs/cli/examples/skills/langgraph-docs/SKILL.md"
with urlopen(skill_url) as response:
    skill_content = response.read().decode('utf-8')

store.put(
    namespace=("filesystem",),
    key="/skills/langgraph-docs/SKILL.md",
    value=create_file_data(skill_content)
)

agent = create_deep_agent(
    backend=(lambda rt: StoreBackend(rt)),
    store=store,
    skills=["/skills/"]
)

result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "What is langgraph?",
            }
        ]
    },
    config={"configurable": {"thread_id": "12345"}},
)

from deepagents import create_deep_agent
from langgraph.checkpoint.memory import MemorySaver
from deepagents.backends.filesystem import FilesystemBackend

# Checkpointer is REQUIRED for human-in-the-loop
checkpointer = MemorySaver()

agent = create_deep_agent(
    backend=FilesystemBackend(root_dir="/Users/user/{project}"),
    skills=["/Users/user/{project}/skills/"],
    interrupt_on={
        "write_file": True,  # Default: approve, edit, reject
        "read_file": False,  # No interrupts needed
        "edit_file": True    # Default: approve, edit, reject
    },
    checkpointer=checkpointer,  # Required!
)

result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "What is langgraph?",
            }
        ]
    },
    config={"configurable": {"thread_id": "12345"}},
)

skills

list[str]

技能来源路径列表。路径必须使用正斜杠，并相对于后端根目录指定。

若省略，则不加载任何技能。
使用 StateBackend（默认）时，通过 invoke(files={...}) 提供技能文件。使用 deepagents.backends.utils 中的 create_file_data() 格式化文件内容；不支持原始字符串。
使用 FilesystemBackend 时，技能从后端 root_dir 的相对路径加载。

当多个来源包含同名技能时，列表中靠后的来源优先（后者覆盖前者）。

SDK 仅加载您在 skills 中传入的来源，不会自动扫描 CLI 目录（如 ~/.deepagents/... 或 ~/.agents/...）。有关 CLI 存储惯例，请参阅应用数据。

在 SDK 中模拟 CLI 来源顺序

如果希望在 SDK 代码中实现类似 CLI 的分层效果，请按从低到高的优先级顺序显式传入所有期望的来源：

[
"<user-home>/.deepagents/{agent}/skills/",
"<user-home>/.agents/skills/",
"<project-root>/.deepagents/skills/",
"<project-root>/.agents/skills/",
]

然后将该有序列表作为 skills 参数传入创建智能体的调用中。

来源优先级

当多个技能来源包含同名技能时，skills 数组中靠后的来源优先（后者覆盖前者）。这允许您从不同来源分层叠加技能。

# If both sources contain a skill named "web-search",
# the one from "/skills/project/" wins (loaded last).
agent = create_deep_agent(
    skills=["/skills/user/", "/skills/project/"],
    ...
)

子智能体的技能

使用子智能体时，您可以配置每种子智能体可访问的技能：

通用子智能体：当您向 create_deep_agent 传入 skills 时，自动继承主智能体的技能，无需额外配置。
自定义子智能体：不继承主智能体的技能。请在每个子智能体定义中添加 skills 参数，指定该子智能体的技能来源路径。

技能状态完全隔离：主智能体的技能对子智能体不可见，子智能体的技能对主智能体也不可见。

from deepagents import create_deep_agent

research_subagent = {
    "name": "researcher",
    "description": "Research assistant with specialized skills",
    "system_prompt": "You are a researcher.",
    "tools": [web_search],
    "skills": ["/skills/research/", "/skills/web-search/"],  # Subagent-specific skills
}

agent = create_deep_agent(
    model="claude-sonnet-4-6",
    skills=["/skills/main/"],  # Main agent and GP subagent get these
    subagents=[research_subagent],  # Researcher gets only its own skills
)

有关子智能体配置和技能继承的更多信息，请参阅子智能体。

智能体所见内容

配置技能后，“技能系统”部分会被注入智能体的系统提示中。智能体使用这些信息遵循三步流程：

匹配 — 当用户提示词到来时，智能体检查是否有技能描述与任务匹配。
读取 — 如果某个技能适用，智能体使用技能列表中显示的路径读取完整的 SKILL.md 文件。
执行 — 智能体按照技能说明操作，并根据需要访问任何支持文件（脚本、模板、参考文档）。

在 SKILL.md 的前置元数据中编写清晰、具体的描述。智能体仅根据描述决定是否使用某个技能——描述越详细，技能匹配效果越好。

技能与记忆的对比

技能与记忆（AGENTS.md 文件）用途不同：

	技能	记忆
用途	通过渐进式披露按需发现的能力	启动时始终加载的持久上下文
加载时机	仅在智能体判断相关时读取	始终注入系统提示
格式	命名目录中的 `SKILL.md`	`AGENTS.md` 文件
分层	用户 → 项目（后者优先）	用户 → 项目（合并）
适用场景	说明与任务相关且可能较长时	上下文始终相关时（项目约定、个人偏好）

何时使用技能与工具

以下是使用工具和技能的一些通用建议：

当上下文较多时使用技能，以减少系统提示中的 token 数量。
使用技能将多个能力捆绑为更大的动作，并在单个工具描述之外提供额外上下文。
当智能体无法访问文件系统时，使用工具。

在 GitHub 上编辑此页面或提交问题。

通过 MCP 将这些文档连接到 Claude、VSCode 等工具，获取实时答案。

Get started

Core capabilities

Streaming

Protocols

Command line interface

技能

什么是技能

技能的工作原理

示例

完整示例

使用方法

来源优先级

子智能体的技能

智能体所见内容

技能与记忆的对比

何时使用技能与工具

Get started

Core capabilities

Streaming

Protocols

Command line interface

​什么是技能

​技能的工作原理

​示例

​完整示例

​使用方法

​来源优先级

​子智能体的技能

​智能体所见内容

​技能与记忆的对比

​何时使用技能与工具

什么是技能

技能的工作原理

示例

完整示例

使用方法

来源优先级

子智能体的技能

智能体所见内容

技能与记忆的对比

何时使用技能与工具