AI Radar — 每天的 AI 热点、模型与教程

技能是赋予智能体领域知识的最佳方式之一。一个技能技能是一个包含指令、脚本和参考文件的文件夹，用于教会智能体如何做事，比如像你的销售团队那样准备客户会议或审阅通话记录。Agent Skills 是一个开放标准可与任何模型配合使用，并受到数十种智能体产品的支持。你也不需要具备技术背景就能编写一个：其核心就是一个 markdown 文件。

技能之所以有效，是因为渐进式披露。智能体一开始只能看到每个技能的名称和描述，只有在任务需要时才读取完整指令。这样可以保持上下文精简，而上下文工程是构建高效智能体的关键。

随着使用规模扩大，团队对技能的需求也在变化。我们看到企业技能注册表增长到数千个技能，在团队和智能体之间共享。我们改进了Deep Agents 中的技能支持，以解决一些常见需求：

将工具绑定到技能：绑定到某个技能的工具只有在智能体读取该技能时才会加载。
固定技能：当用户明确请求某个技能时，比如/meeting-prep，你的应用可以在下一次模型调用之前加载它。
技能重新加载：长时间运行的线程可以获取新增或变更的技能，而无需重新开始。

技能如何工作

一个技能是一个目录，其中包含一个SKILL.md文件：带有name和description的 YAML frontmatter，后面是智能体遵循的指令。一个技能还可以在scripts/、references/和assets/下捆绑支持文件（规范）。

Only a skill's name and description are always in context. The agent reads the instructions on demand, and loads scripts, references, and assets only when needed. — 只有技能的名称和描述始终在上下文中。智能体按需读取指令，仅在需要时加载脚本、参考资料和资产。

在本文中，我们将使用我们的 GTM 智能体作为贯穿始终的示例。它构建于Deep Agents之上，其包含 50 多个技能的库覆盖了销售代表的日常工作，比如meeting-prep、call-transcripts和competitive-intel-card。

技能分三个层级加载：

发现。启动时，智能体在其系统提示中看到每个技能的name和description。
激活。当任务匹配某个技能时，智能体使用SKILL.md读取完整的read_file。
执行。智能体遵循指令，仅在指令要求时读取脚本或参考文件。

The agent's context grows only by what the task needs: every skill's name and description at startup, then one skill's instructions, then one reference file. — 智能体的上下文只按任务所需增长：启动时加载每个技能的名称和描述，然后是一个技能的指令，再然后是一个参考文件。

在技能被使用之前，它只占用系统提示中的一行，因此一个库可以持有大量技能的引用而不会挤占上下文。现在让我们深入了解我们在 Deep Agents 中做的增强。

将工具绑定到技能

技能通常会告诉智能体如何使用特定工具，而有些工具只有在智能体读过这些指令后才能正常工作。到目前为止，技能和工具是分开披露的。你可以通过以下方式让工具 schema 不进入上下文：工具搜索，但没有任何机制把工具与解释它的技能关联起来：智能体可能在不阅读其技能的情况下找到并调用某个工具，或者读了技能后仍不得不去搜索它的工具。

现在你可以将工具绑定到技能，这样技能和它的工具会一起披露。绑定的工具在智能体读取其技能之前不会被加入上下文，在此之前调用它会因未知工具而失败。这保持了上下文的精简，也意味着智能体在能够调用某个工具之前已经读过如何使用它。在我们的GTM 智能体中，call-transcripts解释了如何搜索通话和读取转录文本，因此这是绑定这些工具的自然位置。

在技能 frontmatter 的以下字段中列出工具metadata.include_tools：

call-transcripts SKILL.md frontmatter listing include_tools: search_calls get_transcript

将这些工具传给SkillsMiddleware而不是智能体：

Python: create_deep_agent with SkillsMiddleware(tools=[search_calls, get_transcript])

Reading call-transcripts unlocks search_calls and get_transcript. They arrive in a new system message, so the cached prefix above it stays unchanged. — 读取 call-transcripts 会解锁 search_calls 和 get_transcript。它们出现在一条新的系统消息中，因此其上方已缓存的 prefix 保持不变。

在对话中途添加工具过去意味着要编辑请求的工具列表，这会使 prompt 缓存失效。Anthropic和OpenAI现在让较新的模型能够在对话中途接受工具，因此在这些模型上，Deep Agents 会在技能被读取后立即添加该技能绑定的工具，已缓存的 prefix 保持不变（Anthropic和OpenAI集成文档）。在其他模型上，工具会像以前一样追加到请求中。

一个列表就能覆盖大多数技能。为了获得更多控制，技能可以列出一个标签而不是工具名称，而你传给SkillsMiddleware的函数会把每个标签转换为工具。这让你能够：

披露整个工具组，比如某个 MCP 服务器上的所有工具，用一个名称即可，而无需在技能中逐一列出每个工具。
根据运行时权限来门控工具。该函数接收图的运行时，因此它可以检查用户是谁，并只返回他们被允许使用的工具。

这里，call-transcripts获取调用 MCP 服务器上的所有工具，而pipeline-forecast获取 CRM 工具，但只有经理才能更新预测：

SKILL.md frontmatter for call-transcripts (include_tools: call_tools) and pipeline-forecast (include_tools: crm_tools)

Python: resolve_skill_tools returns every calls MCP tool for call_tools, and update_forecast only for managers

参见向技能添加工具了解更多。

固定技能

有时用户已经知道自己想要哪个技能。在我们的 GTM 智能体中，销售代表可以输入/meeting-prep for my Acme call tomorrow。如果不固定，模型只能看到技能的描述，并且必须读取它。这会在工作开始前增加一次往返，而且模型不保证会加载正确的技能。使用固定技能时，你的应用会在消息中找到技能名称（或从 UI 中解析），并将它们传入pinned_skills，然后中间件会在下一次模型调用前将每个技能的指令添加到对话中。Deep Agents 不会自己解析消息，所以语法由你选择：

Typing /meeting-prep names the skill, so the app can pin it for the agent's next model call. — 输入 /meeting-prep 会命名该技能，因此应用可以为智能体的下一次模型调用固定它。

Python: parse /meeting-prep from the message and pass it as pinned_skills to agent.invoke

A pinned skill's instructions are already in the conversation, so the agent starts the work on model call 1 instead of model call 2. — 固定技能的指令已经在对话中，因此智能体在第 1 次模型调用时就开始工作，而不是第 2 次。

这降低了延迟，并使行为更可预测：指令保证在上下文中，而且固定技能所绑定的工具也随之而来。每个固定技能都会作为一条带标签的消息添加一次，因此较早的消息永远不会改变，提示缓存保持有效，聊天 UI 可以将该技能显示为标签，而不是其全文。

在线程中途重新加载技能

技能会在每个线程开始时加载，并保存在智能体状态中，因此之后的每一轮都会复用同一组技能。你现在可以使此列表失效通过设置skills_metadata为None在调用智能体时。如果队友向库中添加了一个competitive-intel-card技能，应用可以选择使技能列表失效，下一次运行将重新扫描每个来源：