企业官网建设流程全解析

下面给你一个在LangChain 中实现 Skill 的完整示例，并结合你前面的认知，说明：

• 什么是 LangChain 里的 Skill
• Skill 与 Tool 的区别
• 如何用@tool、自定义Skill类来封装能力

一、LangChain 中的 Skill 概念

在 LangChain 生态中，我们通常把智能体自带、基于模型推理或固定逻辑的可复用能力，抽象成 Skill，而把需要调用外部系统 / 服务的功能封装成 Tool。

在实现上，有两种常见方式：

1. 直接用@tool装饰器封装函数：简单快捷，适合通用技能。
2. 继承BaseTool实现自定义 Skill 类：更灵活，可加权限校验、日志、缓存等。

二、环境准备

bash

运行

pip install langchain langchain-openai python-dotenv

.env文件配置 OpenAI Key（或你用的其他模型）：

plaintext

OPENAI_API_KEY=sk-xxx

三、示例 1：基于@tool的简单 Skill 实现

下面实现两个典型的「模型原生能力类 Skill」：

• 文本润色 Skill
• 代码解释 Skill

python

运行

from langchain.tools import tool from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # ====================== Skill 1：文本润色 ====================== @tool def text_polish_skill(text: str, style: str = "正式") -> str: """ 【文本润色 Skill】：根据指定风格润色文本 Args: text: 待润色的文本 style: 目标风格，可选：正式/口语/公文/幽默 """ prompt = f""" 请将以下文本润色为【{style}】风格，保持原意不变： 原文：{text} """ return llm.invoke(prompt).content # ====================== Skill 2：代码解释 ====================== @tool def code_explain_skill(code: str, language: str = "Python") -> str: """ 【代码解释 Skill】：解释代码的作用和关键步骤 Args: code: 待解释的代码片段 language: 代码语言，默认 Python """ prompt = f""" 请用通俗易懂的语言，解释以下{language}代码的作用、关键步骤和注意事项： ```{language} {code}

""" return llm.invoke(prompt).content

====================== 用 Agent 调用 Skill ======================

tools = [text_polish_skill, code_explain_skill]

prompt = PromptTemplate.from_template (""" 你是一个助手，根据用户问题，选择合适的 Skill 来回答。 用户问题：{input} 可用工具：{tools} 工具名列表：{tool_names} 你必须按照 ReAct 格式思考：

1. 分析用户问题
2. 决定使用哪个工具
3. 调用工具并得到结果
4. 整理成最终回答 开始！ """)

agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

ifname== "main":

测试 1：文本润色

print ("=== 测试文本润色 Skill ===") result1 = agent_executor.invoke ({ "input": "帮我把这句话改成正式风格：我今天好忙，一堆事没做完" }) print (result1 ["output"])

测试 2：代码解释

print ("\n=== 测试代码解释 Skill ===") code_snippet = """ def quick_sort (arr): if len (arr) <= 1: return arr pivot = arr [len (arr) // 2] left = [x for x in arr if x < pivot] middle = [x for x in arr if x == pivot] right = [x for x in arr if x > pivot] return quick_sort (left) + middle + quick_sort (right) """ result2 = agent_executor.invoke ({ "input": f"请解释这段代码的作用：\n {code_snippet}" }) print (result2 ["output"])

plaintext

四、示例 2：自定义Skill类（继承BaseTool）

适合需要加日志、权限、缓存的复杂 Skill：

python

运行

from langchain.tools import BaseTool from pydantic import Field from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate from dotenv import load_dotenv import os import logging load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) logging.basicConfig(level=logging.INFO) # ====================== 自定义 Skill 类 ====================== class ReportGenerateSkill(BaseTool): name: str = "report_generate_skill" description: str = "根据数据生成结构化报告，输入是数据字典和报告标题" def _run(self, data_str: str, title: str) -> str: """ Args: data_str: JSON格式的业务数据（字符串形式） title: 报告标题 """ logging.info(f"调用 ReportGenerateSkill，标题：{title}") prompt = f""" 请根据以下数据，生成一份结构化的业务报告，标题为【{title}】： 数据：{data_str} 报告结构： 1. 核心数据概览 2. 关键指标分析 3. 结论与建议 """ return llm.invoke(prompt).content async def _arun(self, data_str: str, title: str) -> str: # 异步实现（可选） return self._run(data_str, title) # ====================== 使用自定义 Skill ====================== tools = [ReportGenerateSkill()] prompt = PromptTemplate.from_template(""" 你是一个业务助手，根据用户问题，使用 report_generate_skill 生成报告。 用户问题：{input} 可用工具：{tools} 工具名列表：{tool_names} """) agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) if __name__ == "__main__": business_data = """ { "销售额": 128000, "订单数": 4200, "用户数": 18600, "环比增长": "12%" } """ result = agent_executor.invoke({ "input": f"根据以下数据生成一份月度销售报告：\n{business_data}" }) print(result["output"])

五、LangChain 中 Skill vs Tool 的关键区别

表格

六、和你前面七层架构的对应

• LangChain Agent→ 七层架构中的「Agent」层
• Skill→ 七层架构中的「Skills」层（模型原生能力）
• Tool→ 通过MCP接入的外部资源（七层架构中的「MCP」连接的工具）
• LangChain 的 Chain / AgentExecutor→ 七层架构中的「Harness」框架，负责编排与运行