LangGraph 7. 技能 Skills

摘要：技能（Skills）是可复用、可插拔的能力单元，让智能体按名称或描述发现、选择、加载、使用外部能力，而不是把逻辑写死在代码里。本文说明 Skills 的动机、业界标准 Agent Skills（SKILL.md + 文件夹），以及最佳实践：在 中通过 skills_library/（技能库）、skill_loader（发现→选择→加载→使用）、main.py 演示如何按规范接入 SkillMD、Anthropic 官方等技能库。文中给出技能库下载与放置说明，以及典型 skill（Summarize、Launch Brief Builder、PR Review Guard）的对照参考。

关键词：技能；Skills；Agent Skills；SKILL.md；发现；加载；使用；LangGraph；Agentic Design Patterns

源代码下载链接：Langgraph 7. Skills 案例源代码。

智能体往往需要多种专门能力：汇总信息、写文档、做评审等。若每种能力都写死在节点或 prompt 里，会带来：

• 难以复用：同一类能力无法在不同图或产品中共享。
• 难以扩展：每加一种能力就要改图、改状态。
• 与生态脱节：业界已有基于 Agent Skills、SKILL.md 的技能平台（如 SkillMD.ai、SkillCreator.ai），按标准实现便于发现、安装、替换技能。

Skills（技能） 把能力抽象成可发现的单元：每个技能以文件夹 + SKILL.md 形式存在，包含元数据（name、description）与使用说明；智能体先发现（读元数据）、再选择（按任务匹配）、再加载（读完整说明）、最后使用（按说明执行或调 LLM）。这样，能力与主流程解耦，便于对接外部技能库与多智能体产品。

💡 理解要点：Skills = 可发现、可加载、可使用的能力单元；标准流程为 Agent 智能体 发现 → 选择 → 加载 → 使用，符合 Agent Skills 规范即可与生态对接。

• 能力写死在代码里：研究、写作、评审等若都内联在节点中，难以单独测试、替换或复用到其他项目。
• 扩展要改图、改状态：每加一种新能力就要改状态定义和边，图会越来越臃肿。
• 与外部技能生态脱节：按 Agent Skills 规范实现后，可直接使用 SkillMD、Anthropic 官方等技能库中的技能，或将自己的技能发布到同一生态。

把能力做成标准格式的技能（SKILL.md + 文件夹）后：发现阶段只读元数据（约 100 tokens/技能），选择后再按需加载完整说明（Progressive disclosure）；新增或替换能力只需增删技能文件夹，无需改主流程代码。

业界标准 Agent Skills 规定：

• 技能形态：一个技能 = 一个文件夹，至少包含 SKILL.md（YAML frontmatter + Markdown 正文）；可选 、、。
• Frontmatter：必须包含 、，便于发现与选择；可选 、 等。
• 使用流程：发现（Discovery） → 选择（Select） → 加载（Load） → 使用（Use）。
  • 发现：扫描技能库目录，仅读取每个 SKILL.md 的 frontmatter，得到技能列表（低 token 开销）。
  • 选择：根据用户任务或名称，从已发现列表中选出一个或多个技能。
  • 加载：仅对选中的技能读取完整 SKILL.md 正文（按需加载）。
  • 使用：将技能说明作为上下文交给 Agent（如 LLM）执行，或执行技能目录下的脚本。

这里，我们给出一个示例。其严格按上述流程实现，作为 Skills 用法的 Best Practice：技能存放在 skills_library/，通过 skill_loader.py 提供 、、、，入口为 main.py。

4.1 典型 Skill 与平台

4.2 从哪里下载、放到哪里

运行本示例前，需在 下放置至少一个符合 Agent Skills 规范的技能（即包含 SKILL.md 的子文件夹）。详细说明见 demo_codes/skills_library/README.md，简要如下：

放置完成后在 下执行： 或 即可体验「发现 → 选择 → 加载 → 使用」的标准流程。

本示例仅保留标准 Agent Skills 一种用法，代码结构如下。

5.1 技能库（skills_library/）

• 路径：。
• 约定：每个子文件夹为一个技能，且必须包含 SKILL.md（YAML frontmatter + Markdown 正文）；技能文件需按 4.2 节从 SkillMD 或 Anthropic 官方下载并放入。
• 说明：见 skills_library/README.md。

实现标准流程的四个步骤：

5.2 发现 Skills (discover_skills)

discover_skills(skills_root)：扫描技能库，解析每个 SKILL.md 的 frontmatter，返回 。源代码如下：

我们在 中运行：

返回：

5.3 选择 Skills (select_skill_for_task)

select_skill_for_task(task, discovered)：根据用户任务从已发现列表中选出一个技能名（本示例为简单关键词匹配；生产可用 LLM 或更复杂策略）。源代码如下：

我们在 中运行：

返回：

5.3 读取 Skills (load_skill)

在系统基于手头上已有的skills，选择了与用户问题相关的skills之后，我们就需要让系统读取对应 skills 文件里面的完整内容了。load_skill(skill_name, skills_root)：读取指定技能的完整 SKILL.md，返回 ，其中 为去掉 frontmatter 的正文，供 LLM 使用。源代码如下：

我们在 中运行：

返回：

5.4 输出最终结果 (use_skill_with_llm)

我们会把上面步骤中选定的 skills 内容加载到 prompt 中，来生成最终的结果。use_skill_with_llm(skill_name, skill_instructions, user_input, …)：将技能说明与用户输入交给 LLM，按技能要求执行并返回结果。源代码如下：

我们在 中运行：

返回：

5.3 入口（main.py）

依次调用：发现 → 选择 → 加载 → 使用，并打印结果。支持命令行传入任务，例如：

5.4 其他文件

代码建议与 demo_codes/README.md 对照阅读。

1. 进入 目录，创建并激活虚拟环境，安装依赖：。
2. 在目录下配置 （如 或 ，可选 、）。
3. 按 4.2 节在 skills_library/ 下放置至少一个技能（如 summarize 或 pdf）。
4. 运行： 或 。
5. 也可打开 main.ipynb 逐步运行，查看发现、选择、加载、使用的输出。

• Skills 将能力抽象为可发现、可加载、可使用的单元（SKILL.md + 文件夹），通过 发现 → 选择 → 加载 → 使用 与主流程解耦，便于复用与对接外部技能库。
• 本示例严格按 Agent Skills 规范实现，作为 Skills 用法的 Best Practice：技能库在 skills_library/，加载与使用逻辑在 skill_loader.py，入口为 main.py。
• 延伸方向：用 LLM 做技能选择、支持多技能组合、在 LangGraph 图中将「使用技能」作为节点（节点内调用 / / ），或接入 MCP、私有技能库等。