企业官网建设流程全解析

昌吉 建设局 网站,广州冼村在哪个区,医疗网站建设策划,毕业设计做网站怎么样本文详细介绍了如何在LangChain的DeepAgents框架中实现Anthropic提出的Agent Skills能力注入机制。通过SkillsMiddleware中间件实现技能发现、系统提示注入、渐进式加载和任务执行四个环节#xff0c;使Agent能够按需加载知识胶囊#xff0c;提高复杂任务完成质量…本文详细介绍了如何在LangChain的DeepAgents框架中实现Anthropic提出的Agent Skills能力注入机制。通过SkillsMiddleware中间件实现技能发现、系统提示注入、渐进式加载和任务执行四个环节使Agent能够按需加载知识胶囊提高复杂任务完成质量。测试表明这种实现方式能有效优化上下文利用增强任务可控性为开发者提供了一种低门槛、高灵活性的Agent能力构建范式。PART 01Skills回顾 一种Agent能力注入方式Skills 是 Anthropic 提出的一种全新的 Agent 能力注入方式。一个 Skill 本质上就是一个文件夹里面至少有一个 SKILL.md 描述文件另外还可以附带参考资料、模板、脚本、代码等资源。Agent 在需要时读取或执行这些内容相当于临时“加载一套做事方法”从而更稳定、更高质量地完成特定任务。【Skills如何诞生】Skills 的诞生离不开 Anthropic 的拳头产品 Claude Code。作为 “Agentic Coding” 的代表作如今也逐步扩展到通用任务它的一个重要设计是给Agent配备“一台电脑”— 让它更多地访问本地计算机环境如 Shell、文件系统、浏览器等来完成复杂任务用更少的原子工具完成更长链路的工作。但这里带来一个问题工具数量可能更少但组合使用的复杂度可能更高 — 需要更好的步骤规划、处理中间结果、子任务拆分等。所以借助 Skills把“经验/流程/指南 必要资源”打包成可复用的知识胶囊用来教会 Agent “怎么做”也就顺理成章。【Skills的渐进式加载】Skills 的核心特点是“渐进式加载”。简单说Agent 一开始只会加载每个Skill的基本信息名称、简短描述等 YAML 元数据到系统提示只有在后续过程中当 Agent 认为需要某个Skill时才会进一步加载详情 SKILL.md 正文甚至更多资源模板、脚本等这样的好处一是节省上下文窗口 Token二是降低 LLM 的认知负荷不需要在每次调用都“背着整本操作手册”而是”先看到目录再按需翻阅对应章节“。因为Skills的“目录 文档 资源”的结构足够简单、可迁移、可复用Skills 已经被越来越多工具生态借鉴与支持如Codex等各类编程智能体等。PART 02问题如何让通用框架也支持Skills如果研究 Skills 的工程实现它其实并不依赖某种“特殊的LLM接口”本质上是一套可移植的组合Prompt 工程 工具调用 文件组织。我们用下图表示Skills需要Agent所具备的能力发现与识别SkillsAgent 需要能在已配置的目录中发现Skills也就是扫描并识别其中的各个Skill读取每个Skill的元数据通常来自 SKILL.md中顶部的name和 description即了解”有哪些可用的Skill它们大致能做什么“。系统提示注入将Skills元数据注入系统提示 - 让LLM每轮对话开始前能看到有哪些技能可用以及各自概略用途同时还需要附上必要的使用指南例如渐进式加载的原则、何时加载详情、如何执行脚本等。渐进式加载在模型决定使用某个技能时能够读取完整说明以激活技能 - 即加载 SKILL.md的正文完整任务指南/SOP/最佳实践到上下文让后续行动有据可依。任务执行与完成模型会按 SKILL.md 的流程调用必要工具来访问资源并推进任务比如读写文件、调用 API甚至运行 Shell 脚本、安装依赖、执行命令等至此一个 Skills 的“能力闭环”就完成了发现技能 → 注入目录 → 按需加载 → 按 SOP 执行。接下来我们以DeepAgents框架来实现这个“能力闭环”。PART 03实现让DeepAgents也能支持SkillsDeepAgents 是 LangChain 新开源的一个通用开发框架用来开发处理复杂多步任务的 Agent。它还提供了一个交互式命令行工具CLI可以看作一个本地的 AI 编程与通用助手。你基本上可以这么映射DeepAgents 对应 Claude Agent SDKDeepAgents-CLI 对应 Claude Code重要的是DeepAgents-CLI 提供了对 Skills 的支持。这意味着我们可以直接透过它的源代码理解 Skills 在 LangChain 体系里如何实现并进一步把这套实现方式“迁移”到更通用的 DeepAgents 开发框架中。我们依次来看如何让DeepAgents支持Skills的上述四个环节。一、发现与识别Skills这是最简单的环节扫描设定的 Skills 目录如 ~/.deepagents/agent/skills遍历其中各个技能子目录读取每个子目录内的 SKILL.md并解析其头部 YAML区域提取 name、description 等信息并格式化形成一个 SkillMetadata 列表SkillMetadata 列表的作用更像一个目录索引它将会在下一步被注入到 System Prompt 的专用区域。二、系统提示注入那么在什么时候识别Skills并注入系统提示呢一种方法是自行在创建create_agent时通过system_prompt静态注入。但是更优雅的方式是借助LangChain1.x的Middleware中间件机制在不改动Agent主流程的前提下通过”钩子“函数来控制其内部运行机制。以下是如何借助一个“SkillsMiddleware”将Skills元数据注入定义一个 SkillsMiddleware在before_agent钩子函数中准备Skills的提示片段并在wrap_model_call 钩子函数中将其附加到 system_prompt上。Skills提示片段借助上述的Skills识别将 SkillMetadata 列表组成一段列表文本并附上一段Skills使用的指令与提示。形成类似以下的提示片段即可** 可用Skill:fullstack-template-generator: .....web-research: ......** 如何使用(渐进式加载原则):Skills follow a progressive disclosure pattern......** 什么时候使用Skill:......** 如何执行Skill中的脚本:......** Skill使用流程示例......** Skill使用注意点......将Skills提示注入system_prompt在 wrap_model_call 方法中将上述 Skills 提示附加到 system_prompt :classSkillsMiddleware(AgentMiddleware): #从skills目录生成skills的metadata描述、名称、作用 defbefore_agent(self, state: SkillsState, runtime: Runtime) - SkillsStateUpdate | None: defwrap_model_call( self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse], ) - ModelResponse: # ......准备skills提示片段....... # 给system_prompt注入Skills使用的系统提示 if request.system_prompt: system_prompt request.system_prompt \n\n skills_section else: system_prompt skills_section return handler(request.override(system_promptsystem_prompt))这个SkillsMiddleware将在后续创建Agent时传入用来在不增加人工步骤的情况下让 Agent “知晓”当前有哪些技能可用并匹配任务需求。三、渐进式加载当模型决定需要使用某个 Skill 时会触发接下来的渐进式加载流程。由于 DeepAgents 框架默认给 Agent 配备了文件系统访问的工具因此可以借助 read_file 工具读取完整的SKILL.md以拿到完整的Skill”说明书“。四、任务执行与完成拿到完整的Skill说明后就如同人拿到详尽的操作手册一样随后在任务过程中按需加载必要的附加资源脚本、参考资料等、调用必要的工具以完成任务。以一个 web-research 的Skill为例它定义了一个标准的研究流程先围绕研究主题制定多角度的研究计划再使用子智能体并行展开检索与整理最后汇总研究结果并输出标注数据源的报告。那么在这个Skill”指导“下的完整交互过程如下【关于Skills需要的工具】最后需要补齐一个重要的问题在 Skills 的闭环里有一些工具是“刚需”没有它们 Skills 很难完整跑起来。文件系统工具由于Skills的动态加载特征 以及针对长距离复杂任务而设计具备Skills能力的Agent通常需要配备可靠的文件系统后端及访问工具。不过在 DeepAgents 中这部分文件访问工具会被默认注入因此不需要再手工补齐这一块Shell命令工具由于很多Skill 需要执行脚本例如运行 Python 代码、或者执行 OS 命令例如拷贝文件、安装依赖那么还需要配备一个 Shell 工具。你可以借助 Middleware 注入也可以用 tool 定义...#通过Middleware或者直接提供shell工具tool(shell, description...)def shell_tool( command: str, runtime: ToolRuntime[None, AgentState],) - ToolMessage | str:try:... result subprocess.run( command, checkFalse, shellTrue, capture_outputTrue, textTrue, timeoutself._timeout, envself._env, cwdself._workspace_root, )...必须强调Shell 工具风险较高建议加入人类审批HITL或沙箱环境并限制执行范围、超时时间、输出大小等。PART 04测试一个具有Skills能力的Deep Agent现在把前面实现的 Skills 中间件、Shell 工具等集成到一个 Deep Agent 中做一次端到端测试验证 Skills 是否真的能在 DeepAgents 框架里跑出预期的渐进式加载与长流程执行效果。【创建Deep Agent】主体代码如下省略部分细节...# 系统指令 SYSTEM_PROMPT 你是拥有多种技能的智能体能够帮助用户完成各种任务。......def make_backend(runtime): return CompositeBackend( defaultFilesystemBackend(), routes{ /fs/: FilesystemBackend(root_dir./fs,virtual_modeTrue), /memories/: StoreBackend(runtime) } )....#Skills中间件设置skills存放的目录skills_middleware SkillsMiddleware( skills_dirUSER_SKILLS_DIR, assistant_idagent, project_skills_dirNone,)#Shell中间件用来给agent注入Shell工具#也可以创建Toolshell_middleware ShellMiddleware( workspace_rootWORKSPACE_ROOT, timeout120.0, max_output_bytes100_000,)#一个子智能体使用search、fetch_url工具做信息检索与总结research_subagent { name: search-agent, description: 使用互联网工具进行信息搜索、访问与研究的智能体, system_prompt: 你是智能Web搜索与研究智能体。, tools: [search,fetch_url], model:model }#创建主智能体使用上面的子智能体、中间件agent create_deep_agent( modelmodel, tools[], subagents[research_subagent], backendmake_backend, middleware[skills_middleware, shell_middleware], system_promptSYSTEM_PROMPT,debugTrue).with_config({recursion_limit: RECURSION_LIMIT})简单说明配置一个后端(用于持久化读写的装置默认使用本地文件系统创建中间件分别用来注入Skills系统提示与增加Shell执行工具创建Research子智能体用来并行完成独立的搜索研究子任务创建主智能体集成上述的中间件与子智能体【测试web-research技能】我们以上面提到的web-research技能为例来测试。为了便于调试首先使用LangGraph启动智能体langgraph dev准备好Skill从 deepagents-cli源代码 的 examples 目录中复制 web-research 技能到上面代码对应的目录 USER_*SKILLS_*DIR 。现在输入一个测试任务观察Agent的执行过程。1首先会看到SkillsMiddleware中间件的before_agent被调用以获得目前Skills元数据并被注入系统提示2随后进入如下过程– LLM判断该任务可以使用web-research技能– LLM需要读取SKILL.md以获取技能详情– LLM返回一个read_file工具调用以读取SKILL.md3在使用read_*file工具读取SKILL.md以后此时LLM“学习到”如何来展开研究并开始第一步要求调用write_*file创建研究计划4在使用write_file工具创建计划后LLM要求派发多个子任务 — 调用DeepAgents 内置task工具将子任务派发给子智能体并行研究5子智能体执行研究任务并把研究成果写入到文件系统。6在子任务全部结束后主Agent负责汇总与合成最后的的报告写入文件系统并最终输出用户的反馈结果整个过程完全符合我们对Skills的使用预期通过把一个标准化的 Web 研究操作流程SOP定义成 Skill给 LLM 注入了一颗“知识胶囊”。它既能利用推理能力灵活调用工具完成任务又能明显减少无约束的“自由发挥”从而提升可控性与稳定性。为了验证 Skills 不只是“写个 SOP”我们还测试了一个更复杂的 Skill Fullstack Template Generator全栈应用模板生成器来验证可行性 。这是一个带有模板文件的全栈项目脚手架具体请参考源码。PART 05总结与展望Skills - 可迁移的能力范式回到本文的核心问题让一个开放框架具备对 Skills 的支持也并不神秘从DeepAgents的实现来看核心还是上下文程 工具调用。但却可以获得客观的收益复杂任务拆解对于诸如全栈代码生成这类复杂任务技能提供了明确的step-by-step指导使得Agent任务结果可靠性大大提高。上下文高效利用通过逐步披露技术技能的使用优化了上下文的利用节约上下文空间的同时让Agent的注意力更加集中。易于共享和维护作为独立的Markdown和脚本文件天然适合版本管理和社区分享。就像共享代码库一样“共享技能”。持续学习技能为 Agent 自主学习提供了一种可能的新途径 — Agent 完成一个新任务后可以把方案打包成技能下次直接加载。对于开发者而言Agent Skills提供了一种新的范式我们不用显性编程去“硬写流程”而是通过“教会”AI 一个技能让它按说明书去完成任务——门槛更低、灵活性更高也更接近“通用能力与专业知识融合”的方向。Agent Skills 正在成为事实性的标准具体规范可参考网站https://agentskills.io/最后说下目前创建Skills的几种方法自己写建个目录 写 SKILL.md含 name/description需要就加脚本/模板/资料。复制后修改从 Claude Code / Codex / deepagents-cli 等示例库拷一个现成 skill再修改 SKILL.md 和资源。工具生成用 deepagents skills create 这类命令支持Skills的工具通常都会携带先生成模板再填内容。感兴趣的快去试一下吧AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】