摘要

去年在字节TRAE线下活动的一句提问，让我捕捉到SKILLS这个大模型新范式的苗头——它不是简单的工具调用，而是能让AI实现“按需加载能力”的渐进式革命。从CLAUDE率先提出，到字节TRAE的快速跟进，再到LangChain从“曲线适配”到Deep Agent原生支持，这半年，我完整见证了一个AI技术概念从圈内热议到全面落地的全过程，也读懂了技能模块化背后的行业趋势。

从TRAE线下到LangChain落地，我见证SKILLS从概念到普及的半年

最早接触SKILLS这个概念，是在2025年去字节参加TRAE线下活动的时候。活动现场有观众提问，说CLAUDE新推出的SKILLS机制特别实用，想问字节的TRAE什么时候会跟进这项功能。听到这个问题的瞬间，我心里就有了明确的预感：字节作为AI领域的风向标，大概率会快速布局跟进，而在智能体框架领域深耕的LangChain，必然也不会缺席这场技术浪潮。

今年早些时候，SKILLS在大模型圈彻底火了起来，成为大家热议的核心话题，但LangChain圈子里却依旧相对平静，没有掀起太多波澜。出于好奇，我特意去搜索“LangChain skills”，发现在B站上已经有了相关的教学视频，其核心思路是借助中间件（middleware）的拦截机制，来实现SKILLS的渐进式披露——这种方式更像是一种“曲线适配”，能勉强达成效果，却能明显感觉到，当时LangChain还未实现对SKILLS的原生完美支持。即便去LangChain官方网站搜索相关话题，得到的指引也依然是将SKILL拆分为Agent Tools来调用，与CLAUDE原生SKILLS的模块化、可复用特性相去甚远。

这种“慢半拍”的状态并没有持续太久，大概在今年春节前后，我身边突然涌现出大量跟进SKILLS的产品落地案例，其中就包括字节的TRAE，还有各种主打智能体功能的“龙虾”类产品，肉眼可见地感受到这项技术正在加速渗透。而就在我以为LangChain还会再酝酿一段时间时，惊喜地发现，LangChain Deep Agent已经悄悄上线了SKILLS原生支持功能，至此，从概念提出到主流平台全面落地，SKILLS终于完成了它的阶段性普及。

直接上代码

可以看到在早先create agent的基础之上，可以指定skills的目录了：

import os
from dotenv import load_dotenv
from deepagents import create_deep_agent
from deepagents.backends import LocalShellBackend
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import InMemorySaver

load_dotenv()
 
model = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    model_name="Doubao-Seed-2.0-pro",  
    base_url="https://ark.cn-beijing.volces.com/api/coding/v3",
    temperature=0
)

agent = create_deep_agent(
    model=model,
    backend=LocalShellBackend(
        root_dir=".",
        virtual_mode=True
    ),
    skills=["./skills"],
    checkpointer=InMemorySaver(),
    system_prompt="你是一个智能助手，如果查询的结果是ID，那么就根据ID查询对应的名称。"
)

while True:
    input_text=input("User message: ")
    if input_text.lower() in ("exit"):
        break

    results=agent.invoke(
        {"messages":[{"role": "user", "content": input_text}]},
        config={"configurable": {"thread_id": "1"}}
    )

    for message in results["messages"]:
        print(message.pretty_print())

细节和心得

在实际实操过程中，我也积累了一些细节心得，在这里和大家分享一下。

LLM层我选用的是豆包大模型，得益于它兼容OpenAI协议的特性，我直接采用了ChatOpenAI的调用方法，省去了额外适配的麻烦。
不过这里有个小坑需要提醒大家：如果在TRAE或者豆包平台内直接生成代码，系统大概率会提示导入豆包专属库，但后续让TRAE自主运行时，常会出现库找不到的问题。有意思的是，TRAE会自动检索豆包的官方文档，自行调整代码，最终切换到ChatOpenAI的调用方式，算是一个比较智能的适配小细节。
另外需要特别留意，由于我使用的是火山引擎的Coding Plan（火山引擎作为字节跳动旗下的云和AI服务平台，能提供稳定的大模型服务支持），因此调用时的base_url和默认配置会有所不同，具体可参考火山引擎的官方配置指引。
再说说Deep Agent的实操细节，它的写法和之前Create Agent的方式大同小异，上手难度不高，最实用的一点是，创建Deep Agent时可以直接指定SKILLS所在的目录。按照Deep Agents的设计逻辑，SKILL本质上就是包含SKILL.md文件的文件夹及相关脚本，只要将各类SKILL（包括从OpenClaw获取的SKILL）放入指定目录，就能被系统自动识别。但有一个关键细节需要重点注意：SKILL的文件夹名称必须是小写，目前Deep Agent暂不支持大写命名，否则会无法识别，这也是我实操中踩过的一个小坑。

还有一个必看要点：Deep Agent中的LocalShellBackend是加载本地SKILL的核心，没有它就无法正常调用本地的各类技能，这和Deep Agents依赖后端实现本地文件访问、技能加载的底层逻辑密切相关。另外，我通过checkpointer为智能体添加了记忆功能，Deep Agents本身封装了多种记忆保存方式，这次为了演示便捷，我选用了最基础的内存记忆。在智能体invoke调用时，需要指定config参数来标识不同的会话，我这里为了简化演示，直接设置为“1”，实际应用中可根据会话需求灵活调整。

环境配置方面也有一些差异需要注意：我使用的是MacOS系统，因此没有在Agent中额外指定Python环境变量；但如果是Windows系统，就必须手动配置，否则会影响技能的正常运行。关于Windows系统的具体配置方法，大家可以参考B站上的相关教学视频：【19-能执行 python 代码的技能-哔哩哔哩】https://b23.tv/aDDuAz7，这个视频属于“强哥学编程”的Deep Agents零基础教程合集，内容细致，小白也能轻松看懂。

跟其它智能体的对比

很多朋友可能会好奇，Deep Agent和OpenClaw这类“龙虾”产品到底有什么区别？结合我的实操体验，我用一个形象的比喻和大家说明：它们本质上都是Agent智能体，但OpenClaw就像一只成熟的龙虾，而Deep Agent则更像是一个虾卵——前者是开箱即用的成品，后者则需要我们自己打磨、配置，才能发挥出相应的功能，这也契合了Deep Agents作为“智能体脚手架”、需要开发者自行配置优化的定位。

我用QClaw（一款“龙虾”类产品）做了个直观测试：将本地系统接入QClaw后，我询问它“今天我系统里都有哪些课程”，QClaw会自动调用已配置的SKILL，通过接口获取学生ID和教练ID，之后还会自动关联人员表，将ID转换成对应的人名，整个过程无需手动干预。但同样的SKILL放到Deep Agent中，它只会直接返回原始的学生ID和教练ID，不会进行后续的转换操作。后来我在创建Deep Agent时添加了专属系统提示词，才实现了和QClaw类似的效果。这也恰恰体现了OpenClaw、Claude这类产品的优势——它们在基础Agent框架之上，额外做了大量的优化和封装工作，让用户无需关注底层细节，就能实现更便捷的操作，这也是它们能被更多小白用户接受的核心原因。