10 AgentSkills 与 Agent 编排框架的深度融合

10 AgentSkills 与 Agent 编排框架的深度融合

关键词：Agent 编排、AutoGen、CrewAI、LangGraph、多 Agent 协作、A2A 协议、技能互操作性、AgentSkills 未来演进、动态技能发现、Agent 编排框架集成

一、编排的挑战：让多个 Agent 协同工作

单个 Agent 能力再强，也有完成复杂任务的上限。真正高难度的工作——比如"完成一个需要产品设计、技术评审、开发实现和测试验证的完整功能"——需要多个专业 Agent 协同完成。

但多 Agent 协作引入了新的复杂度：

• 能力对齐：每个 Agent 用什么工具做什么事？边界在哪里？
• 状态共享：Agent A 的输出如何准确传给 Agent B？
• 技能复用：如果两个 Agent 都需要做代码审查，能不能用同一套标准？
• 编排语言：如何描述 Agent 之间的协作流程，既能让人理解，又能让机器执行？

Agent Skills 在这个场景里的定位是：作为 Agent 能力的标准化语言，让不同 Agent 共享同一套技能描述，消除能力层面的不一致。

二、AgentSkills 在编排中的角色

可以把 AgentSkills 理解为多 Agent 系统里的"职位说明书"（Job Description）。当你要组建一个团队：

• 产品 Agent：持有spec-writing、user-story-generation、roadmap-planning技能
• 架构 Agent：持有system-design、tech-review、adr-writing技能
• 开发 Agent：持有code-generation、test-writing、pr-description技能
• QA Agent：持有test-planning、bug-triage、regression-check技能

每个 Agent 的能力边界清晰，技能包可以独立开发和版本控制，跨 Agent 的协作接口自然形成。

三、与 AutoGen 集成

AutoGen 是微软推出的多 Agent 对话框架，核心机制是让多个可对话 Agent 通过消息传递协作完成任务。

3.1 基础集成：技能作为 Agent 能力扩展

importautogenfromagentskills_coreimportSkillRegistryfromagentskills_fsimportLocalFileSystemSkillProviderfromagentskills_langchainimportget_tools_usage_instructionsfrompathlibimportPathasyncdefbuild_autogen_team():# 初始化技能注册表registry=SkillRegistry()provider=LocalFileSystemSkillProvider(Path("./skills"))awaitregistry.register_from_provider(provider)# 获取技能目录（注入系统提示的发现层）skills_catalog=awaitregistry.get_skills_catalog(format="xml")# 获取工具使用指令usage_instructions=get_tools_usage_instructions(registry)# 配置各 Agent 的技能architect_skills="\n".join([awaitregistry.load_skill_instructions("system-design"),awaitregistry.load_skill_instructions("tech-review"),])dev_skills="\n".join([awaitregistry.load_skill_instructions("code-generation"),awaitregistry.load_skill_instructions("test-writing"),])# 创建专业化 Agentarchitect_agent=autogen.AssistantAgent(name="架构师",system_message=f"""你是一个专业的系统架构师。 你的核心技能：{architect_skills}通用可用技能：{skills_catalog}{usage_instructions}""",llm_config={"model":"claude-opus-4-5","temperature":0},)developer_agent=autogen.AssistantAgent(name="开发工程师",system_message=f"""你是一个全栈开发工程师。 你的核心技能：{dev_skills}通用可用技能：{skills_catalog}""",llm_config={"model":"claude-opus-4-5","temperature":0.1},)user_proxy=autogen.UserProxyAgent(name="产品经理",human_input_mode="NEVER",code_execution_config={"work_dir":"./output"},)# 定义协作流程groupchat=autogen.GroupChat(agents=[user_proxy,architect_agent,developer_agent],messages=[],max_round=20,speaker_selection_method="auto",)manager=autogen.GroupChatManager(groupchat=groupchat)returnuser_proxy,manager# 启动多 Agent 协作asyncdefmain():user_proxy,manager=awaitbuild_autogen_team()awaituser_proxy.a_initiate_chat(manager,message="设计并实现一个用户身份认证模块，需要包括设计文档、代码实现和单元测试。",)

四、与 CrewAI 集成

CrewAI 把 Agent 协作建模为"团队（Crew）执行任务（Task）"的模式，每个 Agent 是团队成员，每个 Task 是分配给某个 Agent 的具体工作。

AgentSkills 可以很自然地映射到 CrewAI 的 Task 执行模板上——技能的 SKILL.md 就是任务的执行标准。

fromcrewaiimportAgent,Task,Crew,Processfromagentskills_coreimportSkillRegistryfrompathlibimportPathasyncdefbuild_crewai_team():registry=SkillRegistry()provider=LocalFileSystemSkillProvider(Path("./skills"))awaitregistry.register_from_provider(provider)# 加载各技能的完整指令code_review_skill=awaitregistry.load_skill("code-review")security_audit_skill=awaitregistry.load_skill("security-audit")perf_review_skill=awaitregistry.load_skill("performance-review")# 创建专业化 Agent（技能指令内嵌到 goal 和 backstory 里）code_reviewer=Agent(role="代码审查工程师",goal="按照团队编码标准，执行全面的代码质量审查",backstory=f"""你是一个经验丰富的代码审查工程师。 审查标准与流程：{code_review_skill.instructions}""",verbose=True,allow_delegation=False,)security_engineer=Agent(role="安全工程师",goal="识别代码中的安全漏洞，提供修复建议",backstory=f"""你是一个专注于应用安全的工程师。 安全审计流程：{security_audit_skill.instructions}""",verbose=True,allow_delegation=False,)# 创建任务（技能即任务模板）code_review_task=Task(description=""" 对以下 Pull Request 进行代码审查： {pr_diff} 按照代码审查技能的流程和标准执行，输出结构化审查报告。 """,agent=code_reviewer,expected_output="包含问题列表和建议的 Markdown 格式审查报告",)security_task=Task(description=""" 对同一 Pull Request 进行安全专项审查： {pr_diff} 重点关注 OWASP Top 10 中的漏洞类型。 """,agent=security_engineer,expected_output="安全问题列表，每个问题包含风险等级和修复建议",context=[code_review_task],# 依赖代码审查结果)# 组建团队review_crew=Crew(agents=[code_reviewer,security_engineer],tasks=[code_review_task,security_task],process=Process.sequential,verbose=True,)returnreview_crew

五、与 LangGraph 集成

LangGraph 用有向图来描述 Agent 的执行流程，每个节点是一个执行步骤，边定义控制流。AgentSkills 在这里映射为节点的执行逻辑。

fromlanggraph.graphimportStateGraph,ENDfromlanggraph.prebuiltimportToolExecutorfromagentskills_coreimportSkillRegistryfromtypingimportTypedDict,List,OptionalclassReviewState(TypedDict):pr_diff:strcode_review_result:Optional[str]security_result:Optional[str]final_report:Optional[str]messages:List[dict]asyncdefbuild_review_graph(registry:SkillRegistry)->StateGraph:# 加载技能code_review_skill=awaitregistry.load_skill("code-review")security_skill=awaitregistry.load_skill("security-audit")report_skill=awaitregistry.load_skill("report-generation")# 创建图workflow=StateGraph(ReviewState)# 定义节点（每个节点对应一个技能）asyncdefcode_review_node(state:ReviewState)->ReviewState:"""代码审查节点：使用 code-review 技能"""prompt=f"""{code_review_skill.instructions}待审查代码：{state['pr_diff']}"""result=awaitllm.ainvoke(prompt)return{"code_review_result":result.content}asyncdefsecurity_node(state:ReviewState)->ReviewState:"""安全审计节点：使用 security-audit 技能"""prompt=f"""{security_skill.instructions}代码审查上下文：{state['code_review_result']}待审查代码：{state['pr_diff']}"""result=awaitllm.ainvoke(prompt)return{"security_result":result.content}asyncdefreport_node(state:ReviewState)->ReviewState:"""报告生成节点：使用 report-generation 技能"""prompt=f"""{report_skill.instructions}代码审查结果：{state['code_review_result']}安全审计结果：{state['security_result']}生成综合审查报告。 """result=awaitllm.ainvoke(prompt)return{"final_report":result.content}# 添加节点workflow.add_node("code_review",code_review_node)workflow.add_node("security_audit",security_node)workflow.add_node("generate_report",report_node)# 定义控制流workflow.set_entry_point("code_review")workflow.add_edge("code_review","security_audit")workflow.add_edge("security_audit","generate_report")workflow.add_edge("generate_report",END)returnworkflow.compile()

六、A2A 协议：Agent 间的技能调用

2026 年，随着 Agent 编排的成熟，一个新的需求浮出水面：Agent 之间如何直接调用彼此的技能？

A2A（Agent-to-Agent）协议是这个方向上的探索。在这个模型里，每个 Agent 不仅是技能的执行者，也是技能的"提供者"——它可以把自己掌握的技能暴露给其他 Agent 调用。

+------------------+ +------------------+ | Orchestrator | | Specialist | | Agent | | Agent | | | A2A 调用| | | "我需要执行 | ------> | 执行 pdf- | | PDF 处理" | | processing 技能 | | | <------ | 返回结果 | +------------------+ +------------------+

结合 AgentSkills，实现思路是：

# Specialist Agent 对外暴露的 A2A 接口classSkillProviderAgent:def__init__(self,registry:SkillRegistry):self.registry=registryasyncdefhandle_skill_request(self,request:A2ARequest)->A2AResponse:"""处理来自其他 Agent 的技能调用请求"""skill=awaitself.registry.load_skill(request.skill_name)ifnotskill:returnA2AResponse(error=f"技能 '{request.skill_name}' 不存在")# 检查调用方权限ifnotself._check_caller_permission(request.caller_id,request.skill_name):returnA2AResponse(error="权限不足")# 执行技能result=awaitself._execute_skill(skill,request.task,request.context)returnA2AResponse(result=result)

这个方向将技能的可移植性从"跨工具平台"延伸到"跨 Agent 实例"，是 Agent 生态演进的自然下一步。

七、未来演进趋势

7.1 技能互操作性标准的深化

当前的 AgentSkills 规范更多关注"如何描述技能"，未来可能演进到"技能如何互相组合调用"。预期的规范扩展方向：

• 技能依赖声明：在 frontmatter 里声明依赖的其他技能
• 技能输入/输出契约：标准化的 JSON Schema 描述技能的输入格式和输出格式
• 技能组合原语：类似 Pipe/Chain 的技能组合操作符

7.2 动态技能发现与组合

静态技能目录要求提前把技能写好。未来更有意思的方向是：Agent 在运行时根据任务需求动态生成技能，或者把已有技能动态组合成新技能。

任务："分析用户留存，生成适合 CEO 汇报的 PPT" | v LLM 分析： - 需要"数据分析"技能 ✓（已存在） - 需要"CEO PPT 风格"技能 ✗（不存在） | v 动态技能合成： - 从"报告生成"技能 + "演示文稿格式"技能 + "高层摘要写作"技能 - 自动合成新的"CEO 汇报 PPT"技能 - 保存到用户私有命名空间，供下次复用

7.3 技能市场的成熟

随着 SkillsMP 等技能市场的发展，技能的分发和定价模型将更加完善：

• 免费/开源技能：社区贡献，公开分发
• 商业技能：企业购买使用权，按调用量计费
• 专有技能：企业内部，不对外分发

这个方向让技能变成一种可以交易的知识资产，类似今天的 SaaS 软件市场，但粒度更细。

八、一个完整的多 Agent 协作示例

把上面的内容综合起来，看一个完整的生产场景——用 LangGraph 构建一个自动化 Code Review 流水线：

PR 提交 | v [意图分析 Agent] 识别 PR 类型和重点 | +---(并行执行)---+ v v [代码审查 Agent] [安全审计 Agent] (code-review 技能) (security-audit 技能) | | +-------+-------+ | v [报告合成 Agent] (report-generation 技能) | v 输出综合审查报告 + 自动评论到 PR

这个流水线中：

• 每个 Agent 持有对应的 AgentSkills 技能
• 技能确保不同 Agent 使用一致的标准
• LangGraph 管理控制流和状态共享
• 整个流水线可以由新的 PR 事件自动触发

九、系列总结

回顾整个 AgentSkills 系列，我们走过了从规范到生态、从 SDK 到安全、从单技能到多 Agent 编排的完整路径。

核心结论：

1. AgentSkills 解决的是 Agent 的"执行知识"问题，而不是工具调用问题——这个定位让它和 MCP 形成互补而非竞争关系。

2. 渐进式披露是这个标准最核心的技术创新，它让"管理大量技能"和"保持上下文精简"不再矛盾。

3. 生产级技能设计需要工程化思维：单一职责、精准描述、清晰步骤、版本管理、自动化验证。

4. 企业级部署需要多租户隔离、热重载、分布式缓存，这些都是分布式系统工程的标准实践。

5. 在 Agent 编排框架中，AgentSkills 作为能力标准化语言，解决多 Agent 协作中的能力对齐问题。

Agent Skills 不是一个终点，而是 AI Agent 从"能力强大但行为不可控"走向"专业可靠且可工程化管理"的重要里程碑。这个生态还在快速演进，现在入场的工程师和团队，将在很大程度上塑造这个标准未来的形态。