当前位置：首页 > news >正文

干货！零门槛搞懂skills

news 2026/4/7 14:54:20

一、什么是Skills

在 AI 智能体（Agent）和智能运维（AIOps）的语境里，Skills 就是 AI 智能体的 “专项能力包”—— 是针对某一类特定任务、可复用、可标准化的执行逻辑，能让智能体不只是 “听懂指令”，更能 “落地做事”。它更像是工作流，定义了完成一件事需要怎么做的流程，适用于将工作中有固定sop的事项转换为skills。

比如要对磁盘空间告警实现自愈，可以定义一个skills，里面包括了检查空间、清理日志等功能，而其中的检查、清理等原子性操作则通过MCP或者代码的形式实现。

所以，skills也可以看成是一堆功能的串接，目的是为了完成一个固定的动作。

把 AI 智能体想象成一个全能的运维工程师，Skills 就是这个工程师掌握的具体职业技能：

这个工程师会“服务器日志分析”→ 对应 AI 的日志异常检测 Skill
这个工程师会“批量启停服务”→ 对应 AI 的服务生命周期管理 Skill
这个工程师会“资源使用率趋势预测”→ 对应 AI 的容量规划 Skill

没有 Skills 的智能体，就像一个 “懂理论但不会动手” 的新手：你告诉他 “排查下服务器高负载问题”，他知道要查 CPU、内存、进程，但不知道具体怎么查、怎么分析日志、怎么定位瓶颈；而加载了对应 Skills 的智能体，能直接按标准化流程完成操作。

因而，为了智能体能够按照某个流程处理一件事情，就需要skills。

二、skills与MCP、提示词的关系

以处理磁盘空间告警的智能体为例，skill、MCP、提示词三者的关系如下：

提示词下达需求：运维人员给智能体发指令 →“帮我处理服务器 A 的根目录满告警”
Skills 规划执行步骤：智能体调用“磁盘满处理 Skill”→ 该 Skill 内置逻辑：执行df -h确认使用率→用find命令找大文件→筛选非核心文件→执行删除/归档
MCP 提供操作通道：Skill 的每一步操作，都通过对应的 MCP 完成 → 比如通过SSH MCP执行find命令，通过监控MCP更新告警状态

所以，

没有提示词→ 智能体不知道要做什么；-

没有 MCP→ 智能体有技能但没工具，无法落地操作；

没有 Skills→ 智能体只能 “口头分析”，无法按标准化流程完成任务，容易遗漏步骤（比如只删文件不确认，导致误删核心数据）。

总结来说：

Skills 是 “能力”→ 解决“怎么标准化做一件事”的问题，是可复用的 “方法论”；

MCP 是 “通道”→ 解决“怎么连接底层系统”的问题，是智能体的 “手脚”；

提示词是 “指令”→ 解决“要做什么事”的问题，是智能体的 “任务清单”。

这样就比较清楚了，skills并不神秘，就是为了完成一件事，定制的一个流程。

三、一个实际例子

以智能运维场景为例，完整拆解“磁盘满自动清理 Skill”的技术实现过程，结合代码片段和执行流程，让技术细节更直观。

1. 需求与前置条件

触发条件：智能体通过监控 MCP 获取到 “服务器根目录使用率> 85%” 的告警
Skill 目标：安全清理非核心文件，将磁盘使用率降至 70% 以下
依赖 MCP：
- SSH MCP：执行服务器命令（df -h/find/rm）
- 运维平台 MCP：查询服务器角色（如是否为数据库服务器，核心目录有哪些）

2、技术实现步骤

步骤 1：定义输入参数模型（Pydantic）

from pydantic import BaseModel, Field from typing import Optional, List # 定义Skill输入参数规范（对应Skill的输入Schema） class DiskCleanSkillInput(BaseModel): server_ip: str = Field(description="目标服务器IP地址，必填参数") disk_path: str = Field(default="/", description="待清理磁盘路径，默认根目录/") safe_threshold: int = Field(default=70, description="磁盘安全使用率阈值(%)，默认70%") core_dirs: List[str] = Field(default_factory=lambda: ["/var/lib/mysql", "/etc"], description="禁止清理的核心目录列表")

步骤2：封装MCP调用

这个不详细讨论，就是将MCP的调用过程进行封装，使得这个过程可以复用。

class SSHMCP: def __init__(self, username: str = "admin", password: str = "admin123", port: int = 22): self.username = username self.password = password self.port = port @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10)) def execute(self, server_ip: str, command: str) -> str: （此处忽略具体实现） ssh_mcp = SSHMCP() ssh_mcp.execute(ip,command) #封装后通过输入IP和需要执行的命令，则可以调用相应的MCP服务。

步骤3：实现核心逻辑并转换为langchain的tool

（这里也只是简单展示，不陷入具体逻辑实现）

from langchain.tools import StructuredTool from typing import Dict, Any def disk_clean_skill( server_ip: str, disk_path: str = "/", safe_threshold: int = 70, core_dirs: List[str] = None ) -> Dict[str, Any]: """ 磁盘满自动清理Skill：安全清理服务器非核心日志/临时文件，将磁盘使用率降至安全阈值以下 禁止清理核心目录，支持自定义阈值和目标路径 """ （此处省略具体实现逻辑） # 关键：将Skill封装为LangChain结构化Tool，绑定参数模型 disk_clean_tool = StructuredTool.from_function( func=disk_clean_skill, name="disk_clean_skill", description="用于自动清理服务器磁盘空间，支持指定服务器IP、磁盘路径、安全阈值和保护目录，仅清理大体积日志/临时文件", args_schema=DiskCleanSkillInput, # 绑定参数校验规则 return_direct=False # 执行结果返回给Agent，而非直接输出 )

步骤4：集成到langchain Agent，实现自然语言调用skills。

将封装好的 Skill（Tool）注册到 Agent，Agent 通过大模型解析提示词，自动匹配并调用对应的 Skill，完成全流程自动化。

from langchain_openai import ChatOpenAI from langchain.agents import create_openai_tools_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder import os # 配置OpenAI密钥（也可使用其他LLM，如通义千问、豆包） os.environ["OPENAI_API_KEY"] = "你的API_KEY" # 1. 初始化大模型 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 2. 定义Agent提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是专业的AIOps智能运维助手，可调用内置Skills处理服务器故障。严格按照Skill规则执行操作，禁止删除核心目录文件"), MessagesPlaceholder(variable_name="chat_history"), ("user", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # 3. 注册所有Skills（可批量注册多个Tool，形成Skill集合） skills = [disk_clean_tool] # 4. 创建Agent并初始化执行器 agent = create_openai_tools_agent(llm, skills, prompt) agent_executor = AgentExecutor(agent=agent, tools=skills, verbose=True) # 5. 测试：通过自然语言提示词触发Skill调用 if __name__ == "__main__": response = agent_executor.invoke({ "input": "帮我处理服务器192.168.1.100的磁盘满问题，根目录磁盘使用率安全阈值设为65%，保护目录新增/opt/data", "chat_history": [] }) print("\n===== 执行结果 =====") print(response["output"])

四、与众不同的关键能力

1. 标准化 Skill 管理

所有 Skill 统一封装为StructuredTool，具备名称、描述、参数规范，大模型可自动理解和调用；
支持批量注册为Toolkit，实现 Skills 的分类管理（如运维 Skill 集、数据库 Skill 集）。

2. 自动参数解析与校验

基于 Pydantic 自动校验输入参数类型、必填项，避免非法调用；
大模型会自动将自然语言（如192.168.1.100、阈值65%）转化为 Skill 需要的结构化参数。

3. 灵活的流程编排

支持单 Skill 独立调用、多 Skill 串行 / 并行执行；
结合 LCEL 语法，可实现复杂的 Skill 编排逻辑

4. 与 MCP / 外部系统解耦

Skill 只调用 MCP 的标准化接口，不关心底层实现（SSH/HTTP/SDK），替换 MCP 时无需修改 Skill 核心逻辑。

5. 完善的可观测性

AgentExecutor开启verbose=True后，会打印完整执行链路：

大模型决策过程
匹配的 Skill 名称
传入的参数
Skill 执行日志
最终结果

五、总结

LangChain 中用StructuredTool + Pydantic是实现标准化 Skill 的最佳实践，覆盖参数校验、逻辑编排、异常处理全流程；
封装后的 Skill 可直接集成到 Agent，支持自然语言触发、自动参数解析、多 Skill 编排；
架构实现了解耦设计，Skill 逻辑、MCP 接口、提示词解析相互独立，便于维护和扩展；
代码可直接适配生产环境，仅需替换 MCP 的真实连接配置和大模型密钥即可落地。