LangChain中Skills是什么

作者：CSDN博客
在 LangChain 生态外的大模型应用领域，Skills 是一个明确的官方术语（常见于 Azure AI、Anthropic Claude、Google Gemini 等平台），而 LangChain 自身并未将其作为原生概念，而是通过 Tools、Functions、Runnables 等组件实现“技能”的核心能力。
下面从概念对齐、技术映射、融合实践三个层面，专业分析 Skills（通用大模型术语）与 LangChain 组件的关联与结合方式。
一、 先明确：Skills（通用术语）的官方定义

在主流大模型平台（如 Azure AI Skills、Claude Skills）中，Skills 是指大模型可调用的、封装了特定业务逻辑或工具能力的模块化单元，具备三大核心特征：

目标专一性：一个 Skill 只解决一类问题（如“文本摘要 Skill”“医疗数据结构化 Skill”“SQL 查询 Skill”）。可组合性：多个 Skill 可以串联/并联执行，完成复杂任务（如“先调用 PDF 解析 Skill → 再调用医疗术语提取 Skill → 最后调用报告生成 Skill”）。声明式调用：大模型通过自然语言理解用户需求，自主决策是否调用、调用顺序，无需开发者编写硬编码的条件分支。

这与 LangChain 设计的核心目标（让大模型“能做事”而非“只说话”）完全一致，只是二者的命名体系和封装粒度不同。
二、 LangChain 组件与 Skills 的技术映射关系

我们可以把 LangChain 的核心模块看作是实现 Skills 能力的技术载体，二者的对应关系和差异如下表所示：

维度	通用术语 Skills	LangChain 对应组件	核心映射逻辑
基础单元	单个 Skill 封装一个独立功能（如数据查询、格式转换）	Tool / BaseTool 类	LangChain 的 Tool 是 Skill 的最小实现载体，@tool 装饰器本质是 Skill 的封装语法
能力组合	多 Skill 编排（串行/并行/条件分支）	Agent + Toolkit + RunnableSequence	Toolkit 是同类 Skill 的集合（如 SQLToolkit = 多个 SQL 操作 Skill）；Agent 负责 Skill 调度
状态管理	Skill 执行过程中可维护上下文（如中间结果、参数）	RunnableConfig + Memory 组件	通过 Memory 存储 Skill 调用的历史结果，RunnableConfig 传递上下文参数
权限与安全	Skill 调用的鉴权、配额限制（如付费 Skill 的密钥管理）	ToolConfig + langchain_core.utils.auth 工具	LangChain 通过配置项注入 API 密钥、权限参数，实现 Skill 的安全调用

核心结论：
LangChain 没有直接定义 Skill 类，但它的 Tool 是 Skill 的“原子实现”，Toolkit 是 Skill 的“集合封装”，Agent 是 Skill 的“智能调度器” —— 三者结合，完全覆盖通用术语中 Skills 的全部能力。
三、 融合实践：如何在 LangChain 中实现“Skills 范式”的开发

既然 Skills 的核心是“模块化、可组合、声明式调用”，我们可以基于 LangChain 组件，按照 Skills 的设计理念进行开发，步骤如下：
1.  第一步：按 Skill 标准封装 Tool（原子 Skill 开发）

区别于普通 LangChain Tool，Skill 级别的 Tool 需要更严格的标准化：

必须包含输入输出 Schema 定义（让大模型明确参数要求）；必须添加业务级描述（而非技术描述）；必须处理异常和边界情况（保证 Skill 稳定性）。

示例：医疗数据结构化 Skill（适配医疗信息化场景）

1. from langchain.tools import BaseTool
2. from pydantic import BaseModel, Field
3. from typing import Type, Optional
5. # 1. 定义 Skill 的输入输出 Schema（声明式约束）classMedicalRecordInput(BaseModel):
6.     record_text:str= Field(description="原始医疗门诊记录文本，包含症状、诊断、用药信息")
7.     output_format:str= Field(default="json", description="输出格式，支持 json/markdown")classMedicalRecordOutput(BaseModel):
8.     patient_symptom:str
9.     diagnosis_result:str
10.     medication_list:list[str]
11.     doctor_advice:str# 2. 封装 Skill 级 ToolclassMedicalRecordStructuringSkill(BaseTool):
12.     name ="medical_record_structuring_skill"
13.     description ="专门用于将非结构化医疗门诊记录转换为结构化数据的技能，适用于电子病历处理场景"
14.     args_schema: Type[BaseModel]= MedicalRecordInput  # 绑定输入Schema
15.     return_direct:bool=True# 直接返回结构化结果，无需大模型二次加工def_run(self, record_text:str, output_format:str="json")->str:# 核心业务逻辑：医疗文本结构化（实际场景可调用 NLP 模型或医疗知识库 API）import re
16.         # 模拟提取逻辑（真实场景替换为医疗 NER 模型）
17.         symptom = re.search(r"症状：(.*?)；", record_text).group(1)
18.         diagnosis = re.search(r"诊断：(.*?)；", record_text).group(1)
19.         medication = re.findall(r"用药：(.*?)；", record_text)
20.         advice = re.search(r"医嘱：(.*)", record_text).group(1)
22.         result = MedicalRecordOutput(
23.             patient_symptom=symptom,
24.             diagnosis_result=diagnosis,
25.             medication_list=medication,
26.             doctor_advice=advice
27.         )# 按指定格式输出if output_format =="json":return result.model_dump_json(indent=2)else:returnf"# 结构化医疗记录\n- 症状：{symptom}\n- 诊断：{diagnosis}\n- 用药：{medication}\n- 医嘱：{advice}"def_arun(self, record_text:str, output_format:str="json"):# 异步实现（可选）raise NotImplementedError("异步模式暂未支持")

复制代码

2.  第二步：Skill 组合（多 Skill 编排）

通用 Skills 范式的核心优势是组合性，在 LangChain 中可以通过两种方式实现：
方式1：Toolkit 封装同类 Skill（静态组合）

把业务上相关的 Skill 打包成 Toolkit，方便复用和管理，示例：

1. from langchain.tools import Tool
2. from langchain.agents import create_openai_tools_agent
4. # 假设已有另一个 Skill：MedicalCodeMappingSkill（医疗编码映射）classMedicalCodeMappingSkill(BaseTool):
5.     name ="medical_code_mapping_skill"
6.     description ="将诊断结果映射为 ICD-10 编码的技能"# 实现逻辑省略...# 封装为医疗 Skill 工具箱classMedicalSkillToolkit:@classmethoddefget_tools(cls):return[
7.             MedicalRecordStructuringSkill(),
8.             MedicalCodeMappingSkill()]# 直接调用工具箱的所有 Skill
9. medical_tools = MedicalSkillToolkit.get_tools()

复制代码

方式2：Agent + RunnableSequence 实现动态组合（动态编排）

让大模型根据任务需求，自主选择 Skill 组合顺序，示例：

1. from langchain_openai import ChatOpenAI
2. from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
3. from langchain.agents import AgentExecutor
5. # 1. 初始化大模型
6. llm = ChatOpenAI(model="gpt-4", temperature=0)# 2. 定义 Prompt：明确告知大模型可以调用的 Skill 及组合逻辑
7. prompt = ChatPromptTemplate.from_messages([("system","你是医疗信息化助手，可调用以下技能：1. 医疗记录结构化技能（处理原始门诊文本）；2. 医疗编码映射技能（将诊断转为 ICD-10 编码）。请根据用户需求选择技能，复杂任务可组合调用。"),("user","{input}"),
8.     MessagesPlaceholder(variable_name="agent_scratchpad")])# 3. 创建 Agent 并绑定 Skill 工具箱
9. agent = create_openai_tools_agent(llm, medical_tools, prompt)
10. agent_executor = AgentExecutor(agent=agent, tools=medical_tools, verbose=True)# 4. 测试组合 Skill 调用
11. agent_executor.invoke({"input":"帮我处理这份门诊记录：症状：发热咳嗽；诊断：急性支气管炎；用药：阿莫西林、止咳糖浆；医嘱：多喝水休息。要求：先结构化，再映射为 ICD-10 编码"})

复制代码

执行后，Agent 会自动先调用 MedicalRecordStructuringSkill 结构化文本 → 再调用 MedicalCodeMappingSkill 生成编码，完全符合通用 Skills 的组合调用范式。
四、 两者融合的核心价值与注意事项

1.  核心价值

统一开发范式：用 LangChain 的成熟组件实现 Skills 能力，无需重复造轮子；业务适配性强：针对医疗信息化等垂直领域，可以封装领域专属 Skill（如电子病历 Skill、医保结算规则 Skill），解决行业痛点；跨平台兼容：基于 LangChain 封装的 Skill，可无缝迁移到 Azure AI、AWS Bedrock 等平台（只需适配少量接口）。

2.  注意事项

Schema 标准化是关键：通用 Skills 要求严格的输入输出 Schema，LangChain 中需通过 Pydantic BaseModel 定义，否则大模型无法准确传参；避免 Skill 冗余：一个功能只封装为一个 Skill，同类 Skill 归类到 Toolkit，防止 Agent 调度混乱；权限隔离：医疗数据属于敏感数据，封装 Skill 时需通过 ToolConfig 注入鉴权参数，避免数据泄露。

总结

Skills（通用官方术语）与 LangChain 组件并非对立关系，而是 “理念与实现” 的映射关系：

Skills 是设计理念：强调模块化、可组合、声明式调用；LangChain 的 Tool/Toolkit/Agent 是技术实现：提供了一套成熟的工具链，让 Skills 理念落地。

在实际开发中，只需按照通用 Skills 的标准设计 LangChain Tool，并通过 Agent 实现 Skill 调度，就能兼顾 LangChain 的生态优势和 Skills 范式的专业性。

原文地址：https://blog.csdn.net/mofijeck/article/details/156650591