从零开始制作Agent Skill：新手入门指南与实战避坑

2次阅读

共计 2327 个字符，预计需要花费 6 分钟才能阅读完成。

Agent Skill 可以理解为一种可编程的对话能力模块。它能让聊天机器人、智能助手等具备处理特定任务的能力，比如订餐、查天气或客服问答。举个实际例子，当你对智能音箱说 ” 播放周杰伦的歌 ”，背后就是音乐播放的 Agent Skill 在运作。

典型应用场景包括：

智能家居控制（灯光 / 温度调节）
电商客服（退货 / 查询订单）
企业 IT 支持（密码重置 / 系统报修）

先看三种常见方案的特性对比：

Rasa
优点：开源可定制，支持复杂对话流
缺点：学习曲线陡峭，需自行部署
适合：需要完全控制对话逻辑的场景
Dialogflow（Google）
优点：可视化开发，集成 GCP 服务方便
缺点：高级功能收费，黑箱操作
适合：快速验证想法的 PoC 阶段
Microsoft Bot Framework
优点：多通道部署，企业级支持
缺点：Azure 绑定较深
适合：已有微软技术栈的团队

安装 Python 3.8+ 并创建虚拟环境

python -m venv rasa_env
source rasa_env/bin/activate  # Linux/Mac
rasa_env\Scripts\activate    # Windows

安装核心包
```
pip install rasa
```

在 data/nlu.yml 中定义训练样本：

version: "3.1"
nlu:
- intent: greet
  examples: |
    - 你好
    - 早上好
    - hi

- intent: ask_weather
  examples: |
    - 今天天气怎么样
    - 会下雨吗
    - 北京气温多少

实体提取示例代码：

# 自定义实体提取组件
from rasa.nlu.extractors import EntityExtractor

class LocationExtractor(EntityExtractor):
    def process(self, message):
        # 简化的地名识别逻辑
        cities = ["北京", "上海", "广州"]
        entities = []
        for word in message.text.split():
            if word in cities:
                entities.append({
                    "entity": "city",
                    "value": word,
                    "start": message.text.index(word),
                    "end": message.text.index(word) + len(word)
                })
        return entities

架构示意图：

用户输入 → NLU 理解 → 对话状态追踪 → 策略选择 → 动作执行 → 响应输出

在 domain.yml 中定义对话逻辑：

responses:
  utter_greet:
    - text: "您好，有什么可以帮您？"

actions:
  - action_query_weather

slots:
  location:
    type: text

响应加速
使用 Redis 缓存常见问答对
启用 Rasa 的 --debug 模式分析耗时
并发处理
部署时使用 uvicorn+ 多 worker
异步处理耗时操作（如 API 调用）
模型压缩
用 rasa data convert 精简训练数据
选择更小的预训练词向量

陷阱：忽视数据清洗
现象：识别准确率始终低于 60%
解决：统一繁简体，去除特殊符号
陷阱：过度依赖默认配置
现象：复杂场景响应异常
解决：自定义 policies 配置超参数
陷阱：忘记设置 fallback
现象：遇到陌生输入时卡死
解决：添加FallbackPolicy
陷阱：硬编码业务逻辑
现象：需求变更需重写代码
解决：通过 slot 动态传递参数
陷阱：忽略多轮测试
现象：上线后对话流断裂
解决：用 rasa test 做端到端验证

# actions/actions.py
from typing import Dict, Text, Any
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
import requests

class ActionQueryWeather(Action):
    def name(self) -> Text:
        return "action_query_weather"

    async def run(self, dispatcher: CollectingDispatcher,
                 tracker: Tracker,
                 domain: Dict[Text, Any]) -> list:

        # 从 slot 获取地点
        city = tracker.get_slot("city")
        if not city:
            dispatcher.utter_message("请先告诉我要查询哪个城市")
            return []

        # 调用天气 API（示例伪代码）api_url = f"https://weatherapi.com/{city}"
        try:
            response = requests.get(api_url)
            temp = response.json()["temperature"]
            dispatcher.utter_message(f"{city}当前气温{temp}℃")
        except:
            dispatcher.utter_message("查询失败，请稍后再试")

        return []