DeepAgent新手入门：Skill与Tool的高效使用指南

1次阅读

共计 3180 个字符，预计需要花费 8 分钟才能阅读完成。

在 DeepAgent 框架中，Skill和 Tool 是构建自动化流程的两大核心组件，它们的定位和功能有显著差异：

Skill（技能）：
封装特定领域的完整处理逻辑（如「邮件发送」「数据分析」）
可包含多个 Tool 的调用和逻辑编排
通过标准化接口（输入 / 输出）与其他 Skill 交互
Tool（工具）：
实现单一原子化功能（如「调用 API」「数据清洗」）
通常不包含业务逻辑，仅完成基础操作
可被多个 Skill 复用

举个实际例子：开发「智能客服系统」时：
– 创建AnswerCustomerQuery Skill，内部组合：
– SearchKnowledgeBase Tool（知识库查询）
– GenerateNaturalResponse Tool（自然语言生成）
– LogInteraction Tool（交互日志记录）

确保已安装 DeepAgent 最新版：

pip install deepagent --upgrade

以下示例实现「字符串大写转换」工具：

from deepagent.tools import BaseTool

class UppercaseTool(BaseTool):
    name = "uppercase_converter"  # 工具唯一标识
    description = "将输入字符串转为大写格式"

    def execute(self, input_str: str) -> str:
        """
        执行逻辑：字符串转大写
        :param input_str: 原始字符串
        :return: 大写字符串
        """
        return input_str.upper()

组合多个 Tool 实现「文本标准化处理」技能：

from deepagent.skills import BaseSkill

class TextNormalizationSkill(BaseSkill):
    name = "text_normalizer"
    description = "对文本进行标准化处理"

    def __init__(self):
        # 初始化依赖的 Tool
        self.uppercase_tool = UppercaseTool()

    def execute(self, text: str) -> str:
        """
        执行流程：1. 转换大写
        2. 去除首尾空格（直接调用 Python 原生方法）"""
        upper_text = self.uppercase_tool.execute(text)
        return upper_text.strip()

在 Agent 中注册并使用组件：

from deepagent.agents import Agent

# 初始化 Agent
my_agent = Agent(name="demo_agent")

# 注册组件
my_agent.register_skill(TextNormalizationSkill())
my_agent.register_tool(UppercaseTool())

# 调用 Skill
result = my_agent.execute_skill(
    skill_name="text_normalizer", 
    inputs={"text": "hello DeepAgent"}
)
print(result)  # 输出: "HELLO DEEPAGENT"

通过组合多个 Tool 实现复杂功能：

# 工具 1：地理位置解析
class LocationParserTool(BaseTool):
    def execute(self, query: str) -> dict:
        # 模拟解析城市名称（实际可接入第三方 API）return {"city": query.split("in")[-1].strip()}

# 工具 2：天气 API 调用
class WeatherAPITool(BaseTool):
    def execute(self, location: dict) -> dict:
        # 模拟 API 返回（实际需要网络请求）return {"temp": "25°C", "condition": "sunny"}

# 组合成天气查询 Skill
class WeatherQuerySkill(BaseSkill):
    def __init__(self):
        self.parser = LocationParserTool()
        self.weather_api = WeatherAPITool()

    def execute(self, query: str) -> str:
        location = self.parser.execute(query)
        weather = self.weather_api.execute(location)
        return f"{location['city']}天气：{weather['condition']}，温度{weather['temp']}"

# 使用示例
agent = Agent()
agent.register_skill(WeatherQuerySkill())
print(agent.execute_skill(
    skill_name="weather_query", 
    inputs={"query": "今天上海的天气怎么样"}
))
# 输出: "上海天气：sunny，温度 25°C"

单一职责：每个 Tool 只做一件事，Skill 专注流程编排
接口标准化 ：所有 execute() 方法使用一致的参数 / 返回格式
依赖显式声明：在 Skill 的__init__中明确初始化所有依赖 Tool

Tool 复用：频繁使用的 Tool 实例化一次后重复调用
异步处理 ：对 I / O 密集型 Tool 实现 async_execute() 方法
缓存机制：为耗时的 API 调用类 Tool 添加缓存层

# 查看 Agent 已加载的组件
print(my_agent.list_skills())
print(my_agent.list_tools())

# 直接测试单个 Tool
print(my_agent.execute_tool("uppercase_converter", "test"))

Q1：Skill 和 Tool 的执行顺序如何控制？
– 在 Skill 的 execute()方法中通过代码顺序控制流程
– 需要并行时使用asyncio.gather()

Q2：如何共享数据 between Tools？
– 通过 Skill 的成员变量传递（不推荐）
– 更推荐通过 execute()方法的输入输出显式传递

Q3：出现 ”Component not found” 错误怎么办？
1. 检查组件名称拼写
2. 确认是否调用 register_skill/register_tool
3. 查看组件类是否正确定义 name 属性

Q4：如何实现动态 Tool 选择？

# 在 Skill 中根据输入选择不同 Tool
def execute(self, inputs):
    if inputs["type"] == "A":
        return self.tool_a.execute(inputs)
    else:
        return self.tool_b.execute(inputs)

尝试完成以下练习来巩固知识：
1. 创建一个「时间格式化」Tool，能将时间戳转为 ”YYYY-MM-DD” 格式
2. 构建「文件处理」Skill，组合：
– 文件读取 Tool
– 内容过滤 Tool（如提取特定关键词）
– 结果保存 Tool
3. 为 WeatherQuerySkill 添加「温度单位转换」功能（℃转℉）

提示：遇到问题时可以查阅 DeepAgent 官方文档的 [Skill 开发指南] 和[Tool API 参考]。

通过本文的学习，你应该已经掌握了 DeepAgent 中 Skill 和 Tool 的核心使用方法。建议从简单场景开始实践，逐步构建复杂的自动化流程。记住良好的组件设计是高效开发的关键！

正文完