LangChain技能使用全指南：从零构建你的第一个AI代理

共计 1484 个字符，预计需要花费 4 分钟才能阅读完成。

LangChain 技能模块基础

LangChain 的技能（Skill）是构建 AI 代理的核心组件，可以理解为一个个可复用的功能单元。每个技能封装了特定能力，比如文本处理、API 调用或数据转换。通过组合不同技能，我们可以像搭积木一样构建复杂的 AI 代理。

• 技能的本质：包含输入参数处理、核心逻辑、输出格式化的 Python 类
• 典型应用场景：问答系统需要组合 ” 搜索 ”、” 摘要 ” 和 ” 回答生成 ” 三个技能
• 核心优势：标准化接口使得不同开发者创建的技能可以无缝组合

新手三大痛点解析

1. 技能组合顺序错误：比如先执行需要前置数据的技能，导致流程中断
2. 参数传递混乱：未正确处理技能间的输入输出映射关系
3. 异常处理缺失：网络请求类技能没有设置超时和重试机制

实战：创建天气预报技能

from langchain.skills import BaseSkill
from typing import Dict, Any
import requests

class WeatherSkill(BaseSkill):
    """获取指定城市的天气信息"""

    def __init__(self):
        super().__init__(
            name="weather",
            description="查询城市天气",
            input_schema={"city": "string"},  # 定义输入格式
            output_schema={"weather": "string"}
        )

    async def execute(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        city = inputs["city"]
        # 实际项目应该用环境变量管理 API 密钥
        api_url = f"https://api.weatherapi.com/v1/current.json?key=YOUR_KEY&q={city}"

        try:
            response = requests.get(api_url, timeout=5)
            data = response.json()
            return {"weather": data["current"]["condition"]["text"]}
        except Exception as e:
            return {"error": str(e)}

性能优化三原则

1. 异步调用 ：用async/await 避免 I / O 阻塞，特别是需要调用外部 API 时
2. 缓存策略：对频繁查询且结果变化不频繁的技能添加内存缓存
3. 批量处理：设计支持批量输入的技能减少网络请求次数

避坑指南

1. 技能命名冲突：为自定义技能添加项目前缀（如myproject_weather）
2. 未处理空输入：在所有技能入口添加参数验证逻辑
3. 忽略技能版本：当升级技能时，保持向后兼容或明确版本控制
4. 过度复杂技能：单个技能应专注单一功能，复杂逻辑拆分为子技能
5. 缺少日志记录：关键步骤添加日志，便于调试技能链

理解技能链原理

技能链 (Skill Chain) 实质是有向无环图(DAG)，LangChain 会自动解析技能间的依赖关系。例如当技能 B 需要技能 A 的输出时，框架会确保执行顺序为 A→B。依赖管理通过两种方式实现：

• 显式声明：在技能定义时指定前置依赖
• 自动推断：通过输入输出参数名自动匹配

复合技能实践任务

尝试构建一个组合技能：

1. 调用天气 API 获取英文天气描述
2. 将结果通过翻译技能转为中文
3. 最终输出格式：{"city": "北京", "weather_zh": "晴朗"}

提示步骤：

1. 先分别实现独立的天气和翻译技能
2. 创建新技能组合两者，注意处理错误情况
3. 测试不同城市的天气查询

通过这个练习，你会掌握技能组合的核心方法。当遇到问题时，记得查看 LangChain 的调试日志，它通常会给出明确的依赖解析信息。