Deep Agents 重磅更新：Skills 大改版，工具绑定、运行时固定、中途热重载全都来了
Deep Agents 重磅更新：Skills 大改版，工具绑定、运行时固定、中途热重载全都来了
译者按：本文翻译自 LangChain 官方博客 Revamping Skills in Deep Agents（作者 Sydney Runkle，2026 年 10 月 7 日发布）。为符合中文技术阅读习惯，Skill、tool、context、prompt cache 等术语保留英文原文。
核心要点
- 现在可以把 tool 绑定到 Skill 上了。 tool schema 在 agent 读到其所属 Skill 之前不会进入 context；在支持对话中途添加 tool 的新模型上，这种方式还能保持 prompt 缓存完整。
- 应用可以在运行时固定（pin）Skill，让指令在第一次模型调用之前就进入 context，省去
read_file的往返。 - Skill 可以在线程中途重载，长时间运行的 agent 无需重开线程，就能感知新增、修改或删除的 Skill。
Skill 是给 agent 注入领域知识的最佳方式之一。所谓 skill，就是一个存放指令、脚本和参考文件的文件夹，教会 agent 如何做事——比如像你的销售团队那样准备一场客户会议，或者复盘一通电话的转写记录。Agent Skills 是一个开放标准，兼容任何模型，已有数十款 agent 产品提供支持。写一个 Skill 也不需要什么技术背景：说到底，它就是一个 markdown 文件。
Skill 之所以有效，靠的是渐进式披露（progressive disclosure）。agent 一开始只看到每个 Skill 的名称和描述，只有当任务需要时才去读取完整指令。这样 context 保持精简，而 context engineering 正是构建高效 agent 的关键。
随着使用规模扩大，团队对 Skill 的需求也在变化。我们看到企业级 Skill 库已经增长到数千个 Skill，在团队和 agent 之间共享。为此，我们重新设计了 Deep Agents 的 Skills 支持，回应几个常见诉求：
- 将 tool 绑定到 Skill： 绑定到 Skill 的 tool，只在 agent 读取该 Skill 时才加载。
- 固定 Skill： 当用户明确点名某个 Skill（比如
/meeting-prep）时，应用可以在下一次模型调用前把它加载好。 - 重载 Skill： 长时间运行的线程无需从头开始，就能感知新增或变更的 Skill。
Skill 的工作原理
一个 Skill 就是一个包含 SKILL.md 文件的目录：文件以带有 name 和 description 字段的 YAML frontmatter 开头，后面是 agent 要遵循的指令。Skill 还可以在 scripts/、references/ 和 assets/ 目录下附带支持文件（规范）。
始终留在 context 里的，只有 Skill 的名称和描述。agent 按需读取指令，只在需要时才加载脚本、参考文件和资源。
在本文中，我们用我们的 GTM agent 作为贯穿全篇的例子。它构建在 Deep Agents 之上，50 多个 Skill 组成的库覆盖了销售代表的日常工作，比如 meeting-prep、call-transcripts 和 competitive-intel-card。
- 发现（Discovery）。 启动时，agent 在 system prompt 中看到每个 Skill 的
name和description。 - 激活（Activation）。 当任务匹配某个 Skill 时，agent 用
read_file读取完整的SKILL.md。 - 执行（Execution）。 agent 按照指令干活，只在指令要求时才读取脚本或参考文件。
agent 的 context 只按任务所需增长：启动时是所有 Skill 的名称和描述，然后是某一个 Skill 的指令，再然后是某一个参考文件。
在一个 Skill 被用到之前，它在 system prompt 里只占一行，所以一个库可以挂载海量 Skill 的引用而不挤占 context。下面进入我们在 Deep Agents 中做的增强。
将 tool 绑定到 Skill
Skill 常常会教 agent 怎么用某个特定的 tool，而有些 tool 只有在 agent 读过这些指令后才能用好。在此之前，Skill 和 tool 是分开披露的。你可以用 tool search 把 tool schema 挡在 context 之外，但没有任何机制把 tool 和解释它的 Skill 绑在一起：agent 可能没读 Skill 就找到并调用了某个 tool，也可能读了 Skill 却还得再去搜对应的 tool。
现在你可以把 tool 绑定到一个 Skill 上，让 Skill 和它的 tool 一起披露。被绑定的 tool 在 agent 读取其所属 Skill 之前不会进入 context；在这之前调用它，会以未知 tool 的形式失败。context 由此保持精简，同时也确保 agent 在调用 tool 之前已经读过它的用法。在我们的 GTM agent 里，call-transcripts 讲解了如何搜索通话、读取转写文本，所以它是绑定这些 tool 的自然位置。
在 Skill 的 frontmatter 中，把 tool 列在 metadata.include_tools 下面：
然后把这些 tool 传给 SkillsMiddleware，而不是直接传给 agent：
读完 call-transcripts，search_calls 和 get_transcript 才会解锁。它们通过一条新增的 system message 进入对话，因此这条消息之前的缓存前缀保持不变。
过去，在对话中途添加 tool 意味着修改请求的 tool 列表，这会让 prompt 缓存失效。Anthropic 和 OpenAI 现在允许较新的模型在对话中途接受 tool，所以在这些模型上，Deep Agents 会在 Skill 被读取后立刻加入其绑定的 tool，缓存前缀保持原样（见 Anthropic 和 OpenAI 集成文档）。在其他模型上，tool 仍像从前一样追加到请求中。
对大多数 Skill 来说，一个列表就够了。如果需要更多控制，Skill 可以列一个 label 而不是具体的 tool 名称，你再传给 SkillsMiddleware 一个函数，由它把每个 label 解析成 tool。这样你就能：
- 用一个名字披露整组 tool，比如某个 MCP server 上的全部 tool，而不必在 Skill 里逐一列出。
- 按运行时权限控制 tool 的开放。 这个函数能拿到 graph 的 runtime，因此可以判断当前用户是谁，只返回其有权使用的 tool。
下面的例子里，call-transcripts 拿到 calls MCP server 上的全部 tool；pipeline-forecast 拿到 CRM tool，但只有经理角色才能更新预测：
更多内容见 Add tools to skills。
固定 Skill（Pinned Skills）
有时用户一开始就清楚自己要用哪个 Skill。在我们的 GTM agent 里，销售可以直接输入 /meeting-prep for my Acme call tomorrow。不做固定的话，模型只能看到 Skill 的描述，还得自己决定去读它。这意味着正式干活前多出一次往返，而且不保证模型加载的就是对的那个 Skill。有了 pinned skills，你的应用从消息里识别出 Skill 名称（或从 UI 解析），通过 pinned_skills 传入，middleware 就会在下一次模型调用前把这些 Skill 的指令加入对话。Deep Agents 不替你解析消息，语法由你定：
用户敲下 /meeting-prep 就点明了 Skill，应用可以直接为 agent 的下一次模型调用固定它。
被固定的 Skill 指令已经在对话里，agent 在第 1 次模型调用就能开工，而不用等到第 2 次。
这既降了延迟，也让行为更可预测：指令保证在 context 里，被固定 Skill 绑定的 tool 也会随之到位。每个被固定的 Skill 只作为一条带标签的消息添加一次，此前的消息一个字都不会变，prompt 缓存保持有效，聊天 UI 还可以用一个标签来展示这个 Skill，而不用展示它的全文。
线程中途重载 Skill
Skill 在每个线程开始时加载，并保存在 agent state 里，之后的每一轮都复用同一批 Skill。现在，你可以在调用 agent 时把 skills_metadata 设为 None，让这份列表失效。比如队友往库里加了一个 competitive-intel-card Skill，应用可以选择让 Skill 列表失效，下一轮运行就会重新扫描所有来源：
把 skills_metadata 设为 None，下一次运行就会重新扫描 Skill 库，拾取上次运行之后新增的 Skill。
重载一旦发现新 Skill，system prompt 就会变化，prompt 缓存随之失效。但对一个已经闲置的线程来说，这笔代价通常早已付过：provider 的缓存一般在闲置几分钟到一小时内过期（Anthropic、OpenAI），等销售代表回来时，缓存本来就是冷的。
由于重置只是运行输入的一部分，你还可以把控制权交给用户，比如在客户端提供一个 /reload 命令：
你也可以通过 update_state 或 middleware 来触发重置，重载时机完全由你的应用掌控。见 Reload skills。
上手使用
Skill 是业界给 agent 注入结构化领域知识的标准机制。这次更新让它在规模化场景下更好用：tool 只在 Skill 需要时才加载，工作流所需的 Skill 可以提前就位，长时间运行的线程也会随着库的变化保持最新。而且 Skill 是开放标准，你们团队写的 Skill 可以跨模型、跨 agent 使用。
以上特性都已在最新版 deepagents 中可用。阅读 Skills 文档开始上手，欢迎通过 GitHub issues、论坛或 X 告诉我们你的想法。
致谢
感谢 Rich Scarrott 主导这些新特性的开发，感谢 Hunter Lovell 参与特性与本文的审阅！
参考文档与链接
- Revamping Skills in Deep Agents（原文） — LangChain 官方博客，Sydney Runkle，2026-10-07
- Deep Agents Skills 文档 — 三项新特性的官方使用文档
- Agent Skills 开放标准 — SKILL.md 目录结构与规范定义
- Deep Agents 概览 — Deep Agents 框架介绍
- How we built LangChain's GTM agent — 本文贯穿使用的 GTM agent 案例
- langchain-ai/deepagents — GitHub 仓库与 issues
- Context engineering for agents — progressive disclosure 背后的理念
你的 agent 库里有多少个 Skill 了？评论区聊聊你的用法。觉得有用的话点个赞，让更多人看到。
作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top
本文首发于 AI人工智能时代，转载请注明出处。
