本文介绍了 Deep Agents 对 LangChain 技能机制的重构，解决企业 Skill 库扩大后工具加载、用户调用和长会话更新等问题。新增工具绑定、固定 Skill 和会话内重载功能，使 Skill 从文件组织方式转变为 Agent 系统运行时核心。文章详细解析了这三项能力的实现方式，帮助开发者更好地利用大模型技能机制。
这次更新加入了工具绑定（tool binding）、固定 Skill（pinned skill）和会话内重载（mid-thread reloading）。它们解决了三个很具体的问题：工具与指令各走各的、显式调用仍要多跑一轮模型、长会话看不到 Skill 的最新变化。Deep Agents 还处理了 prompt 缓存和运行时权限。经过这次重构，Skills 已经从一种文件组织方式，变成了大型 Agent 系统运行时的一部分。
先说结论，这次重构 Skill 可以归纳为三项能力：
工具可以绑定到 Skill。Skill 读取前，工具模式（tool schema）不会进入上下文。模型如果支持在会话中途添加工具，新增工具也不会破坏前面已经建立的 prompt 缓存。
应用可以在运行时固定 Skill。工作流已经明确要用哪个 Skill 时，应用可以在第一次模型调用前把完整指令放进上下文，不必再让 Agent 执行一次
read_file。长会话可以重新加载 Skill 库。线程运行期间即使有 Skill 被新增、修改或删除，应用也能触发重新扫描，用户不用重开会话。
Skill 是一个包含SKILL.md的目录。文件开头用 YAML 前置元数据填写name和description，后面写 Agent 需要遵循的指令。目录里还可以放scripts/、references/和assets/。这种格式遵循 Agent Skills 开放标准，核心文件就是 Markdown，基础 Skill 不一定非要由工程师编写。
Skills 通过渐进式披露控制上下文成本。Agent 启动时只知道有哪些 Skills，遇到具体任务才读取对应指令。LangChain 的市场拓展 Agent（go-to-market agent, GTM Agent）已经积累了 50 多个 Skills，用来处理会议准备、通话记录和竞争情报卡片等重复工作。企业共享的 Skill 注册表继续扩大后，工具怎样加载、用户怎样点名调用、长会话怎样拿到新版本，都成了必须解决的工程问题。
接下来的三项改动正好对应这些问题：工具跟随 Skill 一起加载；应用可以提前指定当前工作流要用的 Skill；线程不用中断，也能重新扫描 Skill 库。
Skills 如何工作
一个 Skill 可以包含指令、脚本、参考资料和其他资源，但不会一次性把它们全部放进上下文。
Skill 目录中的内容按需进入上下文
图中一直留在上下文里的，只有 Skill 的名称和描述。Agent 判断任务相关后才读取完整指令，等到执行确实需要时，再加载脚本、参考资料或其他资源。Skill 目录把材料收在一起，渐进式披露决定它们何时进入上下文。
Deep Agents 把加载过程分成三个层级：
发现（discovery）。Agent 启动时，在系统 prompt 中看到所有 Skill 的
name和description。激活（activation）。任务与某个 Skill 匹配后，Agent 使用
read_file读取完整的SKILL.md。执行（execution）。Agent 按照 Skill 指令工作，只在确有需要时读取脚本或参考文件。
上下文随着任务需要逐层增加
这条时间线从左到右画出了上下文怎样逐渐增长。启动时只有一份简短的 Skills 目录；任务触发某个 Skill 后，它的完整指令才会加入；执行到确实需要资料的位置时，相关参考文件再进入上下文。其余 Skills 和没用到的资源一直留在外面。一个尚未使用的 Skill 通常只占系统 prompt 中的一行，所以大量 Skill 条目不会立刻挤满上下文窗口。
将工具绑定到 Skill
很多 Skill 会同时说明任务怎么做、特定工具怎么调用。有些工具只有在模型读完说明后才能正确使用。过去，Skills 和工具分别披露。工具搜索虽然可以暂时不加载工具模式，但工具和说明它的 Skill 没有直接联系。模型可能先找到工具，过一会儿才读到说明；也可能已经读完 Skill，却还得再搜索一次相关工具。
工具绑定把这两条加载路径接在了一起。Skill 被读取后，绑定的工具才进入上下文。Agent 如果提前调用，系统会把它当成未知工具。以call-transcripts为例，这个 Skill 说明怎样搜索客户通话、读取转录文本，因此search_calls和get_transcript也会绑定到这个 Skill。
在 Skill 前置元数据中声明绑定工具
配置在metadata.include_tools中直接列出两个工具：
name和description用来发现 Skill，include_tools用来绑定工具。只有读过call-transcripts，这两个工具才会出现在 Agent 可见的工具集合中。
工具需要交给SkillsMiddleware，不再直接传给 Agent：
通过 SkillsMiddleware 注册 Skill 可绑定的工具
sources指定去哪里扫描 Skills，tools列出可能被 Skills 引用的工具。中间件检查include_tools，等相应 Skill 被读取后再开放工具。这样，工具不必从第一轮开始就占用上下文。
读取 Skill 后解锁绑定工具并保留缓存前缀
流程刚开始时，系统 prompt 中只有 Skill 目录，看不到search_calls和get_transcript。模型通过read_file读取call-transcripts，完整指令先以工具结果的形式返回。随后，Deep Agents 用一条新的系统消息加入两个绑定工具。旧消息没有变化，由它们组成的缓存前缀仍然可以复用。
过去在会话中途增加工具，通常要改动下一次请求的工具列表，原有 prompt 缓存也会随之失效。较新的 Anthropic 和 OpenAI 模型允许在对话中途增加工具。Deep Agents 便能在读取 Skill 后直接加入绑定工具，同时保住前面的缓存。其他模型仍按原来的方式，把工具追加到请求中。
多数 Skill 直接列出工具名就够了。工具数量很多，或者权限会随着用户身份变化时，可以在include_tools中填写标签，再由解析函数把标签换成真正的工具。
用标签表示 MCP 工具组和 CRM 工具组
call_tools和crm_tools都是工具组标签，不指向某一个具体工具。一个标签可以代表某个 MCP Server 上的全部工具，也可以交给运行时函数按权限筛选。
在运行时解析工具组并检查用户权限
call_tools会取回callsMCP Server 的全部工具。解析crm_tools时，函数读取运行时中的用户权限：经理可以查询销售管道并更新预测，普通用户只能查询。权限在两处收紧：Skill 先选出任务需要的工具组，解析函数再按运行环境返回当前用户有权使用的工具。
固定 Skills
渐进式披露通常由模型自己判断。不过，有时用户已经明确知道要用哪个 Skill。销售人员输入/meeting-prep for my Acme call tomorrow后，如果还让模型读取描述、判断匹配、调用read_file，就会多出一次模型往返，还可能选错 Skill。
固定 Skill 的做法很直接：应用先从用户消息或界面中识别 Skill 名称，再通过pinned_skills交给中间件。下一次调用模型之前，中间件就把完整指令加入对话。Deep Agents 不解析命令文本，应用可以选择斜杠命令、按钮或其他界面。
用户通过斜杠命令明确指定 meeting-prep Skill
/meeting-prep已经表明用户选了哪个 Skill。应用解析出名称即可，不必再让模型猜。
解析斜杠命令并传入 pinned_skills
正则表达式从消息中提取斜杠命令，得到meeting-prep。应用把这个列表写入调用参数里的pinned_skills字段，中间件会在模型处理消息前加载对应 Skill。这套命令语法只是示例，业务应用可以采用自己的解析规则。
固定 Skill 让模型从第一次调用就获得完整指令
没有固定时，第一次模型调用只能看到 Skill 描述。模型请求读取文件后，要到第二次调用才拿到完整指令。固定后，第一次调用时上下文里就有 Skill 指令，绑定工具也会同时加入。少跑一次模型，执行路径也更稳定。
每个固定 Skill 只会作为带标签的消息加入一次，前面的消息不会被改写，prompt 缓存仍然有效。聊天界面可以只显示 Skill 标签，无需把完整指令暴露给用户。
在线程中重载 Skills
Deep Agents 默认在线程启动时扫描 Skills，并把元数据保存在 Agent 状态中，后面的轮次继续复用这份列表。如果团队成员在会话期间新增competitive-intel-card、修改现有 Skill，或者删除过期 Skill，当前线程不会自动发现这些变化。
调用 Agent 时把skills_metadata设为None，可以让下一次运行重新扫描所有 Skill 来源：
把 skills_metadata 设为 None 触发重新扫描
这里的None用来清除已经缓存的 Skill 元数据，不代表 Skill 列表为空。下一次运行会重新读取来源目录，再把最新结果写回 Agent 状态。
重新扫描后长会话可以发现新增 Skill
重载前，系统 prompt 中仍然是线程启动时发现的 Skills。应用清除skills_metadata后，下一次运行会重新扫描目录，新加入的 Skill 随即进入系统 prompt。用户可以留在当前线程中继续工作，不用重新开始会话。
Skill 列表变化后，系统 prompt 也会改变，原来的 prompt 缓存因此失效。对于已经闲置一段时间的线程，这项成本通常不高。模型提供商的缓存往往会在停止使用后的几分钟到一小时内过期，等用户回来时，旧缓存很可能本来就不能用了。
重载只需要在本次调用中传入一个信号。应用也可以把控制权交给用户，例如定义客户端/reload命令：
客户端通过 reload 命令请求刷新 Skill 库
普通消息按原样进入payload。消息以/reload开头时，应用再写入skills_metadata: None，下一次运行便会重新扫描。也可以通过update_state或中间件完成同样的重置。产品可以在 Skill 发布后、线程闲置一段时间后，或者用户主动操作时触发刷新。
开始使用
在 LangChain 的设计里，Skills 用来向 Agent 提供结构化的领域知识。这次更新补齐了规模化使用时需要的运行机制。绑定工具只在 Skill 真正需要时进入上下文；工作流已经明确依赖哪个 Skill 时，可以提前加载；会话持续很久，也能跟上 Skill 库的变化。
这些能力已经进入最新版deepagents。Agent Skills 采用开放标准，同一套 Skill 目录可以跨模型和 Agent 使用。工具绑定、固定加载和重载，则由 Deep Agents 在运行时提供。
大模型的知识又多又杂，到底怎么学？
做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。
第一阶段（10天）：初阶应用
这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。
为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…
走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。
第三阶段（约20天）：动手微调
学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
第四阶段（20天）：商业闭环，部署落地
技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：
1、大模型系统化学习路线
2、大模型学习视频教程
3、大模型学习书籍&电子文档
4、AI大模型最新行业报告
5、大模型项目实战&配套源码
6、2026大模型大厂面试真题
7、为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
8、适合谁学？
- 传统后端 / Java / 前端开发，想转型 AI 应用
- 大学生、应届生，想拿更好的 offer
- 产品经理、运营，想武装职业竞争力
- 技术负责人，想给团队落地提效
学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。
9、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。
