本地AI Agent开发实践：如何基于Langchain动态加载Anthropic Skills

关注

原创最新推荐文章于 2026-08-30 09:43:35 发布 698 阅读 AI 写同款· GEO 优化 ›

LangChain Agent与MCP协议实战：构建可扩展的AI工具调用架构在AI应用开发中，如何让智能体（Agent）安全、灵活地调用外部工具（如API、数据库）是核心挑战。传统硬编码方式导致系统紧耦合、扩展性差。其技术原理在于通过标准化协议（如MCP）将工具实现与调用逻辑解耦，使Agent能动态发现和使用外部能力。这种架构的技术价值在于实现了AI能力的即插即用，大幅提升了开发效率和系统可维护性。典型的应用场景包括企业知识库查询、内部系统操作和实时数据获取等。本文以**LangChain Agent**和**MCP（Model Context Protocol）** 为核心，通过阅读详情

GitHub：https://github.com/zhoujiand/langchain-skill

这是一个基于Python的Langchain包，可以根据用户要求，由本地大模型理解并调用合适的Skill来完成任务，例如分析数据、制作PPT的代码框架。

— 给大家看一下运行效果 —

— 这是最后生成的 PPT 效果 —

快速上手指南

使用方式上，你可以通过 AI 梳理项目来了解需要怎么安装，这里补充一些必要步骤：

01. 项目克隆
将项目克隆到本地。

02. 装载技能
把需要的技能拷贝到本项目中，建议先在 skills 下创建子文件夹（例如 office），然后将技能放到这个文件夹里。

03. 环境同步
运行 uv sync 命令，同步所有需要的 Python 包，如果报错重点关注pyproject.toml文件。

04. 安装Node依赖
安装 npm ，然后安装 pptxgenjs 库。

05. 配置 Key
修改 secret_def.py，填写所依赖的API信息，可以指向本地大模型。

06. 运行测试
执行 test.py 。

— · —

最后，简单谈一下该项目的缘起，以及开发项目过程中的一些核心思路。

自从Anthropic公司推出Skill以来，AI Agent开发进入了一个崭新的时代。从过去定义Prompt、Tools、Memory，逐渐向沿用已有的成熟Skill、定制化自己所需要Skill的方向演进。

对于有软件开发经验的朋友，可以通过Claude Code、Trae等软件，自己捣鼓和配置AI Skills，然后来帮助自己完成一些工作，例如前后端开发、数据分析、PPT汇报等。

但对于一些没有编程基础，但希望借助AI来提效的朋友，他们可能需要面临一定的学习和试错成本。特别是在企业里，数据安全这条红线，导致更多时候他们处在想用但用不了的境地。

因此，本项目基于Python的Langchain库，作为企业AI Agent工程化的底座能力工具，可以轻量化地部署在服务器上，在研发人员配置好Skill依赖的各类工具后，让各类业务人员通过自然语言，来驱动企业本地大模型来完成工作日常所需的基础工作，例如Word、Excel、Powerpoint等。让技术和数据隐私不再成为企业员工使用AI提高工作效率的瓶颈。

整个研发过程分两个阶段，首先我是通过Claude Code来Vibe Coding，然后再使用Trae做一些人工优化，最终实现当前这个效果。过程中值得一提的是如下几个环节：

1、渐进式披露：在代码生成之初，AI按照自己对Skill的理解，生成了两个Demo Skill，一个是用来解析JSON的，另一个是计算器，只包括技能介绍和脚本两块内容。然后在主程序里，它首先读取SKILL.md里的元数据，包括技能名称和描述，但不包括详细内容。只有当确定要使用这个技能时，它才会把技能当成一个Tool加载到内存中，供大模型调用。

但这里有个值得注意的点是：当你查看Anthropic创建的Skill时，你会发现往往结构没有那么简单，它在技能介绍和脚本外，可能会有其他的.md（介绍），脚本的类型不仅是Python脚本，还会有其他类型，例如Javascript，所以当我们将它转化为Tools时，还要关注不同的脚本类型，以及指定好除了主技能介绍外其他文档的路径

2、意图识别：在使用Claude Code的时候，大模型在执行我们的自然语言指令前，会先判断是否使用技能，以及使用什么技能。在判断之前，会把所有技能的元数据（技能名称和描述）加载到Prompt里，然后交给大模型去判断。但考虑到未来可能会有非常庞大的技能数量，因此在我的框架里，添加了一个中间层——技能类别。这也是为什么在上手指南里，会要求在skill文件夹下新增子文件夹，然后把技能放到子文件夹里。而子文件夹的名称，即类别名称。在框架中，会先读取skill文件夹下所有的子文件夹名称，让大模型做第一轮意图识别，然后加载相关性较高的多个类别下的技能元数据，然后进行第二轮意图识别，判断选择使用哪些技能。

3、默认工具加载：这是一个细节方面的处理，众所周知，为了让大模型可以对技能应用自如，默认需要在Agent里添加读文件、写文件、执行文件的工具。但是，对于AI生成的脚本，非常容易出现执行报错的情况，此时则需要把报错信息作为上下文传给AI，让它去更正和重新输出。Langchain的原生工具并不支持，因此我在该框架里重写了WriteFileTool，即SmartWriteFileTool来实现。同样的，对于Windows环境下，执行ShellTool容易报错，因为大模型更多情况会执行Linux的命令，因此建议单纯使用Python的执行工具，但值得注意的是，Python的执行工具仍处于试验阶段，并不在通用工具包中。

以上是我对这个框架的开发过程中的一些心得总结，欢迎大家试用。从长远看，如果真的要在生产环境中使用这个框架，还有很多可以提高的地方，例如并发支持、风险控制、鉴权等，这就留给后续共同改进。最后祝大家新年快乐，马年大吉！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇