AskTable Skill 系统：让 AI Agent 按需调用专业能力

AskTable 正在重新定义 AI Agent 的能力边界。最新引入的 Skill 系统，让 Agent 不再是固定能力的集合，而是可以根据场景动态调用专业技能的智能体。本文将深入解析这一系统的架构设计与实现原理。

一、为什么需要 Skill 系统？

1.1 传统 Agent 的局限

传统的 AI Agent 通常将所有能力编译进系统提示词或工具列表：

•能力固化：新能力需要修改代码和重新部署
•上下文污染：大量工具塞进每次请求，增加推理成本
•无法复用：不同 Agent 间的能力无法共享

1.2 Skill 系统的解法

┌─────────────────────────────────────────────────────────────┐
│                      AskTable Skill 系统                      │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   ┌─────────┐    ┌─────────┐    ┌─────────┐               │
│   │ Skill 1 │    │ Skill 2 │    │ Skill N │    ← 项目级技能库 │
│   │ 销售分析│    │ 财务报告│    │ 用户画像│               │
│   └────┬────┘    └────┬────┘    └────┬────┘               │
│        │              │              │                      │
│        └──────────────┼──────────────┘                     │
│                       ▼                                    │
│            ┌─────────────────────┐                          │
│            │   Skill Loader      │   ← 三层加载机制          │
│            │  explicit > agent > project                   │
│            └─────────────────────┘                          │
│                       │                                     │
│                       ▼                                     │
│            ┌─────────────────────┐                          │
│            │  activate_skill()   │   ← 按需激活              │
│            │  工具动态注册         │                          │
│            └─────────────────────┘                          │
│                                                             │
└─────────────────────────────────────────────────────────────┘

核心思路：将技能从编译时决策转变为运行时选择。

二、Skill 系统架构

2.1 数据模型

Skill 的数据模型简洁而高效：

class SkillModel(Base):
    id: UUID                          # 技能唯一标识
    project_id: str                   # 所属项目
    name: str                          # 技能名称
    description: str                  # 技能描述（供 Agent 理解）
    content: str                       # 技能指令内容
    created_at: datetime
    modified_at: datetime

设计要点：

•
```
project_id
```
实现项目级隔离
•
```
content
```
是纯文本，存储技能指令（类似系统提示词片段）
•支持 CRUD，可通过 API 或 UI 管理

2.2 关联机制

Skill 通过

skill_ids

与 Data Agent 和 Conversation 关联：

# Data Agent 关联
class DataAgentModel:
    skill_ids: list[str]  # 该 Agent 可用的技能列表

# Conversation 关联
class ConversationModel:
    skill_ids: list[str]   # 该会话可用的技能列表

2.3 三层加载机制

Skill 的加载遵循优先级顺序：

优先级	来源	说明
1	`explicit`	显式传入的技能
2	`agent`	Conversation 关联的 Data Agent 技能
3	`project`	项目级别的默认技能

加载图表中...

三、动态激活机制

3.1 activate_skill 工具

核心是

activate_skill

工具，它允许 Agent 在对话过程中按需激活技能：

async def activate_skill(
    skill_name: Annotated[str, Field(description="要激活的技能名称")]
) -> str:
    """激活指定技能，返回完整的技能指令。"""
    if skill_name not in skill_map:
        return f"技能 '{skill_name}' 不存在。可用: {available_skills}"
    return skill_map[skill_name]

工作流程：

用户提问 → Agent 推理 → 判断需要专业能力 → 调用 activate_skill → 获得技能指令 → 继续执行

3.2 技能目录注入

当 Agent 加载了技能后，系统提示词会包含可用技能目录：

可用技能：
- 销售分析: 分析销售数据，识别趋势和异常
- 财务报告: 生成标准财务报表和分析
- 用户画像: 构建用户特征和行为分析

这样 Agent 能够理解何时应该调用技能，而不只是被动响应。

四、Skill Editor：可视化技能编辑

4.1 独立的编辑会话

系统引入了

skill_editor

对话类型：

class ConversationType(str, Enum):
    chat = "chat"                    # 普通数据分析对话
    skill_editor = "skill_editor"    # 技能编辑对话

4.2 专用工具集

Skill Editor 配备了专属工具：

工具	功能
`read_skill`	读取技能内容
`update_skill_desc`	更新技能描述
`update_skill_content`	更新技能指令
`edit_skill_content`	AI 辅助编辑技能内容

4.3 AI 辅助优化

Skill Editor 的亮点是 AI 辅助优化能力：

用户: 这是一个销售数据分析的技能，帮我完善一下

AI: [分析现有技能内容] →
    [识别缺失场景] →
    [生成增强建议] →
    [更新技能内容]

Agent 可以通过对话来优化技能，而不是直接编辑 JSON 或文本。

五、实战场景

5.1 场景一：专业领域知识注入

需求：让 AI Agent 具备金融行业专业术语和报告规范。

解决方案：

•创建 "金融报告" 技能
•编写行业特定的报告模板和分析逻辑
•将技能关联到 Data Agent

# 金融报告技能

## 报告规范
- 使用标准财务术语（EBITDA, ROE, ROA 等）
- 遵循监管要求的披露格式
- 自动计算同比、环比增长率

## 分析框架
1. 盈利能力分析
2. 偿债能力分析
3. 运营效率分析

5.2 场景二：多租户差异化能力

需求：不同客户对同一数据有不同的分析需求。

解决方案：

•每个项目创建通用技能 + 特定客户技能
•
通过
```
skill_ids
```
组合实现差异化

# 项目 A 的 Agent
skill_ids = ["sales通用分析", "retail客户A专属"]

# 项目 B 的 Agent
skill_ids = ["sales通用分析", "manufacturing客户B专属"]

5.3 场景三：技能版本管理

技能内容存储在数据库中，支持：

•
版本历史（通过
```
modified_at
```
追踪）
•热更新（修改后立即生效，无需重启）
•A/B 测试（不同用户群使用不同技能版本）

六、技术实现亮点

6.1 Protocol 模式隔离

Skill 加载逻辑通过三层分离：

视图层 → Service 层 → Repository 层 → 数据库

便于后续扩展（如 Git 存储、外部技能市场）。

6.2 向后兼容

type

字段有默认值

"chat"

，存量对话不受影响：

type: Mapped[str] = mapped_column(String(50), nullable=False, default="chat")

6.3 权限隔离

Skills 通过

project_id

实现完全隔离：

•用户只能看到/编辑所在项目的技能
•不同项目间技能互不可见

七、与 MCP 的对比

AskTable Skill 系统与 MCP (Model Context Protocol) 有相似之处，但定位不同：

维度	MCP	AskTable Skill
定位	协议层标准	应用层实现
颗粒度	工具/API	自然语言指令
管理	外部服务	内置数据库
使用方式	静态注册	动态激活
适用场景	系统集成	领域知识

简单来说：

•MCP 解决"如何连接外部工具"
•Skill 解决"如何组织领域知识"

八、总结

AskTable Skill 系统代表了一种新的 Agent 能力扩展范式：

核心理念：能力不是固定的，而是按需组装的。

三大特性：

•项目级管理：技能在项目内共享，可复用
•动态激活：Agent 按需调用，控制上下文长度
•AI 优化：通过对话完善技能，降低编辑门槛

适用场景：

•专业领域知识注入
•多租户差异化配置
•技能版本管理和热更新
•跨团队能力复用

随着 Skill 系统的成熟，AskTable 正从"通用数据分析工具"进化为"可定制领域专家平台"。

加入 AskTable 社群

咨询我们