概览
大语言模型拥有广泛的通用知识，但它们并不了解您所在领域的具体指标、数据库架构或计算公式。如果没有这种背景信息，模型就会进行猜测，从而导致 SQL 错误和分析缺陷。
RMI ADK 智能体通过技能 解决了这一限制。假设用户
询问 “昨天 Storrow Drive 的拥堵情况如何？”。为了回答这个问题，智能体必须
知道 RMI 将拥堵情况表示为 出行时间指数 (TTI)，即
实时 duration_in_seconds 与自由流 static_duration_in_seconds 在
historical_travel_time 表中的比率。没有技能的智能体可能会发明一个 average_speed 列（RMI 仅报告分类速度，从不报告 km/h），或者应用错误的公式，从而生成一个自信但错误的答案。
虽然智能体需要这种领域知识，但将每个指标定义、表架构和 SQL 注意事项都放入单个系统提示中效率低下。
大型系统提示的限制
将所有领域规则和架构都放入单个系统提示中会导致以下几个问题：
- 成本更高，响应速度更慢：每次都发送大量提示会浪费令牌并增加延迟时间，即使对于不需要这些规则的问题也是如此。
- 指令遵循能力更差：随着提示因极端情况而变得越来越长， 模型更有可能忽略或忘记特定规则。
- 维护难度更大：将所有内容组合到一个提示中，使得在不破坏其他规则的情况下更新或测试单个规则变得困难。
技能
智能体技能 将领域知识整理到模块化文件夹中，智能体仅在需要时加载这些文件夹。每个技能都是一个目录，其中包含一个带有 Markdown 说明和 YAML 标头的 SKILL.md 文件。
智能体不会预先加载所有内容，而是在其基本提示中仅保留每个技能的简短 description。当用户提出与技能相关的问题时，智能体会加载该轮的完整说明。这样可以保持提示较小，并为实际对话记录节省上下文空间。
技能还提供了清晰的关注点分离：您可以单独编写、测试和更新各个功能，而不会在不相关的领域中造成意外的副作用。生产智能体通常使用多个专注的技能，而不是一个巨大的提示。
技能剖析
SKILL.md 文件包含两个部分：用于路由的 YAML 标头和用于说明的 Markdown 正文。
1. YAML 标头
---
name: rmi-traffic-metrics-grounding
description: >
Standard traffic performance metrics computable from RMI BigQuery
tables. Covers congestion severity (TTI), delay, travel time
reliability (LOTTR, BTI, PTI, CoV), congestion frequency, speed
breakdowns, and network-wide congestion rates. Use when the user asks
about traffic conditions, congestion, reliability, delay, or network
health.
---
模型使用 description 来决定是否加载技能。由于模型在决定加载技能之前只会看到此说明，因此请确保其中清楚列出了涵盖的主题、典型的用户措辞以及何时触发该技能。
2. Markdown 正文
正文提供了模型加载后遵循的领域特定指导。
RMI 指标技能正文包括确切的 TTI 公式 (duration_in_seconds / static_duration_in_seconds)、每个指标的经过验证的 BigQuery SQL 模板，以及将用户意图映射到正确指标的触发短语。提供结构化、经过验证的说明可确保模型有依据，并防止其猜测架构或公式详细信息。
使用 ADK 注册技能
将技能分组到 SkillToolset 中，并将其添加到智能体的工具列表中：
from google.adk import skills
from google.adk.tools import skill_toolset
rmi_skill_toolset = skill_toolset.SkillToolset(
skills=[
# TRAFFIC_METRICS_SKILL_DIR points to the skill's SKILL.md folder.
skills.load_skill_from_dir(TRAFFIC_METRICS_SKILL_DIR),
],
)
# root_agent = llm_agent.Agent(..., tools=[*bq_tools, rmi_skill_toolset])
在这里，TRAFFIC_METRICS_SKILL_DIR 指向包含流量指标接地技能的目录。
将工具与技能捆绑
由于技能是基于文本的说明，因此仅依靠模型来解释和执行复杂的逻辑可能会导致不一致。将可执行工具附加到技能可提供确定性：代码处理严格的计算、验证和 API 交互，而技能则指示模型何时以及如何使用它们。
捆绑工具还可以避免全局上下文膨胀。工具不会预先公开每个专用工具，而是限定为仅在相应的领域技能处于活动状态时加载。
您可以直接在技能的 YAML 标头中将特定工具附加到技能：
metadata:
adk_additional_tools:
- calculate_custom_metric
这样可确保模型及时收到工具架构及其使用说明，从而保持基本工具集的精简。
示例：接地拥堵查询
- 用户询问“晚高峰时段 Storrow Drive 的拥堵情况如何？”
- 基本系统提示仅宣传每个技能的名称和说明，因此智能体看到
rmi-traffic-metrics-grounding涵盖“拥堵”，并调用load_skill以提取此查询的完整说明。 - 加载技能后，智能体会应用 TTI 定义及其提供的经过验证的 SQL 模板，根据
historical_travel_time计算比率，而不是猜测公式。
由于仅在查询需要时才会提取技能的正文，因此智能体从未使用过的技能永远不会进入上下文，从而保持基本系统提示较小。
要点总结
- 使用领域指导接地：提供明确的说明、约束、 和业务逻辑，而不是依赖于一般的模型假设。
- 使用模块化技能：将知识拆分为专注的技能，而不是一个巨大的系统提示，以节省 token、缩短延迟时间并提高准确率。
- 编写清晰的说明：添加特定的触发短语和关键字 在每个技能的说明中，以便智能体可靠地加载该技能。
- 添加具体示例：向技能正文中添加经过验证的示例和参考 工作流，以保持输出的一致性和准确性。
- 捆绑工具以实现确定性：将可执行工具附加到技能，以 处理严格的验证和执行，同时保持基本工具集的精简。
后续步骤
- 探索高级技能模式：阅读 使用技能构建 ADK 智能体的开发者指南 ，了解 ADK 技能。
贡献者
Nathaniel Thomas | 软件工程实习生，Google Maps Platform