總覽
大型語言模型具備廣泛的通用知識，但不知道您網域的特定指標、資料庫結構定義或計算公式。如果沒有這個背景資訊，模型就會猜測，導致 SQL 錯誤和分析有瑕疵。
RMI ADK 代理會透過技能解決這項限制。假設使用者詢問「昨天 Storrow Drive 的交通壅塞程度如何？」如要回答，服務專員必須知道 RMI 會以旅行時間指數 (TTI) 表示壅塞程度，也就是historical_travel_time 表格中即時 duration_in_seconds 與暢通 static_duration_in_seconds 的比率。如果代理程式沒有相關技能，可能會發明 average_speed 欄位 (RMI 報表只會提供類別速度，不會提供時速 (公里/小時))，或套用錯誤的公式，產生自信但錯誤的答案。
雖然代理程式需要這類領域知識，但將所有指標定義、資料表結構和 SQL 注意事項放入單一系統提示中，效率不彰。
大型系統提示的限制
將所有網域規則和結構定義放入單一系統提示會造成下列問題：
- 成本較高且回應速度較慢：在每個回合中傳送大量提示會浪費權杖並增加延遲時間，即使是無需這些規則的問題也是如此。
- 遵循指令的能力變差：隨著提示越來越長，包含的極端情況也越來越多，模型越有可能忽略或忘記特定規則。
- 維護難度較高：將所有內容合併為一個提示後，更新或測試個別規則時，很容易影響其他規則。
技能
代理程式技能會將網域知識整理到模組化資料夾，代理程式只會在需要時載入。每個技能都是一個目錄，內含 SKILL.md 檔案，其中包含 Markdown 指令和 YAML 標頭。
代理不會預先載入所有內容，只會在基本提示中保留每個技能的簡短 description。當使用者提出與技能相關的問題時，代理程式會載入該回合的完整指令。這樣一來，提示就會變小，並為實際對話記錄保留背景資訊空間。
技能也能清楚劃分關注事項：您可以獨立撰寫、測試及更新個別功能，而不必擔心不相關網域會產生非預期的副作用。製作代理程式通常會使用多項專注技能，而不是一個巨大的提示。
技能剖析
SKILL.md 檔案包含兩個部分：用於路徑的 YAML 標頭，以及用於指令的 Markdown 內文。
1. YAML 標頭
---
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.
---
模型會使用 description 判斷是否要載入技能。因為模型只會在決定載入技能前看到這段說明，請務必清楚列出涵蓋的主題、一般使用者用語，以及觸發技能的時機。
2. Markdown 內文
主體提供模型載入後遵循的特定領域指引。
RMI 指標技能主體包含確切的 TTI 公式 (duration_in_seconds / static_duration_in_seconds)、每個指標的已驗證 BigQuery SQL 範本，以及將使用者意圖對應至正確指標的觸發詞組。提供經過驗證的結構化指令，可讓模型保持在基礎狀態，並避免猜測結構定義或公式詳細資料。
使用 ADK 註冊技能
將技能分組為 SkillToolset，然後新增至代理的工具清單：
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])
這裡的 TRAFFIC_METRICS_SKILL_DIR 指向包含流量指標基礎技能的目錄。
將工具與技能組合
由於技能是文字指令，單靠模型解讀及執行複雜邏輯可能會導致不一致。將可執行的工具附加至技能可提供確定性：程式碼會處理嚴格的計算、驗證和 API 互動，而技能則會指示模型何時及如何使用這些工具。
此外，組合工具也能避免全域環境膨脹。系統不會預先公開所有專業工具，而是只在相應的領域技能啟用時，才載入工具。
您可以在技能的 YAML 標頭中，直接附加特定工具：
metadata:
adk_additional_tools:
- calculate_custom_metric
這可確保模型及時收到工具結構定義和使用說明，讓基本工具組保持精簡。
範例：根據擁塞查詢結果進行基礎處理
- 使用者詢問「晚間尖峰時段的 Storrow Drive 壅塞程度如何？」
- 基本系統提示只會宣傳各項技能的名稱和說明，因此代理程式會看到
rmi-traffic-metrics-grounding涵蓋「壅塞」情況，並呼叫load_skill來提取這項查詢的完整指令。 - 載入技能後，代理程式會套用 TTI 定義和提供的已驗證 SQL 範本，並根據
historical_travel_time計算比率，而不是猜測公式。
由於只有在查詢需要時才會擷取技能主體，因此代理程式從未使用過的技能不會進入脈絡，可讓基本系統提示保持簡潔。
重點整理
- 根據網域指引進行訓練：提供明確的指令、限制和商業邏輯，而非依賴一般模型假設。
- 使用模組化技能：將知識拆解成專注的技能，而非一個龐大的系統提示，以節省權杖、縮短延遲時間並提高準確度。
- 撰寫清楚的說明：在每個技能的說明中加入特定觸發字詞和關鍵字，確保代理程式能可靠地載入技能。
- 提供具體範例：在技能主體中加入經過驗證的範例和參考工作流程，確保輸出內容一致且準確。
- 將工具與確定性綁定：將可執行的工具附加至技能，以便處理嚴格的驗證和執行作業，同時維持精簡的基礎工具集。
後續步驟
- 探索進階技能模式：請參閱「Developer's Guide to Building ADK Agents with Skills」(開發人員指南：使用技能建構 ADK 代理)，瞭解 ADK 技能。
貢獻者
Nathaniel Thomas | Google Maps Platform 軟體工程實習生