LangChain überarbeitet Skills in Deep Agents: Tools lassen sich an Skills binden und Skills fest vorladen

Warum LangChain Skills geändert hat

Ein Skill ist ein Ordner mit Anweisungen, Skripten und Referenzdateien, der einem Agenten beibringt, wie er eine Aufgabe erledigt, etwa die Vorbereitung eines Kundentermins oder die Auswertung von Gesprächsprotokollen. Im Kern ist ein Skill laut LangChain eine Markdown-Datei. Agent Skills sind ein offener Standard, der mit jedem Modell funktioniert und nach Angaben des Unternehmens von Dutzenden Agentenprodukten unterstützt wird.

Skills beruhen auf Progressive Disclosure. Der Agent sieht zunächst nur Name und Beschreibung jedes Skills und liest die vollständigen Anweisungen erst, wenn eine Aufgabe sie erfordert. So bleibt der Kontext klein. LangChain beobachtet nach eigenen Angaben, dass Skill-Register in Unternehmen auf Tausende Skills anwachsen, die von mehreren Teams und Agenten gemeinsam genutzt werden. Dieses Wachstum verändere, was Teams benötigen.

Als Beispiel dient im Beitrag der hauseigene GTM-Agent von LangChain. Er basiert auf Deep Agents und verfügt über eine Bibliothek mit mehr als 50 Skills, die die wiederkehrenden Aufgaben eines Vertriebsmitarbeiters abdecken, darunter meeting-prep, call-transcripts und competitive-intel-card.

Tools an Skills binden

Bisher wurden Skills und Tools getrennt offengelegt. Tool-Schemas ließen sich zwar per Tool-Suche aus dem Kontext heraushalten, aber nichts verband ein Tool mit dem Skill, der es erklärt. Ein Agent konnte ein Tool aufrufen, ohne den zugehörigen Skill gelesen zu haben, oder den Skill lesen und trotzdem erst nach den Tools suchen müssen.

Jetzt lassen sich Tools an einen Skill binden. Ein gebundenes Tool wird dem Kontext erst hinzugefügt, wenn der Agent seinen Skill liest. Ein Aufruf davor schlägt als unbekanntes Tool fehl. Die Tools werden im Frontmatter des Skills unter metadata.include_tools aufgelistet und an SkillsMiddleware statt an den Agenten übergeben. Im GTM-Beispiel schaltet das Lesen von call-transcripts die Tools search_calls und get_transcript frei.

Die Tools kommen in einer neuen Systemnachricht an, sodass das gecachte Präfix davor unverändert bleibt. LangChain zufolge erlauben Anthropic und OpenAI inzwischen, dass neuere Modelle mitten in einer Konversation Tools akzeptieren. Bei diesen Modellen fügt Deep Agents die gebundenen Tools eines Skills direkt nach dem Lesen des Skills hinzu, ohne den Prompt-Cache zu brechen. Bei anderen Modellen werden die Tools wie bisher an die Anfrage angehängt.

Für mehr Kontrolle kann ein Skill statt Tool-Namen ein Label angeben, und eine an SkillsMiddleware übergebene Funktion wandelt jedes Label in Tools um. So lässt sich eine ganze Tool-Gruppe, etwa alle Tools eines MCP-Servers, unter einem Namen offenlegen. Zudem können Tools an Berechtigungen zur Laufzeit geknüpft werden. In LangChains Beispiel erhält pipeline-forecast CRM-Tools, aber nur Manager dürfen die Prognose aktualisieren.

Gepinnte Skills und Neuladen mitten im Thread

Wenn ein Nutzer bereits weiß, welchen Skill er will, etwa durch die Eingabe von /meeting-prep für einen Termin am nächsten Tag, sähe das Modell normalerweise nur die Beschreibung und müsste den Skill erst lesen. Das kostet einen zusätzlichen Durchlauf und garantiert nicht, dass der richtige Skill geladen wird.

Bei gepinnten Skills findet die App Skill-Namen in der Nachricht oder liest sie aus einer Benutzeroberfläche aus und übergibt sie in pinned_skills. Die Middleware fügt dann die Anweisungen jedes Skills vor dem nächsten Modellaufruf zur Konversation hinzu. Deep Agents parst Nachrichten nicht selbst, die Syntax wählen also die Entwickler. LangChain zufolge beginnt der Agent damit die Arbeit bei Modellaufruf 1 statt bei Modellaufruf 2, was die Latenz senkt und das Verhalten berechenbarer macht. Jeder gepinnte Skill wird einmalig als markierte Nachricht eingefügt, sodass frühere Nachrichten nie verändert werden, der Prompt-Cache gültig bleibt und eine Chat-Oberfläche den Skill als Label statt als vollständigen Text anzeigen kann.

Skills werden zu Beginn jedes Threads geladen und im Agentenzustand gehalten. Wird beim Aufruf des Agenten skills_metadata auf None gesetzt, macht das diese Liste nun ungültig, sodass der nächste Durchlauf alle Quellen neu durchsucht und hinzugekommene Skills erkennt. Da das Zurücksetzen lediglich eine Eingabe des Durchlaufs ist, kann eine App einen clientseitigen /reload-Befehl anbieten. Auch aus update_state oder aus einer Middleware heraus ist das Zurücksetzen möglich.

Ein Neuladen, das neue Skills findet, verändert den System-Prompt und macht den Prompt-Cache ungültig. LangChain argumentiert, dass diese Kosten bei einem ruhenden Thread meist ohnehin schon angefallen sind, da die Caches der Anbieter bei Inaktivität typischerweise innerhalb von Minuten bis zu einer Stunde verfallen.

Was das für Teams bedeutet

Laut LangChain bedeuten die Neuerungen, dass Tools nur geladen werden, wenn ein Skill sie braucht, dass die für einen Workflow nötigen Skills von Anfang an bereitstehen und dass lang laufende Threads aktuell bleiben, wenn sich eine Bibliothek ändert. Da Skills ein offener Standard sind, funktionieren die von einem Team geschriebenen Skills nach Angaben des Unternehmens über Modelle und Agenten hinweg.

Alle Funktionen sind im neuesten deepagents-Release verfügbar. LangChain verweist Entwickler auf die Skills-Dokumentation und bittet um Feedback über GitHub Issues, das Forum oder X.