“ openclaw的出现，打破了传统智能体的僵硬流程，大大扩展了智能体的应用场景。”

最近在研究openclaw在具体业务场景中的应用，然后就利用langchain框架提供的deepagents功能开发一个支持skills的智能体，来优化当前检索增强(RAG)功能。

使用skills实现检索增强

在openclaw出现之前，做RAG检索增强要么是用传统的被动式检索方式，即用户提问，问题优化，相似度计算；要么使用主动检索方式，使用agent主动调用工具实现更复杂的召回策略。

但不管使用哪种方式都存在一个问题，那就是整个系统太僵化了，不够智能；而openclaw爆火之后，特别是使用不同的skills+tools，可以实现更复杂的业务场景。

为什么会有这种想法？

在openclaw之前，开发一个智能体要只能做检索，要么只能完成某个类型的任务；但有了openclaw之后，就可以给智能体提供不同的skills技能，让智能体自主规划，自己使用技能，来完成复杂的任务。

比如说，给智能体提供RAG检索增强的技能，提供写PPT的技能，再接入微信，钉钉等社交工具，这样我们就可以通过给智能体发消息的方式，来让智能体直接帮我们做PPT，做方案，做总结，而缺少的知识点，也可以通过RAG检索增强的方式来补充。

总之，openclaw小龙虾的出现使得智能体能够从一个只会聊天的机器人，变成了一个真正能够解决问题的“人”。

那我是怎么做的呢？

首先，使用deepagents的create_deep_agent创建一个智能体，具体参数如下图所示。skills目录就是技能的存放目录，智能体可以扫描此目录来获取有哪些技能；同时，再给智能体配上检索增强的工具，这样智能体就可以使用技能来调用工具完成任务。

技能详情如下图所示，由skill.md，scripts，agents和references几个模块组成；其中skill.md是技能的描述文件，scripts中是技能需要的脚本；而agents和references中是类似于资源文件的东西，用以辅助技能的执行。

那这个技能是怎么开发出来的呢？是作者自己手写的吗？ 

其实并不是，这个技能的开发是通过codex开发工具，使用skills-creater技能创建工具实现的，通过此工具，只需要描述你所需要的技能能力，以及现在已有的功能，就可以让模型帮我们创建一个符合检索增强能力的技能。

踩坑实录

当然，刚开始做这个技能的时候第一次执行还是出现了一些问题，那就是我想的是让技能直接在脚本中完成工具的调用，然后直接输出工具调用的结果即可；但是，在实际的创建中，技能脚本只有第一个build_search_catalog_params.py脚本，只实现了调用工具的参数，并没有真正调用工具。

因此就导致了一个问题，模型在不断的死循环，因为并没有给它提供真正的检索工具；所以，后面给它重新配置了工具之后就可以正常执行了。

但是，在测试的过程中也发现了一些问题，最明显的就是智能体的能力边界很难把控，它一不小心就越界了，因为给它提供了执行脚本，文件读写的能力，这时它就像一个脱缰的野马，很难控制；这也是为什么现在harness-engineering引擎爆火的原因，它就是用来控制智能体边界的。

通过这次测试发现，openclaw的理念是可以应用到具体的业务场景中的，并且它比之前的智能体要更灵活，更有灵魂，而不是之前那种workflow固定工作流的形式。

本文转载自​​AI探索时代​​ 作者：DFires