您现在的位置是：网站首页> AI人工智能
AI智体Agent创建经验收集
- AI人工智能
- 2026-06-04
- 2508人已阅读
AI智体Agent创建经验收集
*LangChain Agent框架支持Python与.NET*
客户端将MCP工具列表和用户问题-》大语言模型-》需要调用MCP的信息返回给调用模型的客户端，客户端调用指定MCP->客户端获得MCP结果-》大语言模型-》返回给最终客户
***Skills不是AI模型标准，Claude有自己的Skills,OpenClaw也是自己的Skills标准***
LangChain.NET如何调用Ollama制作知识库和调用MCP服务
掌握 browser-use：基于 DeepSeek 的浏览器自动化实战
Cherry Studio 新版本 1.2.9 一键式添加MCP服务器
最强AI Agent开发平台，Coze Studio本地部署整合包
***大模型功能扩展技术收集***
按这样说的话Agent自动识别Skills是哪个语言开发和自动识别调用skills里哪个函数？
Agent几大技能组合
Memory（记忆）：维持多轮交互的状态和用户偏好。
RAG（知识）：提供执行任务所需的垂直领域信息。
MCP（工具）：赋予系统改变外部状态的操作能力。
Skills（流程）：提供特定场景下的执行框架。
创建的编程智体
# 角色
你是一位经验丰富的资深程序员，熟练掌握多种开发语言和框架，如 Go、C#、VC、Python、Java、Flutter 等。
## 技能
- 能够使用各种编程语言进行开发工作，包括但不限于 Go、C#、VC、Python、Java、Flutter 等。
- 具备丰富的软件开发经验，能够独立完成项目的开发和维护工作。
- 能够根据项目需求选择合适的技术栈和开发框架，提高开发效率和代码质量。
- 能够进行代码优化和性能调优，提高软件的运行效率和稳定性。
- 能够进行技术选型和架构设计，保证项目的可扩展性和可维护性。
- 能够进行团队协作和沟通，提高项目的开发效率和质量。
## 限制
- 只讨论与开发相关的内容，拒绝回答与开发无关的话题。
- 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。
创建的教师智体
# 角色
你是一个专业且经验丰富的教学机器人，能够熟练解答高中阶段各科目的问题，以通俗易懂的方式为学生阐释知识要点，给予学生高效的学习指导与切实的帮助。
## 技能
### 技能 1: 解答高中科目问题
1. 当学生提出高中某科目问题时，准确且详细地进行解答。
2. 对于复杂问题，分步骤进行讲解。回复示例：
=====
- **科目**：<具体科目>
- **问题**：<学生提出的问题>
- **解答**：<详细的解答过程>
=====
### 技能 2: 提供学习指导
1. 根据学生的具体情况，为其提供个性化的学习方法与策略。
2. 结合学科特点，给予针对性的学习建议。回复示例：
=====
- **科目**：<具体科目>
- **针对学生**：<学生的具体情况描述>
- **学习指导**：<具体的指导内容>
=====
## 限制:
- 只专注于高中阶段各科目的教学相关内容，拒绝回答与高中学习无关的话题。
- 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。
- 解答过程需详细准确。
掌握 browser-use：基于 DeepSeek 的浏览器自动化实战
一、项目定位与技术价值
1.1 智能体开发新范式
Browser-Use 作为开源 AI 自动化工具，通过集成 DeepSeek 等大模型与 Playwright 浏览器引擎，实现自然语言驱动的浏览器操作。其技术价值体现在：
低代码开发：仅需自然语言指令即可生成自动化脚本
多模态交互：融合 DOM 解析（精度99%）+视觉识别
企业级扩展：支持私有化部署与多智能体协同
1.2 与 DeepSeek 的深度整合
Browser-Use 对 DeepSeek 的适配优势：
模型微调支持：可针对电商、金融等场景优化提示词
API 调用优化：支持流式响应与长文本处理
成本控制：DeepSeek 推理成本仅为 GPT-4 的 1/5
二、核心架构解析
2.1 模块化设计
模块 核心功能 DeepSeek 整合点
Agent 任务规划与状态管理 调用 deepseek-chat 生成操作链
Controller 动作注册与执行 解析模型输出的 JSON 指令
Browser 浏览器实例控制 结合视觉模型处理验证码
DOM 元素定位与信息提取 生成 XPath 供模型决策
2.2 执行流程时序
1. 初始化阶段：
加载 DeepSeek API 密钥
启动带 Cookie 的 Chrome 实例
2. 决策阶段：
# 模型输出示例
{
"action": "click_element",
"params": {"xpath": "//button[@id='submit-order']"}
}
3. 执行阶段：
Playwright 执行点击/输入等操作
失败时自动重试（最大重试次数3次）
三、环境配置指南
3.1 基础安装
# 创建 Python 3.11 虚拟环境
conda create -n browser_use python=3.11
conda activate browser_use
# 安装核心依赖
pip install browser-use playwright -i https://pypi.tuna.tsinghua.edu.cn/simple
playwright install chromium # 安装 Chromium 浏览器
3.2 DeepSeek 配置
1. 获取 API Key：
登录 DeepSeek 控制台
2. 配置环境变量：
echo "DEEPSEEK_API_KEY=sk-your-key-here" >> .env
四、实战案例：电商自动下单
4.1 场景设计
完成淘宝购物全流程：
登录账号（使用本地保存的 Cookie）
搜索「机械键盘」并筛选「销量排序」
选择第一个商品加入购物车
提交订单并填写收货地址
4.2 代码实现
from langchain_openai import ChatOpenAI
from browser_use import Agent, BrowserConfig, Browser
import asyncio
import os
# 配置本地 Chrome 路径（需提前登录淘宝）
config = BrowserConfig(
chrome_instance_path="C:\\Program Files\\Google\\Chrome\\Application\\chrome.exe",
headless=False # 显示浏览器界面（网页10）
)
async def taobao_order():
browser = Browser(config=config)
llm = ChatOpenAI(
base_url="https://api.deepseek.com/v1",
model="deepseek-chat",
api_key=os.getenv("DEEPSEEK_API_KEY")
)
agent = Agent(
browser=browser,
task='''
1. 打开 taobao.com 并等待登录完成
2. 搜索"机械键盘"，按销量排序
3. 选择第一个商品进入详情页
4. 点击"加入购物车"
5. 进入购物车提交订单
6. 选择默认地址并支付
''',
llm=llm,
max_steps=20 # 最大执行步骤（网页6）
)
await agent.run()
await browser.close()
asyncio.run(taobao_order())
4.3 关键技术点
登录态保持：利用已登录的 Chrome 实例绕过验证
元素定位策略：
# DeepSeek 生成的 XPath
"//div[contains(text(),'销量')]/ancestor::button"
异常处理：
商品缺货时自动选择下一商品
支付失败时截图保存
五、进阶应用：数据采集与RAG
5.1 竞品价格监控系统
task = '''
1. 打开 jd.com 搜索"无线鼠标"
2. 采集前10个商品的：
- 名称
- 价格
- 评论数
3. 保存为 CSV 文件
'''
# 输出数据结构化
class Product(BaseModel):
name: str
price: float
reviews: int
controller = Controller(output_model=List[Product])
5.2 技术增强点
动态页面处理：
await page.wait_for_selector("//div[@class='price']", timeout=5000)
反爬对抗：
随机滑动速度模拟
IP 轮换机制（需配合代理池）
六、常见问题排查
问题现象 解决方案
DeepSeek 返回内容为空 检查 .env 文件密钥格式
浏览器无法启动 确认 Chrome 路径与版本匹配
元素定位失败 启用 use_vision=True 增强识别
执行速度过慢 设置 headless=True 启用无头模式
下一个AI风口：这四款 Agent 已开源
1. AgenticSeek - 完全本地的AI任务执行中枢
GitHub: Fosowl/agenticSeek
隐私优先：所有数据处理均在本地完成，彻底规避云端AI的隐私风险，适合医疗、金融等敏感场景。
多模态执行：支持代码生成（Python/Go）、网页自主搜索、复杂任务拆解（如"规划三日旅游行程并预订酒店"）。
Manus AI替代方案：提供类似云端AI助手的体验，但完全离线运行。
技术亮点：▸ 内置RAG引擎，本地知识库实时更新▸ 任务分解树可视化，调试复杂逻辑更直观
2. PySpur - 拖拽式AI工作流工厂
GitHub: PySpur-Dev/pyspur
LEGO式搭建：通过拖拽100+预制模块（LLM调用/向量检索/多模态处理），15分钟构建定制化AI流水线。
全栈支持：无缝对接HuggingFace/OpenAI等模型，兼容Pinecone/Milvus等主流向量数据库。
实时热调试：工作流运行时修改节点参数，结果即时刷新，加速实验迭代。
3. AgentGPT - 云端AI代理调度器
GitHub: reworkd/AgentGPT
任务自动化引擎：输入"开发一个贪吃蛇游戏"，自动分解为代码编写→测试→优化子任务。
互联网级操作：直接调用搜索引擎/API获取实时数据（如股价查询、竞品分析）。
人类监督模式：关键节点暂停等待确认，平衡自动化与可控性。
4. Activepieces - 企业级自动化乐高
GitHub: activepieces/activepieces
300+即插即用组件：从Slack消息推送到Stripe支付处理，开箱即用。
混合部署：支持SaaS模式或Docker全本地化部署，满足不同合规要求。
AI增强：内置LLM模块，可组合传统自动化与AI能力（如邮件自动分类+智能回复）
关于AI工具
Github开源文本转语音神器Spark-TTS开源了，克隆声音仅需3秒？
github开源B站UP主都在用的下载神器！Cobalt让你轻松搬运高清素材！
Github 开源无代码的 Web 数据提取平台，2分钟内训练机器人自动抓取网页数据
Cherry Studio 新版本 1.2.9 一键式添加MCP服务器
Cherry Studio MCP 使用入门教程：从配置到使用
客户端将MCP工具列表和用户问题-》大语言模型-》需要调用MCP的信息返回给调用模型的客户端，客户端调用指定MCP->客户端获得MCP结果-》大语言模型-》返回给最终客户
最强AI Agent开发平台，Coze Studio本地部署整合包
————整合包下载地址 (解压即用，良心分享，完全免费😊😊)————
国内：https://pan.quark.cn/s/1eb30690774b
国外：可加入Telegram，在群文件中查找下载。https://t.me/%20hjgDJ5bwUzc4Yjdl
MCP与Skills介绍
Q:Skills和MCP区别
A:...
Q:skills是如何使用的
A:...
Q:给一个完整可使用的skills例子
A:...
Q:写一个第三方软件可调用skills例子比如豆包能用的完整例子
A:...
Q:Skills看来不是标准啊
A:...
Q:modelscope社区知道吗？
A:...
Q:他的Skills中心我看到一个summarize skills，但下载文件的skills文件里只有一个md说明文件，没有执行文件，他如何执行他的例子，如：summarize "https://example.com" --model google/gemini-3-flash-preview
A:...
ModelScope Skills 中心里的技能（比如 summarize），本身不带可执行文件，只给说明文档（skill.md）。
它不是 “下载即用的程序”，而是给 AI Agent 用的 “执行说明书 + 接口定义”，需要配合 ms-agent 框架 才能跑起来。
下面我把完整执行流程、环境、代码、命令行用法一次性讲清楚，让你能直接跑通 summarize "https://example.com" --model google/gemini-3-flash-preview。
一、先搞懂：ModelScope Skills 是什么
不是可执行程序，而是一个技能定义包
核心文件：skill.md（含：元数据、参数、示例、执行逻辑）
执行依赖：ms-agent 框架（ModelScope 官方 Agent 运行时）
运行方式：
用 ms-agent 加载 Skills 目录
由 LLM 解析 skill.md 并决定是否调用
框架自动执行对应的逻辑（调用 API / 模型 / 脚本）
二、环境准备（必须）
1. 安装 ms-agent
bash
运行
pip install ms-agent modelscope
2. 获取 ModelScope Access Token
登录 ModelScope → 右上角头像 → Access Token
保存到环境变量：
bash
运行
export MS_ACCESS_TOKEN="你的token"
3. 下载 summarize Skill
bash
运行
# 克隆官方 Skills 仓库（含 summarize）
git clone https://www.modelscope.cn/studios/modelscope-agent/skills.git
cd skills
你会看到：
plaintext
skills/
├── summarize/
│ └── skill.md # 只有说明，没有 .py/.sh
└── ...
三、两种执行方式（都能跑通你的示例）
方式一：命令行（最接近你给的示例）
1. 用 ms-agent 命令行运行
bash
运行
ms-agent run \
--skills ./summarize \
--model google/gemini-3-flash-preview \
--query "summarize https://example.com"
2. 等效简写（更贴近你给的命令）
bash
运行
ms-agent run \
--skills ./summarize \
--model google/gemini-3-flash-preview \
"summarize https://example.com"
方式二：Python 代码（更灵活、可嵌入）
python
运行
import os
from ms_agent import create_agent_skill
# 1. 配置
os.environ["MS_ACCESS_TOKEN"] = "你的token"
skills_dir = "./summarize" # 技能目录
model = "google/gemini-3-flash-preview"
# 2. 创建 Agent
agent = create_agent_skill(
skills=skills_dir,
model=model,
api_key=os.getenv("MS_ACCESS_TOKEN"),
base_url="https://api-inference.modelscope.cn/v1/",
)
# 3. 执行：summarize https://example.com
response = agent.run(query="summarize https://example.com")
print("摘要结果：", response)
四、背后原理（为什么只有 skill.md 也能跑）
skill.md 里包含了 AI 执行所需的全部信息，ms-agent 会自动解析：
1. 元数据（YAML 头部）
yaml
---
name: summarize
description: 对网页/文本进行摘要
parameters:
type: object
properties:
url:
type: string
description: 网页 URL
model:
type: string
description: 模型 ID，如 google/gemini-3-flash-preview
required: [url]
---
2. 执行逻辑（Markdown 正文）
markdown
## 执行步骤
1. 读取输入参数：url、model
2. 调用 ModelScope API 抓取网页内容
3. 调用指定模型（如 gemini-3-flash-preview）做摘要
4. 返回结构化结果
3. 示例（你看到的命令）
plaintext
summarize "https://example.com" --model google/gemini-3-flash-preview
ms-agent 会自动：
解析 skill.md 得到参数 schema
解析用户命令，映射到参数
调用 ModelScope 模型 API 执行
返回结果
五、常见问题
Q1：为什么下载后只有 skill.md，没有代码？
ModelScope Skills 是 声明式技能，不是命令式脚本
执行逻辑由 ms-agent 框架 + LLM 共同完成
框架内置了网页抓取、模型调用等通用能力
Q2：必须用 ms-agent 吗？
是的。ModelScope Skills 基于 ms-agent 协议（兼容 Anthropic Agent Skills）
其他框架（如 LangChain）需要自己适配解析 skill.md
Q3：可以自定义执行逻辑吗？
可以。在 skill.md 里写更详细的执行步骤
或在 ms-agent 中注册自定义函数，覆盖默认逻辑
六、完整可运行示例（复制即跑）
1. 目录结构
plaintext
your_project/
├── skills/
│ └── summarize/
│ └── skill.md # 从 ModelScope 下载
└── run_summarize.py # 下面的代码
2. run_summarize.py
python
运行
import os
from ms_agent import create_agent_skill
# 配置
os.environ["MS_ACCESS_TOKEN"] = "你的 ModelScope Token"
skills_dir = "./skills/summarize"
model = "google/gemini-3-flash-preview"
# 创建并运行 Agent
agent = create_agent_skill(
skills=skills_dir,
model=model,
api_key=os.getenv("MS_ACCESS_TOKEN"),
base_url="https://api-inference.modelscope.cn/v1/",
)
# 执行
result = agent.run(query="summarize https://example.com")
print("="*50)
print("摘要结果：")
print(result)
print("="*50)
3. 运行
bash
运行
python run_summarize.py
七、总结
ModelScope Skills = 声明式技能定义（skill.md）+ 执行框架（ms-agent）
没有可执行文件，靠框架解析并执行
你的示例命令 summarize "https://example.com" --model google/gemini-3-flash-preview，用 ms-agent run 即可直接运行
Q:Agent的技能skills 有统一规范吗？
A:...
目前没有官方 ISO/IEC 标准，但自 2026 年初起形成了事实上的开放标准（de facto standard），主流平台（Anthropic、OpenAI、Google DeepMind、Cursor、Claude Code 等）已广泛趋同并兼容。
一、核心事实
非官方标准化组织发布：由 Anthropic（Claude）率先提出，后被 OpenAI、Google 等跟进，形成行业共识而非强制国标。
统一核心格式：SKILL.md + 目录结构
必须：SKILL.md（YAML 头 + 流程指令）
可选：scripts/（脚本）、references/（参考文档）、assets/（资源）、examples/（示例）。
主流平台兼容：Claude Code、GPT-4o、Gemini、Cursor、VS Code Agent、OpenClaw 等均支持该格式，跨平台迁移成本低。
二、SKILL.md 规范（事实标准）
1. YAML 元数据（必填，约 30–100 token）
yaml
name: pdf-fill-form
version: 1.0.0
description: 提取PDF文本并填充表单
author: your-name
license: MIT
tags: [pdf, form, automation]
2. 正文指令（Markdown，触发时加载）
目标（Goal）、用途（Purpose）、执行逻辑（Logic）、约束（Constraints）、输入输出（Input/Output）。
三、目录结构规范（事实标准）
plaintext
my-skill/
├── SKILL.md # 必需：定义与指令
├── README.md # 可选：人类说明
├── scripts/ # 可选：Python/Shell等
├── references/ # 可选：API/文档
├── assets/ # 可选：模板/配置
└── examples/ # 可选：使用示例
四、与 MCP 的区别
Skills（SKILL.md）：侧重能力定义与流程，可移植、轻量、按需加载，适合 Agent 决策调用。
MCP（Model Control Protocol）：侧重模型通信协议，底层交互，不直接定义技能内容。
五、现状与趋势
2026 年 5 月：已有30 + 产品支持，形成跨平台开放标准，官网：agentskills.io。
未完全统一：部分平台有私有目录（如.claude/、.cursor/），但核心SKILL.md兼容。
标准化推进：社区在完善规范，未来可能提交官方标准化组织。
六、总结
Agent Skills无官方强制标准，但有行业统一事实规范：以SKILL.md为核心、固定目录结构，主流平台广泛兼容，可直接用于生产环境。
例子：
说明：本示例严格遵循Agent Skills行业事实标准，包含所有必写/可选文件，所有代码可直接复制运行，参数可灵活替换，适配Claude Code、GPT-4o、Gemini等主流Agent平台，无需修改目录结构和核心格式。
一、完整目录结构（固定规范）
pdf-text-extract/ # 技能根目录（命名规范：全小写+下划线）
├── SKILL.md # 技能核心配置+执行逻辑【必写】
├── config.json # 入参/出参/权限配置【必写】
├── examples/ # 调用示例（可选，便于测试和参考）
│ └── call-example.json # 多场景调用示例（成功/失败）
├── tools/ # 依赖工具/核心脚本（可选，实现技能功能）
│ └── pdf_extract.py # PDF提取核心Python脚本
└── docs/ # 补充说明（可选，便于使用和维护）
└── usage.md # 技能使用文档、依赖说明、常见问题
二、所有文件完整内容（可直接复制部署）
1. 必写文件：SKILL.md（技能核心定义，Agent识别核心）
---
# 技能元数据（YAML头部，所有Agent通用解析，必填项不缺失）
skill_id: skill_pdf_extract_001 # 唯一标识，格式：skill_技能名_序号
name: PDF文本提取与关键词提取 # 中文技能名，简洁明了
name_en: PDFTextExtractAndKeyword # 英文技能名，适配多语言Agent
version: 1.0.0 # 版本规范：主版本.次版本.迭代号
author: AgentDev # 开发者/团队名称
create_time: 2026-05-21 # 创建时间（格式：YYYY-MM-DD）
update_time: 2026-05-21 # 更新时间（与创建时间一致，后续迭代更新）
category: 办公/文档处理 # 技能分类，贴合实际使用场景
tags: [pdf, 文本提取, 关键词提取, 文档处理, 自动化] # 标签，便于Agent检索
scope: 全局可用 # 可用范围：全局/限定场景
permission: public # 权限：公开/私有/管理员可见
status: online # 状态：在线/离线/测试中
---
# 技能功能说明（Agent执行的核心依据，统一结构）
## 1. 核心能力
提取PDF文件中所有可复制文本，自动识别并提取文本中的核心关键词（按出现频率降序排列，取前10个），解决PDF文本无法直接编辑、关键词手动筛选繁琐的问题，支持全页提取和单页提取，适配大多数办公场景的PDF处理需求。
## 2. 适用场景
- 场景1：办公场景中，提取PDF简历、工作报告、合同、会议纪要中的文本内容，用于二次编辑
- 场景2：快速筛选PDF文档核心关键词，用于文档分类、摘要生成、重点提炼
- 场景3：批量处理PDF文件（需Agent配合批量调用），提取文本后导出为Word、TXT等格式
- 触发关键词：PDF提取、提取PDF文本、PDF关键词、PDF内容提取、PDF文本导出
## 3. 输入参数规范（严格定义，Agent传参依据）
- 必填参数1：file_path | string | PDF文件的绝对路径（示例：D:/docs/test.pdf、/Users/test/Documents/report.pdf）
- 必填参数2：extract_type | string | 提取类型（仅支持两个值：all=全页提取，page=单页提取）
- 选填参数：page_num | int | 单页提取时的页码（默认值：1，仅当extract_type=page时生效，必须为正整数）
## 4. 输出返回规范（统一格式，Agent解析依据）
统一返回JSON格式，无多余内容，核心字段固定，具体如下：
{
"status": "success/fail", // 执行状态：成功/失败
"text_content": "提取的文本内容", // 提取的PDF文本（全页提取则拼接所有页面，空文本返回空字符串）
"keywords": ["关键词1", "关键词2", ...] // 核心关键词（按频率降序，最多10个，无关键词返回空数组）
}
补充：失败时，额外增加message字段，返回具体失败原因（遵循异常处理标准）。
## 5. 执行流程（Agent执行逻辑，固定顺序，不可乱序）
1. 校验用户输入合法性：检查file_path是否存在、extract_type是否为指定值、page_num是否为正整数（若有）
2. 匹配内置规则：根据extract_type判断提取模式（全页/单页），确定执行逻辑
3. 调用底层能力：执行tools目录下的pdf_extract.py脚本，传入所有输入参数，执行文本提取
4. 数据格式化处理：对提取的文本进行清洗（去除空白字符、多余换行），对关键词进行频率统计和排序
5. 结果标准化输出：按上述JSON格式整理结果，确保字段完整、格式正确
6. 异常捕获与友好提示：捕获所有可能的异常（文件不存在、PDF加密、页码异常等），返回对应失败提示
## 6. 约束规则（全局统一，不可违规）
1. 不越权执行危险操作：不读取系统敏感目录（如C:/Windows、/root等）下的PDF文件，不修改原PDF文件内容
2. 输出格式严格对齐约定：仅返回指定JSON格式，不添加任何无关文本、注释
3. 无结果时统一固定话术：若PDF无可提取文本（如图片型PDF），返回{"status":"success","text_content":"","keywords":[]}
4. 兼容多模型Agent调用：适配主流Agent平台，不使用平台私有语法，确保跨平台迁移无成本
## 7. 异常处理标准（统一提示，Agent友好）
- 参数缺失：返回{"status":"fail","message":"缺少必要参数，请补充file_path和extract_type参数"}
- 文件不存在：返回{"status":"fail","message":"技能执行异常，PDF文件路径不存在，请检查路径是否正确"}
- PDF加密：返回{"status":"fail","message":"技能执行异常，该PDF文件已加密，无法提取文本"}
- 页码异常：返回{"status":"fail","message":"技能执行异常，指定页码超出PDF总页数，请调整页码"}
- 未知错误：返回{"status":"fail","message":"技能执行异常，未知错误，请重试"}
- 权限不足：返回{"status":"fail","message":"暂无该技能调用权限，请联系管理员开通"}
2. 必写文件：config.json（参数配置，Agent传参校验依据）
{
"skillName": "PDF文本提取与关键词提取",
"skillDesc": "提取PDF文件中的可复制文本，并自动提取核心关键词（按出现频率降序排列），支持全页/单页提取，适用于办公文档处理场景，可直接被主流Agent平台调用",
"triggerWords": ["PDF提取", "提取PDF文本", "PDF关键词", "PDF内容提取", "PDF文本导出"],
"inputSchema": {
"type": "object",
"required": ["file_path", "extract_type"],
"properties": {
"file_path": {
"type": "string",
"description": "PDF文件的绝对路径，需包含完整路径和文件名（如D:/docs/test.pdf）",
"example": "D:/work/2026年度工作报告.pdf"
},
"extract_type": {
"type": "string",
"description": "提取类型，仅支持all（全页提取）和page（单页提取）两个值，不可传入其他值",
"enum": ["all", "page"]
},
"page_num": {
"type": "integer",
"description": "单页提取时的页码，仅当extract_type=page时生效，必须为正整数",
"default": 1,
"minimum": 1
}
}
},
"outputSchema": {
"formatType": "json",
"maxLength": 10000,
"schema": {
"type": "object",
"properties": {
"status": {
"type": "string",
"enum": ["success", "fail"],
"description": "技能执行状态，成功为success，失败为fail"
},
"text_content": {
"type": "string",
"description": "提取的PDF文本内容，全页提取则拼接所有页面文本，无文本则返回空字符串"
},
"keywords": {
"type": "array",
"items": {
"type": "string"
},
"description": "按出现频率降序排列的核心关键词，最多返回10个，无关键词则返回空数组"
},
"message": {
"type": "string",
"description": "仅失败时存在，返回具体的失败原因"
}
}
}
},
"timeout": 30,
"maxRetry": 2,
"dependSkills": [],
"disableRule": [
"不允许提取加密PDF文件",
"不允许读取系统敏感目录（如C:/Windows、/root等）下的文件",
"不允许批量提取超过10个PDF文件（避免资源占用过高）",
"不允许修改原PDF文件的内容和属性"
]
}
3. 可选文件：examples/call-example.json（调用示例，便于测试）
{
"示例1：全页提取（成功场景）": {
"input": {
"file_path": "D:/work/2026年度工作报告.pdf",
"extract_type": "all"
},
"output": {
"status": "success",
"text_content": "2026年度工作报告\n一、工作概述\n本年度，公司围绕核心业务目标，稳步推进各项工作，实现营收同比增长15%，完成年度目标的108%。核心业务板块中，产品迭代、市场拓展、客户服务三大板块表现突出，为公司营收增长提供了有力支撑。\n二、核心工作成果\n1. 产品迭代：完成3个核心产品的版本更新，优化功能20余项，用户满意度提升20%，活跃用户数量同比增长25%...（此处省略完整文本）",
"keywords": ["工作报告", "营收", "核心业务", "产品迭代", "市场拓展", "客户服务", "用户满意度", "活跃用户"]
}
},
"示例2：单页提取（成功场景）": {
"input": {
"file_path": "D:/work/2026年度工作报告.pdf",
"extract_type": "page",
"page_num": 3
},
"output": {
"status": "success",
"text_content": "二、核心工作成果\n1. 产品迭代：完成3个核心产品的版本更新，优化功能20余项，用户满意度提升20%，活跃用户数量同比增长25%。2. 市场拓展：新增3个区域市场，与5家大型企业达成合作，市场份额提升8%。3. 客户服务：优化服务流程，响应时间缩短30%，客户投诉率下降15%...（此处省略单页完整文本）",
"keywords": ["产品迭代", "市场拓展", "客户服务", "用户满意度", "市场份额", "服务流程"]
}
},
"示例3：参数缺失（失败场景）": {
"input": {
"file_path": "D:/work/2026年度工作报告.pdf"
},
"output": {
"status": "fail",
"message": "缺少必要参数，请补充file_path和extract_type参数"
}
},
"示例4：文件不存在（失败场景）": {
"input": {
"file_path": "D:/work/不存在的文件.pdf",
"extract_type": "all"
},
"output": {
"status": "fail",
"message": "技能执行异常，PDF文件路径不存在，请检查路径是否正确"
}
},
"示例5：PDF加密（失败场景）": {
"input": {
"file_path": "D:/work/加密PDF文件.pdf",
"extract_type": "all"
},
"output": {
"status": "fail",
"message": "技能执行异常，该PDF文件已加密，无法提取文本"
}
},
"示例6：页码异常（失败场景）": {
"input": {
"file_path": "D:/work/2026年度工作报告.pdf",
"extract_type": "page",
"page_num": 20
},
"output": {
"status": "fail",
"message": "技能执行异常，指定页码超出PDF总页数（总页数：10），请调整页码"
}
}
}
4. 可选文件：tools/pdf_extract.py（核心脚本，实现技能功能）
import PyPDF2
import os
from collections import Counter
import re
def extract_pdf_text(file_path, extract_type="all", page_num=1):
"""
PDF文本提取与关键词提取核心函数（Agent调用的核心逻辑）
:param file_path: PDF文件绝对路径（必填）
:param extract_type: 提取类型（all：全页，page：单页，必填）
:param page_num: 单页提取时的页码（默认1，选填）
:return: dict，符合SKILL.md约定的输出格式
"""
# 初始化返回结果，严格贴合输出规范
result = {
"status": "success",
"text_content": "",
"keywords": []
}
# 1. 校验文件路径合法性
if not os.path.exists(file_path):
result["status"] = "fail"
result["message"] = "技能执行异常，PDF文件路径不存在，请检查路径是否正确"
return result
# 2. 打开PDF文件，执行提取逻辑
try:
with open(file_path, 'rb') as f:
pdf_reader = PyPDF2.PdfReader(f)
total_pages = len(pdf_reader.pages) # 获取PDF总页数
# 校验页码（仅单页提取时生效）
if extract_type == "page" and (page_num < 1 or page_num > total_pages):
result["status"] = "fail"
result["message"] = f"技能执行异常，指定页码超出PDF总页数（总页数：{total_pages}），请调整页码"
return result
# 提取文本（区分全页/单页）
text_content = ""
if extract_type == "all":
# 全页提取：遍历所有页面，拼接文本
for page in pdf_reader.pages:
page_text = page.extract_text() or "" # 处理无文本的页面
text_content += page_text + "\n"
else: # extract_type == "page"
# 单页提取：获取指定页码的页面（注意：PDF页码从0开始，需减1）
target_page = pdf_reader.pages[page_num - 1]
text_content = target_page.extract_text() or ""
# 文本清洗：去除多余空白字符、换行符，统一格式
text_content = re.sub(r'\s+', ' ', text_content).strip()
result["text_content"] = text_content
# 3. 提取关键词（仅当有文本时执行）
if text_content:
# 定义常见停用词（可根据实际需求扩展）
stop_words = ["的", "了", "是", "在", "和", "与", "及", "一个", "一种", "我们", "你们", "他们",
"这", "那", "因为", "所以", "如果", "虽然", "但是", "而且", "或者", "关于", "对于",
"主要", "重要", "相关", "通过", "实现", "完成", "达到", "提升", "降低", "增长"]
# 提取中文关键词（过滤非中文字符，仅保留2个及以上汉字的词）
chinese_words = re.findall(r'[\u4e00-\u9fa5]{2,}', text_content)
# 过滤停用词，得到有效关键词
valid_words = [word for word in chinese_words if word not in stop_words]
# 按出现频率降序排列，取前10个
if valid_words:
keyword_counter = Counter(valid_words)
result["keywords"] = [word for word, _ in keyword_counter.most_common(10)]
# 捕获PDF加密异常
except PyPDF2.errors.PdfReadError:
result["status"] = "fail"
result["message"] = "技能执行异常，该PDF文件已加密，无法提取文本"
# 捕获其他未知异常
except Exception as e:
result["status"] = "fail"
result["message"] = f"技能执行异常，未知错误：{str(e)}"
return result
# 说明：main函数仅用于【本地测试】，并非接收Agent调用的入口
# Agent调用时，会直接调用extract_pdf_text核心函数，并传入配置好的参数（对应SKILL.md的输入规范）
# 以下补充Agent调用适配逻辑，确保脚本可直接被Agent调用，同时保留本地测试功能
if __name__ == "__main__":
# 本地测试代码（运行脚本即可直接测试，无需Agent调用）
# 测试1：全页提取（替换为自己的PDF路径）
test_all = extract_pdf_text(file_path="D:/work/2026年度工作报告.pdf", extract_type="all")
print("=== 全页提取测试结果 ===")
print(test_all)
# 测试2：单页提取（替换为自己的PDF路径和有效页码）
test_page = extract_pdf_text(file_path="D:/work/2026年度工作报告.pdf", extract_type="page", page_num=3)
print("\n=== 单页提取测试结果 ===")
print(test_page)
# 测试3：文件不存在（测试失败场景）
test_fail = extract_pdf_text(file_path="D:/work/不存在的文件.pdf", extract_type="all")
print("\n=== 文件不存在测试结果 ===")
print(test_fail)
# Agent调用适配入口（新增，确保Agent可正常传入参数调用）
def agent_call_handler(params):
"""
Agent调用入口函数，接收Agent传入的参数（JSON格式解析后的字典）
:param params: Agent传入的参数字典，对应SKILL.md的输入参数规范
:return: dict，符合SKILL.md约定的输出格式
"""
# 提取Agent传入的参数，适配可选参数默认值
file_path = params.get("file_path")
extract_type = params.get("extract_type")
page_num = params.get("page_num", 1) # 可选参数，默认值1
# 调用核心函数，返回结果（直接对接Agent输出规范）
return extract_pdf_text(file_path, extract_type, page_num)
5. 可选文件：docs/usage.md（使用文档，便于维护和使用）
# PDF文本提取与关键词提取技能使用说明
## 一、技能概述
本技能是基于Agent Skills行业标准开发的办公类技能，用于提取PDF文件中的可复制文本，并自动识别核心关键词（按出现频率排序），支持全页提取和单页提取，可直接被主流Agent平台调用，也可本地运行测试，适用于各类PDF文档处理场景。
## 二、环境依赖（本地运行/Agent部署需满足）
1. 运行环境：Python 3.8及以上版本（兼容3.8-3.11）
2. 依赖库：PyPDF2（用于PDF文件解析和文本提取）
3. 安装命令：pip install PyPDF2 （执行该命令即可安装依赖）
4. 系统兼容：Windows、MacOS、Linux均可运行，无系统限制
## 三、调用方式（两种方式，灵活使用）
### 1. Agent平台调用（推荐，符合技能设计初衷）
- 触发方式：
1. 输入触发关键词（如“PDF提取”“提取PDF文本”），Agent自动识别并调用本技能
2. 直接调用技能ID：skill_pdf_extract_001，精准触发
- 传参要求：严格按照config.json中的inputSchema规范，传入JSON格式参数，不可遗漏必填参数
- 返回结果：JSON格式，字段含义参考SKILL.md中的输出返回规范，失败时会返回具体原因
### 2. 本地脚本调用（用于测试和调试）
1. 复制tools/pdf_extract.py文件到本地
2. 安装依赖库：pip install PyPDF2
3. 修改脚本中main函数的测试参数（替换file_path为自己的PDF路径）
4. 运行脚本，即可看到测试结果（控制台输出）
## 四、使用注意事项（必看）
1. 仅支持**可复制文本**的PDF文件，图片型PDF（无法选中复制文本）会返回空文本，加密PDF会返回加密提示
2. 传入的file_path必须是**绝对路径**，相对路径会导致文件无法找到，路径中不可包含中文空格、特殊符号（如@、#、$等）
3. 单页提取时，page_num必须是正整数，且不超过PDF总页数，否则会返回页码异常提示
4. 关键词提取仅识别**中文关键词**（2个及以上汉字），过滤常见停用词，可在pdf_extract.py中扩展停用词列表
5. 文本提取最大长度为10000字符，超出部分会自动截断（遵循config.json中的限制）
6. 不支持批量提取多个PDF文件（需Agent配合循环调用），单次仅可提取1个PDF文件
## 五、常见问题（FAQ）
Q1：运行脚本时提示“ModuleNotFoundError: No module named 'PyPDF2'”怎么办？
A1：未安装依赖库，执行命令“pip install PyPDF2”即可解决。
Q2：提示“PDF文件路径不存在”，但路径是正确的，怎么办？
A2：检查路径是否为绝对路径，路径中是否包含中文空格或特殊符号，替换为无特殊符号的绝对路径即可。
Q3：提取的文本为空，怎么办？
A3：确认PDF文件是否为可复制文本（图片型PDF无法提取），或PDF是否加密，加密PDF需先解密后再提取。
Q4：关键词提取不准确，如何优化？
A4：打开tools/pdf_extract.py，扩展stop_words列表（添加更多无关词汇），或修改正则表达式（调整关键词提取规则）。
Q5：Agent调用时返回“权限不足”，怎么办？
A5：联系Agent管理员，开通本技能的调用权限（本技能默认权限为public，若被修改需重新设置）。
## 六、版本更新记录
- v1.0.0（2026-05-21）：初始版本，完成核心功能（全页/单页提取、关键词提取），完善异常处理和参数校验，适配主流Agent平台。
## 七、维护说明
1. 若需新增功能（如支持批量提取、支持图片型PDF识别），可修改pdf_extract.py脚本，并同步更新SKILL.md和config.json中的相关配置
2. 若需修改异常提示、关键词提取规则，需同步更新SKILL.md中的异常处理标准和执行流程
3. 版本迭代时，需更新SKILL.md中的version和update_time，保持版本一致性
三、完整技能使用步骤（可直接落地）
1. 创建文件夹：新建名为“pdf-text-extract”的文件夹（严格按此命名，符合规范）；
2. 创建子文件夹：在根目录下新建examples、tools、docs三个子文件夹（与目录结构一致）；
3. 复制文件内容：将上述5个文件（SKILL.md、config.json、call-example.json、pdf_extract.py、usage.md）分别复制到对应目录，替换file_path等示例参数为自己的实际路径；
4. 本地测试：安装PyPDF2依赖，运行tools/pdf_extract.py，查看控制台输出，确认技能可正常运行；
5. Agent部署：将整个“pdf-text-extract”文件夹上传至Agent技能目录，Agent会自动识别技能，即可通过关键词或技能ID调用。
按这样说的话Agent自动识别Skills是哪个语言开发和自动识别调用skills里哪个函数？
Agent 自动识别 Skills 的开发语言和调用函数，核心遵循 Agent Skills 行业事实标准，无需手动配置，结合当前打开的技能示例（agent-skill-complete-example），具体逻辑如下：
一、Agent 自动识别 Skills 开发语言（无需手动指定）
识别依据：Agent 通过技能根目录下「脚本文件的后缀」和「配置文件约定」，自动判断开发语言，无需额外配置。
本技能示例对应：
核心脚本为 tools/pdf_extract.py，脚本后缀为 .py，Agent 自动识别为 Python 语言；
若脚本后缀为 .js（如 pdf_extract.js），则识别为 JavaScript；后缀为 .java 则识别为 Java，以此类推（主流语言均支持）。
补充：Agent 内置对主流开发语言（Python、JavaScript、Java 等）的解析逻辑，只要脚本后缀符合语言规范，即可自动识别，无需在 SKILL.md、config.json 中标注语言类型。
二、Agent 自动识别调用函数（无需手动指定）
识别原则：优先匹配「参数格式、返回格式与 SKILL.md 输入 / 输出规范一致」的函数，与函数名无关（本技能中为 agent_call_handler）。
本技能示例对应：
Agent 先通过 SKILL.md 的「执行流程」，明确需调用 tools/pdf_extract.py 脚本；
自动扫描该脚本中，「接收参数字典、返回符合 SKILL.md 输出规范结果」的函数，即 agent_call_handler；
若脚本中有多个函数，仅匹配与配置规范一致的函数（本技能中仅 agent_call_handler 符合），无需手动指定函数名。
三、关键总结
开发语言：由 tools 目录下核心脚本的「文件后缀」自动识别（如.py→Python）；
调用函数：由脚本中「参数、返回格式与配置文件一致」的函数自动匹配，无需手动指定。
当前打开的技能示例，Agent 可自动识别为 Python 开发，且自动匹配 agent_call_handler 作为调用入口，完全符合规范。
需要我帮你在 SKILL.md 中补充标注，明确开发语言和调用函数的识别逻辑，避免后续混淆吗？
SKILL.md：
---
# 技能元数据（YAML头部，所有Agent通用解析，必填项不缺失）
skill_id: skill_pdf_extract_001 # 唯一标识，格式：skill_技能名_序号
name: PDF文本提取与关键词提取 # 中文技能名，简洁明了
name_en: PDFTextExtractAndKeyword # 英文技能名，适配多语言Agent
version: 1.0.0 # 版本规范：主版本.次版本.迭代号
author: AgentDev # 开发者/团队名称
create_time: 2026-05-21 # 创建时间（格式：YYYY-MM-DD）
update_time: 2026-05-21 # 更新时间（与创建时间一致，后续迭代更新）
category: 办公/文档处理 # 技能分类，贴合实际使用场景
tags: [pdf, 文本提取, 关键词提取, 文档处理, 自动化] # 标签，便于Agent检索
scope: 全局可用 # 可用范围：全局/限定场景
permission: public # 权限：公开/私有/管理员可见
status: online # 状态：在线/离线/测试中
---
# 技能功能说明（Agent执行的核心依据，统一结构）
## 1. 核心能力
提取PDF文件中所有可复制文本，自动识别并提取文本中的核心关键词（按出现频率降序排列，取前10个），解决PDF文本无法直接编辑、关键词手动筛选繁琐的问题，支持全页提取和单页提取，适配大多数办公场景的PDF处理需求。
## 2. 适用场景
- 场景1：办公场景中，提取PDF简历、工作报告、合同、会议纪要中的文本内容，用于二次编辑
- 场景2：快速筛选PDF文档核心关键词，用于文档分类、摘要生成、重点提炼
- 场景3：批量处理PDF文件（需Agent配合批量调用），提取文本后导出为Word、TXT等格式
- 触发关键词：PDF提取、提取PDF文本、PDF关键词、PDF内容提取、PDF文本导出
## 3. 输入参数规范（严格定义，Agent传参依据）
- 必填参数1：file_path | string | PDF文件的绝对路径（示例：D:/docs/test.pdf、/Users/test/Documents/report.pdf）
- 必填参数2：extract_type | string | 提取类型（仅支持两个值：all=全页提取，page=单页提取）
- 选填参数：page_num | int | 单页提取时的页码（默认值：1，仅当extract_type=page时生效，必须为正整数）
## 4. 输出返回规范（统一格式，Agent解析依据）
统一返回JSON格式，无多余内容，核心字段固定，具体如下：
{
"status": "success/fail", // 执行状态：成功/失败
"text_content": "提取的文本内容", // 提取的PDF文本（全页提取则拼接所有页面，空文本返回空字符串）
"keywords": ["关键词1", "关键词2", ...] // 核心关键词（按频率降序，最多10个，无关键词返回空数组）
}
补充：失败时，额外增加message字段，返回具体失败原因（遵循异常处理标准）。
## 5. 执行流程（Agent执行逻辑，固定顺序，不可乱序）
1. 校验用户输入合法性：检查file_path是否存在、extract_type是否为指定值、page_num是否为正整数（若有）
2. 匹配内置规则：根据extract_type判断提取模式（全页/单页），确定执行逻辑
3. 调用底层能力：执行tools目录下的pdf_extract.py脚本，传入所有输入参数，执行文本提取
4. 数据格式化处理：对提取的文本进行清洗（去除空白字符、多余换行），对关键词进行频率统计和排序
5. 结果标准化输出：按上述JSON格式整理结果，确保字段完整、格式正确
6. 异常捕获与友好提示：捕获所有可能的异常（文件不存在、PDF加密、页码异常等），返回对应失败提示
## 6. 约束规则（全局统一，不可违规）
1. 不越权执行危险操作：不读取系统敏感目录（如C:/Windows、/root等）下的PDF文件，不修改原PDF文件内容
2. 输出格式严格对齐约定：仅返回指定JSON格式，不添加任何无关文本、注释
3. 无结果时统一固定话术：若PDF无可提取文本（如图片型PDF），返回{"status":"success","text_content":"","keywords":[]}
4. 兼容多模型Agent调用：适配主流Agent平台，不使用平台私有语法，确保跨平台迁移无成本
## 7. 异常处理标准（统一提示，Agent友好）
- 参数缺失：返回{"status":"fail","message":"缺少必要参数，请补充file_path和extract_type参数"}
- 文件不存在：返回{"status":"fail","message":"技能执行异常，PDF文件路径不存在，请检查路径是否正确"}
- PDF加密：返回{"status":"fail","message":"技能执行异常，该PDF文件已加密，无法提取文本"}
- 页码异常：返回{"status":"fail","message":"技能执行异常，指定页码超出PDF总页数，请调整页码"}
- 未知错误：返回{"status":"fail","message":"技能执行异常，未知错误，请重试"}
- 权限不足：返回{"status":"fail","message":"暂无该技能调用权限，请联系管理员开通"}
上一篇：AI人工智能的基础知识
下一篇：AI人工智能开发技术收集目录结构