Phi-3 Forest Laboratory 技能拓展：创建自定义Skills智能体应对复杂任务

Phi-3 Forest Laboratory 技能拓展：创建自定义Skills智能体应对复杂任务

你是不是也遇到过这种情况？想问问AI“明天去爬山天气怎么样，需要带什么”，结果它要么只能告诉你天气，要么只能给你一些通用的爬山建议，但就是没法把这两件事自然地串起来，给你一个完整的、贴心的出行方案。

这背后其实是一个挺有意思的技术问题：如何让一个大模型不仅能理解你的复杂意图，还能像人一样，有条理地调用不同的“工具”或“技能”，最终给你一个整合好的答案。今天，我们就来聊聊怎么用Phi-3 Forest Laboratory这个平台，亲手打造一个能应对这类组合任务的Skills智能体。

简单来说，Skills智能体就是一个被“武装”起来的AI。它本身具备强大的理解和推理能力，而我们通过给它定义好各种“技能”（比如查询天气、搜索信息、计算路径），并教会它如何规划和调用这些技能，它就能自主完成从“用户提问”到“整合答案”的整个流程。这比单纯让模型生成文本要强大得多，也更贴近真实世界的应用需求。

接下来，我就以“天气查询+出行建议”这个非常生活化的场景为例，带你一步步创建一个属于你自己的智能体。你会发现，整个过程并不复杂，但效果却非常实用。

1. 理解Skills智能体的核心：工具调用与任务规划

在开始动手之前，我们先花几分钟，把核心概念理清楚。这样后面的操作你会更有“手感”。

传统的对话模型，你问它什么，它就在自己的知识库里找答案，然后生成一段文本。但它的能力边界就是它被训练时学到的知识，它没法“伸手”去外部世界获取实时信息，也没法“操作”一个计算器。

而Skills智能体，则给模型装上了“手”和“脚”。这里的“Skills”（技能），本质上就是模型可以调用的工具函数。一个工具可以是一个简单的函数，比如get_weather(city)；也可以是一个复杂的API，比如调用一个地图服务。

智能体的“智能”体现在哪里呢？体现在它的规划与执行循环上。当它收到你的问题后，会经历这样一个思考过程：

1. 理解与分解：先理解你的最终目标是什么（例如，“规划一次舒适的爬山出行”），然后把这个大目标分解成几个必须完成的子任务（例如，“获取天气信息”、“评估天气对爬山的影响”、“生成具体建议”）。
2. 规划与选择：为每个子任务选择合适的工具（Skill）。比如，获取天气需要调用get_weather，评估影响需要模型自己的知识，生成建议则需要结合前两步的结果。
3. 执行与观察：按照规划，依次调用工具，并观察工具返回的结果。
4. 整合与反思：将所有工具返回的结果和自己的推理整合起来，形成最终答案。如果中途发现结果不理想，它甚至能重新规划。

在 Phi-3 Forest Laboratory 里，我们通过提示词工程来引导模型学会这套思考模式。我们会在给模型的系统指令中，清晰地定义可用的工具，并示范如何正确地使用它们。

2. 环境准备与智能体创建

好，理论部分先到这里，我们上手操作。假设你已经有了 Phi-3 Forest Laboratory 的基本环境（如果还没有，它的部署通常很简单，参照官方文档几分钟就能搞定）。

我们今天的核心是创建一个新的智能体。在这个平台上，创建智能体通常就是编写一个特定的配置文件或提示词模板。我们重点关注如何构建这个智能体的“大脑”——也就是它的系统指令。

首先，我们需要定义智能体有哪些“技能”。在这个案例里，我们需要两个核心技能：

1. 天气查询技能：一个能根据城市名返回天气信息的函数。
2. 通用信息处理技能：模型自身强大的推理和文本生成能力。

在实际项目中，第一个技能可能需要连接一个真实的天气API。为了演示，我们先模拟一个简单的函数。在 Python 环境中，它可能长这样：

# 模拟的天气查询工具函数 def get_weather(city: str) -> str: """ 根据城市名称查询模拟天气信息。 参数: city: 城市名，例如“北京”、“上海”。 返回: 格式化的天气信息字符串。 """ # 这里本该调用真实API，我们用一个字典模拟 weather_data = { "北京": "晴，气温 15-25°C，西北风2级，空气质量良。", "上海": "多云转阴，气温 18-22°C，东南风3级，空气质量优。", "广州": "雷阵雨，气温 24-30°C，南风4级，空气质量良。", "成都": "阴，气温 12-18°C，微风1级，空气质量优。" } return f"{city}的天气情况：{weather_data.get(city, '抱歉，未找到该城市天气信息。')}"

有了工具，接下来就是最关键的一步：编写引导智能体的系统提示词。这个提示词决定了智能体的思考方式。

3. 构建智能体的“大脑”：系统提示词设计

系统提示词是智能体的灵魂。它需要清晰地告诉模型三件事：你是谁、你能用什么、你该怎么思考。

下面是一个针对我们“出行顾问”智能体的系统提示词示例。你可以把它直接用于 Phi-3 Forest Laboratory 的智能体配置中。

你是一个贴心的出行规划助手，专门帮助用户根据天气情况制定出行建议。你具备调用工具获取实时天气信息的能力。 # 可用工具 你可以使用以下工具来完成任务： 1. `get_weather(city: str) -> str`: 查询指定城市的详细天气信息。参数`city`是城市名称。 # 行动准则 当你收到用户的请求时，请遵循以下步骤思考： 1. **分析请求**：明确用户想去的地点（城市）和活动类型（如爬山、郊游、逛街等）。 2. **规划步骤**：判断是否需要查询天气。如果需要，规划调用`get_weather`工具。 3. **执行调用**：如果需要查询，则在你的思考中明确写出调用工具的动作和参数，例如：“我将调用 get_weather 工具查询[城市]的天气。” 4. **整合信息**：获得天气信息后，结合该活动的特点（例如，爬山需注意防晒、防滑；雨天出行需带伞等），进行分析。 5. **生成建议**：给出具体、贴心的建议，包括衣物穿戴、必备物品、注意事项等。建议应基于天气信息，并体现对活动类型的考量。 # 输出格式 请用以下格式组织你的最终回复： 【天气概况】 （这里放置工具返回的原始天气信息） 【出行分析】 （这里用1-2句话简要分析该天气对指定活动的影响） 【具体建议】 （这里分条列出给你的建议，每条建议尽量具体）

这个提示词做了几件重要的事：

• 角色定位：明确了智能体是“出行规划助手”。
• 工具定义：以清晰的格式列出了可用的工具及其用法。
• 思维链引导：通过“行动准则”部分，一步步教模型如何分解任务、调用工具、整合结果。这就像给模型一个思考的脚手架。
• 结构化输出：规定了回复的格式，确保结果清晰、易读。

4. 实战演练：与智能体对话

现在，我们的智能体已经“武装”好了。让我们用一个实际的对话来看看它的表现。假设用户提问：“我明天想去北京香山爬山，天气怎么样？该注意什么？”

根据我们设计的系统提示词，一个训练良好的智能体（如 Phi-3 模型）会进行如下思考并行动：

模型内部思考过程（模拟）：

1. “用户想去北京香山爬山。我需要查询北京的天气，并结合爬山活动给出建议。”
2. “我需要调用get_weather工具，参数是city='北京'。”
3. （调用工具）获得返回结果：“北京的天气情况：晴，气温 15-25°C，西北风2级，空气质量良。”
4. “天气是晴天，气温适中，适合爬山。但晴天爬山需要注意防晒和补水。空气质量良，基本不影响活动。”
5. “现在按照格式生成回复。”

最终给用户的回复：

【天气概况】 北京的天气情况：晴，气温 15-25°C，西北风2级，空气质量良。

【出行分析】 明日北京天气晴好，气温适宜，非常适合爬山活动。主要需注意日晒和补水。

【具体建议】

• 穿着建议：建议穿着透气排汗的速干衣裤，搭配防风外套以备山顶风大。务必选择一双防滑舒适的登山鞋。
• 防晒措施：紫外线较强，请涂抹防晒霜（SPF30+），佩戴遮阳帽和太阳镜。
• 饮水与食物：至少携带1.5升饮用水，以及一些高能量的零食如巧克力、坚果。
• 其他物品：可携带登山杖节省体力，准备好手机和充电宝保持通讯畅通。
• 时间建议：建议清晨或下午三点后开始爬山，避开正午最热时段。

看，这个回复是不是比单纯说一句“明天北京晴天”要实用得多？智能体自动完成了信息获取、分析推理和方案整合的全过程。

5. 技能拓展与优化思路

掌握了基础玩法，我们就可以让这个智能体变得更强大。Skills智能体的魅力就在于它的可扩展性。

添加更多技能：除了天气，我们还可以给它接入更多工具。

• 交通查询：接入地图API，让它不仅能建议带什么，还能建议“怎么去”，比如“去香山公园，推荐乘坐地铁西郊线，在香山站下车”。
• 景点信息：接入旅游知识库，让它能推荐“爬山路线”或“附近美食”。
• 日历检查：连接个人日历，判断用户是否有时间。

这时，系统提示词中的“规划步骤”就会变得更复杂。模型需要判断：“用户的问题涉及天气、交通和景点吗？如果需要，我先查天气，再查交通，最后整合。”这更能体现智能体的规划能力。

优化提示词工程：为了让智能体更可靠，我们可以在系统提示词中加入更细致的约束。

• 错误处理：增加如“如果工具调用失败或返回错误信息，请如实告知用户，并尝试基于常识给出一般性建议。”
• 安全边界：明确“如果天气条件极端（如暴雨、雷电、高温红色预警），必须首先强烈提醒用户更改计划或注意安全。”
• 个性化：可以设计让用户提供更多参数，比如“请告诉我您的出行人数和是否有老人小孩”，让建议更具针对性。

处理更复杂的对话：真正的对话往往是多轮的。用户可能会追问：“那如果下雨呢？” 这就需要智能体能记住之前的上下文（比如用户还是想去香山），并重新规划任务（再次调用天气工具？或者直接基于“下雨”这个假设进行分析）。这涉及到对话状态管理，是更进阶的话题，但 Phi-3 Forest Laboratory 这类平台通常也提供了相关的上下文管理机制。

6. 总结

通过这个“天气查询+出行建议”的案例，我们走完了创建自定义Skills智能体的完整流程：从理解其工具调用与规划的核心思想，到在Phi-3 Forest Laboratory中定义工具技能，再到精心设计系统提示词来塑造智能体的思考逻辑，最后看到它如何执行端到端的复杂任务。

这种方式的核心优势在于，它将大模型的通用语言理解能力与外部工具的专业能力结合了起来，让AI不再是一个封闭的知识库，而是一个可以主动获取信息、处理信息并给出综合方案的智能助手。你可以根据自己的需求，为它装备上各种各样的“技能包”，无论是用于智能客服、数据分析、自动化办公还是个人娱乐，都能开辟出很大的想象空间。

动手试试吧，从一个简单的技能组合开始，你会发现，打造一个专属的AI助手，其实并没有那么难。关键就在于那套引导它正确思考的“提示词”，而这，正是你最需要发挥创造力的地方。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。