使用SkillNet構建技能增強型AI代理：搜尋、評估、圖分析與任務規劃
本教程詳細介紹瞭如何使用SkillNet框架發現、安裝、檢查、評估和組織可複用的AI技能。從設定帶有SDK和REST回退支援的客戶端開始，比較關鍵詞搜尋與語義搜尋，安裝GitHub上的技能，審查後設資料，應用質量門控，視覺化技能關係圖，最後構建一個技能增強的代理規劃器，將複雜目標分解為子任務並組裝執行管道。
在本教程中，我們使用SkillNet框架來發現、安裝、檢查、評估和組織可複用的AI技能。首先，我們設定一個健壯的SkillNet客戶端，它支援SDK和REST回退，確保即使SDK不可用也能正常工作。然後，我們比較關鍵詞搜尋和語義搜尋，以理解如何根據不同的任務需求找到合適的技能。接著，我們從GitHub安裝精選的技能，檢查它們的後設資料，並應用一個跨五個關鍵維度的質量門控：安全性、完整性、可執行性、可維護性和成本意識。我們還將技能之間的關係視覺化為一個圖，最後構建一個技能增強的代理規劃器，將複雜目標分解為子任務，發現相關技能，過濾它們，並組裝執行管道。
我們首先安裝所需的依賴項：skillnet-ai、networkx、matplotlib和requests。配置API金鑰、模型設定、GitHub選項和工作目錄，以確保工作流順暢。我們還定義了一個可複用的橫幅函式來保持輸出整潔。
然後我們初始化SkillNet客戶端。如果SDK可用，則使用SDK；否則回退到REST API。我們定義了一個標準化函式來統一搜尋結果的格式。搜尋函式支援關鍵詞模式和向量模式，並具有重試邏輯。
我們進行兩種搜尋：關鍵詞搜尋（例如"PDF extraction"）和語義搜尋（例如"machine learning"），並比較結果。關鍵詞搜尋返回按星級排序的技能，而語義搜尋使用相似度閾值。
接下來，我們建立一個精選技能列表，並使用搜尋結果擴充套件它。當SDK可用時，我們從GitHub下載選定的技能到本地目錄。安裝過程保持小巧快速，適合Google Colab環境。
安裝後，我們透過搜尋SKILL.md檔案來檢查技能後設資料，解析front matter以提取名稱和描述等資訊。
然後我們評估技能的質量。我們定義了五個維度，並實現了一個評估函式。如果API金鑰可用，則使用LLM評估；否則使用基於名稱雜湊的模擬評分。我們應用一個質量門控，閾值為0.55。
我們還分析技能之間的關係，並使用NetworkX和Matplotlib繪製技能關係圖。如果有真實的API分析則使用，否則生成模擬關係。
最後，我們構建一個技能增強的代理規劃器。我們以一個複雜目標為例："分析scRNA-seq資料以發現和驗證癌症藥物靶點，然後撰寫報告"。我們使用LLM將目標分解為3-6個子任務，如果LLM失敗則使用啟發式方法。然後為每個子任務提取關鍵詞，搜尋相關技能，並選擇最佳技能。最終輸出一個執行管道。
整個教程展示了SkillNet在構建智慧代理方面的實用性和靈活性。它允許開發者發現現有的AI技能，評估其質量，並將它們組合成複雜的流水線，從而加速AI應用的開發。