解释器技能：为智能体构建工作流
本文介绍了LangChain提出的解释器技能（Interpreter Skills）概念，这是一种将确定性代码与智能体指令结合的方法。通过让智能体在解释器中导入并执行TypeScript模块，可以构建更可靠、可评估的工作流，例如用于GitHub问题分类等任务。
文章情报
要点
- 解释器技能扩展了传统技能，包含一个TypeScript模块供智能体在解释器中运行。
- 确定性部分以代码形式存在，智能体决定何时调用并传入参数，提高了可靠性和可评估性。
- 该方法支持子智能体生成和复杂任务，如GitHub仓库分类。
- 通过将流程固化到代码中，减少模型在长上下文中的决策负担，避免“上下文焦虑”。
为什么重要
这条新闻值得关注，因为解释器技能扩展了传统技能，包含一个TypeScript模块供智能体在解释器中运行。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
LangChain 近期在 Deep Agents 中引入了“解释器技能”（Interpreter Skills）的概念，旨在将传统的基于指令的技能与可执行代码相结合。这一创新允许开发者为智能体（Agent）提供不仅包含说明文本，还附带一个 TypeScript 模块的技能。智能体可以在解释器环境中导入并运行该模块，从而执行确定性的工作流。
传统技能通过 SKILL.md 文件向智能体描述任务，智能体需自行理解并执行指令。然而，对于需要精确步骤的任务（如数据清理或仓库分类），依赖模型的自由裁量往往导致行为不一致。解释器技能则提供了一种替代方案：SKILL.md 仍用于告知智能体何时该技能适用，同时附带一个 index.ts 模块，其中封装了标准的处理流程。智能体决定调用该模块的条件和输入参数，而模块内的代码保证了流程的确定性。
在 Deep Agents 中，解释器是一个嵌入式的 TypeScript 运行时，智能体可以在其中编写和执行代码，并保持状态。解释器技能利用这一能力，使技能模块能够直接与智能体的控制循环交互，实现诸如生成子智能体、管理任务图、处理部分失败等高级功能。这类似于将工作流引擎的可靠性赋予以模型为主导的智能体系统。
一个实际应用案例是 GitHub 仓库分类。传统方法需要模型在提示中逐步执行分类逻辑，容易在长对话中丢失连贯性。使用解释器技能后，智能体只需调用 triage(repo, options) 函数，该函数会自动获取未处理项、为每项生成子智能体进行摘要、然后进行聚类分析。整个过程在代码中固化，模型仅负责决定调用时机和解释结果。这不仅提高了效率，还使得评估从“模型是否遵循指令”转变为“函数是否被正确调用”。
解释器技能的核心优势在于将“怎么做”从模型的責任中剥离出来，交由代码管理。模型专注于“何时做”和“做得怎样”，而确定性逻辑由经过测试和审查的 TypeScript 代码执行。这为构建可靠、可维护的智能体工作流提供了新范式，尤其适合需要精确步骤和长期运行的任务。