用 LangGraph 实现「能力模型」：工具定义与智能体代码

把「能力模型」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（岗位信息），按什么顺序处理，交付什么（能力模型），哪些事不能做。Skill 就是把这些写下来的载体。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	能力模型（`competency-model`）
作用	为岗位族建立能力模型
输入	岗位信息
输出	能力模型
形态	纯提示词
风险	低
适用人群	人力资源

处理流程分四步：

识别核心能力
分级描述
举行为示例
用于招聘与发展

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 LangChain / LangGraph 工具中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def competency_model_precheck(content: str) -> str:
    """检查岗位信息是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[competency_model_precheck],
    prompt="你负责能力模型：识别核心能力；分级描述；举行为示例；用于招聘与发展。",
)
out = agent.invoke({"messages": [("user", "这是岗位信息：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在人力资源提出相关请求时能对上号；二是约束部分要写进「涉及个人信息与录用决定，必须由人做最终判断」这类领域规矩，避免智能体自作主张。

安装与启用步骤

安装 LangChain 与 LangGraph
用 @tool 定义预检查、读取等工具
用预置智能体快速跑通
需要固定流程时改为自定义状态图，每一步一个节点
接入追踪工具观察每一步

实操：一次完整的运行

假设你在招聘与人事系统中发出这样的请求（虚构示例）：

这是今天的岗位信息，按团队的能力模型流程处理一下。

智能体识别到任务与「能力模型」相关后，会依次识别核心能力、分级描述、举行为示例、用于招聘与发展。最终交付能力模型，并在末尾列出需要人工确认的内容。你的工作是对照原始岗位信息抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

一份信息齐全的标准岗位信息，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

一开始就设计复杂的多节点图，调试成本高。
工具 docstring 缺失，模型不知道如何使用。
只写了步骤，没写交付格式，导致每次输出的能力模型结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。