把「字幕生成整理」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（字幕文件），按什么顺序处理，交付什么（校对后字幕），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
技能字幕生成整理（subtitle-maker）
作用校对与切分自动字幕
输入字幕文件
输出校对后字幕
形态带脚本
风险低
适用人群内容创作者

处理流程分四步：

  1. 修正错字
  2. 调整断句
  3. 统一术语
  4. 检查时间轴

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；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 subtitle_maker_precheck(content: str) -> str:
    """检查字幕文件是否齐全，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=[subtitle_maker_precheck],
    prompt="你负责字幕生成整理：修正错字；调整断句；统一术语；检查时间轴。",
)
out = agent.invoke({"messages": [("user", "这是字幕文件：...")]})

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」，让智能体在内容创作者提出相关请求时能对上号；二是约束部分要写进「注意素材版权与事实核查」这类领域规矩，避免智能体自作主张。

安装与启用步骤

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

实操：一次完整的运行

假设你在编辑器与发布平台中发出这样的请求（虚构示例）：

这是今天的字幕文件，按团队的字幕生成整理流程处理一下。

智能体识别到任务与「字幕生成整理」相关后，会依次修正错字、调整断句、统一术语、检查时间轴。最终交付校对后字幕，并在末尾列出需要人工确认的内容。你的工作是对照原始字幕文件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字幕文件，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，导致每次输出的校对后字幕结构不同。
  • 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。