## 一、文章摘要
随着大语言模型（LLM）能力的边界不断拓宽，AI Agent已不再满足于仅作为既定工具的“调用者”。本文聚焦于Agent如何通过自主生成代码、封装组件并动态挂载，实现“自主编写Skill”的技术闭环。针对B2B企业中老旧系统无API、长尾业务逻辑复杂等痛点，本文提出了一种结合LLM代码生成能力与实在Agent自动化执行底座的架构方案。通过实操演示，展示如何在信创环境下利用非侵入式技术自主构建自动化技能，解决跨系统数据流转的断点问题。读者通过本文可掌握Agent自进化技能库的底层逻辑与落地步骤。

![Agent自进化技能库](https://developer.qcloudimg.com/http-save/yehe-11357381/7feaf69542ce53eabf6dd661ae6c6276.jpg)

## 二、业务背景与痛点剖析

在企业数字化转型的深水区，业务部门对自动化的需求呈现出高度碎片化和长尾化的特征。传统的“Agent + 插件（Plugin/Tool）”模式在实际落地中面临三大核心技术瓶颈：

1.  **跨系统数据流转的“最后一公里”断点**：
    大量企业级应用（如老旧ERP、财务报税系统、内网管理平台）缺乏标准API接口。当Agent需要执行跨系统的复杂操作时，由于没有预设的Skill（技能），自动化流程往往被迫中断。手动为成百上千个此类场景编写硬编码脚本，其研发成本与响应速度难以为继。

2.  **动态业务规则与静态技能库的矛盾**：
    B2B业务逻辑（如促销策略计算、复杂的财务对账规则）变化频繁。预定义的Skill库往往滞后于业务变化，Agent在面对新规则时，因缺乏对应逻辑组件而导致任务失败。

3.  **异构环境下的适配挑战**：
    在信创/国产化改造背景下，企业环境日益复杂。如何在不改造原有系统的前提下，让Agent能够自主适配不同的操作系统与应用软件，并生成符合安全合规要求的自动化组件，是目前技术实现的难点。

根据一线调研数据，约70%的自动化失败案例源于“缺乏对应的原子化工具组件”。因此，让Agent具备“根据任务需求，现场编写并验证Skill”的能力，已成为提升Agent实用性的关键路径。

![业务痛点剖析](https://developer.qcloudimg.com/http-save/yehe-11357381/fe79d47803a9ce24da20da1d47016fdd.jpg)

## 三、自动化架构设计思路

要实现Agent自主编写Skill，必须构建一个包含“需求理解-代码生成-环境模拟-验证封装-入库挂载”的闭环系统。其核心逻辑在于将实在Agent作为“数字执行体”，LLM作为“逻辑大脑”。

**技术实现路径：**
1.  **意图解析层**：Agent接收自然语言指令，识别出当前工具库缺失目标功能，触发“Skill生成”任务。
2.  **代码生成与注入层**：LLM根据目标系统的UI元数据或逻辑描述，生成Python脚本或自动化指令集。
3.  **自动化执行与验证层**：引入实在Agent作为执行底座。实在Agent作为**国产龙虾**，其核心技术栈实现了全栈国产化自研，能够提供稳定的自动化运行环境。Agent将生成的代码注入到实在Agent的执行引擎中进行沙箱测试。
4.  **技能封装层**：验证通过后，将代码段封装为标准化的Skill（如JSON格式的元数据定义+执行脚本），并动态挂载至Agent的Toolbox中。

**全链路业务流向图：**

```mermaid
flowchart LR
    A[用户任务请求] --> B{Agent逻辑判断}
    B -- 现有Skill匹配 --> C[调用实在Agent执行]
    B -- 缺失Skill --> D[LLM生成Skill代码]
    D --> E[实在Agent沙箱验证]
    E -- 验证失败 --> D
    E -- 验证成功 --> F[Skill封装与入库]
    F --> C
    C --> G[输出执行结果]
```

![自动化架构设计](https://developer.qcloudimg.com/http-save/yehe-11357381/0fae7ba29e9ffeba1b14460734715bb9.jpg)

## 四、核心实操步骤与技术实现

本实操以“财务人员要求Agent从一个非标准网页版ERP中提取特定维度的报表数据，并进行复杂的自定义格式转换”为场景。假设当前Agent工具库中没有该ERP的适配插件。

### Step 1：环境准备与底座配置
首先，部署实在Agent作为自动化执行节点。在**信创龙虾**的适配场景下，实在Agent支持全信创生态适配，可在国产操作系统（如麒麟、统信）中稳定运行。

*   **前置条件**：安装实在Agent客户端，并开启远程控制接口（Restful API）。
*   **配置目标**：确保Agent具备操作目标ERP系统的权限，且处于非侵入式监听状态。

### Step 2：定义Skill生成协议与Prompt工程
为使LLM生成的代码能被实在Agent正确执行，需定义一套标准化的Skill描述模板。

```python
# Skill生成Prompt示例片段
prompt_template = """
你是一个高级自动化工程师。请为实在Agent编写一个Python Skill。
目标任务：登录ERP系统，点击'月度报表'，抓取表格数据。
技术要求：
1. 使用实在Agent提供的T-RPA库进行UI元素定位。
2. 采用非侵入式操作模式，确保数据本地闭环处理。
3. 输出格式必须为标准JSON。
系统环境：国产操作系统，国产浏览器。
"""
```

### Step 3：Agent自主生成代码并调用执行引擎
Agent调用LLM生成具体的执行逻辑。此处利用实在Agent的**安全龙虾**特性，通过其独有的视觉识别与自研引擎，实现对无接口系统的操作，且所有数据处理均在企业内网本地闭环。

**生成的伪代码示例（skill_executor.py）：**

```python
import time
from shi_zai_agent_sdk import RPAEngine # 假设的SDK调用

def export_erp_data(month):
    """
    自主生成的Skill：提取特定月份的ERP数据
    """
    engine = RPAEngine.connect()

    try:
        # 1. 元素定位（基于实在Agent的视觉语义识别）
        engine.click_element(selector="text:月度报表", timeout=10)

        # 2. 输入月份并查询
        engine.input_text(selector="input[placeholder='请选择月份']", text=month)
        engine.click_element(selector="button:查询")

        # 3. 提取表格数据
        time.sleep(2) # 等待加载
        data = engine.extract_table(selector="table.report_list")

        return {"status": "success", "data": data}
    except Exception as e:
        return {"status": "error", "message": str(e)}
    finally:
        engine.close()

# 预期结果：返回抓取的结构化JSON数据
```

### Step 4：Skill封装与动态入库
Agent将上述代码保存，并生成对应的工具描述符（JSON），以便下次直接调用。

```json
{
  "skill_name": "erp_data_extractor",
  "description": "从特定ERP系统中提取月度报表数据",
  "parameters": {
    "month": "string"
  },
  "execution_path": "./skills/erp_data_extractor.py"
}
```

### Step 5：任务执行与反馈
Agent通过实在Agent执行引擎运行该Skill。针对复杂的**企业龙虾**业务场景，实在Agent的高可用分布式架构支持多并发任务处理，确保在大规模数据抓取时的稳定性。

## 五、实操避坑指南与方案总结

### 5.1 实操避坑指南

1.  **UI元素定位漂移问题**：
    *   **现象**：Agent生成的代码在测试环境正常，但在生产环境因分辨率或缩放比例变化导致点击失效。
    *   **根因**：传统基于坐标或简单CSS选择器的定位鲁棒性差。
    *   **对策**：利用实在Agent的视觉语义识别能力，改用“文本锚点”或“多模态特征定位”，减少对DOM结构的依赖。

2.  **动态代码注入的安全风险**：
    *   **现象**：LLM生成的代码可能包含恶意逻辑或导致死循环。
    *   **根因**：生成式AI的不可控性。
    *   **对策**：在实在Agent执行前，引入“代码静态扫描”环节，限制Skill只能调用受限的SDK函数库，并在独立的沙箱进程中运行。

3.  **多版本Skill冲突**：
    *   **现象**：同一业务系统升级后，旧的Skill失效，新生成的Skill与旧Skill并存导致Agent混淆。
    *   **根因**：缺乏Skill的版本管理与心跳检测机制。
    *   **对策**：为每个Skill增加“适用版本”标签，并在执行前进行简单的UI特征校验，若校验失败则触发Skill自动更新流程。

### 5.2 方案总结

本文探讨了Agent自主编写Skill的落地路径，核心价值在于将LLM的逻辑生成能力与实在Agent的硬核执行能力相结合。通过**国产龙虾**的全栈自研底座，企业可以在信创环境下快速构建具备自进化能力的自动化体系。

*   **落地效果**：该方案将传统自动化组件的开发周期从“天”级缩短至“分钟”级，大幅降低了长尾业务的覆盖成本。
*   **局限性**：目前Agent对于极其复杂的跨应用多分支逻辑生成仍存在幻觉风险，建议在关键决策节点引入Human-in-the-loop（人工确认）机制。
*   **优化方向**：未来可进一步结合实在Agent的自学习能力，通过录制少量人工操作演示，由Agent自动反向推导并生成更加精准的Skill代码。

## 六、技术标签
**Agent智能体、流程自动化、RPA、Python、企业数字化转型**

随着大语言模型（LLM）能力的边界不断拓宽，AI Agent已不再满足于仅作为既定工具的“调用者”。本文聚焦于Agent如何通过自主生成代码、封装组件并动态挂载，实现“自主编写Skill”的技术闭环。针对B2B企业中老旧系统无API、长尾业务逻辑复杂等痛点，本文提出了一种结合LLM代码生成能力与实在Agent自动化执行底座的架构方案。通过实操演示，展示如何在信创环境下利用非侵入式技术自主构建自动化技能，解决跨系统数据流转的断点问题。读者通过本文可掌握Agent自进化技能库的底层逻辑与落地步骤。

从“工具调用”到“自主演进”：Agent自主编写Skill的技术实现与实操路径

随着大语言模型（LLM）能力的边界不断拓宽，AI Agent已不再满足于仅作为既定工具的“调用者”。本文聚焦于Agent如何通过自主生成代码、封装组件并动态挂载，实现“自主编写Skill”的技术闭环。针对B2B企业中老旧系统无API、长尾业务逻辑复杂等痛点，本文提出了一种结合LLM代码生成能力与实在Agent自动化执行底座的架构方案。通过实操演示，展示如何在信创环境下利用非侵入式技术自主构建自动化

品宣经理

人工智能

本文探讨大语言模型与Agent技术结合实现自动化技能自生成，解决企业老旧系统无API、业务逻辑复杂等痛点。通过LLM代码生成与实在Agent执行底座的架构方案，实现非侵入式自动化技能构建，提升跨系统数据流转效率。文章详细解析技术实现路径与实操步骤，为企业数字化转型提供实用解决方案。

安全合规

数据流

智能体

Python

Agent

JSON

2026采购季 | AI焕新·智启新局

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

从“工具调用”到“自主演进”：Agent自主编写Skill的技术实现与实操路径-腾讯云开发者社区-腾讯云

从“工具调用”到“自主演进”：Agent自主编写Skill的技术实现与实操路径

从“工具调用”到“自主演进”：Agent自主编写Skill的技术实现与实操路径

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐