its-trip 热插拔 Skills 机制实战只改 Markdown 文件就能自定义你的交通智能体【免费下载链接】its-tripits-trip 是 transportation SIG 下的交通大模型智能决策闭环仓库面向交通事件处置、交通管控决策和交通智能体应用场景构建“感知—研判—仿真—下发”的闭环智能决策机制。仓库将连接事件理解、知识调取、风险研判、方案生成、仿真验证和管控下发推动交通大模型从单点问答走向可验证、可执行、可落地的行业应用。项目地址: https://gitcode.com/cann/its-tripits-tripTRIPTransport Reasoning with Intelligence Progression是 CANN 社区智能交通 SIG 开源的交通大模型智能决策仓库面向交通事件处置与管控决策场景打通事件理解 → 知识调取 → 风险研判 → 方案生成 → 决策下发五步闭环。其中最贴心的设计是热插拔 Skills 机制流水线里每个交通智能体的大脑都由一个 Markdown 文件定义你不需要改任何 Python 代码新建一个.md文件就能自定义智能体的行为规则。一、热插拔 Skills一句话让智能体换脑 its-trip 的核心是一条五智能体流水线见 README.md事件理解 (EventUnderstandingAgent) → 知识调取 (KnowledgeRetrievalAgent) → 风险研判 (RiskAssessmentAgent) → 方案生成 (PlanGenerationAgent) → 决策下发 (DispatchAgent)每个智能体的行为手册就是一个Skill由 trip_ai/agents/core.py 中的Skill数据类承载包含三部分组成说明元数据Metadataname/description/inputs/outputs作为全局上下文摘要省 Token行动指南Action Guide给大模型的操作规程正文Markdown 撰写资源Resources声明可用工具如 OCR 工具、视觉模型所谓热插拔就是指这份 Skill 既可以硬编码在 Python 里内置默认技能也可以放在 skills/ 目录下用 Markdown 文件描述——后者可以随时增删改甚至在同一条流水线上按智能体挑选不同版本互不影响。仓库自带 5 个默认技能文件覆盖整条流水线skills/event_understanding.default.mdskills/knowledge_retrieval.default.mdskills/risk_assessment.default.mdskills/plan_generation.default.mdskills/dispatch.default.md二、Skills 文件格式YAML 头 Markdown 正文 一个技能文件由两段组成YAML front matter元数据正文行动指南。以默认的风险研判技能 skills/risk_assessment.default.md 为例--- name: risk-assessment-default agent: risk-assessment description: 风险研判默认技能只输出风险等级与原因不生成处置措施。 inputs: [event_text, incident_extract_draft, constraints_compact] outputs: [risk_assessment_partial] resources: - SiliconFlow chat.completions --- ## Action Guide 1) 输入 event_text 与 incident_extract_draft。 2) 输出 RiskAssessment但 suggested_actions 必须是空数组 []。 3) 严格 JSON 输出若解析/校验失败执行一次 JSON 修复后重试。各字段含义字段作用name技能唯一名称UI 下拉框里显示的就是它agent挂载到哪个智能体5 个键之一description一句话描述会进入全局上下文供其他智能体知道你的能力inputs/outputs声明输入输出产物名方便链路追踪resources该技能可能调用的资源正文---之后的部分会被整体作为Action Guide交给大模型执行因此建议用编号步骤写清楚做什么、输出什么、失败怎么办。三、实战5 分钟自定义一个严格模式风险研判技能 假设你想让风险研判更保守置信度低于 0.6 时强制判为UNKNOWN并列出缺失证据。全程只做一件事——新增一个 Markdown 文件。第 1 步在skills/下新建risk_assessment.strict.md不要动默认文件--- name: risk-assessment-strict agent: risk-assessment description: 严格模式风险研判低置信度强制降级为 UNKNOWN并列出缺失证据。 inputs: [event_text, incident_extract_draft, constraints_compact] outputs: [risk_assessment_partial] resources: - SiliconFlow chat.completions --- ## Action Guide 1) 输入 event_text 与 incident_extract_draft。 2) 输出 RiskAssessmentsuggested_actions 保持空数组 []。 3) 若置信度 0.6等级强制置为 UNKNOWN并在 evidence 中逐项列出缺失证据。 4) 严格 JSON 输出解析失败时修复一次后重试。第 2 步启动应用克隆仓库后按 README.md 准备环境即可git clone https://gitcode.com/cann/its-trip.git cd its-trip pip install -r requirements.txt streamlit run app.py第 3 步打开侧边栏的Skills可热插拔区域风险研判下拉框中会同时出现risk-assessment-default和risk-assessment-strict两个选项选中即对本次运行生效。✅同一个智能体可以同时存在多个技能版本随时切换对比效果这就是热插拔的真正含义。四、加载链路一个 .md 文件如何生效 整套机制的实现非常轻核心链路如下扫描与解析trip_ai/skill_loader.py 的load_skills()遍历skills/目录下所有*.md自动跳过README.md用内置的轻量解析器读取 front matter——刻意不依赖 PyYAML保持零额外依赖正文则成为action_guide。按智能体分组skills_by_agent()依据agent字段把技能归类到 5 个智能体键下。UI 选择注入app.py 侧边栏为每个智能体渲染下拉框选中结果以skills_override字典写入working_memory某智能体找不到对应技能文件时UI 会提示使用内置技能兜底。运行时覆盖每个智能体如 trip_ai/agents/risk_assessment.py在run()开头都会先查skills_override取到就用新技能取不到就回退到模块内硬编码的默认Skill常量。元数据广播trip_ai/multi_agent.py 把最终生效的各技能元数据写入GlobalContext.metadata_catalog让下游智能体知道上游是谁、能输出什么实现低 Token 协作。五、避坑清单与最佳实践 ⚠️agent键必须精确匹配只能是event-understanding、knowledge-retrieval、risk-assessment、plan-generation、dispatch五者之一写错则该文件会被分组逻辑忽略。列表字段写成单行inputs: [a, b]resources用缩进-列表。front matter 解析器是极简实现复杂嵌套结构不支持。没有 front matter 也能兜底name缺省时回退为文件名不含扩展名但强烈建议显式声明保证 UI 显示稳定。正文就是提示词Action Guide 会被原样交给大模型写编号步骤、明确输出契约如严格 JSONsuggested_actions必须为空数组比写抒情段落有效得多。只加不删保留默认*.default.md文件新版本另起文件名方便 A/B 对比与快速回滚。配合 traces 调试每次运行都会在 app.py 的运行历史中保存快照技能改动后回放AgentTrace能快速验证行为是否符合预期。总结its-trip 把交通智能体如何思考从代码中彻底解耦成了 skills/ 目录下的 Markdown 文件改文件即改行为、多版本并存、UI 一键切换、缺失自动兜底。如果你正在做交通大模型落地这套热插拔 Skills 机制值得直接借鉴——行为策略与工程代码分离正是智能体应用走向可运维、可演进的关键一步。【免费下载链接】its-tripits-trip 是 transportation SIG 下的交通大模型智能决策闭环仓库面向交通事件处置、交通管控决策和交通智能体应用场景构建“感知—研判—仿真—下发”的闭环智能决策机制。仓库将连接事件理解、知识调取、风险研判、方案生成、仿真验证和管控下发推动交通大模型从单点问答走向可验证、可执行、可落地的行业应用。项目地址: https://gitcode.com/cann/its-trip创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考