然而，大语言模型（LLMs）并未经过这些信息的训练，因此无法直接用于推理和生成响应。为了解决这个问题，一个标准的做法是设置检索增强生成（RAG）流程，通过该流程调用内部API，并将它们的响应注入到后续的大语言模型提示词中，以提供额外的上下文来支持生成响应。 这些独特的数据中有很多是通过各种微服务中的远程过程调用（RPC）API在内部公开的。
但对于大语言模型来说并不友好。 我们通过把这些API“包装”成技能来解决这个问题。每个技能(Skill)都包含以下组件： 人类（和大语言模型）友好的描述：说明API的 芬兰电话号码数据 功能以及何时使用它。 RPC API调用配置：包括端点、输入、输出schema等。 大语言模型友好的输入和输出schema： 基本类型（如字符串/布尔值/数字） JSON风格的输入和输出schema 业务逻辑：用于在大语言模型友好的schema与实际RPC schema之间进行映射。
（注：schema是个编程术语，也许可以翻译成模式，拿excel表作类比，表头是schema） 这样的技能使大语言模型能够执行与我们的产品相关的各种任务，如查看个人资料、搜索文章/人员/职位/公司，甚至查询内部分析系统。 同样的技术也用于调用非LinkedIn API，如Bing搜索和新闻。 AI智能体产品案例深度思考和分享（全球顶级公司实践细节，做AI智能体必读） 图3：使用技能调用内部API 我们编写了提示词，要求大语言模型（LLM）决定使用哪种技能来解决特定任务（通过规划来完成技能选择），然后输出调用该技能所需的参数（函数调用）。