Skill Overview
This skill automates the full workflow of tool discovery and execution, backed by Agent Earth. The base address is https://agentearth.ai:
CODEBLOCK0
Core value:
- - Active discovery: You don’t need to remember tool inventory; just describe your intent.
- Context awareness: Understand implicit parameters across turns (e.g., “prices there”).
- Decision support: Not only fetch data, but also support “is it suitable”, “advice”-type questions.
Authentication
All requests to https://agentearth.ai (including recommend and execute) must include the header:
- - Header Name: INLINECODE2
- Header Value: INLINECODE3
- Note: The value comes from environment variable
$AGENT_EARTH_API_KEY. - Get Key: Visit the official site at https://agentearth.ai/ and generate an API Key in your profile.
When To Use
Use this skill when the user expresses any of the following intents:
- - Current affairs news: “I want to know the latest situation in Iran…”
- Decision consultation: “Is it suitable to ski in Hokkaido these days?” (weather, snow, travel advice)
- Specific data: “How are the housing prices in Hokkaido?” (hotels/homestays, inherit ‘Hokkaido’ context)
- Function calls: “Find me a tool that can translate documents.”
- Any scenario implying external information is needed
Workflow
Step 1: Call Recommend API
Send JSON to INLINECODE5
Headers:
Body:
CODEBLOCK1
Context Injection:
If the user’s request depends on context (e.g., “housing prices there”), you MUST explicitly complete the information in query, or pass via task_context.
- - User input: “How are the housing prices there?”
- History: “I want to go skiing in Hokkaido”
- Final Query: “Housing prices for Hokkaido ski resorts”
Step 2: Selection
Analyze the recommend results (tools list), prioritize:
- 1. Direct match: the tool description closely matches the task.
- Combined capability: for multi-step tasks (e.g., “is it suitable” requires weather + news), prefer comprehensive tools or plan multiple calls.
Step 2.5: Parameter Validation
Before calling execute, validate against the selected tool’s input_schema:
- 1. Required fields: ensure all
required: true params are extractable from input or conversation history. - Missing handling:
- If required params are missing, do NOT call execute.
- Ask the user for the missing info.
- Example: “Price query needs a specific city or area. Which city in Hokkaido (e.g., Sapporo, Niseko)?”
Step 3: Execute Tool
Call INLINECODE13
Headers:
- - INLINECODE14
- INLINECODE15
Body:
CODEBLOCK2
Response format (from Agent Earth backend):
Success:
CODEBLOCK3
Failure:
CODEBLOCK4
Step 4: Results & Fallback
- - Success: answer the user based on the tool result.
- Failure: try the next tool in the list.
- All failed: be transparent and suggest manual directions.
Usage Protocol
1. Context Resolution
Users often use pronouns (“there”, “it”, “these days”). Before
recommend, resolve references.
- - Bad: Query = “housing prices there”
- Good: Query = “housing prices in Hokkaido”
2. Complex Intent Decomposition
For “Is it suitable these days?”, decompose into objective data:
- - Weather (temp, snow)
- Traffic/news (incidents)
- Agent strategy: start with weather or travel-advice tools
3. Data Freshness
For news (“latest situation”), prices (“housing prices”), you MUST use tools; never invent from training data.
Example Dialogs
Example 1: News
User: “Introduce the latest situation in Iran.”
Agent reasoning: news requirement.
Action:
- 1. Recommend Query: “latest Iran situation”
- Tool Selected: INLINECODE17
- Execute Params: INLINECODE18
- Response: summarize returned articles.
Example 2: Decision Support (weather + advice)
User: “I want to ski in Hokkaido. Is it suitable these days?”
Agent reasoning: need weather + ski conditions.
Action:
- 1. Recommend Query: “Hokkaido ski weather forecast and suitability”
- Tool Selected:
weather_forecast_tool (or travel advice) - Execute Params: INLINECODE20
- Response: provide recommendation based on forecast.
Example 3: Context Inheritance (price query)
User: “I decided to ski in Hokkaido. How are the housing prices there?”
Agent reasoning: “there” = Hokkaido; need housing prices.
Action:
- 1. Recommend Query: “Hokkaido ski resort housing prices”
- Tool Selected:
hotel_booking_tool or INLINECODE22 - Execute Params: INLINECODE23
- Response: show ranges and recommendations.
References
See references/api-spevification.md for full API specifications.
技能概述
该技能基于Agent Earth，实现了工具发现与执行的完整工作流自动化。基础地址为 https://agentearth.ai：
用户自然语言查询 → 调用推荐API → 语义匹配与选择 → 执行最佳工具 → 返回结果
核心价值：
- - 主动发现：无需记忆工具清单，只需描述意图即可。
- 上下文感知：理解多轮对话中的隐式参数（例如“那里的价格”）。
- 决策支持：不仅能获取数据，还能支持“是否合适”、“建议”类问题。
身份验证
所有对 https://agentearth.ai 的请求（包括推荐和执行）必须包含以下请求头：
- - 请求头名称：X-Api-Key
- 请求头值：EARTHAPIKEY>
- 注意：该值来自环境变量 $AGENTEARTHAPIKEY。
- 获取密钥：访问官方网站 https://agentearth.ai/，在个人资料中生成API密钥。
使用时机
当用户表达以下任何意图时，使用此技能：
- - 时事新闻：“我想了解伊朗的最新局势...”
- 决策咨询：“这些天北海道适合滑雪吗？”（天气、雪况、旅行建议）
- 特定数据：“北海道的房价如何？”（酒店/民宿，继承‘北海道’上下文）
- 功能调用：“帮我找一个可以翻译文档的工具。”
- 任何需要外部信息的场景
工作流程
步骤1：调用推荐API
向 POST https://agentearth.ai/agent-api/v1/tool/recommend 发送JSON
请求头：
- - Content-Type: application/json
- X-Api-Key: $AGENTEARTHAPI_KEY
请求体：
json
{
query: <包含上下文的完整自然语言描述>,
task_context: 可选的任务上下文
}
上下文注入：
如果用户的请求依赖于上下文（例如“那里的房价”），则必须在 query 中明确补全信息，或通过 task_context 传递。
- - 用户输入：“那里的房价如何？”
- 历史记录：“我想去北海道滑雪”
- 最终查询：“北海道滑雪胜地的房价”
步骤2：选择
分析推荐结果（tools 列表），优先级：
- 1. 直接匹配：工具描述与任务高度匹配。
- 组合能力：对于多步骤任务（例如“是否合适”需要天气+新闻），优先选择综合工具或计划多次调用。
步骤2.5：参数验证
在调用执行之前，根据所选工具的 input_schema 进行验证：
- 1. 必填字段：确保所有 required: true 的参数可以从输入或对话历史中提取。
- 缺失处理：
- 如果必填参数缺失，不要调用执行。
- 向用户询问缺失信息。
- 示例：“价格查询需要具体的城市或区域。北海道的哪个城市（例如札幌、新雪谷町）？”
步骤3：执行工具
调用 POST https://agentearth.ai/agent-api/v1/tool/execute
请求头：
- - Content-Type: application/json
- X-Api-Key: $AGENTEARTHAPI_KEY
请求体：
json
{
tool_name: <所选工具名称>,
arguments: {},
session_id: 可选
}
响应格式（来自Agent Earth后端）：
成功：
json
{
result: { },
status: success
}
失败：
json
{
status: error,
message: 城市参数不能为空
}
步骤4：结果与回退
- - 成功：根据工具结果回答用户。
- 失败：尝试列表中的下一个工具。
- 全部失败：坦诚告知并建议手动方向。
使用协议
1. 上下文解析
用户经常使用代词（“那里”、“它”、“这些天”）。在 recommend 之前，解析指代。
- - 错误：查询 = “那里的房价”
- 正确：查询 = “北海道的房价”
2. 复杂意图分解
对于“这些天是否合适？”，分解为客观数据：
- - 天气（温度、雪况）
- 交通/新闻（事件）
- 代理策略：从天气或旅行建议工具开始
3. 数据时效性
对于新闻（“最新局势”）、价格（“房价”），必须使用工具；切勿从训练数据中编造。
示例对话
示例1：新闻
用户：“介绍一下伊朗的最新局势。”
代理推理：新闻需求。
操作：
- 1. 推荐查询：“伊朗最新局势”
- 选择工具：newssearchtool
- 执行参数：{keyword: 伊朗, time_range: 最新}
- 响应：总结返回的文章。
示例2：决策支持（天气+建议）
用户：“我想去北海道滑雪。这些天适合吗？”
代理推理：需要天气+滑雪条件。
操作：
- 1. 推荐查询：“北海道滑雪天气预报及适宜性”
- 选择工具：weatherforecasttool（或旅行建议）
- 执行参数：{city: 北海道, activity: 滑雪}
- 响应：根据预报提供建议。
示例3：上下文继承（价格查询）
用户：“我决定去北海道滑雪。那里的房价如何？”
代理推理：“那里”=北海道；需要房价。
操作：
- 1. 推荐查询：“北海道滑雪胜地房价”
- 选择工具：hotelbookingtool 或 pricesearchtool
- 执行参数：{location: 北海道, category: 酒店, query: 价格}
- 响应：显示价格区间和建议。
参考资料
完整API规范请参见 references/api-spevification.md。
