LangChain 为 Deep Agents 框架的 Skills 做了三项工程升级：工具绑定 Skills、固定 Skills、中途重载 Skills，核心目标是在保持“渐进式披露”优势的同时，解决延迟、可预测性和运行时演化三个实际问题。

1. 工具绑定 Skills (Tool-binding Skills) - 知识与能力的同步披露

以前只有“知识”是渐进披露的，工具则一开始全部挂载。现在可在 SKILL.md 的 metadata.include_tools 中声明工具，由 SkillsMiddleware 管理：Agent 读取该 Skills 后，工具才被注入对话。这使“Skills”从纯知识单元升级为知识 + 能力的完整封装，用一个标签就能一次性披露整组 MCP 工具，还能基于运行时权限动态分配工具。技术上巧妙利用了 Anthropic 和 OpenAI 支持“对话中途添加工具”的特性，且不破坏提示词缓存前缀。

2. 固定 Skills (Pinned Skills) - 砍掉一轮往返
当用户显式指定 Skills (如输入 /meeting-prep) 时，应用解析后通过 pinned_skills 参数传入，中间件在下一次模型调用前就把完整指令注入。相比“Agent 看到描述 → 决定读取 Skills → 再执行”的原路径，省掉一整轮模型调用。注入方式是以带标签的新消息追加一次、不改历史消息，这既是行为可预测性的来源，也是缓存不失效的前提。这是典型的“确定性路径优先于模型自主决策”的工程取舍。

3. 中途重载 Skills (Reload Mid-thread) - 运行时演化
将 skills_metadata 设为 None,下一次运行就会重新扫描 Skills 库，无需重启线程。可用来实现客户端 /reload 命令。代价是重载改变系统提示词、缓存失效，但作者指出闲置线程的缓存通常早已过期，实际成本可接受。