Agent Skills

Навыки агентов — это повторно используемые пакеты инструкций, метаданных, справочных материалов и дополнительных скриптов, которые наделяют AI-агента специализированными знаниями для выполнения конкретной задачи. Вместо того чтобы размещать каждую процедуру в длинном системном промпте, разработчики могут упаковать целевую возможность — например, проверку продуктов, анализ электронных таблиц или выполнение контрольного списка развертывания организации — и позволить агенту загружать её только при необходимости.

Навыки помогают универсальному AI-агенту вести себя скорее как специалист в определённой области, сохраняя при этом модульность, удобство сопровождения и переносимость знаний. «Claude Skills» — это одна из реализаций этой более широкой идеи; термин «Навыки агентов» также может обозначать совместимый формат, описанный в обзоре открытого формата Agent Skills.

Как работают навыки агентов#

Согласно спецификации Agent Skills, навык обычно представляет собой каталог, содержащий обязательный файл SKILL.md. Этот файл начинается с метаданных YAML, включая имя и описание, поясняющее, что делает навык и когда агенту следует его активировать. В его теле Markdown содержатся процедуры, примеры, ограничения и рекомендации для нестандартных случаев. В дополнительных каталогах могут находиться исполняемые скрипты, справочные документы, схемы или шаблоны.

Навыки используют постепенное раскрытие, то есть информация поступает в контекстное окно агента поэтапно:

1. Сначала агент видит краткие названия и описания доступных навыков.
2. Когда запрос соответствует описанию, он загружает соответствующий SKILL.md.
3. Он читает вспомогательные ресурсы или запускает включённые скрипты только при необходимости.

Это сокращает ненужное использование токенов и позволяет агенту получать доступ ко множеству специализированных возможностей, не загружая все инструкции при запуске. В документации по Claude Agent Skills и Microsoft Agent Skills приведены примеры такого шаблона загрузки на платформах агентов.

Навыки агентов и связанные понятия#

Навыки агентов организуют знания и процедуры, но не заменяют самого агента, его инструменты или систему, координирующую его действия.

• Инструменты и вызов функций: Инструмент выполняет отдельную операцию, например отправляет запрос к API или запускает инференс. Навык объясняет, когда и как использовать один или несколько инструментов вместе, включая правила валидации и контекст предметной области.

• Агентные рабочие процессы: Навык позволяет агенту адаптивно интерпретировать инструкции. Рабочий процесс задаёт более явный путь выполнения, поэтому он предпочтительнее для длительных процессов, контрольных точек, согласований и действий, которые должны выполняться в фиксированном порядке.

• Протокол контекста модели (MCP): MCP стандартизирует способы обнаружения агентами внешних ресурсов и инструментов и их вызова. В официальной спецификации инструментов MCP определяются интерфейсы инструментов, а навык упаковывает процедурную экспертизу, которая может направлять агента к использованию этих интерфейсов.

Промпт обычно пишется для одного диалога. Навык предназначен для повторного использования, управления версиями, тестирования и совместного применения в совместимых средах.

Применение в компьютерном зрении#

Навыки агентов особенно полезны, когда визуальное восприятие необходимо объединить с бизнес-правилами и последующими действиями.

Контроль производства: Навык контроля качества может указать агенту захватить изображение, выполнить обнаружение объектов, сопоставить обнаруженные объекты с критериями приемки, сохранить подтверждающие материалы и запросить проверку человеком при низкой уверенности. Модель компьютерного зрения предоставляет наблюдения, а навык — процедуру контроля, специфичную для конкретного предприятия. Это обеспечивает воспроизводимые рабочие процессы обнаружения дефектов без встраивания каждой политики в базовый промпт агента.

Аудит розничных запасов: Навык аудита полок может направлять агента при обработке изображений магазина, подсчёте заданных продуктов, сравнении результатов с записями об остатках и подготовке рекомендации по пополнению запасов. Команды могут использовать Ultralytics Platform для разметки данных о полках, обучения пользовательской модели, её развертывания и мониторинга визуального инструмента, который вызывает навык.

В обоих случаях навыки связывают восприятие с операционными знаниями. Сами по себе они не повышают точность визуальной работы базовой модели, но упрощают последовательное применение её результатов.

Пример скрипта компьютерного зрения для навыка#

Навык может включать детерминированный скрипт для визуального контроля. Описанный далее рабочий процесс предсказаний Ultralytics YOLO можно сохранить в каталоге навыка scripts/:

from pathlib import Path

from ultralytics import YOLO

image_url = "https://ultralytics.com/images/bus.jpg"
output_path = Path("inspection_result.jpg")

# Run the skill's visual perception step
model = YOLO("yolo26n.pt")
results = model(image_url)

result = results[0]
result.save(filename=str(output_path))

print(output_path)

Здесь YOLO26 предоставляет возможности компьютерного зрения, а SKILL.md объясняет, когда запускать скрипт, как интерпретировать его вывод и какое действие следует выполнить далее.

Проектирование и вопросы безопасности#

Эффективные навыки должны иметь узкую область ответственности, понятные описания активации, краткие инструкции, реалистичные примеры и документированные зависимости. В официальных рекомендациях по созданию навыков советуют сопоставлять подробность инструкций с риском задачи: гибкие рекомендации подходят для анализа с открытым результатом, а хрупкие операции требуют точных скриптов и более жёстких ограничений.

К сторонним навыкам следует относиться как к установленному программному обеспечению. Перед предоставлением доступа проверь каждую инструкцию, скрипт, зависимость, сетевой вызов и операцию с файлами. Применяй изоляцию, разрешения с минимальными привилегиями, ограничения ресурсов, журналирование и одобрение человеком для значимых действий. Эти меры помогают устранить риски, описанные в рекомендациях OWASP по внедрению промптов и рекомендациях OWASP по чрезмерной автономности. Команды также могут использовать практическое руководство NIST по управлению рисками AI, чтобы интегрировать оценку, мониторинг и управление навыками в более широкую систему управления рисками AI.