Agent Skills

Agent Becerileri; talimatların, meta verilerin, referans materyallerinin ve isteğe bağlı betiklerin yeniden kullanılabilir paketleridir ve bir yapay zeka agent'ına belirli bir görev için uzmanlaşmış yetkinlik kazandırır. Geliştiriciler, her prosedürü uzun bir sistem prompt'una eklemek yerine, ürünleri incelemek, elektronik tabloları analiz etmek veya bir organizasyonun dağıtım kontrol listesini takip etmek gibi odaklanmış bir yeteneği paketleyebilir ve agent'ın bunu yalnızca ilgili olduğunda yüklemesini sağlayabilir.

Beceriler, genel amaçlı bir AI agent'ın; bilgiyi modüler, bakımı yapılabilir ve taşınabilir tutarken bir alan uzmanı gibi davranmasına yardımcı olur. "Claude Skills", bu daha geniş fikrin bir ürün uygulamasıdır; Agent Becerileri terimi aynı zamanda açık Agent Becerileri genel bakışı tarafından açıklanan birlikte çalışabilir formatı da ifade edebilir.

Agent Becerileri Nasıl Çalışır#

Agent Becerileri spesifikasyonu kapsamında bir beceri, genellikle gerekli bir SKILL.md dosyası içeren bir dizindir. Bu dosya, becerinin ne yaptığını ve agent'ın onu ne zaman etkinleştirmesi gerektiğini açıklayan bir ad ve açıklama dahil olmak üzere YAML meta verileriyle başlar. Markdown gövdesi prosedürler, örnekler, kısıtlamalar ve uç durum kılavuzluğu sağlar. İsteğe bağlı dizinler yürütülebilir betikler, referans belgeler, şemalar veya şablonlar içerebilir.

Beceriler aşamalı açıklama (progressive disclosure) kullanır; bu, bilginin agent'ın bağlam penceresine aşamalı olarak girdiği anlamına gelir:

1. Agent başlangıçta mevcut beceriler için kısa adları ve açıklamaları görür.
2. Bir istek bir açıklamayla eşleştiğinde, ilgili SKILL.md dosyasını yükler.
3. Destekleyici kaynakları okur veya paketlenmiş betikleri yalnızca gerektiğinde çalıştırır.

Bu, gereksiz token kullanımını azaltır ve bir agent'ın her talimatı başlangıçta yüklemeden birçok uzmanlaşmış yeteneğe erişmesini sağlar. Claude Agent Skills belgeleri ve Microsoft Agent Skills belgeleri, agent platformlarında bu yükleme modelinin örneklerini sunar.

Agent Becerileri ve İlgili Kavramlar#

Agent Becerileri bilgi ve prosedürleri organize eder, ancak agent'ın kendisini, araçlarını veya eylemlerini koordine eden sistemi değiştirmez.

• Araçlar ve fonksiyon çağrımı (tools and function calling): Bir araç, bir API sorgulama veya çıkarım çalıştırma gibi bireysel bir işlem gerçekleştirir. Bir beceri, doğrulama kuralları ve alan bağlamı dahil olmak üzere bir veya daha fazla aracın birlikte ne zaman ve nasıl kullanılacağını açıklar.

• Agent tabanlı iş akışları (agentic workflows): Bir beceri, agent'ın talimatları uyarlamalı olarak yorumlamasına izin verir. Bir iş akışı daha açık bir yürütme yolu tanımlayarak uzun süren süreçler, kontrol noktaları, onaylar ve sabit bir sırayla gerçekleşmesi gereken eylemler için onu tercih edilebilir kılar.

• Model Context Protocol: MCP, agent'ların harici kaynakları ve araçları nasıl keşfettiğini ve çağırdığını standartlaştırır. Resmi MCP araçları spesifikasyonu araç arayüzlerini tanımlarken, bir beceri agent'ı bu arayüzleri kullanmaya yönlendirebilecek prosedürel uzmanlığı paketler.

Bir prompt genellikle tek bir konuşma için yazılır. Bir beceri ise uyumlu ortamlarda yeniden kullanılmak, sürümlendirilmek, test edilmek ve paylaşılmak üzere tasarlanmıştır.

Bilgisayarlı Görüde Uygulamalar#

Agent Becerileri, görsel algının iş kuralları ve takip eylemleriyle birleştirilmesi gerektiğinde özellikle yararlıdır.

Üretim denetimi: Bir kalite kontrol becerisi, bir agent'a bir görüntü yakalamasını, nesne tespiti çalıştırmasını, tespitleri kabul kriterleriyle karşılaştırmasını, kanıtları kaydetmesini ve güven düşük olduğunda insan incelemesi istemesini talimat verebilir. Görüntü modeli gözlemleri sağlarken, beceri fabrikeye özel denetim prosedürünü sağlar. Bu, her politikayı agent'ın temel prompt'una gömmeden tekrarlanabilir kusur tespit iş akışlarını destekler.

Perakende envanter denetimi: Bir raflı denetim becerisi, bir agent'ı mağaza görüntülerini işlemeye, belirtilen ürünleri saymaya, sonuçları envanter kayıtlarıyla karşılaştırmaya ve bir ikmal önerisi hazırlamaya yönlendirebilir. Ekipler, raf verilerini etiketlemek, özel bir model eğitmek, bunu dağıtmak ve becerinin çağırdığı görsel aracı izlemek için Ultralytics Platform kullanabilir.

Her iki durumda da beceriler algıyı operasyonel bilgiye bağlar. Kendi başlarına temel modelin görsel doğruluğunu iyileştirmezler; çıktılarını tutarlı bir şekilde uygulamayı daha kolay hale getirirler.

Bir Beceri İçin Örnek Görüntü Betiği#

Bir beceri, görsel denetim için deterministik bir betik paketleyebilir. Aşağıdaki belgelenmiş Ultralytics YOLO tahmin iş akışı, bir becerinin scripts/ dizininde saklanabilir:

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)

Burada YOLO26 görsel yeteneği sağlarken, SKILL.md betiğin ne zaman çalıştırılacağını, çıktısının nasıl yorumlanacağını ve sonrasında hangi eylemin gerçekleştirilmesi gerektiğini açıklayacaktır.

Tasarım ve Güvenlik Hususları#

Etkili beceriler dar sorumluluklara, net etkinleştirme açıklamalarına, özlü talimatlara, gerçekçi örneklere ve belgelenmiş bağımlılıklara sahip olmalıdır. Resmi beceri yazma en iyi uygulamaları, talimat detayını görev riskine göre eşleştirmeyi önerir: esnek kılavuzlar açık uçlu analizlere uygun olabilirken, kırılgan işlemler kesin betikler ve daha sıkı kısıtlamalar gerektirir.

Üçüncü taraf beceriler yüklenmiş yazılımlar gibi ele alınmalıdır. Erişim vermeden önce her talimatı, betiği, bağımlılığı, ağ çağrısını ve dosya işlemini inceleyin. Sonuç doğuran eylemler için korumalı alan (sandboxing), en az ayrıcalık izinleri, kaynak limitleri, günlük kaydı (logging) ve insan onayı uygulayın. Bu kontroller, OWASP prompt enjeksiyon kılavuzu ve OWASP aşırı ajans kılavuzu tarafından açıklanan risklerin ele alınmasına yardımcı olur. Ekipler ayrıca beceri değerlendirmesini, izlemeyi ve yönetişimi daha geniş yapay zeka risk yönetimine entegre etmek için NIST AI Risk Management Framework Playbook kullanabilir.