راهنمای Agent Skills؛ چطور هوش مصنوعی رو به کارمند متخصص تبدیل کنیم؟

ببین، یه واقعیت ساده وجود داره: ۹۹٪ مردم هنوز دارن با هوش مصنوعی مثل یه چت‌بات ساده چونه می‌زنن و پرامپت‌های معمولی می‌نویسن. اما اون ۱٪ که بازی رو بلدن، دارن می‌رن سمت ساخت Skill. فرقش چیه؟ فرق بین داشتن یه اسباب‌بازی با داشتن یه کارمند متخصص و ۲۴ ساعته که دقیقاً می‌دونه بیزنس شما چطوری کار می‌کنه.

واسه اینکه به اون سطح برسی، باید بیخیال پرامپت‌نویسیِ سنتی بشی و شروع کنی به توسعه‌ی Skill.

داستان اصلاً از کجا شروع شد؟

اکتبر ۲۰۲۵ بود که Anthropic مفهوم Skills رو معرفی کرد. اینا فقط یه سری دستورالعمل (Instruction) ساده نیستن؛ در واقع پکیج‌های سازمان‌یافته و پویایی هستن که به Agent اجازه می‌دن هر جا لازم بود، محتوای مورد نیازش رو لود کنه. اولش اختصاصی بود، ولی الان شده یه استاندارد باز که OpenAI و مایکروسافت هم دارن ازش استفاده می‌کنن.

کالبدشکافی یک Skill

یه مهارت برخلاف سیستم‌های قدیمیِ فراخوانی تابع (Function Calling)، به هوش مصنوعی یاد می‌ده که چطوری "فکر کنه" و به مشکل حمله کنه. ساختار دایرکتوری‌ش هم خیلی تمیز و مرتبه:

• SKILL.md: فایل اصلی (اجباری) که متادیتا و دستورات توش قرار می‌گیره.

• scripts/: کدهای اجرایی مثل پایتون یا بش (اختیاری).

• references/: داکیومنت‌ها و راهنماهای API (اختیاری).

• assets/: تمپلیت‌ها، فونت‌ها یا آیکون‌ها (اختیاری).

قلب هر مهارت، همون فایل SKILL.md هست که بالای صفحه‌ش یه بخش YAML داره واسه متادیتا و پایینش هم با Markdown دستورات رو می‌نویسیم.

این سیستم چطوری کار می‌کنه؟

دلیل اینکه Skills انقدر بهینه هستن، سیستم سه مرحله‌ای لود شدنشونه:

1. سطح ۱ - بخش YAML: همیشه لود می‌شه. فقط شامل اسم و توضیح مهارته تا مدل بفهمه اصلاً این مهارت به دردِ سوال الانِ کاربر می‌خوره یا نه. (مصرف توکن: نزدیک به صفر!)

2. سطح ۲ - بدنه SKILL.md: اگه مدل تشخیص داد مهارت مرتبطه، کل دستورات رو لود می‌کنه.

3. سطح ۳ - منابع جانبی: فایل‌های توی پوشه اسکریپت و داکیومنت‌ها فقط وقتی لود می‌شن که واقعاً نیاز بشن.

یه حرکت هوشمندانه: وقتی یه Skill فعال می‌شه، دو نوع پیام داریم. پیام‌های معمولی که کاربر می‌بینه، و Meta Messages که فقط واسه API فرستاده می‌شه. اینطوری محیط چتِ کاربر با هزاران خط دستور فنی شلوغ نمی‌شه.

چطوری اولین Skill خودمون رو بسازیم؟

قدم اول: سناریو رو مشخص کن

معمولاً مهارت‌ها توی سه تا دسته می‌فتن:

• تولید دارایی (Asset Creation): مثل یه مهارت که به جای خروجی‌های آماتور، رابط کاربری (UI) حرفه‌ای و تمیز تحویل می‌ده.

• اتوماسیون گردش کار: واسه کارهای چند مرحله‌ای که متدولوژی خاصی دارن.

• تقویت MCP: اضافه کردن یه لایه هوشمندی روی سرورهای Model Context Protocol (مثل چک کردن خودکار باگ‌ها در GitHub).

قدم دوم: مشخص کردن معیار موفقیت

باید بدونی مهارتت درست کار می‌کنه یا نه. مثلاً: آیا در ۹۰٪ مواقع درست فعال می‌شه؟ آیا تعداد دفعاتی که ابزارها رو صدا می‌زنه بهینه هست؟

قدم سوم: نوشتن توضیحات (خیلی مهمه!)

بخش description همون چیزیه که مدل باهاش تصمیم می‌گیره مهارت رو لود کنه یا نه.

• بد: "به پروژه‌ها کمک می‌کند."

• خوب: "تحلیل فایل‌های فیگما و تولید داکیومنت برنامه‌نویسی. وقتی کاربر فایل fig. آپلود کرد یا از واژه‌هایی مثل design specs استفاده کرد، فعال شو."

ابزار SKILLS.sh؛ npmِ دنیای Agentها

اوایل ۲۰۲۶ بود که Vercel ابزار خط فرمان skills.sh رو داد بیرون. با این CLI می‌تونی مهارت‌ها رو نصب و مدیریت کنی. الان بیش از ۳۵ تا Agent مثل Claude Code و Cursor و Windsurf ازش پشتیبانی می‌کنن.

Bash

# نصب یه مهارت از گیت‌هاب
npx skills add vercel-labs/agent-skills
# لیست کردن نصب‌شده‌ها
npx skills list

الگوهای پیشرفته و امنیت

• انتخاب هوشمند ابزار: مهارت می‌تونه بر اساس حجم فایل تصمیم بگیره که اون رو توی Local Storage ذخیره کنه یا بفرسته روی Cloud.

• تزریق دانش تخصصی: مثلاً یه Skillِ مربوط به مسائل حقوقی یا مالی، قوانینی رو بلد هست که خودِ مدل ذاتا ازشون خبر نداره.

• امنیت: حواستون باشه Skillها می‌تونن کد اجرا کنن. فقط از منابع معتبر یا کدهای خودتون استفاده کنید. با استفاده از فیلد allowed-tools هم می‌تونید دسترسی‌های مهارت رو محدود کنید.

حرف آخر

در آینده، شرکت‌هایی برنده‌ان که کتابخونه مهارت‌های قوی‌تری داشته باشن. مهارت‌ها باعث می‌شن هوش مصنوعی از یه ابزار عمومی، تبدیل بشه به متخصصی که دانش و استانداردهای شما رو دقیقاً اجرا می‌کنه.

نوبت توئه؛ اولین مهارتی که می‌خوای خودکارش کنی چیه؟