AI Skills для агентів

Навіть дивно, що за 9 місяців із моменту появи скілів я так мало про них написав. Пора закрити цей геп, бо скіли стали де-факто стандартом для повторюваних інструкцій агенту й основним способом розширення його можливостей.

Що таке скіл
Скіл — повторюваний спосіб розв’язання цілого класу задач: інструкції, скрипти, шаблони, документація та критерії перевірки.
Скіл упаковується в папку з SKILL.md у певному форматі + файли скриптів, прикладів, інструкцій та інших артефактів. Типова папка скіла:
code-review/
├── SKILL.md
├── scripts/
├── references/
└── assets/

У SKILL.md є metadata, за якими агент розуміє, коли використовувати skill, і самі інструкції:
---
name: code-review
description: Reviews pull requests for bugs,
security issues and project conventions.
Use when asked to review a PR.
---

1. Read the project instructions.
2. Inspect the diff and related code.
3. Run relevant tests.
4. Report findings by severity.

Скіли підвантажуються в контекст поступово:
1. Агент завжди бачить лише name і description — близько 100 токенів на skill.
2. Повний SKILL.md завантажується лише тоді, коли skill підходить задачі — рекомендовано до 5 000 токенів.
3. Скрипти та references читаються лише за потреби.
Це дозволяє підключити багато скілів і не завантажувати всі інструкції в контекст одразу. Формат уже підтримують Claude Code, Codex, GitHub Copilot, Cursor та інші інструменти.

Як використання скілів впливає на якість
Якість має покращуватися, але результат сильно залежить від якості самого скіла.
У SkillsBench протестували 87 задач із 8 областей на 18 комбінаціях моделей і agent harnesses. Curated skills підвищили середній pass rate з 33,9% до 50,5%. Для окремих конфігурацій приріст становив від 4,1 до 25,7 відсоткового пункта. Скіли з 2–3 сфокусованих модулів працювали краще за великі пакети документації.
Якщо ж додати етап пошуку скіла, результати погіршуються. У дослідженні з каталогом із 34 000 скілів перевага майже зникала в міру ускладнення пошуку. Retrieval та адаптація знайденого скіла під запит підвищили результат Claude Opus 4.6 на Terminal-Bench 2.0 з 57,7% до 65,5%.
Якість публічних скілів низька. Автори аналізу 138 133 файлів SKILL.md знайшли порушення специфікації у 89,3%.
Більше того, використання скіла може погіршити результат. Ця стаття відзначає падіння pass rate на 16 із 84 задач SkillsBench. Часто агент виконував зайвий процес, запускав непотрібні перевірки або дотримувався інструкції, яка не підходила оточенню.

Як почати працювати зі скілами
Я б не радив завантажувати все підряд із маркетплейсів. Скіли можуть містити виконувані скрипти та небезпечні інструкції.
Нормальний процес виглядає так:
1. Знайти скіл у довіреному каталозі або створити його під повторювану задачу.
2. Перевірити SKILL.md, скрипти, залежності та необхідні дозволи.
3. Підключити його на рівні користувача або конкретного репозиторію.
4. Порівняти виконання однакових задач зі скілом і без нього.
5. Виправляти скіл після реальних помилок агента.
Розповідь про те, як робити eval скілів, заслуговує на окремий пост, але точно потрібен code review + кілька тестових прогонів.

Звідки брати скіли
1. Із публічних репозиторіїв або каталогів — найпопулярніший skills.sh.
2. Створювати самостійно за допомогою ШІ-агентів. Можна робити це проактивно, але, на мій погляд, ефективніше аналізувати власні задачі й створювати скіли на основі повторюваних задач і сесій для них. Гайд зі створення скілів від Anthropic
3. На рівні компанії та проєкту мають бути репозиторії з уже існуючими та перевіреними скілами.