اگر هر بار برای انجام یک کار تکراری مجبورید دستورالعملهای مشابهی را از ابتدا برای مدلهای زبانی توضیح دهید، اسکیل میتواند این فرایند را ساده کند. اسکیل، روش انجام یک کار مشخص را در قالب فایل ذخیره میکند تا مدل در موقعیتهای مرتبط، همان فرایند را بهشکل منظم اجرا کند.
در این راهنما با مفهوم اسکیل، ساختار فایل SKILL.md، روش نوشتن دستورالعملهای قابلاعتماد و محدودیتهایی که باید هنگام طراحی آنها در نظر بگیرید، آشنا میشوید.
اسکیل چیست؟
اسکیل، دستورالعملی برای انجام یک کار تکراری است که معمولاً در قالب یک پوشه و یک فایل متنی ذخیره میشود. برخلاف پرامپت معمولی که با پایان چت عملاً کنار گذاشته میشود، مدل میتواند هر زمان با کاری مرتبط روبهرو شد، اسکیل مربوط به آن را شناسایی و طبق دستورالعملهایش عمل کند.
تفاوت اسکیل با MCP نیز مهم است. MCP مدل را به منابع بیرونی مانند دادههای زنده، حسابهای کاربری یا پایگاههای داده متصل میکند و اطلاعاتی درباره وضعیت فعلی در اختیار آن میگذارد؛ اما اسکیل توضیح میدهد مدل باید با آن اطلاعات چه کاری انجام دهد. برای آشنایی بیشتر میتوانید مقاله اسکیل چیست؟ را بخوانید.
اسکیل چه بخشهایی دارد؟
در استاندارد Agent Skills، اسکیل معمولاً یک پوشه است که فایل اصلی SKILL.md را در خود جای میدهد. این فایل دستورالعمل اصلی مهارت را شامل میشود و در صورت نیاز، فایلهای کمکی دیگری نیز کنار آن قرار میگیرند.
SKILL.md: دستورالعمل اصلی اسکیل
references: فایلها و اسناد مرجع
templates: قالبهای آماده
scripts: اسکریپتهای موردنیاز برای انجام کار
هیچکدام از پوشههای کمکی اجباری نیستند و برای یک اسکیل ساده، وجود فایل SKILL.md بهتنهایی کافی است. برای نمونه، اسکیلی که گزارش تولید میکند میتواند یک راهنمای لحن در پوشه منابع، قالب استاندارد گزارش در بخش قالبها و اسکریپتی برای محاسبه آمار داشته باشد.
فایل SKILL.md چه ساختاری دارد؟
در ابتدای فایل SKILL.md اطلاعاتی با قالب YAML قرار میگیرد. دو مورد اصلی این بخش عبارتاند از:
name: نام اسکیل
description: توضیح کوتاهی درباره کاری که اسکیل انجام میدهد و زمان فعالشدن آن
توضیح اسکیل باید دقیق باشد. عبارتی کلی مانند «دستیار تولید محتوا» به مدل نمیگوید اسکیل چه زمانی باید فعال شود. توضیح بهتر، نوع ورودی و موقعیت استفاده را مشخص میکند:
name: podcast-to-article
description: تبدیل متن پیادهسازیشده پادکست به مقاله فارسی ساختاریافته، شامل تیتر، لید، میانتیترها و جمعبندی کوتاه. از این اسکیل زمانی استفاده کن که کاربر متن پادکست ارائه میدهد یا میخواهد محتوای گفتاری به مقالهای قابل انتشار تبدیل شود.
اهمیت description در این است که عامل معمولاً ابتدا همین توضیح کوتاه را برای تشخیص ارتباط اسکیل بررسی میکند و در صورت مرتبطبودن، سراغ دستورالعمل کامل میرود.
چه کارهایی برای ساخت اسکیل مناسب هستند؟
اسکیل زمانی بیشترین کاربرد را دارد که روند انجام کار ثابت باشد، اما ورودیها در هر نوبت تغییر کنند. نمونههایی از این کارها عبارتاند از:
- تبدیل گزارشهای خام به قالبی مشخص
- بررسی مقاله براساس یک چکلیست ثابت
- تولید گزارش مالی از فایلهای ماهانه
- بررسی کد و اجرای مجموعهای مشخص از تستها
- ساخت ارائه براساس قالب سازمانی
- تبدیل صورتجلسه به تصمیمها و وظایف
- آمادهسازی محتوای شبکههای اجتماعی براساس دستورالعمل برند
برای مثال، اگر هر هفته فایل دادهای دریافت میکنید و باید از آن گزارش بسازید، دادهها هر بار تغییر میکنند؛ اما روش تحلیل و ساخت گزارش تقریباً ثابت میماند. این دقیقاً همان نوع کاری است که برای آن اسکیل طراحی میشود.
برای چه کارهایی نباید اسکیل ساخت؟
کارهای یکباره: اگر توضیحدادن کار کمتر از ۳۰ ثانیه زمان میبرد، نوشتن همان دستور در پرامپت منطقیتر است.
اطلاعات ناپایدار: قیمت، مهلتها و قوانین بازگشت وجه را داخل اسکیل ثابت نکنید. اسکیل باید بگوید اطلاعات از کجا بررسی شود، نه اینکه پاسخ قدیمی را حفظ کند.
وابسته به وضعیت لحظهای: اسکیل بهتنهایی یک فایل متنی است و به سیستمهای بیرونی دسترسی ندارد. اگر پاسخ به وضعیت فعلی یک حساب کاربری یا پایگاه داده وابسته است، با مسئلهای از جنس MCP روبهرو هستید.
تصمیمهای برگشتناپذیر: پرداخت، بازگرداندن وجه یا حذف اطلاعات باید همیشه به تأیید انسان نیاز داشته باشد؛ حتی اگر مدل از درستی تصمیم خود مطمئن باشد.
راهنمای ساخت یک اسکیل قابلاعتماد
یک اسکیل خوب نباید فقط به هوش مصنوعی بگوید «در این حوزه حرفهای باش». چنین فایلی باید فرایند انجام یک کار مشخص را تعریف کند. پیش از نوشتن اسکیل، به چهار سؤال پاسخ دهید:
- خروجی دقیقاً باید چه شکلی داشته باشد؟
- مدل برای انجام کار باید به چه منابعی اعتماد کند؟
- مدل در چه مواردی نباید حدس بزند؟
- اگر اطلاعات کافی وجود نداشت، چه رفتاری باید داشته باشد؟
یکی از معیارهای مهم کیفیت اسکیل این است که بداند چه زمانی نباید پاسخ قطعی ارائه دهد. برای نمونه، در اسکیلی که از فایل CSV گزارش عملکرد فروشگاه را تولید میکند، باید مشخص شود گزارش شامل تغییرات فروش، محصولات پرفروش، موارد غیرعادی و جمعبندی مدیریتی باشد. اگر تاریخ یا عددی در فایل وجود نداشت، مدل نباید آن را بسازد و باید عبارت «داده کافی نیست» را نمایش دهد.
نمونهای برای نوشتن اسکیل
فرض کنید میخواهید برای محصولات جدید فروشگاه اینترنتی، توضیحی استاندارد تولید کنید. دستورالعمل اسکیل میتواند شامل این موارد باشد:
خروجی باید سه بخش داشته باشد: معرفی کوتاه محصول در یک پاراگراف، فهرست ویژگیهای فنی بهصورت بولت و یک جمله برای پیشنهاد کاربرد.
طول توضیح باید بین ۸۰ تا ۱۲۰ کلمه باشد.
هیچ مشخصه فنی مانند ابعاد، وزن، گارانتی یا قیمت که در فایل محصول نیامده است، نباید ساخته شود.
اگر مشخصهای در فایل ورودی وجود نداشت، عبارت «این مشخصه در داده ورودی موجود نیست» درج شود.
آزمون واقعی اسکیل زمانی انجام میشود که فایل مشخصات ناقص باشد. اگر وزن محصول ذکر نشده باشد، اسکیل مناسب نباید وزن را حدس بزند؛ بلکه باید نبود این اطلاعات را شفاف اعلام کند.
همچنین اگر اطلاعاتی مانند قیمت، مهلت ارسال یا شرایط بازگشت کالا در اسکیل قرار دارد، تاریخ بهروزرسانی آن را ثبت کنید؛ برای مثال: «قیمتها بهروزرسانی مهر ۱۴۰۵». فایل اسکیل خودکار تغییر نمیکند و اطلاعات منقضیشده میتواند باعث تولید پاسخ نادرست شود.
نمونه اسکیل برای کپشن اینستاگرام
همین چهار سؤال را میتوان برای اسکیلی با کاربرد متفاوت، مانند تولید کپشن اینستاگرام برای محصولات ورزشی، نیز به کار برد:
شکل خروجی: کپشنی حداکثر سهخطی با لحن پرانرژی و غیررسمی، یک دعوت به اقدام و پنج تا هفت هشتگ مرتبط با ورزش و برند.
منبع اطلاعات: نام محصول، کاربرد آن و ویژگیهای موجود در بریف محصول.
موارد ممنوع برای حدسزدن: قیمت، درصد تخفیف و موجودی انبار.
رفتار در نبود اطلاعات: استفاده از عبارت ثابت «برای قیمت و موجودی به لینک بیو سر بزنید» بهجای ساختن قیمت یا تخفیف.
با چنین اسکیلی، برای معرفی هر محصول جدید فقط کافی است بریف کوتاه آن را وارد کنید و کپشنی با ساختار ثابت تحویل بگیرید؛ بدون اینکه مدل قیمت یا تخفیفی نادرست بسازد.
چطور فایل اسکیل را بسازیم؟
لازم نیست فایل SKILL.md را حتماً دستی بنویسید. میتوانید پاسخ چهار سؤال اصلی درباره خروجی، منابع معتبر، موارد ممنوع برای حدسزدن و رفتار مدل در نبود اطلاعات را در اختیار هوش مصنوعی قرار دهید و از آن بخواهید فایل اسکیل را برایتان تولید کند. سپس فایل را با چند ورودی واقعی، بهخصوص نمونههای ناقص یا غیرمعمول، آزمایش و در صورت نیاز اصلاح کنید.
اسکیل زمانی ارزشمند است که یک فرایند تکراری را استاندارد کند، منابع قابلاعتماد را مشخص کند و مدل را از ساختن اطلاعات نادرست بازدارد. هرچه دستورالعمل دقیقتر باشد و مرزهای پاسخگویی را بهتر تعریف کند، نتیجه قابلاعتمادتر خواهد بود.
