Skills

s01 > s02 > s03 > s04 > [ s05 ] s06 | s07 > s08 > s09 > s10 > s11 > s12

"Laden Sie Wissen, wenn Sie es brauchen, nicht von Anfang an" -- injizieren Sie über tool_result, nicht den System-Prompt.

Problem

Sie möchten, dass der Agent domänenspezifische Workflows befolgt: Git-Konventionen, Testmuster, Code-Review-Checklists. Alles in den System-Prompt zu packen verschwendet Tokens für ungenutzte Skills. 10 Skills à 2000 Tokens = 20.000 Tokens, die meisten irrelevant für jede gegebene Aufgabe.

Lösung

System-Prompt (Schicht 1 -- immer vorhanden):
+--------------------------------------+
| You are a coding agent.              |
| Skills available:                    |
|   - git: Git workflow helpers       |  ~100 tokens/skill
|   - test: Testing best practices     |
+--------------------------------------+

Wenn Modell load_skill("git") aufruft:
+--------------------------------------+
| tool_result (Schicht 2 -- on demand):|
| <skill name="git">                  |
|   Full git workflow instructions...  |  ~2000 tokens
|   Step 1: ...                      |
| </skill>                           |
+--------------------------------------+

Schicht 1: Skill-Namen im System-Prompt (billig). Schicht 2: kompletter Body via tool_result (bei Bedarf).

Wie es funktioniert

1. Jedes Skill ist ein Verzeichnis mit einer SKILL.md mit YAML Frontmatter.

skills/
  pdf/
    SKILL.md       # ---\n name: pdf\n description: Process PDF files\n ---\n ...
  code-review/
    SKILL.md       # ---\n name: code-review\n description: Review code\n ---\n ...

1. SkillLoader scannt nach SKILL.md Dateien, verwendet den Verzeichnisnamen als Skill-Identifier.

class SkillLoader:
    def __init__(self, skills_dir: Path):
        self.skills = {}
        for f in sorted(skills_dir.rglob("SKILL.md")):
            text = f.read_text()
            meta, body = self._parse_frontmatter(text)
            name = meta.get("name", f.parent.name)
            self.skills[name] = {"meta": meta, "body": body}

    def get_descriptions(self) -> str:
        lines = []
        for name, skill in self.skills.items():
            desc = skill["meta"].get("description", "")
            lines.append(f"  - {name}: {desc}")
        return "\n".join(lines)

    def get_content(self, name: str) -> str:
        skill = self.skills.get(name)
        if not skill:
            return f"Error: Unknown skill '{name}'."
        return f"<skill name=\"{name}\">\n{skill['body']}\n</skill>"

1. Schicht 1 geht in den System-Prompt. Schicht 2 ist nur ein weiterer Tool-Handler.

SYSTEM = f"""You are a coding agent at {WORKDIR}.
Skills available:
{SKILL_LOADER.get_descriptions()}"""

TOOL_HANDLERS = {
    # ...base tools...
    "load_skill": lambda **kw: SKILL_LOADER.get_content(kw["name"]),
}

Das Modell lernt, welche Skills existieren (billig) und lädt sie, wenn relevant (teuer).

Was sich von s04 geändert hat

Komponente	Vorher (s04)	Nachher (s05)
Tools	5 (base + task)	5 (base + load_skill)
System-Prompt	Statischer String	+ Skill-Beschreibungen
Wissen	None	skills/*/SKILL.md Dateien
Injektion	None	Zwei-Schichten (System + Ergebnis)

Ausprobieren

python agents/s05_skill_loading.py

1. Welche Skills sind verfügbar?
2. Laden Sie das agent-builder Skill und folgen Sie seinen Anweisungen
3. Ich muss einen Code-Review machen -- laden Sie zuerst das relevante Skill
4. Bauen Sie einen MCP-Server mit dem mcp-builder Skill