Навыки

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

"Загружайте знания, когда они нужны, а не заранее" -- внедряйте через tool_result, не через системный промпт.

Проблема

Вы хотите, чтобы агент следовал предметно-специфичным рабочим процессам: git-соглашения, тестовые паттерны, чек-листы код-ревью. Всё в системном промпте тратит токены на неиспользуемые навыки. 10 навыков по 2000 токенов = 20 000 токенов, большинство из которых нерелевантны для любой конкретной задачи.

Решение

System prompt (Layer 1 -- always present):
+--------------------------------------+
| You are a coding agent.              |
| Skills available:                    |
|   - git: Git workflow helpers        |  ~100 tokens/skill
|   - test: Testing best practices     |
+--------------------------------------+

When model calls load_skill("git"):
+--------------------------------------+
| tool_result (Layer 2 -- on demand): |
| <skill name="git">                   |
|   Full git workflow instructions...  |  ~2000 tokens
|   Step 1: ...                        |
| </skill>                             |
+--------------------------------------+

Слой 1: имена навыков в системном промпте (дёшево). Слой 2: полное тело через tool_result (по требованию).

Как Это Работает

1. Каждый навык — это каталог, содержащий SKILL.md с YAML frontmatter.

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

1. SkillLoader сканирует файлы SKILL.md, использует имя каталога как идентификатор навыка.

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. Слой 1 идёт в системный промпт. Слой 2 — это просто ещё один обработчик инструмента.

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"]),
}

Модель узнаёт, какие навыки существуют (дёшево), и загружает их когда релевантно (дорого).

Что Изменилось с s04

Компонент	До (s04)	После (s05)
Инструменты	5 (base + task)	5 (base + load_skill)
Системный промпт	Статическая строка	+ описания навыков
Знания	Нет	Файлы skills/*/SKILL.md
Внедрение	Нет	Два слоя (system + result)

Попробуйте

python agents/s05_skill_loading.py

1. Какие навыки доступны?
2. Загрузите навык agent-builder и следуйте его инструкциям
3. Мне нужен код-ревью — сначала загрузите соответствующий навык
4. Постройте MCP-сервер, используя навык mcp-builder