Швидкий розвиток агентних систем на базі великих мовних моделей (LLM) оголює одну ключову проблему: штучний інтелект добре оперує фактами, але погано знає, як саме виконувати реальну роботу крок за кроком. Канал IBM Technology пропонує концепцію «навичок агентів» (agent skills) як відкритий стандарт, що додає агентам саме таку процедурну «пам’ять».
Факти проти процедур: чого бракує AI‑агентам
Сучасні LLM чудово відповідають на запитання про архітектуру Kubernetes, історію SQL чи будь-які інші факти. Але коли йдеться про конкретний бізнес‑процес — наприклад, 47‑кроковий робочий процес формування регуляторно коректного фінансового звіту — модель опиняється в глухому куті.
У такій ситуації є лише два варіанти:
- людина кожного разу прописує всі кроки в промпті;
- агент «здогадується», як це зробити, з усіма ризиками помилок.
Навички агентів покликані закрити цю прогалину: вони додають до агента процедурні інструкції — як саме виконувати завдання, у якій послідовності та за яких умов.
Що таке навичка агента: структура skill.md
Навичка агента — це не складний сервіс, а звичайний файл skill.md у папці. Формат навмисно простий і побудований на markdown.
1. YAML‑шапка: ім’я та опис
У верхній частині skill.md розміщується YAML‑front matter з мінімальним обов’язковим набором полів:
name— назва навички;description— опис того, що робить навичка і коли її слід застосовувати.
Саме опис виконує роль тригера: він визначає, у яких ситуаціях агент має використати цю навичку. Наприклад:
- name:
PDF Builder - description: «Використовувати, коли користувач просить витягти дані з PDF».
Додатково можуть бути поля на кшталт author чи version, але вони не є обов’язковими.
2. Тіло навички: інструкції та приклади
Під YAML‑шапкою розташовується основний вміст — власне інструкції:
- покрокові робочі процеси;
- правила;
- приклади вхідних і вихідних даних;
- будь‑які текстові описи, потрібні для виконання завдання.
Це звичайний markdown, який LLM читає як «процедурну пам’ять» для конкретного типу задач.
3. Додаткові папки: скрипти, посилання, ресурси
Папка навички може містити необов’язкові підкаталоги:
scripts/— виконувані скрипти (JavaScript, Python, Bash тощо), які агент може запускати;references/— додаткова документація, яку агент підвантажує за потреби;assets/— статичні ресурси: шаблони, файли даних та інші допоміжні матеріали.
Ці елементи не обов’язкові, але розширюють можливості навички — від простих текстових інструкцій до повноцінної автоматизації з виконанням коду.
Як агент працює з сотнями навичок: прогресивне розкриття
Якщо агенту додати десятки або сотні навичок, наївне завантаження всього в контекст LLM миттєво «з’їсть» токен‑бюджет. Щоб цього уникнути, використовується механізм прогресивного розкриття (progressive disclosure) у три рівні.
Рівень 1: лише метадані
На старті агент завантажує тільки:
namedescription
для кожної навички. Це кілька токенів на навичку, тож навіть сотні записів не перевантажують контекст. По суті, це «зміст» усіх можливостей агента.
Рівень 2: повні інструкції
Коли запит користувача відповідає опису певної навички, агент:
- підтягує повний вміст
skill.mdу контекст; - використовує ці інструкції як детальний сценарій виконання завдання.
Важливий момент: відповідність між запитом і навичкою визначається самим LLM через власне міркування. Тому якісний, чіткий опис у YAML‑шапці критично важливий.
Рівень 3: ресурси й скрипти
Лише коли конкретне завдання цього потребує, агент:
- завантажує скрипти з
scripts/; - читає додаткові матеріали з
references/; - використовує файли з
assets/.
Таким чином, агент:
- спочатку має легкий індекс усіх можливостей;
- підвантажує детальні інструкції лише за релевантності;
- звертається до важких ресурсів тільки в момент фактичної потреби.
Навички, MCP, RAG і fine‑tuning: хто за що відповідає
Навички — лише один із способів додати знання агенту. Вони вирішують свою специфічну задачу й доповнюють інші підходи.
MCP: доступ до інструментів
Model Context Protocol (MCP) дає агенту змогу:
- викликати зовнішні API;
- взаємодіяти з сервісами та інструментами.
Тобто MCP визначає, до чого агент може звернутися. Але не пояснює, коли це робити і як саме використовувати інструмент у контексті робочого процесу.
RAG: фактичні знання
Retrieval Augmented Generation (RAG) забезпечує:
- доступ до баз знань у реальному часі;
- підвантаження релевантних фрагментів документації чи даних.
Це «довідковий матеріал»: RAG допомагає щось з’ясувати, але не навчає, як послідовно виконувати завдання.
Fine‑tuning: знання в вагах моделі
Fine‑tuning:
- «запікає» знання безпосередньо в параметри моделі;
- працює як постійне, але дороге оновлення;
- вимагає повторного налаштування при зміні базової моделі.
Це корисно для стабільних, часто вживаних патернів, але не завжди виправдано для гнучких бізнес‑процесів.
Навички: процедурна пам’ять
Навички покривають саме процедурні знання:
- як виконувати завдання;
- у якій послідовності;
- з якими умовами та судженнями.
Оскільки це просто файли:
- їх можна версіонувати;
- легко оновлювати;
- переносити між платформами.
На практиці навички часто комбінуються з MCP: протокол дає можливість викликати зовнішній інструмент, а навичка визначає, коли і як це робити в рамках конкретного workflow.
Від когнітивної науки до архітектури агентів
Корисна аналогія походить із когнітивної науки, де виділяють три типи пам’яті людини:
- Семантична пам’ять — факти («Рим — столиця Італії»).
- Епізодична пам’ять — особистий досвід («Я був у Римі минулого літа»).
- Процедурна пам’ять — навички («Як керувати скутером у римському трафіку»).
Агентні архітектури починають віддзеркалювати цю структуру:
- семантична пам’ять → RAG і бази знань;
- епізодична пам’ять → журнали діалогів та історія взаємодій;
- процедурна пам’ять → файли навичок (
skill.md).
Таким чином, навички стають ключовим шаром, який перетворює «знання фактів» на «вміння працювати».
Безпека та довіра: навички як залежності
Оскільки навички можуть містити:
- виконувані скрипти;
- доступ до файлової системи;
- роботу з змінними середовища та API‑ключами,
вони несуть ті самі ризики, що й будь‑які програмні залежності.
Аудити публічно доступних навичок уже виявляли:
- prompt‑ін’єкції;
- «отруєння» інструментів;
- приховане шкідливе ПЗ.
Рекомендація очевидна: ставитися до встановлення навичок так само, як до встановлення будь‑якої бібліотеки чи пакета:
- перевіряти код;
- розуміти, що саме робить навичка;
- не запускати неперевірені скрипти на локальній машині.
Відкритий стандарт і крос‑платформеність
Формат skill.md описаний як відкритий стандарт на сайті agent-skills.io і ліцензований за Apache 2.0. Його вже підтримують низка платформ для AI‑розробки, зокрема середовища на кшталт Claude Code, OpenAI Codex та інші інструменти.
Ключова перевага такого підходу:
- навичка, створена для однієї платформи, може працювати на будь‑якій іншій, що підтримує цей стандарт.
Це відкриває шлях до спільних бібліотек навичок, повторного використання процедурних сценаріїв і більшої сумісності між екосистемами агентів.