یکبار بسازید، روی هر عاملی اجرا کنید: راهنمای عملی مهارتهای عامل
مهارتهای عامل، کار مهندسی تکرارپذیر را در قالب فایلهایی ثبت میکنند که تیمها میتوانند آنها را بازبینی و دوباره استفاده کنند؛ در حالی که ابزارها، زمینهٔ پروژه و مجوزها همچنان مخصوص میزبانِ اجراکننده باقی میمانند.
این هفته چند بار همان کار را دوباره برای یک عامل توضیح دادید؟ چند بار از همکاری که دانش سازمانی عمیقی دارد پرسیدید فلان مسئله را چطور حل کند؟ این زمینه نباید در یک گفتوگو گم شود یا در ذهن یک نفر حبس بماند. مهارتهای عامل به شما امکان میدهند دستورهای تکرارپذیر را ثبت کنید تا خودتان و عاملهایتان بتوانید دوباره از آنها استفاده کنید. مهارتی که امشب برای خودتان مینویسید، بعداً میتواند بخشی از خط لولهٔ یک تیم شود.
مهارت عامل (agent skill) یک دایرکتوری نسخهبندیشده است که حول فایل SKILL.md ساخته میشود و توضیح میدهد یک کار تکرارپذیر چه زمانی و چگونه انجام شود. میتوانید این دستورها را بین عاملها به اشتراک بگذارید، اما محیط اجرا همچنان باید ابزارها، اعتبارنامهها و مجوزهای لازم برای اجرای آنها را فراهم کند. برای نمونه، یک مهارت میتواند توضیح دهد چطور از یک پایگاه داده پرسوجو کنیم، اما دسترسی به آن پایگاه داده را نمیدهد.
یک مهارت وقتی بهترین کارایی را دارد که وظیفه، ورودی و خروجی روشنی داشته باشد. فرض کنید عاملی میسازید که تغییرات تولیدشده توسط هوش مصنوعی را با درخواست اولیه مقایسه میکند. اگر همان عامل کار خودش را ارزیابی کند، توضیحش ممکن است بر بازبینی اثر بگذارد. در Proof Agent از بازبین جداگانهای استفاده میکنیم که تغییرات را بررسی میکند و برای یافتههایش شواهد ارائه میدهد. سرصفحهٔ فراداده (frontmatter) این مهارت، وظیفه را نامگذاری و هدفش را توصیف میکند:
---
name: proof-agent
description: Adversarial verification of AI-generated work. Spawns an independent verifier to check for false claims, broken code, and security issues.
---
در قلب این مهارت یک قاعدهٔ ساده قرار دارد: خودبازبینی، بازبینی نیست.
بخش «When to Verify» در فایل SKILL.md مهارت Proof Agent مشخص میکند این مهارت چه زمانی فراخوانی شود. دستورهای باقیمانده توضیح میدهند بازبین چه چیزهایی را بررسی میکند و یافتههایش باید چه شواهدی را شامل شوند.
چند مهارت را برای یک گردشکار بزرگتر هماهنگ کنید
وقتی قضاوتی که یک خط لولهٔ داده را درست میکند در ذهن چهار نفر مختلف باشد، آن چهار نفر نقشهٔ راه هستند. هر تغییر در خط لوله به دسترسپذیری و دانش آنها از داده وابسته است. Data Forge نمونهای است از اینکه چطور بخشهایی از این قضاوت را در مهارتهایی ثبت کنیم که با هم کار میکنند.
در نمونهٔ خط لولهٔ support-desk، با درخواستی برای شاخصهایی شروع میکنیم که تعداد رخدادهای ایجادشده و حلشده را میشمارند. پیش از ساخت خط لوله، مهارت forge-init جزئیاتی مانند جدولهای منبع و قراردادهای نامگذاری را کشف میکند و سپس آنها را در یک resolved manifest مینویسد. سایر مهارتها همان manifest را میخوانند تا زمینهٔ پروژهٔ موردنیازشان را به دست آورند.
سپس مهارت forge-builder کار را از مرحلهٔ issue تا pull request هماهنگ میکند. این مهارت هنگام طراحی و ساخت خط لوله، از forge-dbx برای پرسوجو از پلتفرم داده و از forge-lint برای اعمال استانداردهای تیم استفاده میکند. یک نفر در طول مسیر تصمیمهای پیشنهادی را بازبینی میکند و pull request حاصل شامل کد خط لوله، تغییرات شِما و تستهاست.
هر مهارت مسئولیت مشخصی دارد و مهارتها بهجای اینکه زمینهٔ پروژه را هرکدام مستقل کشف کنند، آن را با هم به اشتراک میگذارند. وقتی یک مرحله تغییر میکند، میتوانید فقط یک مهارت را تغییر دهید و بقیه را دستنخورده بگذارید.
مهارتها برای کارهای محدود و تکرارپذیری مناسباند که از قضاوت قابلاستفادهٔ مجدد سود میبرند؛ مانند یک چکلیست، انتشار، مهاجرت یا خط لولهٔ شاخص. اگر گردشکاری به رابط پایدار، وضعیت مشترک، ردپای حسابرسی، کنترل طولانیمدت یا مجوزهایی نیاز دارد که بیرون از مدل اعمال شوند، یک برنامهٔ کاربردی گزینهٔ مناسبتری است.
پیکربندی پروژه را از مهارت بیرون نگه دارید
نمیخواهیم نامها، پایگاه داده یا قراردادهای هر پروژه را در مهارتها سختکد کنیم. در نمونهٔ support-desk مربوط به Data Forge، یک manifest پروژه، مخزن شاخصها و پلتفرم را توصیف میکند تا مهارتها بتوانند جزئیات درست پروژه را به کار ببرند، بدون آنکه این جزئیات را در دستورهای خود جای دهند:
وقتی جزئیات کشفشده در resolved manifest قرار میگیرند، سایر مهارتها لازم نیست دربارهٔ پروژه فرضهای خودشان را بسازند.
جزئیات کشفشدهٔ پروژه را از استانداردهای تیم جدا نگه دارید. مهارت راهاندازی forge-init میتواند شِماها و الگوهای کد موجود را بررسی کند؛ مهارت forge-lint قواعدی را فراهم میکند که پیش از تولید کد باید رعایت شوند. الگویی که در یک مخزن پیدا میشود، بهطور خودکار قاعدهای برای حفظکردن نیست؛ پس جزئیات کشفشده را قابلبازبینی کنید و بگذارید افراد در جاهایی که به قضاوت کسبوکار نیاز است، آنها را تأیید یا تغییر دهند. برای بررسی قابلیت انتقال، بپرسید: آیا تیم دیگری میتواند این مهارتها را با manifest خودش و بدون بازنویسی آنها به کار ببرد؟
مسیرهای اجرا را بین مهارتها به اشتراک بگذارید
مهارت forge-dbx به سایر مهارتهای Data Forge یک روش واحد برای دسترسی به پلتفرم داده میدهد. این مهارت manifest را میخواند و یک آداپتور Databricks یا DuckDB انتخاب میکند، تا هر مهارت لازم نباشد منطق اتصال و پرسوجوی خودش را داشته باشد.
manifest میتواند برای دموی محلی support-desk موتور DuckDB را انتخاب کند، اما نمیتواند DuckDB CLI را نصب کند یا دسترسی به پایگاه داده بدهد. اینها همچنان از مسئولیتهای راهاندازی محیط و کاربر آن است. manifest موتور را انتخاب میکند؛ میزبان دسترسی را فراهم میکند.
بازبینیها و نقاط تأیید را در گردشکار بگنجانید
گردشکار support-desk در Data Forge هفت فاز دارد و در هر فاز یک نقطهٔ بازبینی انسانی وجود دارد. نمای کلی گردشکار نشان میدهد مهارتها چطور در کنار هم قرار میگیرند. پیش از ادامهٔ هر فاز، گردشکار بررسی میکند که فاز قبلی کامل شده باشد؛ و پیش از اجرای تغییرات شِما، تأیید میخواهد.
نمونهٔ Proof Agent همین اصل را در بازبینی کد به کار میبرد. یک گردشکار GitHub Actions درخواست اولیه و تغییرات کد را به بازبین میدهد، اما ارزیابی خود عامل کدنویس را نمیدهد. بازبین یکی از سه نتیجهٔ PASS، FAIL یا PARTIAL را برمیگرداند و باید در فایلهای تغییریافته شواهد ارائه کند. GitHub Action فقط بازبینی ایستای تفاوت کد (diff) را انجام میدهد؛ کد را اجرا یا تست نمیکند. در گردشکار دمو، مقدار block-on-fail: false را تنظیم کردیم تا یافتهها جنبهٔ مشورتی داشته باشند. بهطور پیشفرض، نتیجهٔ FAIL بررسی را رد میکند و اگر بررسی الزامی باشد، merge را میبندد. هدف این است که نتایج تست و الزامات merge در بررسیهای CI و قواعد مخزن شما بمانند.
برای هر کلاینت عامل بستهبندی کنید، سپس راهاندازی آن را بررسی کنید
پشتیبانی از چند کلاینت میتواند به این معنا باشد که چند نسخه از یک دستور واحد را همگام نگه دارید. در نمونهٔ Data Forge، مسیر skills/*/SKILL.md را بهعنوان منبع نگه میداریم و با یک اسکریپت بستهبندی فایلهای مخصوص هر کلاینت را تولید میکنیم: .claude-plugin/plugin.json برای Claude Code، .cursor-plugin/plugin.json برای Cursor و .github/agents/*.agent.md برای GitHub Copilot. این اسکریپت حالت بررسی هم برای CI دارد:
node scripts/package.mjs --check
کلاینتها میتوانند از نظر مدلهای در دسترس، ابزارها، اعتبارنامهها و مجوزها با هم تفاوت داشته باشند. پس از نصب یک مهارت، بررسی کنید که کلاینت آن را برای کار موردنظر تشخیص میدهد، ارجاعهایش را بارگذاری میکند، میتواند از ابزارهای لازم استفاده کند و شواهدی را که مهارت میخواهد برگرداند.
سه روش برای ساخت مهارتهای عامل
زمینهٔ کسبوکار را در یک فایل بگذارید. نامها، شِماها و قراردادهای مخصوص پروژه را در یک manifest نگه دارید و بگذارید هر مهارت آن را بخواند، بهجای اینکه این واقعیتها را تکرار کند. این کار یک جای مشخص و قابلمشاهده برای بهروزرسانی پیکربندی به تیم میدهد.
به مهارتهای مرتبط یک روش یکسان برای استفاده از پلتفرم بدهید. بگذارید مهارتهای مرتبط از همان مسیر برای اجرای پرسوجوها، کارها و تغییرات شِما استفاده کنند، بهجای اینکه هرکدام دستورها و منطق اتصال خودش را تعریف کند. این کار درک دسترسی گردشکار را آسانتر و بررسی رفتار آن را در هر کلاینت سادهتر میکند.
از دستورها برای هدایت کار و از بررسیها برای تأیید آن استفاده کنید. یک مهارت میتواند به عامل بگوید کدام استانداردها را رعایت کند و چه زمانی تأیید بخواهد. در تصمیمهایی که به زمینه یا قضاوت نیاز دارند، بازبینی انسانی اضافه کنید و با تستها و بررسیهای CI پیش از پیشروی یک تغییر، مشکلات را بگیرید. اگر یک بررسی باید merge یا استقرار را مسدود کند، آن الزام را در قواعد مخزن خود تنظیم کنید.
با کاری شروع کنید که از توضیح دوبارهاش خسته شدهاید. بنویسید چه چیزی لازم دارد، کجا متوقف میشود و بازبین چه چیزی میبیند. سپس آن را با عامل دیگری امتحان کنید و هرچه یاد میگیرید بهبودش دهید.
آندریا (Andrea) توسعهدهندهٔ ارشد در GitHub است و بیش از یک دهه تجربه در ابزارهای توسعهدهنده دارد. او عمق فنی را با مأموریتی برای در دسترستر کردن فناوریهای پیشرفته ترکیب میکند. او پس از گذار از خدمت در ارتش و مدیریت ساختوساز به توسعهٔ نرمافزار، دیدگاهی متفاوت برای پیوند دادن مفاهیم پیچیدهٔ مهندسی با پیادهسازی عملی دارد. او در فلوریدا با شریک ولزی، دو پسر و دو سگش زندگی میکند و در آنجا از طریق ابتکارهای جهانی GitHub به نوآوری و پشتیبانی از نرمافزار متنباز ادامه میدهد. او را بهصورت آنلاین با شناسهٔ @acolombiadev پیدا میکنید.
نوشتن کد سریعتر شده است. اما کارهای پیرامون آن نه. ببینید چطور میتوانید با GitHub Copilot برنامهریزی کنید، کد بنویسید، تغییرات را بازبینی کنید و مسائل محیط تولید را بررسی کنید، و چه کارهایی هنوز به قضاوت شما نیاز دارد.



