તમારો પહેલો એજન્ટ વર્કફ્લો એક પ્રોમ્પ્ટ અને થોડા ટૂલ્સ સાથે શરૂ થાય છે. તે પ્રશ્નોના જવાબ આપે છે. તે ઓર્ડર સ્ટેટસ તપાસે છે. તે કામ કરે છે, તેથી તમે તેને લોન્ચ કરો છો.

પછી પ્રોડક્ટ વધે છે. સેલ્સ ટીમ મીટિંગ નોટ્સ સિંક કરે તે માટે CRM અપડેટરની માંગ કરે છે. સપોર્ટ ટીમને રિફંડ વર્કફ્લોની જરૂર છે જે ત્રણ આંતરિક સિસ્ટમ્સ સાથે જોડાયેલ હોય. એન્જિનિયરિંગ ટીમ વેન્ડર ફોર્મ ભરવા માટે બ્રાઉઝર એક્શન ઉમેરે છે. દરેક વિનંતી નાની લાગે છે. દરેક માટે અલગ પ્રોમ્પ્ટ ફાઇલ, અલગ Slack થ્રેડ અને અલગ "ક્વિક ફિક્સ" હોય છે. છ મહિના પછી, તમારો એજન્ટ હવે એક સિસ્ટમ નથી રહ્યો. તે કોપી કરેલા પ્રોમ્પ્ટ્સ, છુપાયેલા બિઝનેસ નિયમો અને જૂના ચેટ થ્રેડ્સમાં લેવાયેલા નિર્ણયોનો એક વિખરાયેલો ઢગલો બની જાય છે જે કોઈ શોધી શકતું નથી. આને 'પ્રોમ્પ્ટ સ્પ્રોલ' (prompt sprawl) કહેવામાં આવે છે. તે તમારા AI પ્રોડક્ટને ટેસ્ટ કરવામાં, રિવ્યુ કરવામાં મુશ્કેલ બનાવે છે અને આત્મવિશ્વાસ સાથે રોલબેક કરવું અશક્ય બનાવે છે.

આનો ઉકેલ 'AI એજન્ટ સ્કિલ રજિસ્ટ્રી' (AI agent skill registry) છે.

સ્કિલ ખરેખર શું છે

સ્કિલ એ ફોલ્ડરમાં સેવ કરેલો માત્ર એક પ્રોમ્પ્ટ નથી. તે એક વર્ઝન કરેલ, ટેસ્ટેબલ પેકેજ છે જે વ્યાખ્યાયિત કરે છે કે એજન્ટ શું કરે છે, તે કયા ટૂલ્સનો ઉપયોગ કરી શકે છે અને તેણે શું ક્યારેય ન કરવું જોઈએ. તેને તમારી ટીમ અને મશીન વચ્ચેના કરાર તરીકે ગણો. જ્યારે એજન્ટ કોઈ સ્કિલ લોડ કરે છે, ત્યારે તેને ખબર હોવી જોઈએ કે તેની સીમાઓ ક્યાં છે અને સફળતા કેવી દેખાય છે.

આ માળખા વગર, દરેક પ્રોમ્પ્ટ એક નાની, અઘોષિત પ્રોડક્શન સિસ્ટમ બની જાય છે. તે છુપાયેલી પરમિશન, એમ્બેડેડ બિઝનેસ નિયમો અને ખર્ચની અસરો સાથે આવે છે જેનો કોઈ ટ્રેક રાખતો નથી. તે વાસ્તવિક પ્રોડક્ટથી અલગ થઈ જાય છે કારણ કે પ્રોડક્ટ રોડમેપ આગળ વધી જાય છે જ્યારે પ્રોમ્પ્ટ પાછળ રહી જાય છે. સૌથી ખરાબ બાબત એ છે કે તે કોપી થઈ જાય છે. કોઈ ડેમો માટે તેને ફોર્ક (fork) કરે છે, અથવા તેને નવા માઇક્રોસર્વિસમાં પેસ્ટ કરે છે, અને હવે તમારી પાસે સત્યના બે સ્ત્રોતો છે જે અંધારામાં અલગ થઈ રહ્યા છે.

માત્ર પ્રોમ્પ્ટ્સ શા માટે નિષ્ફળ જાય છે

પ્રોમ્પ્ટ્સ ટેક્સ્ટ જેવા લાગે છે, તેથી ટીમો તેમની સાથે કોન્ફિગરેશન જેવો વ્યવહાર કરે છે. વાસ્તવમાં, તેઓ કોઈ પણ સ્વીકારે તેના કરતા કોડની વધુ નજીક છે. પ્રોડક્શન પ્રોમ્પ્ટ સામાન્ય રીતે સિક્વન્સિંગ, ફોર્મેટિંગ, એરર હેન્ડલિંગ અને એક્સેસ કંટ્રોલ વિશેના લોજિકને એન્કોડ કરે છે. જ્યારે તે લોજિક માત્ર નેચરલ લેંગ્વેજમાં હોય છે, ત્યારે અસ્પષ્ટતા ઊભી થાય છે. શું એજન્ટ પાસે CRM અપડેટ કરવાની પરમિશન છે, કે પ્રોમ્પ્ટે માત્ર સૂચન કર્યું હતું? જો બિલિંગ API બંધ થઈ જાય, તો શું પ્રોમ્પ્ટને ખબર છે કે સુરક્ષિત રીતે કેવી રીતે નિષ્ફળ જવું, કે તે સફળતાનો મેસેજ હલ્યુસિનેટ (hallucinate) કરે છે?

ખર્ચ એ બીજો એક છૂપો ખતરો છે. એજન્ટને "સ્ટેપ બાય સ્ટેપ વિચારો અને વ્યાપક રીતે સર્ચ કરો" એમ કહેતો પ્રોમ્પ્ટ દરેક રન પર ટોકન્સ ખર્ચાવી શકે છે. જ્યારે તે પ્રોમ્પ્ટ હાઈ-ટ્રાફિક સપોર્ટ ફ્લોમાં કોપી કરવામાં આવે છે, ત્યારે તમારું માસિક ઇન્ફરન્સ બિલ બમણું થઈ જાય છે અને કોઈને ખબર હોતી નથી કે કેમ.

ડ્રિફ્ટ (drift) ત્યારે થાય છે જ્યારે બિઝનેસ બદલાય છે પરંતુ ટેક્સ્ટ બદલાતું નથી. તમારી રિફંડ પોલિસી હવે અમુક મર્યાદાથી ઉપર મેનેજરની મંજૂરી માંગે છે. જો તે નિયમ પોલિસી લેયરને બદલે પ્રોમ્પ્ટની અંદર હોય, તો તમારે અપડેટ કરવાની જરૂર હોય તેવા કોપી શોધવા માટે દરેક ડિપ્લોયમેન્ટમાં શોધવું પડશે. જો એક પણ રહી જાય, તો તમારા એજન્ટો એવા પૈસા આપી શકે છે જે તેમણે ન આપવા જોઈએ.

પ્રોડક્શન સ્કિલનું માળખું (Anatomy)

જો તમે આ ગડબડમાંથી બચવા માંગતા હોવ, તો દરેક સ્કિલ સાથે સોફ્ટવેર આર્ટિફેક્ટ (software artifact) તરીકે વ્યવહાર કરો. એક ઉપયોગી પ્રોડક્શન સ્કિલમાં માત્ર ટેક્સ્ટ કરતાં વધુ હોવું જોઈએ. તેને જરૂર છે:

  • નામ અને હેતુ. "prompt_v3_final" નહીં, પરંતુ બિઝનેસ ગોલના સ્પષ્ટ વર્ણન સાથે "process_standard_refund".
  • ઇનપુટ સ્કીમા અને જરૂરી સંદર્ભ (context). સ્કિલ જે ચોક્કસ ફીલ્ડ્સની અપેક્ષા રાખે છે તેને વ્યાખ્યાયિત કરો. શું તેને યુઝર ID, વાતચીતનો ઇતિહાસ, અથવા ટેનન્ટ આઈડેન્ટિફાયરની જરૂર છે? અહીં સ્ટ્રોંગ ટાઇપિંગ એજન્ટને અનુમાન લગાવતા અટકાવે છે.
  • ટૂલ પરમિશન અને સેફ્ટી લિમિટ્સ. સ્કિલ કયા ટૂલ્સનો ઉપયોગ કરી શકે છે તેની સ્પષ્ટ યાદી આપો. રીટ્રાય્સ (retries), ખર્ચની મર્યાદા અને રેટ કેપ્સ પર ગાર્ડરેલ્સ (guardrails) સેટ કરો. જો સ્કિલ યુઝર ડિલીશન API ને સ્પર્શ ન કરવી જોઈએ, તો તે માત્ર લખાણમાં નહીં પણ કોડમાં કહો.
  • સફળતાના માપદંડ અને ટેસ્ટ કેસ. કોઈ સ્કિલ માત્ર એટલા માટે "કામ કરે છે" એમ ન કહેવાય કે તે ચાલે છે. આઉટપુટમાં શું હોવું જોઈએ તે વ્યાખ્યાયિત કરો. રિફંડ સ્કિલ માટે, સફળતાનો અર્થ માન્ય ટ્રાન્ઝેક્શન રેકોર્ડ, મોકલેલ ઈમેલ કન્ફર્મેશન અને બનાવેલ ઓડિટ લોગ એન્ટ્રી હોઈ શકે છે.
  • વર્ઝન હિસ્ટ્રી અને ઓનર સ્ટેટસ. કોઈએ આની માલિકી લેવી પડશે. ચેન્જલોગ (changelog) એ સમજાવવું જોઈએ કે v2.3 શા માટે અસ્તિત્વમાં છે અને v2.2 માં શું તૂટી ગયું હતું.

તમારા લેયર્સને અલગ કરો

ટીમો જે સૌથી મોટી ભૂલ કરે છે તે છે બધું જ એક જ પ્રોમ્પ્ટમાં ભરી દેવું. તેઓ ફ્રેન્ડલી માર્ગદર્શન, ટૂલ ડોક્યુમેન્ટેશન, સિક્યુરિટી પોલિસી અને એરર હેન્ડલિંગને ટેક્સ્ટના એક મોટા પહાડમાં ભેળવી દે છે. તે મેન્ટેન કરી શકાય તેવું નથી.

તેને અલગ કરો:

  • Instructions are guidance for the agent. They explain tone, format, and general approach.
  • Tool Rules tell the agent which tools exist and what they do. This is discovery, not permission.
  • Policy is enforced by code, not by hope. If a refund over $500 needs a second pair of eyes, that check lives in a validation function that runs before the tool is ever called.
  • Evals are tests that prove the skill still works after any change.

For example, do not write, "Please never expose the customer's full credit card number." Instead, build a data formatter that redacts PANs before the agent sees them. Policy belongs in code because code cannot be talked out of its job by a clever user input.

Stop Pointing Production at "Latest"

Nothing destroys a Friday evening like a silent prompt update. If your production agent always pulls the "latest" version of a skill, then every merge to main is a potential live incident. You need aliases such as dev, staging, and prod. Promote a known, tested version through these stages. When prod points to v2.1.4, you can watch it run, measure its behavior, and sleep soundly. If something goes wrong, you move the alias back. You do not debug natural language at midnight under pressure.

This discipline also forces your team to think about backwards compatibility. Can v2.2 handle the same input shape as v2.1? If not, the promotion fails in staging, and you catch it before a customer does.

Security Starts Inside the Package

A registry full of unaudited prompts is a vulnerability waiting to happen. You need to scan your skills for the same risks you would scan in code.

Look for hardcoded secrets or API keys buried in prompt templates. Check for external webhooks or shell commands that exfiltrate data. Watch for attempts to override system policy, such as prompts that contain "ignore previous instructions" or ask the agent to reveal its own configuration. These are not just theoretical. They are common patterns in prompt-injection attacks, and they are dangerous because they often ride along with copied text that no one reviewed.

Run your skill packages through static analysis. If a skill file contains a URL that is not on an allowlist, fail the build. If it references a tool that is not in the approved manifest, reject it.

If You Can't Test It, You Can't Trust It

A registry without evaluations is just a folder of prompts. Each skill needs a test set that exercises the happy path, the edge cases, and the failure modes. For high-risk skills, you need more than functional tests. You need to probe permission boundaries to make sure the agent cannot see another user's data. You need refusal behavior checks to confirm it says no when policy blocks an action. You need prompt-injection resistance tests to verify that adversarial inputs do not bypass your code-level protections.

Name your tests explicitly. A test called "refund_skill_rejects_negative_amount" tells the next engineer exactly what behavior is protected. When a test fails during a version promotion, you have hard evidence that the candidate build is unsafe.

The Real Goal Is Control

Reuse is nice, but control is what keeps you employed. A skill registry lets your team state, with certainty: this is the approved workflow. This is the version running in production. These are the tools it can use. This is exactly how we roll it back.

That clarity moves you from shipping clever demos to operating dependable software. Demos impress stakeholders for ten minutes. Dependable software runs at three in the morning, handles exceptions gracefully, and does not change behavior just because someone merged a pull request on Tuesday afternoon.

Build your registry. Version your skills. Enforce your policies in code. Test like your sleep schedule depends on it. Your future self will thank you.