Microsoft merilis framework Agent Skills yang stabil untuk Python pada 15 Juli. Ini memungkinkan pengembang untuk memanggil kapabilitas hanya saat agen berbasis LLM benar-benar membutuhkannya. Dengan mengganti satu system prompt tunggal yang terus membengkak dengan pemuatan keahlian (skill loading) sesuai permintaan, pendekatan ini merampingkan ukuran prompt, memangkas biaya token, dan menjaga penalaran agen tetap lebih jernih.

Mengapa prompt membengkak dan mengapa hal ini penting

Agen LLM bergantung pada "system prompt" yang menggabungkan kebijakan, runbook, dan materi referensi yang harus dilihat model pada setiap putaran. Tambahkan beberapa dokumen kebijakan, dan prompt akan membengkak hingga beberapa ribu token. Prompt yang lebih besar meningkatkan biaya inferensi—setiap token yang diproses model dikenakan biaya—dan mengencerkan sinyal instruksi, sehingga membuat output agen menjadi kurang jelas. Dalam triase insiden atau pemeriksaan kepatuhan, prompt yang tidak jelas dapat mengubah asisten yang membantu menjadi sumber misinformasi.

Pola Agent Skills: pengungkapan progresif (progressive disclosure)

Framework baru ini mengganti prompt monolitik dengan alur kerja empat langkah:

  1. Mengiklankan keahlian (Advertise the skill) – entri metadata ringan yang memberi tahu lapisan perutean (routing layer) nama keahlian tersebut.
  2. Memuat instruksi (Load instructions) – deskripsi ringkas yang dibaca agen untuk memutuskan apakah keahlian tersebut sesuai dengan permintaan.
  3. Membaca sumber daya (Read resources) – file kebijakan atau referensi opsional yang diambil hanya setelah agen memilih keahlian tersebut.
  4. Menjalankan skrip (Run scripts) – eksekusi kode yang melakukan tindakan, dibatasi oleh persetujuan eksplisit.

Hanya file SKILL.md yang singkat yang berada di dalam prompt inti. Semua dokumen dan skrip yang lebih besar berada dalam paket keahlian berbasis file yang ditarik oleh runtime sesuai permintaan. Tata letak direktori tetap sederhana:

  • SKILL.md – deskripsi singkat yang dapat dibaca manusia.
  • references/ – file kebijakan atau panduan.
  • scripts/ – kode yang dapat dieksekusi.

Karena agen tidak pernah melihat isi lengkap dari references/ atau scripts/ sampai ia memutuskan bahwa keahlian tersebut adalah pilihan yang tepat, prompt utama tetap ramping tidak peduli berapa banyak keahlian yang Anda daftarkan.

Penjaga keamanan yang terintegrasi dalam framework

Framework ini berasumsi bahwa memuat keahlian bisa berisiko dan memberlakukan aturan yang harus diikuti pengembang:

  • Pengiklanan nama keahlian – otomatis, hanya digunakan untuk perutean.
  • Pemuatan instruksi – otomatis untuk daftar yang dikurasi; instruksi yang tidak ditinjau dapat secara tidak sengaja mengubah perilaku.
  • Pembacaan kebijakan – otomatis ketika data tidak sensitif; simpan materi sensitif di balik kontrol akses tambahan.
  • Eksekusi skrip – selalu memerlukan persetujuan eksplisit. Sebuah skrip memindahkan agen dari "saran" ke "tindakan", sehingga pemeriksaan manusia atau kebijakan harus dilakukan.
  • Pemanggilan sistem eksternal – harus melalui alat terpisah dengan izin terbatas; keahlian itu sendiri bukanlah mekanisme otorisasi.

Aturan-aturan ini mendorong pengembang untuk memulai dengan alur kerja baca-saja (read-only)—seperti triase insiden, pencarian kebijakan, kueri status—sebelum mencoba tindakan berorientasi tulis (write-oriented) seperti pembaruan basis data atau penerapan kode (code deployment).

Higienitas operasional: pencatatan (logging) dan versi (versioning)

Saat sebuah keahlian dijalankan, framework ini mendorong (dan banyak penerapan mewajibkan) pencatatan (logging) dari:

  • Permintaan asli dan ID keahlian yang dipilih.
  • Versi paket keahlian yang digunakan.
  • Apakah agen hanya memuat deskripsi atau juga mengambil file sumber daya.
  • Keputusan persetujuan untuk eksekusi skrip.
  • Semua argumen alat yang diberikan dan hasil yang dikembalikan.

Jika agen memilih keahlian yang salah, jadikan kesalahan pemilihan tersebut sebagai kasus uji (test case). Hal ini menciptakan pemeriksaan regresi sebelum keahlian tersebut mencapai tahap produksi.

Perlakukan setiap keahlian sebagai dependensi berversi (versioned dependency) dengan batasan yang jelas, bukan sebagai folder prompt yang berantakan. Penggunaan versi memungkinkan Anda untuk membatalkan (roll back) skrip yang rusak tanpa mengganggu basis pengetahuan agen lainnya.

Memulai: daftar periksa pragmatis

  1. Pilih alur kerja baca-saja – misal, "cari pedoman insiden keamanan terbaru".
  2. Kemas instruksi dan skrip secara terpisah – jaga agar SKILL.md tetap singkat; simpan file kebijakan yang berat di references/.
  3. Kurasi katalog – kelola daftar keahlian yang disetujui dan terapkan persetujuan wajib untuk skrip apa pun.
  4. Tetapkan batasan sandbox – tentukan batasan CPU, memori, dan jaringan untuk eksekusi skrip; catat setiap kali dijalankan.
  5. Uji tolok ukur (benchmark) terhadap mega-prompt lama – bandingkan penggunaan token, latensi, dan tingkat keberhasilan untuk mengonfirmasi penghematan biaya.

Apa yang perlu diperhatikan selanjutnya

Rilis Microsoft saat ini merupakan implementasi Python yang stabil.

Intinya

Agent Skills memberikan cara bagi asisten berbasis LLM untuk tetap ringan sambil tetap dapat mengakses pustaka kebijakan dan skrip yang terus berkembang. Dengan hanya memuat deskripsi di awal dan menarik sumber daya berat saat dibutuhkan, prompt tetap ringkas, biaya inferensi menurun, dan penalaran agen tetap terfokus.