Microsoft telah melancarkan rangka kerja Agent Skills yang stabil untuk Python pada 15 Julai. Ia membolehkan pembangun memanggil keupayaan hanya apabila ejen dipacu LLM benar-benar memerlukannya. Dengan menggantikan satu system prompt tunggal yang semakin membesar kepada pemuatan kemahiran mengikut permintaan, pendekatan ini mengurangkan saiz prompt, menjimatkan kos token dan mengekalkan penaakulan ejen yang lebih jelas.

Mengapa prompt membengkak dan mengapa ia penting

Ejen LLM bergantung pada "system prompt" yang menggabungkan polisi, runbook dan bahan rujukan yang perlu dilihat oleh model pada setiap pusingan. Tambah beberapa dokumen polisi dan prompt tersebut akan membengkak sehingga beberapa ribu token. Prompt yang lebih besar meningkatkan kos inferens—setiap token yang diproses oleh model akan dicaj—dan ia mencairkan isyarat arahan, menjadikan output ejen lebih kabur. Dalam triaj insiden atau pemeriksaan pematuhan, prompt yang kabur boleh mengubah pembantu yang berguna menjadi sumber maklumat salah.

Corak Agent Skills: pendedahan progresif

Rangka kerja baharu ini menggantikan prompt monolitik dengan aliran kerja empat langkah:

  1. Advertise the skill – entri metadata ringan yang memberitahu lapisan penghalaan (routing layer) nama kemahiran tersebut.
  2. Load instructions – penerangan ringkas yang dibaca oleh ejen untuk memutuskan sama ada kemahiran tersebut sepadan dengan permintaan.
  3. Read resources – fail polisi atau rujukan pilihan yang diambil hanya selepas ejen memilih kemahiran tersebut.
  4. Run scripts – pelaksanaan kod yang menjalankan tindakan, dikawal oleh kelulusan eksplisit.

Hanya fail SKILL.md yang pendek berada dalam core prompt. Semua dokumen dan skrip yang lebih besar berada dalam pakej kemahiran berasaskan fail yang ditarik oleh runtime mengikut permintaan. Susun atur direktori kekal ringkas:

  • SKILL.md – penerangan ringkas yang boleh dibaca manusia.
  • references/ – fail polisi atau panduan.
  • scripts/ – kod boleh laksana.

Oleh kerana ejen tidak pernah melihat kandungan penuh references/ atau scripts/ sehinggalah ia memutuskan bahawa kemahiran tersebut adalah padanan yang betul, prompt utama kekal ramping tidak kira berapa banyak kemahiran yang anda daftar.

Kawalan keselamatan terbina dalam rangka kerja

Rangka kerja ini mengandaikan bahawa memuatkan kemahiran boleh mendatangkan risiko dan menguatkuasakan peraturan yang mesti dipatuhi oleh pembangun:

  • Skill name advertisement – automatik, digunakan hanya untuk penghalaan.
  • Instruction loading – automatik untuk senarai yang dikurasi; arahan yang tidak disemak boleh mengubah tingkah laku secara tidak sengaja.
  • Policy reading – automatik apabila data tidak sensitif; simpan bahan sensitif di sebalik kawalan akses tambahan.
  • Script execution – sentiasa memerlukan kelulusan eksplisit. Skrip memindahkan ejen daripada "cadangan" kepada "tindakan", jadi semakan manusia atau polisi mesti dilakukan.
  • External system calls – mesti melalui alatan berasingan dengan kebenaran terhad; kemahiran itu sendiri bukanlah mekanisme kebenaran (authorization).

Peraturan ini mendorong pembangun untuk bermula dengan aliran kerja baca-sahaja—triaj insiden, carian polisi, pertanyaan status—sebelum mencuba tindakan berorientasikan tulis seperti kemas kini pangkalan data atau penggunaan kod (code deployment).

Kebersihan operasi: log dan versi

Apabila kemahiran dijalankan, rangka kerja ini menggalakkan (dan banyak penggunaan mewajibkan) log bagi:

  • Permintaan asal dan ID kemahiran yang dipilih.
  • Versi pakej kemahiran yang digunakan.
  • Sama ada ejen hanya memuatkan penerangan atau turut mengambil fail sumber.
  • Keputusan kelulusan untuk pelaksanaan skrip.
  • Semua argumen alatan yang dibekalkan dan hasil yang dikembalikan.

Jika ejen memilih kemahiran yang salah, jadikan salah pilih tersebut sebagai kes ujian. Ini mewujudkan semakan regresi sebelum kemahiran tersebut sampai ke peringkat pengeluaran (production).

Anggap setiap kemahiran sebagai kebergantungan berversi (versioned dependency) dengan sempadan yang jelas, bukan sebagai folder prompt yang tidak teratur. Pengversionan membolehkan anda mengembalikan (roll back) skrip yang rosak tanpa mengganggu baki pangkalan pengetahuan ejen.

Langkah permulaan: senarai semak pragmatik

  1. Pilih aliran kerja baca-sahaja – contohnya, "cari garis panduan insiden keselamatan terkini".
  2. Bungkus arahan dan skrip secara berasingan – pastikan SKILL.md pendek; simpan fail polisi yang berat dalam references/.
  3. Kurasi katalog – kekalkan senarai kemahiran yang diluluskan dan kuatkuasakan kelulusan mandatori untuk sebarang skrip.
  4. Tetapkan had sandbox – tetapkan kekangan CPU, memori dan rangkaian untuk pelaksanaan skrip; log setiap larian.
  5. Uji penanda aras terhadap mega-prompt lama – bandingkan penggunaan token, kependaman (latency) dan kadar kejayaan untuk mengesahkan penjimatan kos.

Apa yang perlu diperhatikan seterusnya

Pelancaran Microsoft buat masa ini adalah pelaksanaan Python yang stabil.

Kesimpulan

Agent Skills memberikan pembantu dipacu LLM cara untuk kekal ringan sambil tetap mempunyai akses kepada perpustakaan polisi dan skrip yang semakin berkembang. Dengan hanya memuatkan penerangan pada peringkat awal dan menarik sumber yang berat apabila diperlukan, prompt kekal pendek, kos inferens menurun, dan penaakulan ejen kekal fokus.