Ajan Becerileri (Agent Skills)

• Ajan becerileri, yapay zeka ajanlarına yeni işlevler ve uzmanlık bilgisi eklemek için kullanılan açık bir format
• Anthropic tarafından geliştirildikten sonra açık standart olarak yayımlandı ve çeşitli ajan ürünleri tarafından benimseniyor
• Beceriler; yönergeler, betikler ve kaynaklardan oluşan klasörlerdir; ajan bunları keşfederek işleri daha doğru ve verimli şekilde yürütür
• Alan uzmanlığı, yeni işlev genişletme, tekrarlanabilir iş akışları ve birlikte çalışabilirlik sağlar
• Şirketler ve geliştiriciler bununla kurumsal bilginin yeniden kullanımı ve dağıtım otomasyonunu gerçekleştirebilir

---

Genel Bakış

• Agent Skills, ajanlara yeni yetenekler ve uzmanlık kazandırmak için basit ve açık bir formattır
• Her beceri; komutlar, betikler ve kaynaklar içeren bir klasörden oluşur; ajan bunları yükleyerek iş doğruluğunu ve verimliliğini artırır

Neden Agent Skills?

• Ajanlar giderek daha güçlü hale geliyor, ancak gerçek işleri güvenilir biçimde yerine getirmek için gerekli bağlam bilgisinin eksikliği sorunu sürüyor
• Beceriler, prosedürel bilgiyi ve kurum, ekip veya kullanıcıya özgü bağlamı gerektiğinde yüklenebilir hale getirir
• Beceriye sahip ajanlar, göreve göre yeteneklerini genişletebilir
• Beceri yazarları, bir kez oluşturdukları işlevi birden fazla ajan ürününe dağıtabilir
• Uyumlu ajanlar, kullanıcıların anında yeni işlevler eklemesine olanak tanır
• Ekipler ve şirketler, kurumsal bilgiyi sürüm kontrolü yapılabilen taşınabilir paketler olarak koruyabilir

Agent Skills ile neler yapılabilir?

• Alan uzmanlığı: Hukuk incelemesi, veri analizi gibi uzmanlaşmış bilgileri yeniden kullanılabilir yönergeler halinde paketleme
• Yeni işlevler: Sunum hazırlama, MCP sunucusu kurma, veri kümesi analizi gibi çeşitli yetenekler ekleme
• Tekrarlanabilir iş akışları: Çok adımlı işleri tutarlı ve denetlenebilir süreçlere dönüştürme
• Birlikte çalışabilirlik: Aynı beceriyi birden fazla uyumlu ajan ürününde yeniden kullanabilme

Benimsenme durumu

• Agent Skills, çeşitli AI geliştirme araçları tarafından destekleniyor
• Örnekler arasında Factory.ai, Gemini CLI, Mux, Ampcode, Letta, Autohand.ai, Spring AI, Goose, Piebald.ai, OpenAI Codex, Cursor, Databricks, Mistral Vibe, Roocode, VS Code, Agentman.ai, Trae.ai, Commandcode.ai, Firebender, Opencode.ai, Claude.ai yer alıyor

Açık geliştirme

• Agent Skills formatı ilk olarak Anthropic tarafından geliştirildi ve açık standart olarak yayımlandı
• Ardından çeşitli ajan ürünleri bunu benimsemeye başladı ve ekosistem genelinden katkılara izin verildi
• Format ve örnek beceriler GitHub deposu üzerinden incelenebilir

Başlarken

• “What are skills?” sayfasından becerilerin yapısını ve nasıl çalıştığını öğrenebilirsiniz
• “Specification” bölümünde SKILL.md dosyasının format tanımını görebilirsiniz
• “Integrate skills” üzerinden ajanlara veya araçlara beceri desteği ekleyebilirsiniz
• GitHub’da örnek becerileri ve referans kütüphanesini inceleyebilirsiniz

[cgl00]

Anthropic’in resmi deposu varken neden üçüncü taraflarda böyle projeler yapılıyor?

[skageektp]

> Agent Skills, Anthropic tarafından sürdürülen ve topluluğun katkılarına açık olan açık bir formattır.

Demek ki standardı Anthropic oluşturmuş.

[cgl00]

Burası da resmî galiba.. https://github.com/anthropics/skills bundan farklı bir şey sanırım?

[skageektp]

Evet, gönderdiğiniz şey implementasyon
Metinde paylaşılan şey ise spec

Tıpkı
Docker gibi bir şeyin standardı = OCI
Docker, podman = OCI'yi uygulayan container runtime'ları

(Yanılıyor olabilirim)

[cgl00]

Anladım, yani spesifikasyon ile implementasyonmuş.. teşekkürler

[GN⁺]

Hacker News yorumları

• Bu tartışma, standardizasyona duyulan ihtiyaç sorusuyla başlıyor
  Bence iyi dokümantasyonun özü hâlâ “insanın rahat okuyabileceği şekilde yazılması”. Yeni bir formatı zorunlu kılmak için gerçekten bir gerekçe var mı emin değilim. Eğer üretkenlik artışı gerçekten varsa, bunun karşılaştırmalı çalışmalarla kanıtlanabilmesi gerekir

  • Başkalarının söylediklerine ek olarak, standardizasyonun eğitim ve RL için kullanılabilecek fırsatlar da açtığını düşünüyorum
  • Aslında karşılaştırmalı bir deney yapıldı. Bir Hugging Face çalışanı, Qwen3-0.6B modelini codex + skills ile fine-tune ettiğinde humaneval puanının +6 arttığını söyledi. İlgili bağlantı burada, proje de huggingface/upskill
  • Sistem sadece basit bir doküman değil; tüm skills dizinini oluşturup her konuşmada bunu LLM'e iletiyor. Böylece LLM, skill'i yalnızca gerektiğinde okuyor. Bu, GUI'deki özellik keşfedilebilirliğine benzer bir kavram. Bana göre README merkezli yapı daha sezgisel
  • Claude Code ile iş otomasyonu yapıyorum ve her görevi slash komutlarıyla birbirine bağladım. Sonuçta skills de sadece dokümantasyonun başka bir biçimi gibi geliyor. Uzun vadede context window'un genişlemesi ve model zekâsının artmasıyla skills paradigmasının ortadan kalkacağını düşünüyorum
  • Ama bugünün modelleri açısından bakarsak, Claude skill açıklamasına kadar okuyup durduğu için token tasarrufu etkisi büyük. Büyük repository'lerde bu fark hissedilecek kadar belirgin. Bu kalıbı daha geniş kitlelere anlatmaya değer

• Ekibimiz skills'i yeniden kullanılabilir yarı deterministik fonksiyonlar gibi ele aldı ve bununla başarı elde etti
  Örneğin /create-new-endpoint skill'i, OpenAPI güncellemesi, entegrasyon testlerinin eklenmesi gibi tüm boilerplate işleri içeriyor. CLI'da JIRA ticket numarasını girince LLM işi tutarlı kalitede tamamlıyor

  • Birisi, “zaman geçse de tutarlılığı nasıl test ediyorsunuz?” diye sordu

• Klasör yapısını standardize etme önerisi geldi

  .claude/skills
  .codex/skills
  .opencode/skills
  .github/skills
  

  • Henüz bir standart değil ama çoğu CLI aracı .md dosyalarını tarayıp çalıştırıyor. Yine de plugin'leri de kapsayan entegre bir standardizasyon olsa iyi olurdu
  • Söylenene göre önce Codex başladı, hemen ardından da OpenCode geldi. İlgili tweet
  • Bu tartışma agentskills/agentskills#15 içinde de sürüyor
  • Bazıları, “henüz çok erken; standardizasyon yaratıcılığı sınırlayabilir” dedi
  • Bir başkası da XDG base spec'i izleyip ~/.config/claude gibi yolların kullanılmasının daha iyi olacağını savundu. Mevcut ~/.claude yaklaşımının kullanışsız olduğunu söyledi

• Her alt klasörde bir README.md oluşturup ilgili skill'lere bağlantı vermek yönünde bir ipucu paylaşıldı. Bu insanlar için de faydalı. İlgili yazı: Claude Skills Considered Harmful

  • “skills sonuçta belli bir konunun README'sinden ibaret” görüşü geldi. Sürekli tekrar açıklanması gereken içerikleri skill olarak düzenlemek yeterli. Standart klasörleri takip etmek de şart değil; gerekirse doğrudan context'e eklenebilir
  • Bir başkası, just gibi bir komut çalıştırıcısı kullanmanın hem insanlar hem de ajanlar için faydalı olduğunu söyledi

• Benim için skills'i açık iş akışları olarak ele almak etkili oldu
  “X'i yap, Y'yi yap, Z'yi doğrula” gibi tamamlanmış prosedürler olarak tanımlandığında ajan bunu tek bir mod gibi algılıyor. Buna karşılık belirsiz yönerge biçimleri kolayca göz ardı edilebiliyor

  • Birisi, belirli durumlarda skill'i otomatik etkinleştiren bir hook sistemini Claude'a uyguladığını söyledi. Örneğin Python dosyalarıyla çalışırken ilgili skill otomatik çağrılıyor
  • Bir başkası, skill ile command arasındaki farkın belirsiz olduğuna dikkat çekti. Sonuçta ikisi de komut gibi kullanılıyorsa gerçekten ayrıma gerek var mı diye sordu
  • Birisi de bu yapının Obsidian notlarına ya da CLI komut koleksiyonlarına benzediğini söyledi
  • Başka biri ise skill'in etkinleşme koşullarının çok net yazılması gerektiğini özellikle vurguladı. Claude Code'da /foo gibi açık çağrı mümkün olduğu için o yaklaşımı tercih ediyor

• Bazıları, skills sayesinde örtük alan bilgisinin dokümante edilebileceğini düşünüyor. Geliştiricilerin kafasında olan kurallar kayda geçirilip LLM eğitiminde yeniden kullanılabilir

• “Ajan istemezse skills kullanılmıyor mu?” sorusu geldi

  • Birçok kişi aynı sorunu yaşıyor. Mevcut modeller skills temelli RLVR eğitimi almadığı için burada kafa karışıklığı yaşıyor. Bir sonraki nesil modellerin (ör. Opus) skills'i çok daha istikrarlı kullanması bekleniyor
  • Vercel'in değerlendirmelerinde de vakaların %56'sında skill çağrılmadığı söyleniyor. Buna karşılık AGENTS.md yaklaşımının daha geniş bir yelpazede etkili olduğu bildirildi. İlgili blog
  • Codex kullanan biri, AGENTS.md içinde skill dizininin belirtilmesinin oldukça iyi çalıştığını söyledi. Ancak skill sayısı arttıkça çakışma ihtimali büyüdüğünden yapıyı basit tutmak gerektiğini ekledi
  • Bir başkası da skills'i neredeyse hiç kullanamadığını, onun yerine skill içeriğini doğrudan AGENTS.md içine koymanın daha isabetli olduğunu söyledi

• skills.sh üzerinde en popüler üçüncü skill'in sadece bir komut indirme bağlantısı olduğu söylendi. Bu tür SKILLS.md/AGENTS.md/COMMANDS.md dosyaları sonuçta sadece prompt koleksiyonları; yanlış kullanılırlarsa riskli olabilirler

  • Buna karşılık biri, “araçlarda asıl önemli olan sorumlu kullanım” diye yanıt verdi

• Yeni bir programlama dili geliştiren biri, LLM'in eğitilmediği bir dili anlayabilmesi için AGENTS.md ve SKILLS kullandığını söyledi. Standardizasyon sayesinde araç entegrasyonunun kolaylaştığını da ekledi

• Asıl değer formatta değil, kademeli açığa çıkarma (progressive disclosure) fikrinde
  Tüm yönergeleri tek belgede toplamak gereksiz token harcar. Skills kalıbı, ayrıntıların yalnızca gerektiği anda yüklenmesini sağlar. Standardizasyon ise esas olarak dağıtım ve yeniden kullanım içindir

  • Buna yanıt olarak MOOLLM projesinin geliştiricisi, bunu “Semantic Image Pyramid” kavramına genişlettiğini anlattı.
    GLANCE.yml → CARD.yml → SKILL.md → README.md sırasıyla kademeli ayrıntılandırma uygulanıyor.
    GLANCE 5-70 satırla sadece “ilgili mi?” sorusunu değerlendiriyor, CARD arayüzü tanımlıyor, SKILL gerçek prosedürü içeriyor, README ise insanlara yönelik açıklama sunuyor.
    INDEX.md'nin, INDEX.yml'ye kıyasla %80'den fazla daha iyi sıkıştırma sağladığı ve anlatı yapısı sunduğu söyleniyor.
    İlgili bağlantılar: INDEX.yml, INDEX.md
    Ayrıca sniffable-python yapısı sayesinde kodun üstteki 50 satırı okunarak API anlaşılabiliyor.
    İlgili kaynaklar: Semantic Image Pyramid açıklaması, sister-script, sniffable-python README, sniffable-python SKILL