Anthropic przekazuje Agent Skills, AI zyskało wspólnego opiekuna dla bazy umiejętności

22 października 2026 roku, Anthropic ogłosiło przekazanie Agent Skills Fundacji Sztucznej Inteligencji AAIF, która działa pod auspicjami Fundacji Linuxa. Przekazanie obejmuje nazwę projektu, identyfikator, organizację GitHub oraz oficjalną domenę, a w przyszłości będzie wspierane przez inżynierów z różnych firm.

Agent Skills zapisuje metody pracy w formacie, który AI może odczytać podczas wykonywania zadań. Zespół organizuje kroki, szablony, materiały referencyjne i niezbędne skrypty w pakiecie umiejętności, a narzędzie uruchamia odpowiednie treści zgodnie z zadaniem. Wymagania dotyczące pracy, które wcześniej musiały być wielokrotnie wyjaśniane przez użytkowników, teraz mogą być zapisane, modyfikowane i wielokrotnie wykorzystywane.

Dla wielu osób, które już korzystają z AI w pracy, jest to łatwe do zrozumienia: model potrafi już napisać wiele rzeczy, ale to, co naprawdę zajmuje czas, to często poprawianie jego działań. Gdzie powinny być umieszczone pliki, która wersja jest użyteczna, co należy najpierw potwierdzić, dlaczego ten sam błąd pojawia się ponownie. Pakiet umiejętności stara się zachować te konkretne doświadczenia, a to przekazanie dodatkowo odpowiada na pytanie, kto będzie utrzymywał ten format i jak różne platformy będą mogły z niego korzystać.

▌ I. Umieść metody pracy w jednym folderze

Wyobraź sobie zespół redakcyjny, który co tydzień musi przeprowadzać wyszukiwanie informacji, pisać artykuły, dobierać ilustracje i recenzować teksty. Zespół ma już ustalone nawyki dotyczące tytułów, rozmiarów czcionek w wykresach, metod weryfikacji materiałów i katalogów dostaw. Jeśli za każdym razem muszą na nowo pisać te wymagania w rozmowie, nie tylko zajmuje to czas, ale także łatwo jest pominąć jedną lub dwie rzeczy.

Zespół może zorganizować je w pakiecie umiejętności. W pakiecie znajduje się dokumentacja, która informuje AI, kiedy należy używać tego procesu, jakie materiały należy najpierw przeczytać i w jakiej kolejności wykonać pracę; obok umieszczone są szablony układu, listy kontrolne i małe programy do przetwarzania dokumentów. W przyszłości, gdy pojawi się to samo zadanie, AI będzie mogło postępować zgodnie z już ustalonymi metodami.

W standardzie Agent Skills, ten kluczowy dokument nazywa się SKILL.md. Zawiera on najpierw nazwę umiejętności i opis jej zastosowania, a następnie w zwykłym tekście opisuje metody działania. W razie potrzeby można dodatkowo zapisać dokumenty referencyjne, skrypty i materiały, a następnie wskazać je w opisie. Redaktorzy mogą zrozumieć treść procesu, a programiści mogą kontynuować rozwijanie części automatycznej.

Taki sposób organizacji daje zespołowi szansę na dokładne zapisanie ukrytych doświadczeń. Na przykład, "wykresy powinny być dostosowane do czytania na telefonie" jest wciąż dość ogólne; można to dalej rozwinąć do minimalnego rozmiaru czcionki, ilości informacji w każdym wykresie, rozmiaru podglądu i metod weryfikacji, co ułatwia uzyskanie spójnych wyników podczas realizacji. Użyteczność pakietu umiejętności w dużej mierze zależy od tego, czy te doświadczenia można uporządkować w formie wymagań operacyjnych.

Należy również zachować warunki zakończenia zadania. Proces redakcyjny może określać, że tekst główny osiąga ustaloną długość, źródła są weryfikowalne, a obrazy zostały wstawione i zakończono ich podgląd, zanim przejdzie się do recenzji. AI może zatem sprawdzić, czy jego dostawa jest kompletna, a użytkownicy mogą akceptować ją według tych samych standardów, co zmniejsza różnicę między "wygląda na to, że zostało zrobione" a rzeczywistą użytecznością.

Zespół, podczas korzystania z pakietu, może odkrywać nowe błędy i wracać do tego samego pakietu umiejętności, aby wprowadzić poprawki. Gdy w przyszłym tygodniu będą kontynuować, poprawione metody będą nadal dostępne. W przypadku powtarzających się zadań, takie ciągłe poprawki są łatwiejsze do skumulowania niż każdorazowe przypominanie na bieżąco.

Można również dołączyć przykład, który przeszedł akceptację do umiejętności. Na przykład, kompletny raport z odpowiednim oznaczeniem, które wskazuje, gdzie znajdują się tekst główny, obrazy i dokumenty źródłowe. AI ma konkretne odniesienie podczas wykonywania, a ludzka recenzja może również zidentyfikować, na którym etapie wystąpiło odchylenie w wynikach. Informacje o klientach i przestarzałe fakty w przykładzie muszą być wcześniej przetworzone, pozostawiając jedynie metody i struktury warte ponownego wykorzystania.

▌ II. Jak AI znajduje odpowiednie umiejętności

Gdy umiejętności stają się liczne, pojawia się kolejny problem: przekazywanie wszystkich instrukcji modelowi za każdym razem zajmuje dużo kontekstu i może powodować, że nieistotne wymagania zakłócają bieżącą pracę. Agent Skills przyjmuje podejście warstwowego odczytu, najpierw pozwalając AI zobaczyć nazwę umiejętności i jej zastosowanie, a następnie po dopasowaniu zadania ładować pełne instrukcje, a w razie potrzeby kontynuować odczytanie odpowiednich dokumentów.

Na przykład, jeśli użytkownik prosi tylko o "zorganizowanie niezałatwionych uwag do umowy", AI może najpierw zidentyfikować umiejętność przeglądania umów, nie musząc jednocześnie odczytywać wszystkich zasad dotyczących tworzenia okładek, statystyk ruchu czy organizowania paragonów. Gdy przyjdzie do faktycznego przetwarzania umowy, otworzy odpowiedni szablon i listę warunków zgodnie z instrukcją.

Dopasowanie to zależy od tego, czy opis zastosowania jest jasny. "Przetwarzanie dokumentów" ma zbyt szeroki zakres, podczas gdy "organizowanie uwag do poprawek istniejących umów i generowanie listy do potwierdzenia" jest łatwiejsze do określenia w kontekście użycia. Dla dużych zespołów, utrzymanie bazy umiejętności obejmuje również łączenie powtarzających się umiejętności, usuwanie nieaktualnych kroków oraz wyjaśnianie, jak są podzielone sąsiednie procesy.

Materiały referencyjne również muszą być podzielone. Często używane wymagania są umieszczane w głównych instrukcjach, a dłuższe przepisy prawne, szablony klientów lub dokumenty techniczne są odczytywane w razie potrzeby. Dzięki temu można zmniejszyć czas, który model spędza na przeszukiwaniu dużej ilości materiałów, a także ułatwić aktualizację niektórych treści bez konieczności kopiowania całego procesu na nowo.

Gdy proces wymaga wykonania skryptu, należy również sprawdzić, czy środowisko uruchomieniowe ma odpowiednie narzędzia. Na przykład, umiejętność wymaga przekształcenia tabeli w wykres, a rzeczywiste wykonanie nadal wymaga dostępnego programu do przetwarzania danych, czcionek i lokalizacji wyjściowej. Pakiet umiejętności opisuje metodę, platforma odpowiada za zapewnienie warunków wykonania, a obie strony muszą być odpowiednio połączone przed użyciem.

Dlatego migracja między platformami najlepiej zaczyna się od przetestowania małej grupy rzeczywistych zadań. Ta sama umiejętność przeniesiona do innego narzędzia AI może zmienić ścieżki plików, dostępne interfejsy, metody zatwierdzania i formaty wyjściowe. Dokumentując te różnice, zespół może stopniowo tworzyć prawdziwą bazę umiejętności, którą można ponownie wykorzystać.

Odczyt na żądanie pozwala na oddzielne zarządzanie często używanymi metodami i szczegółowymi materiałami referencyjnymi.

▌ III. To przekazanie zmienia, kto utrzymuje zasady

Agent Skills początkowo pochodzi z praktyki produktów Anthropic, a po premierze w październiku 2025 roku, w grudniu tego samego roku został opublikowany jako otstandaryzowany format. W ogłoszeniu stwierdzono, że ponad 70 platform inteligentnych agentów wspiera ten format. Ta liczba odzwierciedla sytuację ekosystemu ogłoszoną przez dostawców, a rzeczywiste efekty użytkowania należy obserwować w kontekście konkretnych zadań.

Wraz ze wzrostem liczby uczestników, zmiany formatu będą miały wpływ na więcej zespołów. Jak interpretować jedno pole, czy nowa wersja jest zgodna ze starymi umiejętnościami, czy platforma może dodać swoje rozszerzenia, to wszystko może wpłynąć na już zgromadzone procesy robocze w firmach. Po przekazaniu projektu do AAIF, te kwestie zyskały wspólną podstawę do dyskusji i utrzymania.

Anthropic ogłosiło, że inżynierowie z różnych firm będą uczestniczyć w utrzymaniu jako osoby prywatne, a David Soria Parra i Mahesh Murag będą pełnić rolę głównych opiekunów. Użytkowanie standardu lub składanie wkładów nie wymaga wcześniejszego zostania członkiem fundacji. Projekt zaproponował również kierunki dotyczące publikacji wersji, formalnych procesów propozycji i wskazówek dotyczących bezpieczeństwa.

Dla użytkowników biznesowych, zarządzanie wersjami jest szczególnie istotne. Umiejętność, która została potwierdzona przez zespół, powinna być w stanie wskazać, z której wersji standardu, szablonu i narzędzi korzysta. Po aktualizacji, jeśli wystąpią problemy, powinno być możliwe powrócenie do wcześniejszej wersji, która działała poprawnie, a nie poleganie na zapisach czatu w celu odtworzenia starych wymagań.

Dla deweloperów platform, wspólne utrzymanie pomaga zredukować powtarzające się projekty. Różne platformy mogą oferować narzędzia do ładowania, weryfikacji i zarządzania wokół tej samej struktury plików, a następnie kontynuować poprawę w swoich doświadczeniach produktowych. Już istniejące materiały procesowe w firmach łatwiej jest zachować, a koszty migracji koncentrują się głównie na dostosowaniu środowiska i weryfikacji wyników.

Efekty zarządzania standardami będą stopniowo widoczne w codziennym utrzymaniu. Kto zajmuje się problemami, jak omawiane są zmiany, jak zgłaszane są wady bezpieczeństwa, jak długo zachowywane są stare wersje, to wszystko są rzeczy, które użytkownicy mogą rzeczywiście odczuć. W miarę realizacji mapy drogowej, firmy mogą dostosować częstotliwość aktualizacji wewnętrznych umiejętności i metody zatwierdzania.

Przykład generacji AI

▌ IV. Łączenie narzędzi i organizacja procesów mają swoje znaczenie

Mówiąc o infrastrukturze inteligentnych agentów, inną często pojawiającą się nazwą jest MCP, czyli protokół kontekstu modelu. Pomaga on aplikacjom AI łączyć zewnętrzne narzędzia i źródła informacji. Agent Skills jest bardziej odpowiedni do zapisywania kroków i doświadczeń związanych z wykonywaniem określonego rodzaju pracy, a obie te rzeczy mogą współpracować w tym samym zadaniu.

Na przykład w pracy redakcyjnej, AI łączy się z narzędziami, aby odczytać artykuły z bazy danych, a poprzez umiejętności dowiaduje się, które źródła mają pierwszeństwo, jak rejestrować wyniki weryfikacji i kiedy przejść do pisania. Pierwsze zapewnia dostępne treści i operacje, drugie organizuje metody wykonania zadań.

Taki podział pracy ma również zastosowanie w obsłudze klienta. Narzędzia odpowiadają za zapytania dotyczące zamówień, odczytywanie statusu logistyki, tworzenie zleceń; instrukcje dotyczące umiejętności wskazują, co sprawdzić w przypadku różnych problemów, jak ocenić ścieżkę postępowania i które prośby wymagają interwencji człowieka. Firmy mogą aktualizować interfejsy systemowe i zasady obsługi oddzielnie, nie musząc przekształcać każdej zmiany procesu w nowy rozwój oprogramowania.

W pracy prawnej umiejętności mogą zapisywać kolejność przeglądania umów, klasyfikację klauzul i formaty wyników opinii. W trakcie wykonywania nadal trzeba odczytać aktualną umowę, obowiązujące przepisy i wymagania klienta. Zespół oddziela stabilne metody od zmieniających się faktów, aby uniknąć przenoszenia konkretnych wniosków z poprzedniego projektu do nowych spraw.

To również ma związek z aktualizacją wiedzy. Daty ważności, regiony i wersje dokumentów powinny być przechowywane razem z materiałami referencyjnymi. Po zmianach w polityce, osoby odpowiedzialne za utrzymanie mogą wymienić odpowiednie dokumenty i sprawdzić, które umiejętności je cytowały. Dla zespołów zajmujących się badaniami regulacyjnymi i usługami prawnymi, to łatwiejsze do kontrolowania rozprzestrzeniania błędów niż po prostu gromadzenie dużej ilości dokumentów.

Baza umiejętności ma również zastosowanie na poziomie organizacyjnym: pozwala nowym pracownikom zobaczyć, jak doświadczeni pracownicy wykonują swoją pracę. Wiele procesów istniało wcześniej tylko w doświadczeniu osobistym, a podczas przekazywania można je było jedynie ustnie wyjaśnić. Proces organizacji umiejętności skłania zespoły do zapisania łatwych do popełnienia błędów, wyjątkowych sytuacji i metod akceptacji, aby mogły być używane zarówno przez ludzi, jak i AI.

MCP i Agent Skills mogą współpracować w tym samym zadaniu.

▌ V. Instalacja umiejętności wprowadza nowe zależności w pracy

Pakiet umiejętności może zawierać zarówno zwykłe instrukcje, jak i skrypty, zewnętrzne linki oraz wymagania dotyczące korzystania z narzędzi. Gdy AI wybiera taki pakiet, może to wpłynąć na odczyt plików, przesyłanie danych i rzeczywiste operacje. Dlatego przedsiębiorstwa wprowadzające zewnętrzne umiejętności muszą jednocześnie sprawdzić źródło treści i uprawnienia do uruchomienia.

Umiejętność, która wydaje się służyć do organizowania faktur, może wymagać dostępu do całego katalogu dokumentów; skrypt służący do generowania raportu może łączyć się z zewnętrznym serwerem. Osoby zajmujące się audytem muszą wiedzieć, jak te dostępy mają się do zadań, czy można ograniczyć zakres oraz gdzie są przechowywane zapisy wykonania. Ograniczenie uprawnień do rzeczywiście potrzebnych plików i narzędzi może zmniejszyć wpływ błędnych operacji.

OWASP w wytycznych dotyczących ryzyka wstrzykiwania poleceń omawia problem zmiany zachowania modelu przez zewnętrzne treści. Gdy AI przetwarza strony internetowe, dokumenty lub inne materiały, może napotkać wbudowane instrukcje operacyjne. Jeśli te treści są traktowane jako zaufane i wykonywane, model może odbiegać od pierwotnie zleconego zadania przez użytkownika.

Użycie umiejętności również może napotykać na tego rodzaju problemy. Zespół powinien sprawdzić zarówno samą umiejętność, jak i upewnić się, że środowisko uruchomieniowe rozróżnia wymagania robocze od zewnętrznych materiałów. Operacje takie jak płatności, wysyłanie e-maili czy modyfikacja systemów produkcyjnych powinny być poddawane odpowiedniej weryfikacji manualnej, a dostęp do dokumentów i sieci powinien być kontrolowany przez rzeczywisty system operacyjny, aby uniknąć polegania jedynie na tekście w celu utrzymania granic.

Obecna specyfikacja w polu allowed-tools wciąż oznaczona jest jako treść eksperymentalna, a sposób jej wsparcia zależy od konkretnej platformy. Dlatego przedsiębiorstwa mogą wymieniać wymagane narzędzia w opisie umiejętności, a następnie sprawdzić rzeczywisty zakres dostępnych uprawnień w ustawieniach platformy. Podczas testów należy również obserwować rejestry wywołań narzędzi, aby potwierdzić, że proces wykonania jest zgodny z projektem.

Wprowadzając zewnętrzne umiejętności, należy również osobno sprawdzić licencje użytkowania. Specyfikacja pozwala autorom wypełnić pole license lub wskazać plik licencyjny, ale to pole nie jest obowiązkowe. Zespół powinien potwierdzić, jakie użycie jest dozwolone dla kodu, szablonów i materiałów dołączonych do pakietu, zachowując licencje oraz odpowiadające wersje; w przypadku braku opisu licencji, należy najpierw skontaktować się z autorem w celu potwierdzenia, zanim zostanie to włączone do wewnętrznego procesu.

Aktualizacje zewnętrznych umiejętności również powinny być dokumentowane. Zespół może najpierw ustalić użycie już sprawdzonej wersji, a następnie regularnie oceniać zawartość aktualizacji. Jeśli jakaś umiejętność nagle doda nowe połączenia sieciowe, zależności od nowych programów lub wymaga większych uprawnień, osoby odpowiedzialne będą miały szansę zrozumieć zmiany przed wdrożeniem, a nie czekać na pojawienie się anomalii.

W przypadku instytucji posiadających dużą ilość danych klientów, należy również sprawdzić, czy szablony i przykłady w umiejętności zawierają poufne treści. Gdy wewnętrzne doświadczenia są porządkowane jako publiczne umiejętności, konkretne nazwy klientów, fragmenty umów i informacje o tożsamości powinny być odpowiednio przetworzone. Procesy publiczne i wewnętrzne materiały mogą być przechowywane oddzielnie, aby zminimalizować ryzyko przypadkowego przekazania całego pliku projektu.

▌ VI. Przedsiębiorstwa mogą najpierw uporządkować powtarzające się zadanie

Budowanie bazy umiejętności można rozpocząć od częstych, jasno określonych zadań, które łatwo poddają się weryfikacji. Na przykład porządkowanie cotygodniowych raportów, archiwizowanie opinii umownych, generowanie listy zadań na spotkania lub przygotowywanie pakietów recenzji artykułów w ustalonym formacie. Zespół najpierw powinien dokładnie opisać istniejące praktyki, a następnie pozwolić AI wykonać kilka rund, co zazwyczaj jest łatwiejsze niż dążenie do pełnego pokrycia wszystkich działań od samego początku.

Przygotowując materiały, można cofnąć się do ostatniego udanego dostarczenia. Jakie były dane wejściowe, jakie materiały sprawdzili pracownicy, jakie kroki zostały podjęte, a na końcu jak oceniono, że wynik może być dostarczony. Po uporządkowaniu rzeczywistego procesu, należy dodać metody postępowania w przypadku błędów, co da umiejętności solidny punkt wyjścia.

Materiały testowe powinny również zawierać powszechne wyjątki. Brak stron w umowach, nieaktualne linki źródłowe, niespójności w polach formularzy, brak dokumentacji dotyczącej autoryzacji zdjęć - te sytuacje mogą bezpośrednio wpływać na dostarczenie. Zespół musi obserwować, czy AI potrafi wykryć luki, zachować istniejące wyniki i wskazać następny krok, a nie kontynuować generowanie pozornie pełnego dokumentu w warunkach niedoboru.

Ocena może koncentrować się na rzeczywistej ilości pracy: ile pracy ręcznej jest potrzebne do ukończenia tego samego zadania, jakie błędy się powtarzają, czy dokumenty dostarczane są kompletne, czy po modyfikacjach można stabilnie poprawić. Zachowując niewielką ilość reprezentatywnych zadań i wyników, można po aktualizacji umiejętności lub modelu ponownie wykonać, aby ocenić, czy nowe kombinacje nadal pasują do działalności.

Odpowiedzialność za utrzymanie również powinna być jasno określona. Kto może modyfikować kroki, kto weryfikuje podstawy prawne lub biznesowe, kto decyduje, kiedy nowa wersja zostanie wdrożona, powinno być ustalone. Umiejętności obejmujące wiele działów mogą zachować wspólne zapisy przeglądów; umiejętności używane tylko do osobistego porządkowania mogą być zarządzane w bardziej elastyczny sposób.

Zespół może również ustalić prosty format rejestru zmian: jakie problemy wystąpiły w tej rundzie, co zostało zmienione, jakie zadanie zweryfikowało. Dzięki temu powody za nowymi wymaganiami mogą być zrozumiane przez osoby, które przejmą zadanie później. Treści, które nie były używane przez długi czas, są powtarzalne z innymi umiejętnościami lub polegają na już wycofanych narzędziach, mogą być usunięte podczas regularnych przeglądów, aby uniknąć nadmiernego gromadzenia w bazie umiejętności, co prowadzi do coraz wolniejszego działania.

Gdy ta sama umiejętność obsługuje wielu klientów, ogólne kroki i preferencje klientów powinny być przechowywane oddzielnie. Część ogólna określa, jak weryfikować i dostarczać, a część klienta rejestruje nazwy, formaty i szczególne wymagania zatwierdzające. Przy rozpoczynaniu nowego projektu należy załadować odpowiednie dane klienta, a przy aktualizacji procesów publicznych sprawdzić ich wpływ na istniejące projekty. Taki układ pomaga utrzymać spójność metod i zmniejsza ryzyko niewłaściwego użycia danych innego klienta.

Po zakończeniu jednej rundy testów, osoby odpowiedzialne mogą zachować wersję umiejętności, wersję szablonu, przykłady akceptacji i znane ograniczenia. Przy następnej aktualizacji modelu lub narzędzi, najpierw należy ponownie uruchomić tę grupę przykładów: czy dokumenty są kompletne, czy uprawnienia są odpowiednie, czy kluczowe kroki weryfikacyjne zostały wykonane. W przypadku różnic można zidentyfikować elementy, które wymagają dostosowania, a codzienna praca ma stabilną wersję, do której można wrócić.

Utrzymanie umiejętności można weryfikować na podstawie niewielkiej liczby rzeczywistych zadań.

Niniejszy artykuł służy wyłącznie do badań prawnych, politycznych i branżowych, ma na celu obiektywną analizę dynamiki regulacyjnej dotyczącej finansów cyfrowych, stablecoinów, aktywów cyfrowych i związanych z nimi regulacji, i nie stanowi żadnej formy porady inwestycyjnej, prawnej, podatkowej ani innej profesjonalnej porady, ani nie stanowi rekomendacji, promocji lub zaproszenia do jakichkolwiek produktów finansowych, aktywów cyfrowych lub projektów komercyjnych. Zasady regulacyjne, dane rynkowe i informacje o instytucjach zawarte w artykule pochodzą głównie z publicznych źródeł i mogą ulegać zmianom w wyniku zmian w przepisach prawnych, polityce regulacyjnej, środowisku rynkowym oraz postępach projektów, dlatego czytelnicy powinni samodzielnie ocenić w oparciu o najnowsze dostępne informacje i przestrzegać obowiązujących przepisów prawnych w swoim kraju lub regionie. Autorzy i platforma publikująca nie ponoszą odpowiedzialności za jakiekolwiek decyzje inwestycyjne, handlowe lub inne podejmowane na podstawie treści niniejszego dokumentu.