Anthropic передає Agent Skills, AI бібліотека навичок отримала спільного куратору

22 жовтня 2026 року Anthropic оголосила про передачу Agent Skills до Фонду штучного інтелекту AAIF, що належить Фонду Linux. Передача включає назву проекту, ідентифікатор, організацію GitHub та офіційний домен, а надалі підтримуватиметься інженерами з кількох компаній.

Agent Skills зберігає методи виконання певних завдань у форматі, який може бути прочитаний AI під час виконання завдань. Команда організовує етапи, шаблони, довідкові матеріали та необхідні скрипти в один пакет навичок, а інструменти виконують завдання, завантажуючи відповідний контент. Робота, яку раніше потрібно було багаторазово пояснювати користувачеві, тепер має форму, яку можна зберігати, змінювати та повторно викликати.

Для багатьох, хто вже використовує AI в офісі, це легко зрозуміти: модель вже може написати багато чого, але справжнім витратою часу часто є повторне виправлення її дій. Куди потрібно покласти файл, яка версія доступна, що потрібно підтвердити спочатку, чому одна й та ж помилка знову з'являється. Пакет навичок намагається зберегти ці конкретні досвіди, а ця передача ще більше відповідає на питання, хто підтримуватиме цей формат і як різні платформи можуть використовувати його разом.

▌ 1. Помістіть методи роботи в одну папку

Уявіть собі редакційну команду, яка щотижня повинна виконувати пошук інформації, писати статті, підбирати ілюстрації та рецензувати. У команди вже є встановлені звички щодо заголовків, шрифтів графіків, методів перевірки даних та каталогів доставки. Якщо щоразу переписувати ці вимоги в діалог, це не тільки займає час, але й може призвести до пропуску одного-двох пунктів.

Команда може організувати їх в пакет навичок. У пакеті є інструкція, яка говорить AI, коли слід використовувати цей процес, які матеріали спочатку прочитати, в якому порядку виконувати роботу; поряд з цим розміщуються шаблони оформлення, контрольні списки та міні-програми для обробки документів. У майбутньому, коли виникає аналогічне завдання, AI зможе просуватися за вже наявними методами.

У специфікації Agent Skills ця основна інструкція називається SKILL.md. Вона спочатку містить назву навички та опис її призначення, а далі звичайним текстом описує методи виконання. Якщо потрібно більше матеріалів, можна зберегти довідкові файли, скрипти та матеріали, а потім вказати на них в інструкції. Редактори можуть зрозуміти зміст процесу, а розробники також можуть продовжити доповнювати автоматизовану частину.

Цей спосіб організації дає команді можливість чітко зафіксувати приховані досвіди. Наприклад, "графіки повинні бути зручними для читання на мобільних пристроях" все ще є досить загальним; якщо далі написати мінімальний шрифт, обсяг інформації на кожному графіку, розмір попереднього перегляду та методи перевірки, виконання буде легшим для отримання однорідного результату. Наскільки корисний пакет навичок, значною мірою залежить від того, чи можуть ці досвіди бути організовані в дієві вимоги.

Серед них також повинні бути збережені умови завершення завдання. Редакційний процес може вимагати, щоб основний текст досягнув узгодженої довжини, джерела були відстежені, зображення були вставлені та завершено попередній перегляд, перш ніж перейти до рецензування. AI може перевірити, чи є його доставка повною, а користувач також може приймати за тим самим стандартом, зменшуючи розрив між "здається, що вже зроблено" та фактичною придатністю.

Команда може виявити нові помилки під час використання, і може повернутися до того ж пакета навичок для внесення змін. Наступного тижня, коли вони продовжать виконання, покращений метод все ще буде існувати. Для повторюваних бізнес-процесів таке постійне редагування легше накопичує ефект, ніж кожного разу нагадувати про це.

Також можна надати навичці приклад, який вже пройшов перевірку. Наприклад, повністю оформлений звіт, поруч з яким зазначено, які частини тексту, зображень та джерел відповідають яким позиціям. AI має конкретну довідку під час виконання, а під час ручної перевірки також може виявити, на якому етапі відбувається відхилення в результатах. Інформацію про клієнта та застарілі факти в прикладі потрібно обробити заздалегідь, залишивши лише методи та структури, які варто повторно використовувати.

▌ 2. Як AI знаходить відповідні навички

Коли навичок стає більше, виникає інше питання: передавати всі інструкції моделі для кожного завдання займе багато контексту і може дозволити нерелевантним вимогам заважати поточній роботі. Agent Skills використовує підхід з ієрархічним читанням, спочатку дозволяючи AI бачити назву навички та її призначення, а потім завантажуючи повні інструкції після відповідності завданню, за необхідності продовжуючи читати відповідні файли.

Наприклад, якщо користувач просто просить "упорядкувати невирішені зміни в контракті", AI може спочатку розпізнати навичку перегляду контракту, не читаючи одночасно всі правила для створення обкладинки, підрахунку трафіку або упорядкування квитанцій. Коли фактично обробляється контракт, відповідно до інструкцій відкривається відповідний шаблон і список положень.

Тут відповідність залежить від того, наскільки чітко описано призначення. "Обробка файлів" охоплює занадто широкий спектр, тоді як "упорядкування змін у вже існуючому контракті та створення списку для підтвердження" легше визначити за сценарієм використання. Для великих команд робота з підтримки бібліотеки навичок також включає об'єднання повторюваних навичок, очищення недійсних етапів та пояснення, як сусідні процеси розподіляють обов'язки.

Довідкові матеріали також потрібно розділити. Звичайні вимоги розміщуються в основній інструкції, а довгі юридичні статті, шаблони клієнтів або технічні документи читаються за потребою. Це може зменшити час, який модель витрачає на пошук між великою кількістю матеріалів, а також полегшити оновлення певної частини контенту, не копіюючи весь процес знову.

Коли процесу потрібно виконати скрипт, також потрібно перевірити, чи є відповідні інструменти в середовищі виконання. Наприклад, якщо навичка вимагає перетворення таблиці на графік, фактичне виконання все ще потребує доступної програми для обробки даних, шрифтів та місця виводу. Пакет навичок описує метод, платформа відповідає за надання умов виконання, і обидва повинні бути підключені перед використанням.

Отже, міжплатформену міграцію найкраще тестувати з невеликої групи реальних завдань. Коли одна й та ж навичка переноситься на інший AI інструмент, шляхи до файлів, доступні інтерфейси, способи затвердження та формати виводу можуть змінитися. Записуючи ці відмінності, команда може поступово сформувати справжню бібліотеку навичок, що підлягає повторному використанню.

Читання за потребою дозволяє управляти звичайними методами та детальними довідковими матеріалами окремо.

▌ 3. Ця передача змінила, хто підтримує правила

Agent Skills спочатку виникли з практики продуктів Anthropic, після запуску в жовтні 2025 року, у грудні того ж року були опубліковані як відкритий стандарт. У цьому оголошенні зазначається, що вже понад 70 платформ агентів підтримують цей формат. Це число відображає ситуацію з доступом до екосистеми, оголошену постачальниками, фактичні результати використання все ще потрібно спостерігати в контексті конкретних завдань.

Зі збільшенням кількості учасників зміни формату вплинуть на більше команд. Як пояснюється одне поле, чи нова версія сумісна зі старими навичками, чи може платформа додати свої розширення — все це може вплинути на робочі процеси, які підприємства вже накопичили. Після передачі проекту AAIF ці питання отримали організаційну основу для спільного обговорення та підтримки.

Anthropic оголосила, що інженери з кількох компаній братимуть участь у підтримці як приватні особи, а головними кураторами будуть Девід Сорія Пара та Махеш Мураг. Для використання стандарту або внесення внесків не потрібно спочатку ставати членом фонду. Проект також пропонує напрямки для подальших дій, такі як випуск версій, формальні процеси пропозицій та безпекові вказівки.

Для корпоративних користувачів управління версіями особливо важливо. Навичка, підтверджена командою, повинна вказувати, на яку версію специфікації, яку версію шаблону та які інструменти вона покладається. Після оновлення, якщо виникають проблеми, також повинні бути способи повернутися до попередньої версії, яка працювала нормально, а не покладатися на записи чату для відновлення старих вимог.

Для розробників платформ спільна підтримка допомагає зменшити повторне проектування. Різні платформи можуть надавати інструменти для завантаження, перевірки та управління навколо однієї й тієї ж структури файлів, а потім продовжувати вдосконалювати свій досвід продукту. Вже існуючі матеріали підприємств також легше зберігати, а витрати на міграцію зосереджуються на адаптації середовища та перевірці результатів.

Ефект стандартного управління поступово проявлятиметься в повсякденному обслуговуванні. Хто обробляє проблеми, як обговорюються зміни, як повідомляються дефекти безпеки, як довго зберігаються старі версії — це все те, що користувачі можуть реально відчути. З реалізацією дорожньої карти підприємства можуть відповідно коригувати частоту оновлень своїх внутрішніх навичок та способи затвердження.

Схема генерації AI

▌ 4. З'єднання інструментів та організація процесів мають свої функції

Говорячи про інфраструктуру агентів, ще однією часто згадуваною назвою є MCP, тобто протокол контексту моделі. Він допомагає AI-додаткам з'єднувати зовнішні інструменти та джерела даних. Agent Skills більше підходить для збереження кроків та досвіду виконання певного типу роботи, обидва можуть використовуватися разом у одному завданні.

Знову ж таки, в прикладі редакційної роботи AI підключається до інструментів для читання статей з бази даних, а через навички дізнається, які джерела є пріоритетними, як записувати результати перевірки, коли переходити до написання. Перший надає доступний контент і дії, другий організовує методи виконання завдань.

Ця розподільча модель також підходить для обслуговування клієнтів. Інструменти відповідають за запити на замовлення, читання статусу доставки, створення робочих замовлень; інструкції навичок вказують, що спочатку перевіряти при різних проблемах, як визначити шлях обробки, які запити потребують ручного втручання. Підприємства можуть окремо оновлювати системні інтерфейси та правила обслуговування, не перетворюючи кожну корекцію процесу на розробку програмного забезпечення.

У юридичній роботі навички можуть зберігати порядок перевірки контрактів, класифікацію положень та формат виводу коментарів. Під час виконання все ще потрібно читати поточний контракт, застосовні закони та вимоги клієнта. Команда повинна розділити стабільні методи та факти, що змінюються, щоб уникнути перенесення конкретних висновків з попереднього проекту на нові питання.

Це також стосується оновлення знань. Дати застосування, регіони та версії документів повинні зберігатися разом із довідковими матеріалами. Після зміни політики, куратори можуть замінити відповідні файли та перевірити, які навички їх цитували. Для команд, що займаються регуляторними дослідженнями та юридичними послугами, це легше контролювати поширення помилок, ніж просто накопичувати велику кількість документів.

Бібліотека навичок також має організаційне призначення: дозволити новачкам бачити, як досвідчені співробітники виконують роботу. Багато процесів раніше існували лише в особистому досвіді, і під час передачі їх можна було пояснити лише усно. Процес організації навичок спонукає команду записувати етапи, які легко помилитися, виняткові ситуації та методи прийняття, щоб їх могли використовувати як люди, так і AI.

MCP та Agent Skills можуть співпрацювати в одному завданні.

▌ 5. Встановлення навичок також є введенням нових робочих залежностей

Пакет навичок може містити як звичайні інструкції, так і скрипти, зовнішні посилання та вимоги до виклику інструментів. Як тільки він вибраний AI, це може вплинути на читання файлів, передачу даних та фактичні операції. Тому підприємства, які впроваджують зовнішні навички, повинні одночасно перевіряти джерела контенту та права на виконання.

Навичка, яка, здавалося б, призначена для упорядкування рахунків, може вимагати доступу до всього каталогу документів; скрипт для створення звіту може підключатися до зовнішнього сервера. Перевіряючі повинні знати, як ці доступи пов'язані з завданнями, чи можна звузити обсяг, і де зберігаються записи виконання. Обмеження прав доступу до фактично необхідних файлів та інструментів може зменшити вплив помилкових операцій.

OWASP у своїх рекомендаціях щодо ризиків ін'єкції підказок обговорює питання зміни поведінки моделей через зовнішній контент. Коли AI читає веб-сторінки, документи або інші матеріали, він може натрапити на вбудовані інструкції. Якщо цей контент буде виконано як надійний запит, модель може відхилитися від завдання, яке спочатку було поставлено користувачем.

Використання навичок також може стикатися з такими проблемами. Команда повинна перевіряти самі навички, а також забезпечити, щоб середовище виконання розрізняло робочі вимоги та зовнішні матеріали. Операції, такі як платежі, надсилання електронних листів, зміна виробничих систем, повинні мати належний ручний контроль, а доступ до документів та мережі має контролюватися фактичними системами виконання, щоб уникнути покладання лише на текст для підтримки меж.

Поточне поле allowed-tools у специфікаціях все ще позначене як експериментальне, і його підтримка залежить від конкретної платформи. Тому компанії можуть вказувати необхідні інструменти в описі навичок, а також перевіряти реальний доступ у налаштуваннях платформи. Під час тестування слід спостерігати за записами викликів інструментів, щоб підтвердити, що процес виконання відповідає дизайну.

При впровадженні зовнішніх навичок також потрібно окремо перевіряти ліцензії на використання. Специфікація дозволяє авторам заповнювати поле license або вказувати на ліцензійний документ, але це поле не є обов'язковим. Команда повинна підтвердити, як можна використовувати код, шаблони та супутні матеріали, зберігаючи ліцензії та відповідні версії; у разі відсутності ліцензійних пояснень, спочатку слід зв'язатися з автором для підтвердження, а потім включити це в внутрішні процеси.

Оновлення зовнішніх навичок також повинні бути задокументовані. Команда може спочатку закріпити використання вже перевірених версій, а потім регулярно оцінювати зміст оновлень. Якщо якась навичка раптово додає дії в мережі, залежить від нових програм або вимагає більших прав, то підтримувач має можливість зрозуміти зміни до запуску, а не чекати, поки з'являться аномалії, щоб їх розслідувати.

Для установ, які мають багато клієнтських даних, також потрібно перевірити, чи містять шаблони та приклади в навичках конфіденційну інформацію. Коли внутрішній досвід організовується в публічні навички, конкретні назви клієнтів, фрагменти контрактів та особисті дані повинні бути оброблені. Публічні процеси та внутрішні матеріали можуть зберігатися окремо, щоб зменшити ймовірність випадкового розповсюдження цілого проектного файлу.

▌ Шість, компанії можуть спочатку організувати повторювану роботу

Створення бібліотеки навичок може початися з частих, чітко визначених завдань, які легко перевірити. Наприклад, складання щотижневих звітів, архівування коментарів до контрактів, створення списків справ для засідань або підготовка пакету рецензій статей у фіксованому форматі. Команда спочатку повинна чітко описати існуючі практики, а потім дати AI виконати кілька раундів, що зазвичай легше, ніж намагатися охопити всі бізнес-процеси з самого початку.

Під час підготовки матеріалів можна відштовхуватися від останньої успішної доставки. Які дані були введені, які матеріали перевірив співробітник, які кроки були виконані, і як в кінці визначити, що результат можна доставити. Після того, як реальний процес буде оформлений, слід додати способи обробки помилок, і навичка отримає надійну основу.

Тестові матеріали також повинні містити поширені винятки. Відсутні сторінки контракту, недійсні посилання, невідповідність полів таблиці, відсутність записів про авторизацію зображень — ці ситуації безпосередньо впливають на доставку. Команда повинна спостерігати, чи може AI виявити прогалини, зберегти вже досягнуті результати та пояснити наступні кроки, а не продовжувати генерувати, здавалося б, повний документ за недостатніх умов.

Оцінка може бути зосереджена на фактичному обсязі роботи: скільки ручних доповнень потрібно для виконання одного й того ж завдання, які помилки повторюються, чи є документи повними, чи можна стабільно покращити після редагування. Зберігання невеликої кількості репрезентативних завдань та результатів дозволить повторно виконати їх після оновлення навички або моделі, щоб визначити, чи підходять нові комбінації для бізнесу.

Визначення відповідальності також має бути чітким. Хто може змінювати кроки, хто перевіряє юридичні або бізнес-основи, хто вирішує, коли нова версія буде введена в експлуатацію, повинні бути чітко визначені. Навички, що стосуються кількох відділів, можуть зберігати спільні записи рецензування; навички, що використовуються лише для особистої організації, можуть мати більш легкий спосіб управління.

Команда також може домовитися про простий формат запису змін: які проблеми виникли в цьому раунді, які кроки були змінені, яке завдання було використано для перевірки. Таким чином, причини нових вимог можуть бути зрозумілі наступним особам, які їх приймуть. Довгий час не використовувані, повторювані з іншими навичками або залежні від вже застарілих інструментів матеріали також можуть бути очищені під час регулярних перевірок, щоб уникнути накопичення в бібліотеці навичок, що призводить до уповільнення виконання.

Коли одна й та ж навичка обслуговує кількох клієнтів, загальні кроки та переваги клієнтів слід зберігати окремо. Загальна частина визначає, як перевіряти та доставляти, а частина клієнта записує назви, формати та специфічні вимоги до затвердження. При початку нового проекту завантажуються лише відповідні дані клієнта, а під час оновлення загальних процесів перевіряється їх вплив на існуючі проекти. Така організація допомагає підтримувати послідовність методів і зменшує ймовірність помилкового використання даних іншого клієнта.

Після успішного проходження одного раунду тестування, підтримувач може зберегти версію навички, версію шаблону, зразки приймання та відомі обмеження. Наступного разу, коли оновлюється модель або інструменти, спочатку слід повторно запустити цю групу зразків: чи є документи повними, чи є права відповідними, чи виконуються ключові кроки перевірки. Якщо виникають відмінності, можна виявити етапи, які потрібно відкоригувати, а повсякденна робота матиме стабільну версію, до якої можна повернутися.

Підтримка навичок може використовувати невелику кількість реальних завдань для постійної перевірки ефективності.

Ця стаття призначена лише для юридичних, політичних та галузевих досліджень, має на меті об'єктивний аналіз цифрових фінансів, стабільних монет, цифрових активів та відповідних регуляторних динамік і не є інвестиційною порадою, юридичною думкою, податковою порадою або іншою професійною порадою, а також не є рекомендацією, рекламою чи залученням будь-яких фінансових продуктів, цифрових активів або комерційних проектів. Регуляторні правила, ринкові дані та інформація про установи, що згадуються в статті, в основному походять з відкритих джерел і можуть змінюватися через зміни в законодавстві, регуляторній політиці, ринковому середовищі та прогресі проектів, тому читачі повинні самостійно оцінювати, спираючись на останню відкриту інформацію, і дотримуватися відповідних законів і норм у своїй країні чи регіоні. Автор та платформа публікації не несуть відповідальності за будь-які інвестиційні, торгові або інші комерційні рішення, що виникають внаслідок покладання на зміст цієї статті.