Så använder du Agent Skills

Agent Skills är ett av de mest effektiva sätten att använda LLM:er. De ger rätt kontext för uppgiften du vill lösa, på ett sätt som går att upprepa.

Och det bästa av allt?

Företag skriver dessa skills åt dig, så allt du behöver göra är att använda dem i dina workflows. I den här guiden visar jag hur du kan dra nytta av dessa skills för att skapa funktionersom faktiskt fungerar.

Vad är Skills?

En “Skill” är en mapp med markdown-filer om hur man gör en specifik uppgift. Huvudfilen för skillen måste hetaSKILL.md, och innehållet i den här filen kan vara vad du vill, så länge frontmatter innehåller ett name- och description-fält. (Det finns andravalfria frontmatter-fält som du hittar här.)

Det rekommenderas att denna huvudfil,SKILL.md är under 500 rader.

I den här mappen kan du ha annan information, som kan refereras frånSKILL.md-filen, men bara laddas in i kontexten när det behövs. Den här informationen ska sparas i följande mappar:

1. scripts/ - Körbar kod som agenter kan använda.
2. references/ - Fler markdown-filer som kan användas som extra dokumentation vid behov.
3. assets/ - Statiska resurser agenten kan använda.

Vad gör Skills speciella?

Ett av de största problemen när man använder AI ärContext Bloat.Context bloat är när du ger AI:n så mycket kontext (alltså information) att den får svårt att lösa uppgiften.

Tänk dig att ge en junior utvecklare exakt rätt dokumentation för en specifik funktion och inget irrelevant. Efter att ha läst dokumentationen skulle de ha stor chans att lyckas implementera den.

Tänk dig nu att be den juniora utvecklaren läsa ALL dokumentation. Sedan, efter att ha läst allt, implementera en specifik funktion från en liten del av dokumentationen. Chansen att lyckas skulle vara mycket lägre.

LLM:er fungerar på samma sätt.

Tidigare metoder, som MCP, försökte lösa detta genom att ladda in stora mängder strukturerad kontext i modellen. Det fungerade bättre än att inte ha någon kontext alls, men det var ändå svårt att lösa uppgifter konsekvent.

Skills fungerar annorlunda.

Som standard laddas bara name och description från frontmatter in i kontextfönstret. Det tar väldigt lite plats, men ger LLM:en information om vilka typer av skills som finns. När en Skill anses vara användbar laddasSKILL.mdin i kontextfönstret. Och först när det behövs laddas övriga filer i scripts/-, references/- och assets/-mapparna in i kontexten.

Så, hur använder du dessa Skills?

skills.sh

Beroende på vilket LLM-gränssnitt du använder kan de laddas ner och sparas på rätt plats för den applikationen. Till exempel:

Skills är bara mappar med filer, så du kan kopiera och klistra in dem i dessa kataloger och allt fungerar.

Ett annat alternativ är att användaskills.sh.

Det här är en Agent Skills Directory byggd av Vercel där du kan hitta Skills baserat på hur ofta de används. Du kan också använda ett CLI-verktyg de tagit fram för att lägga till dessa skills i dina projekt eller för dig som användare.

För att göra detta, kör kommandotnpx skills add <ägare/repo>, så guidar det dig genom hela processen. Kommandot är egentligen bara en snabb kopiera-klistra in, men det går fortare.

Använda Skills

När du har installerat dem (antingen viaskills.sheller genom att kopiera och klistra), är det väldigt enkelt att använda dem. Oavsett vilken editor du använder ska denautomatisktanvända skillen när den tror att det är till hjälp. I teorin, när du har lagt in skillen på rätt plats, behöver du inte tänka mer på det.

MEN, just nu när detta skrivs används inte alltid Skills vid rätt tillfälle. Så om du vet att en skill borde användas, säg det till LLM:en.

Till exempel har jag installerat speech-to-text-skills från ElevenLabs. Om jag vill att Claude ska använda den kan jag skicka följande prompt:

Använd speech to text-skillen för att implementera ett enkelt exempel i det här projektet. Använd detta som ljudfilhttps://storage.googleapis.com/eleven-public-cdn/audio/marketing/nicole.mp3.

Den lyckades skapa appen nedan direkt.

Självklart behöver det här gränssnittet förbättras, men själva ElevenLabs-logiken fungerar och är på plats. Allt med en enda mening.

Jag rekommenderar verkligen att använda Agent Skills i dina projekt. Det ger din LLM rätt kontext för en specifik uppgift, utvald av dem som byggde verktygen från början.

Och om du använder ElevenLabs i dina projekt, installera våra skills med:

npx skills add elevenlabs/skills