एजेंट स्किल्स (Agent Skills)

 (agentskills.io)
35 पॉइंट द्वारा GN⁺ 2026-02-04 | 6 टिप्पणियां | WhatsApp पर शेयर करें
  • Agent Skills AI एजेंट्स में नई क्षमताएँ और विशेषज्ञ ज्ञान जोड़ने के लिए एक open format है
  • Anthropic द्वारा विकसित किए जाने के बाद इसे open standard के रूप में जारी किया गया, और कई एजेंट प्रोडक्ट्स इसे अपना रहे हैं
  • स्किल्स निर्देश, scripts, resources से बने फ़ोल्डर के रूप में होती हैं, जिन्हें एजेंट खोजकर अधिक सटीक और कुशल तरीके से काम करता है
  • यह domain expertise, नई functionality का विस्तार, दोहराए जा सकने वाले workflows, और interoperability को सपोर्ट करती हैं
  • कंपनियाँ और डेवलपर्स इसके जरिए संगठनात्मक ज्ञान के पुन: उपयोग और deployment automation को संभव बना सकते हैं

अवलोकन

  • Agent Skills एजेंट्स को नई क्षमताएँ और विशेषज्ञता देने के लिए एक सरल और खुला format है
  • हर skill commands, scripts, resources वाले एक फ़ोल्डर से बनी होती है, जिसे एजेंट लोड करके काम की सटीकता और दक्षता बढ़ाता है

Agent Skills क्यों

  • एजेंट्स लगातार अधिक शक्तिशाली हो रहे हैं, लेकिन वास्तविक काम को भरोसेमंद ढंग से करने के लिए context information की कमी की समस्या बनी रहती है
  • skills procedural knowledge और संगठन, टीम, या उपयोगकर्ता-विशिष्ट context को जरूरत पड़ने पर लोड करने की सुविधा देती हैं
  • skills वाले एजेंट्स काम के अनुसार अपनी क्षमताओं का विस्तार कर सकते हैं
  • skill authors एक बार बनाई गई functionality को कई एजेंट प्रोडक्ट्स में deploy कर सकते हैं
  • compatible agents में उपयोगकर्ता तुरंत नई functionality जोड़ सकते हैं
  • टीम्स और कंपनियाँ अपने संगठन के ज्ञान को version-controlled portable packages के रूप में संरक्षित कर सकती हैं

Agent Skills से क्या किया जा सकता है

  • domain expertise: कानूनी समीक्षा, data analysis जैसी विशेष जानकारी को पुन: प्रयोज्य निर्देशों के रूप में package करना
  • नई functionality: presentation बनाना, MCP server बनाना, dataset analysis जैसी कई क्षमताएँ जोड़ना
  • दोहराए जा सकने वाले workflows: multi-step काम को सुसंगत और audit किए जा सकने वाले process में बदलना
  • interoperability: एक ही skill को कई compatible एजेंट प्रोडक्ट्स में पुन: उपयोग करना

अपनाने की स्थिति

  • Agent Skills को कई AI development tools सपोर्ट करते हैं
  • उदाहरण के तौर पर 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 आदि शामिल हैं

ओपन डेवलपमेंट

  • Agent Skills format को सबसे पहले Anthropic ने विकसित किया और open standard के रूप में जारी किया
  • इसके बाद कई एजेंट प्रोडक्ट्स ने इसे अपनाया है, और यह पूरे ecosystem से contribution की अनुमति देता है
  • GitHub repository के जरिए format और example skills देखे जा सकते हैं

शुरुआत करें

  • “What are skills?” पेज पर skill की संरचना और काम करने का तरीका सीखा जा सकता है
  • “Specification” में SKILL.md फ़ाइल के format specification देखे जा सकते हैं
  • “Integrate skills” के जरिए एजेंट या टूल में skill support जोड़ा जा सकता है
  • GitHub पर example skills और reference library देखी जा सकती हैं

संबंधित पढ़ाई

6 टिप्पणियां

 
cgl00 2026-02-04

Anthropic का official repo मौजूद है, फिर third-party में ऐसे प्रोजेक्ट्स क्यों बनाए जा रहे हैं?
 
skageektp 2026-02-04

Agent Skills एक open format है जिसे Anthropic maintain करता है और community से contributions के लिए open है।

लगता है standard Anthropic ने बनाया है।
 
cgl00 2026-02-04

यह भी official ही है.. https://github.com/anthropics/skills क्या यह उससे अलग है?
 
skageektp 2026-02-04

हाँ, आपने जो भेजा है वह implementation है
मुख्य लेख में जो साझा किया गया है वह Spec है

कुछ-कुछ ऐसे
Docker जैसे किसी चीज़ का standard = OCI
Docker, podman = OCI को implement करने वाले container runtime

(मैं गलत भी हो सकता हूँ)
 
cgl00 2026-02-04

आह, तो यह spec और implementation हैं.. धन्यवाद
 
GN⁺ 2026-02-04
Hacker News की टिप्पणियाँ

  • यह चर्चा मानकीकरण की आवश्यकता पर सवाल से शुरू होती है
    मेरा मानना है कि अच्छे दस्तावेज़ का मूल अब भी यही है कि वह “इंसानों के पढ़ने में आसान” हो। ऐसे में क्या सचमुच कोई नया फ़ॉर्मैट थोपने की ज़रूरत है? अगर प्रोडक्टिविटी में बढ़ोतरी सच में होती है, तो इसे comparative studies से साबित किया जा सकता है

    • दूसरों की बातों के अलावा, मेरा मानना है कि मानकीकरण training और RL में इस्तेमाल के अवसर भी खोलता है
    • वास्तव में comparative experiment हुआ था। एक Hugging Face कर्मचारी ने कहा कि Qwen3-0.6B मॉडल को codex + skills के साथ fine-tune करने पर humaneval स्कोर में +6 का सुधार हुआ। संबंधित लिंक यहाँ है, और प्रोजेक्ट huggingface/upskill में है
    • यह सिस्टम सिर्फ साधारण documentation नहीं है, बल्कि सभी skills का index बनाकर हर बातचीत में LLM को देता है। इससे LLM ज़रूरत पड़ने पर ही skill पढ़ता है। यह GUI में feature discoverability जैसी अवधारणा है। व्यक्तिगत रूप से मुझे README-केंद्रित संरचना ज़्यादा सहज लगती है
    • मैं Claude Code से काम का automation करता हूँ और हर task को slash command से जोड़ रखा है। अंततः skills भी documentation का ही एक और रूप लगते हैं। लंबे समय में context window के विस्तार और model intelligence में सुधार के साथ skills paradigm शायद गायब हो जाएगा
    • लेकिन मौजूदा मॉडलों के हिसाब से देखें, तो Claude skill description तक ही पढ़कर रुक जाता है, इसलिए token बचत का असर काफ़ी बड़ा है। बड़े repositories में यह फ़र्क साफ़ महसूस होता है। इस pattern को व्यापक रूप से साझा करना उपयोगी है

  • हमारी टीम ने skills को पुन: प्रयोज्य अर्ध-नियतात्मक functions की तरह संभाला और अच्छा परिणाम पाया
    उदाहरण के लिए /create-new-endpoint skill में OpenAPI अपडेट करना, integration test जोड़ना आदि सभी boilerplate शामिल हैं। CLI में JIRA ticket number देने पर LLM लगातार एकसमान quality के साथ काम पूरा कर देता है

    • किसी ने पूछा, “समय बीतने पर consistency की जाँच कैसे करते हैं?”

  • folder structure को standardize करने का एक प्रस्ताव था

    .claude/skills
.codex/skills
.opencode/skills
.github/skills
    • यह अभी standard नहीं है, लेकिन ज़्यादातर CLI tools .md फ़ाइलें scan करके चलाते हैं। फिर भी plugins तक शामिल करने वाला एकीकृत standardization अच्छा रहेगा
    • कहा गया कि Codex ने शुरुआत की और OpenCode तुरंत पीछे आया। संबंधित ट्वीट
    • यह चर्चा agentskills/agentskills#15 में भी चल रही है
    • किसी ने कहा, “अभी यह बहुत शुरुआती दौर में है, इसलिए standardization creativity को सीमित कर सकती है”
    • एक अन्य व्यक्ति ने तर्क दिया कि XDG base spec का पालन करते हुए ~/.config/claude जैसे path इस्तेमाल करना बेहतर होगा। मौजूदा ~/.claude तरीका असुविधाजनक बताया गया

  • एक टिप यह थी कि हर subfolder में README.md बनाकर संबंधित skill के links दें। यह इंसानों के लिए भी उपयोगी है। संबंधित लेख: Claude Skills Considered Harmful

    • यह राय भी आई कि “skills आखिरकार किसी खास विषय का README ही हैं।” जिन चीज़ों को बार-बार समझाना पड़ता है, उन्हें skill के रूप में व्यवस्थित किया जा सकता है। standard folder का पालन करना ज़रूरी नहीं, ज़रूरत होने पर सीधे context में जोड़ा जा सकता है
    • किसी और ने कहा कि just जैसे command runner इंसानों और agents दोनों के लिए मददगार हो सकते हैं

  • मेरे लिए skills को स्पष्ट workflow की तरह संभालना प्रभावी रहा
    अगर इसे “X करो, फिर Y करो, फिर Z verify करो” जैसी पूर्ण प्रक्रिया के रूप में परिभाषित किया जाए, तो agent इसे एक mode की तरह पहचानता है। इसके उलट, अस्पष्ट guideline जैसी चीज़ों को नज़रअंदाज़ किए जाने की संभावना ज़्यादा होती है

    • किसी ने कहा कि उसने Claude में एक hook system लागू किया जो खास परिस्थितियों में skill को अपने-आप activate कर देता है। जैसे Python फ़ाइलों के साथ काम करते समय संबंधित skill अपने-आप बुला लिया जाता है
    • किसी और ने इशारा किया कि skill और command के बीच का अंतर धुंधला है। अगर दोनों अंततः command की तरह ही इस्तेमाल होते हैं, तो क्या वास्तव में इनके बीच अलगाव ज़रूरी है?
    • किसी ने कहा कि यह संरचना Obsidian notes या CLI command collection जैसी लगती है
    • एक अन्य व्यक्ति ने ज़ोर दिया कि skill की activation conditions को बहुत स्पष्ट रूप से लिखना चाहिए। Claude Code में /foo जैसी explicit invocation संभव है, इसलिए वह उसी तरीके को पसंद करता है

  • किसी का मानना था कि skills के ज़रिए अंतर्निहित domain knowledge को document किया जा सकता है। डेवलपर के दिमाग़ में मौजूद नियमों को रिकॉर्ड किया जा सकता है, और बाद में उन्हें LLM training में दोबारा इस्तेमाल किया जा सकता है

  • यह सवाल उठा: “अगर agent खुद request न करे, तो क्या वह skills का उपयोग नहीं करता?”

    • कई लोग इसी समस्या का सामना कर रहे हैं। मौजूदा मॉडल skills-आधारित RLVR training पर प्रशिक्षित नहीं हैं, इसलिए वे भ्रमित हो जाते हैं। उम्मीद है कि अगली पीढ़ी के मॉडल (जैसे Opus) skills का इस्तेमाल कहीं अधिक स्थिरता से करेंगे
    • Vercel के evaluation में भी कहा गया कि 56% मामलों में skill call ही नहीं हुआ। इसके बजाय AGENTS.md approach ज़्यादा व्यापक दायरे में प्रभावी रही। संबंधित ब्लॉग
    • Codex इस्तेमाल करने वाले एक व्यक्ति ने कहा कि AGENTS.md में skill directory को स्पष्ट कर देने पर यह काफ़ी अच्छी तरह काम करता है। हालाँकि skills बढ़ने पर conflict की संभावना भी बढ़ती है, इसलिए चीज़ों को सरल रखना बेहतर है
    • किसी और ने कहा कि वह skills का लगभग उपयोग ही नहीं कर पाया; skill की सामग्री सीधे AGENTS.md में डालना उससे अधिक सटीक साबित हुआ

  • कहा गया कि skills.sh पर तीसरा सबसे लोकप्रिय skill सिर्फ़ एक command download link था। ऐसे SKILLS.md/AGENTS.md/COMMANDS.md फ़ाइलें आखिरकार prompts का संग्रह भर हैं, और गलत तरीके से इस्तेमाल होने पर जोखिम पैदा कर सकती हैं

    • लेकिन किसी ने जवाब दिया, “आखिरकार tools में सबसे महत्वपूर्ण चीज़ जिम्मेदार उपयोग है”

  • एक नए programming language पर काम कर रहा व्यक्ति कहता है कि वह AGENTS.md और SKILLS का इस्तेमाल इसलिए करता है ताकि LLM उस भाषा को समझ सके जिस पर उसे train नहीं किया गया। उसके अनुसार standardization की वजह से tool integration आसान हो गया

  • असली मूल्य फ़ॉर्मैट में नहीं, बल्कि progressive disclosure में है
    अगर सभी निर्देश एक ही दस्तावेज़ में ठूँस दिए जाएँ, तो अनावश्यक token खर्च होते हैं। skills pattern ज़रूरत पड़ने पर ही विवरण बुलाने देता है। standardization मुख्यतः distribution और reuse के लिए है

    • इस पर MOOLLM प्रोजेक्ट के डेवलपर ने समझाया कि उन्होंने इसे “Semantic Image Pyramid” अवधारणा तक विस्तारित किया है।
      GLANCE.yml → CARD.yml → SKILL.md → README.md क्रम में प्रगतिशील refinement लागू किया जाता है।
      GLANCE 5~70 पंक्तियों में सिर्फ़ यह तय करता है कि “क्या यह प्रासंगिक है?”, CARD interface definition है, SKILL वास्तविक प्रक्रिया है, और README इंसानों के लिए विवरण है।
      उनका कहना है कि INDEX.md, INDEX.yml की तुलना में 80% से अधिक compression देता है और narrative structure प्रदान करता है।
      संबंधित लिंक: INDEX.yml, INDEX.md
      साथ ही sniffable-python संरचना के ज़रिए कोड की शुरुआती 50 पंक्तियाँ पढ़कर ही API समझी जा सकती है।
      संबंधित सामग्री: Semantic Image Pyramid विवरण, sister-script, sniffable-python README, sniffable-python SKILL