Skill Agen (Agent Skills)

• Skill Agen adalah format terbuka untuk menambahkan fungsi baru dan keahlian khusus ke agen kecerdasan buatan
• Dikembangkan oleh Anthropic lalu dirilis sebagai standar terbuka, dan kini diadopsi oleh berbagai produk agen
• Skill berbentuk folder yang terdiri dari instruksi, skrip, dan sumber daya, yang dapat dijelajahi agen agar bekerja lebih akurat dan efisien
• Mendukung keahlian domain, ekspansi fungsi baru, workflow yang dapat diulang, dan interoperabilitas
• Perusahaan dan pengembang dapat mewujudkan penggunaan ulang pengetahuan organisasi dan otomatisasi distribusi melalui ini

---

Ikhtisar

• Agent Skills adalah format sederhana dan terbuka untuk memberi agen kemampuan dan keahlian baru
• Setiap skill disusun sebagai folder yang berisi perintah, skrip, dan sumber daya, sehingga agen dapat memuatnya untuk meningkatkan akurasi dan efisiensi kerja

Mengapa Agent Skills

• Agen makin kuat, tetapi masih ada masalah kekurangan informasi konteks untuk menjalankan pekerjaan nyata secara andal
• Skill menyediakan pengetahuan prosedural serta konteks spesifik organisasi, tim, dan pengguna agar bisa dimuat saat dibutuhkan
• Agen yang memiliki skill dapat memperluas kemampuannya sesuai tugas
• Pembuat skill dapat mendistribusikan fungsi yang sekali dibangun ke banyak produk agen
• Agen yang kompatibel memungkinkan pengguna langsung menambahkan fungsi baru
• Tim dan perusahaan dapat menyimpan pengetahuan organisasi sebagai paket portabel yang dapat dikelola versinya

Apa yang Bisa Dilakukan dengan Agent Skills

• Keahlian domain: mengemas pengetahuan khusus seperti peninjauan hukum atau analisis data menjadi instruksi yang dapat digunakan ulang
• Fungsi baru: menambahkan beragam kemampuan seperti pembuatan presentasi, pembangunan server MCP, atau analisis dataset
• Workflow yang dapat diulang: mengubah tugas multi-tahap menjadi proses yang konsisten dan dapat diaudit
• Interoperabilitas: skill yang sama dapat digunakan ulang di berbagai produk agen yang kompatibel

Status Adopsi

• Agent Skills didukung oleh berbagai alat pengembangan AI
• Contohnya meliputi 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, dan lainnya

Pengembangan Terbuka

• Format Agent Skills pertama kali dikembangkan oleh Anthropic dan dipublikasikan sebagai standar terbuka
• Sejak itu berbagai produk agen telah mengadopsinya, dan format ini membuka peluang kontribusi dari seluruh ekosistem
• Format dan contoh skill dapat dilihat melalui repositori GitHub

Memulai

• Di halaman “What are skills?” Anda dapat mempelajari struktur dan cara kerja skill
• Di “Specification” Anda dapat melihat spesifikasi format file SKILL.md
• Melalui “Integrate skills” Anda dapat menambahkan dukungan skill ke agen atau alat
• Di GitHub Anda dapat menjelajahi contoh skill dan library referensi

[cgl00]

Ada repositori resmi dari anthropic, lalu mengapa proyek seperti ini dibuat oleh pihak ketiga?

[skageektp]

> Agent Skills adalah format terbuka yang dikelola oleh Anthropic dan terbuka untuk kontribusi dari komunitas.

Jadi standar ini dibuat oleh Anthropic ya.

[cgl00]

Ini juga resmi, ya.. Apakah ini berbeda dengan yang ini? https://github.com/anthropics/skills

[skageektp]

Ya, yang Anda kirim itu adalah implementasi
Yang dibagikan di isi artikel adalah spesifikasinya

Kurang lebih seperti
standar untuk sesuatu seperti Docker = OCI
Docker, podman = runtime container yang mengimplementasikan OCI

(bisa jadi saya salah)

[cgl00]

Ah, jadi itu spesifikasi dan implementasinya ya.. terima kasih

[GN⁺]

Opini Hacker News

• Diskusi ini berangkat dari pertanyaan tentang perlunya standardisasi
  Saya pikir inti dari dokumentasi yang baik tetaplah “ditulis agar mudah dibaca manusia”. Rasanya tidak ada alasan kuat untuk memaksakan format baru. Jika peningkatan produktivitas itu nyata, seharusnya bisa dibuktikan lewat studi perbandingan

  • Selain yang sudah disampaikan orang lain, saya melihat standardisasi juga membuka peluang untuk dimanfaatkan dalam pelatihan dan RL
  • Sebenarnya sudah ada eksperimen perbandingan. Seorang karyawan Hugging Face mengatakan bahwa setelah model Qwen3-0.6B di-fine-tune dengan codex + skills, skor humaneval naik +6. Tautannya ada di sini, dan proyeknya ada di huggingface/upskill
  • Sistem ini bukan sekadar dokumentasi sederhana, tetapi membuat indeks semua skills lalu mengirimkannya ke LLM pada setiap percakapan. Dengan begitu, LLM hanya membaca skill saat dibutuhkan. Konsepnya mirip dengan kemudahan menemukan fitur di GUI. Secara pribadi, saya merasa struktur yang berpusat pada README lebih intuitif
  • Saya mengotomatiskan pekerjaan dengan Claude Code dan menghubungkan tiap tugas lewat perintah slash. Pada akhirnya, skills terasa hanya sebagai bentuk lain dari dokumentasi. Dalam jangka panjang, saya rasa paradigma skills akan hilang seiring context window yang makin besar dan kecerdasan model yang meningkat
  • Namun jika melihat model saat ini, Claude berhenti setelah membaca penjelasan skill saja, sehingga penghematan token sangat besar. Pada repositori besar, perbedaannya cukup terasa. Pola seperti ini layak diperkenalkan lebih luas

• Tim kami sukses dengan memperlakukan skills sebagai fungsi semi-deterministik yang dapat digunakan ulang
  Misalnya, skill /create-new-endpoint mencakup seluruh boilerplate seperti pembaruan OpenAPI dan penambahan integration test. Di CLI, cukup memasukkan nomor tiket JIRA dan LLM akan menyelesaikan pekerjaan dengan kualitas yang konsisten

  • Seseorang bertanya, “bagaimana cara menguji konsistensi seiring waktu?”

• Ada usulan untuk menstandardisasi struktur folder

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

  • Memang belum standar, tetapi sebagian besar alat CLI memindai file .md lalu mengeksekusinya. Meski begitu, akan bagus jika ada standardisasi terpadu yang juga mencakup plugin
  • Katanya Codex yang memulai dan OpenCode langsung menyusul. Tweet terkait
  • Diskusi ini juga sedang berlangsung di agentskills/agentskills#15
  • Ada yang berpendapat, “masih terlalu dini, standardisasi justru bisa membatasi kreativitas”
  • Orang lain berargumen bahwa lebih baik mengikuti XDG base spec dan memakai jalur seperti ~/.config/claude. Menurutnya, pendekatan ~/.claude saat ini kurang nyaman

• Ada tip untuk membuat README.md di setiap subfolder dan menautkan skill yang relevan. Ini juga berguna bagi manusia. Tulisan terkait: Claude Skills Considered Harmful

  • Muncul pendapat bahwa “skills pada akhirnya hanyalah README untuk topik tertentu”. Hal-hal yang harus dijelaskan berulang kali cukup dirangkum sebagai skill. Tidak perlu mengikuti folder standar, dan bisa langsung ditambahkan ke context saat diperlukan
  • Orang lain mengatakan bahwa memakai eksekutor perintah seperti just membantu baik untuk manusia maupun agen

• Saya merasa efektif jika skills diperlakukan sebagai workflow eksplisit
  Jika didefinisikan sebagai prosedur lengkap seperti “lakukan X, lalu Y, lalu verifikasi Z”, agen akan mengenalinya sebagai satu mode kerja. Sebaliknya, panduan yang samar mudah diabaikan

  • Ada yang mengatakan ia menerapkan sistem hook ke Claude agar skill tertentu aktif otomatis dalam situasi tertentu. Misalnya, saat menangani file Python, skill terkait dipanggil otomatis
  • Yang lain menyoroti bahwa perbedaan antara skill dan command itu kabur. Jika pada akhirnya keduanya dipakai seperti perintah, apakah pemisahan itu memang perlu?
  • Ada juga yang mengatakan struktur ini mirip catatan Obsidian atau kumpulan perintah CLI
  • Orang lain menekankan bahwa kondisi aktivasi sebuah skill harus ditulis sangat jelas. Di Claude Code, pemanggilan eksplisit seperti /foo dimungkinkan, jadi ia lebih menyukai cara itu

• Ada yang melihat bahwa lewat skills, pengetahuan domain yang implisit bisa didokumentasikan. Aturan yang tadinya hanya ada di kepala developer bisa dicatat dan dipakai ulang untuk pelatihan LLM

• Muncul pertanyaan, “apakah agen tidak akan memakai skills jika tidak diminta?”

  • Banyak orang mengalami masalah yang sama. Model saat ini belum dilatih dengan RLVR berbasis skills, sehingga masih bingung. Model generasi berikutnya (misalnya Opus) diharapkan akan memakai skills dengan jauh lebih stabil
  • Dalam evaluasi Vercel juga disebutkan bahwa pada 56% kasus, skill tidak dipanggil. Sebagai gantinya, pendekatan AGENTS.md dilaporkan lebih efektif di cakupan yang lebih luas. Blog terkait
  • Pengguna Codex mengatakan bahwa jika direktori skill dicantumkan di AGENTS.md, hasilnya cukup bagus. Namun makin banyak skills, makin besar kemungkinan konflik, jadi sebaiknya tetap sederhana
  • Ada juga yang mengatakan ia hampir tidak bisa memanfaatkan skills, dan justru lebih akurat jika isi skill langsung dimasukkan ke AGENTS.md

• Di skills.sh, skill terpopuler ketiga ternyata hanya berupa tautan unduhan perintah. File seperti SKILLS.md/AGENTS.md/COMMANDS.md pada akhirnya hanyalah kumpulan prompt, dan jika dipakai dengan buruk bisa berbahaya

  • Namun ada yang menanggapi bahwa pada akhirnya yang penting adalah penggunaan yang bertanggung jawab

• Seseorang yang sedang mengembangkan bahasa pemrograman baru mengatakan bahwa ia memakai AGENTS.md dan SKILLS agar LLM dapat memahami bahasa yang belum pernah dipelajari model. Berkat standardisasi, integrasi alat menjadi lebih mudah

• Nilai sebenarnya bukan pada format, melainkan pada progressive disclosure
  Jika semua instruksi ditumpuk dalam satu dokumen, token akan terbuang percuma. Pola skills memungkinkan detail dipanggil hanya pada saat dibutuhkan. Standardisasi terutama berguna untuk distribusi dan penggunaan ulang

  • Menanggapi hal ini, pengembang proyek MOOLLM menjelaskan bahwa ia telah memperluasnya dengan konsep Semantic Image Pyramid.
    GLANCE.yml → CARD.yml → SKILL.md → README.md menerapkan perincian bertahap secara progresif.
    GLANCE terdiri dari 5~70 baris dan hanya menilai “apakah ini relevan?”, CARD mendefinisikan antarmuka, SKILL berisi prosedur nyata, dan README adalah penjelasan untuk manusia.
    INDEX.md dikatakan memiliki tingkat kompresi lebih dari 80% dibanding INDEX.yml dan memberikan struktur naratif.
    Tautan terkait: INDEX.yml, INDEX.md
    Selain itu, lewat struktur sniffable-python, API bisa dipahami hanya dengan membaca 50 baris teratas kode.
    Referensi terkait: penjelasan Semantic Image Pyramid, sister-script, README sniffable-python, SKILL sniffable-python