AI სერიის ინტერვიუ 7: როგორ განვსაზღვროთ Skill სტანდარტულად

一、Skill-ის ძირითადი კონცეფცია

Skill არის აგენტის (Agent) ან AI სისტემის მიერ შეფუთული შესრულებადი შესაძლებლობების ერთეული. ის ჩვეულებრივ მოიცავს:

• გამოძახების პირობა: როდის გამოიძახება (მაგ., მომხმარებლის ინსტრუქცია, სისტემური მოვლენა).
• შეყვანის პარამეტრები: მონაცემები ან კონტექსტი, რომელიც უნდა მიიღოს.
• შესრულების ლოგიკა: კონკრეტული დამუშავების ნაბიჯები (მაგ., API-ს გამოძახება, კოდის გაშვება, ცოდნის ბაზის მოთხოვნა).
• გამომავალი შედეგი: პასუხი ან მოქმედება, რომელიც უბრუნდება გამომძახებელს.

二、Skill-ის სტანდარტული განსაზღვრის ნაბიჯები

1. Skill-ის სახელისა და აღწერის განსაზღვრა

• სახელი: მოკლე, უნიკალური, სემანტიკური (მაგ., search_web, send_email).
• აღწერა: ერთი წინადადებით ახსენით Skill-ის ფუნქცია, რათა აგენტმა ავტომატურად შეძლოს შესაბამისობის დადგენა.

2. შეყვანის პარამეტრების განსაზღვრა (Input Schema)

გამოიყენეთ JSON Schema ან მსგავსი ფორმატი, რათა მკაფიოდ განსაზღვროთ თითოეული პარამეტრის ტიპი, სავალდებულოობა, ნაგულისხმევი მნიშვნელობა და შეზღუდვები.

{
  "type": "object",
  "properties": {
    "query": {
      "type": "string",
      "description": "საძიებო სიტყვა",
      "required": true
    },
    "max_results": {
      "type": "integer",
      "description": "მაქსიმალური დაბრუნებული შედეგების რაოდენობა",
      "default": 10
    }
  }
}

3. შესრულების ლოგიკის დაწერა (Execution Logic)

• დეტერმინისტული ლოგიკა: ფუნქციის, API-ს ან მონაცემთა ბაზის პირდაპირი გამოძახება.
• არადეტერმინისტული ლოგიკა: LLM-ის გამოყენება პასუხის გენერირებისთვის (საჭიროა prompt-ის შაბლონის მიწოდება).
• შეცდომების დამუშავება: განსაზღვრეთ ტაიმაუტი, ხელახალი მცდელობა, დეგრადაციის სტრატეგია.

4. გამომავალი ფორმატის განსაზღვრა (Output Schema)

ასევე გამოიყენეთ JSON Schema დაბრუნებული მონაცემთა სტრუქტურის აღსაწერად.

{
  "type": "object",
  "properties": {
    "results": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "title": { "type": "string" },
          "url": { "type": "string", "format": "uri" }
        }
      }
    }
  }
}

5. დამატებითი მეტამონაცემები (Metadata)

• ვერსია: იტერაციული მართვისთვის.
• ავტორი/მომწესრიგებელი: პასუხისმგებლობის მინიჭება.
• დამოკიდებულებები: საჭირო გარე სერვისები ან ბიბლიოთეკები.
• გამოყენების შეზღუდვები: მაგ., სიხშირის ლიმიტი, ნებართვის მოთხოვნები.

三、მაგალითი: Skill-ის სრული განსაზღვრა

name: "weather_query"
description: "მიმდინარე ამინდის მოთხოვნა ქალაქის სახელის მიხედვით"
version: "1.0.0"
author: "AI Team"

input:
  type: object
  properties:
    city:
      type: string
      description: "ქალაქის სახელი, მაგ. 'თბილისი'"
      required: true
    unit:
      type: string
      enum: ["celsius", "fahrenheit"]
      default: "celsius"

execute:
  - step: "ამინდის API-ს გამოძახება"
    api: "https://api.weather.com/v1/current"
    method: "GET"
    params:
      city: "{input.city}"
      unit: "{input.unit}"
  - step: "შედეგის ფორმატირება"
    format: "ამჟამად {city}-ში ტემპერატურაა {temperature}°{unit}"

output:
  type: object
  properties:
    temperature:
      type: number
    condition:
      type: string
    humidity:
      type: number

四、საუკეთესო პრაქტიკა

• ერთი პასუხისმგებლობა: თითოეული Skill აკეთებს მხოლოდ ერთ საქმეს, მოერიდეთ ზედმეტ დაკავშირებას.
• თვითშემცველი: შეძლებისდაგვარად არ იყოს დამოკიდებული გარე გლობალურ მდგომარეობაზე, შეყვანა-გამომავალი.
• ტესტირებადი: მიაწოდეთ mock მონაცემები ან sandbox გარემო ერთეულოვანი ტესტირებისთვის.
• დოკუმენტირებული: თითოეული Skill-ისთვის დაწერეთ გამოყენების ინსტრუქცია და მაგალითები.

ზემოთ აღწერილი მეთოდით განსაზღვრული Skill შეიძლება გამოყენებულ იქნას როგორც AI აგენტის მიერ დინამიკურად, ასევე დეველოპერების მიერ პირდაპირ ინტეგრირებულ იქნას სისტემაში, რაც უზრუნველყოფს "ერთხელ დაწერე, ყველგან გამოიყენე" ხელახლა გამოყენების ეფექტს.