AI Serie Interview 7: Wéi definéiert een e Skill korrekt

1. Kärkonzept vun engem Skill

E Skill ass eng Grupp vun ausféierbaren Eenheeten, déi an engem Agent (Intelligenz) oder AI System agekapselt sinn. Et enthält normalerweis:

• Ausléisebedéngungen: Wéini gëtt et opgeruff (z. B. Benotzerinstruktioun, Systemevent).
• Inputparameter: Daten oder Kontext, déi empfaange musse ginn.
• Ausféierungslogik: Spezifesch Schrëtt fir d'Veraarbechtung (z. B. API opruffen, Code ausféieren, Wëssensdatenbank froen).
• Outputresultat: Äntwert oder Aktioun, déi un den Opruffer zeréckginn gëtt.

2. Schrëtt fir e Skill korrekt ze definéieren

1. Numm a Beschreiwung vum Skill festleeën

• Numm: Kuerz, eenzegaarteg, semantesch (z. B. search_web, send_email).
• Beschreiwung: Mat engem Saz d'Funktioun vum Skill erklären, fir datt den Agent automatesch matcht.

2. Inputparameter definéieren (Input Schema)

Mat JSON Schema oder ähnlechem Format, fir all Parameter Typ, Obligatoreschkeet, Standardwert a Contrainte festzeleeën.

{
  "type": "object",
  "properties": {
    "query": {
      "type": "string",
      "description": "Sichbegrëff",
      "required": true
    },
    "max_results": {
      "type": "integer",
      "description": "Maximal Unzuel vun Resultater",
      "default": 10
    }
  }
}

3. Ausféierungslogik schreiwen (Execution Logic)

• Deterministesch Logik: Direkt Funktioun, API oder Datebank opruffen.
• Net-deterministesch Logik: Mat LLM Äntwerten generéieren (mat Prompt Template).
• Feelerbehandlung: Timeout, Retry, Degradatiounsstrategie definéieren.

4. Outputformat definéieren (Output Schema)

Och mat JSON Schema déi zeréckginn Datenstruktur beschreiwen.

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

5. Metadaten dobäisetzen (Metadata)

• Versiounsnummer: Fir iterativ Gestioun.
• Auteur/Verantwortlechen: Verantwortlechkeet.
• Ofhängegkeeten: Extern Servicer oder Bibliothéiken, déi gebraucht ginn.
• Aschränkungen: Wéi Frequenzlimit, Permissiounen.

3. Beispill: Eng komplett Skill-Definitioun

name: "weather_query"
description: "Aktuellt Wieder fir eng Stad ofroen"
version: "1.0.0"
author: "AI Team"

input:
  type: object
  properties:
    city:
      type: string
      description: "Numm vun der Stad, z. B. 'Lëtzebuerg'"
      required: true
    unit:
      type: string
      enum: ["celsius", "fahrenheit"]
      default: "celsius"

execute:
  - step: "Wieder-API opruffen"
    api: "https://api.weather.com/v1/current"
    method: "GET"
    params:
      city: "{input.city}"
      unit: "{input.unit}"
  - step: "Resultat formatéieren"
    format: "Aktuell Temperatur zu {city} ass {temperature}°{unit}"

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

4. Bescht Praktiken

• Eenzel Verantwortung: All Skill mécht nëmmen eng Saach, vermeit Iwwerkupplung.
• Selbststänneg: Sou wéineg wéi méiglech vun externe globale Statiwwen ofhänken, Input = Output.
• Testbar: Mock-Daten oder Sandbox-Ëmfeld fir Unittesten.
• Dokumentéiert: Fir all Skill eng Gebrauchsanweisung a Beispiller schreiwen.

Mat dëse Methoden definéiert Skills kënne souwuel vum AI Agent dynamesch geplangt wéi och vun Entwéckler direkt an de System integréiert ginn, fir e "Schreif eemol, benotz iwwerall"-Wiederverwendungseffekt.