Εξόρυξη Δεξιοτήτων: Από 3.500 Υποψήφιες σε 466 Ικανότητες
> Ελέγξαμε 3.500 υποψήφιες δεξιότητες και υιοθετήσαμε 466. Ένας συστηματικός βρόχος εξόρυξης και ενσωμάτωσης για τη δημιουργία μιας συνεκτικής βιβλιοθήκης δεξιοτήτων πρακτόρων AI σε κλίμακα.
Οι αριθμοί σε αυτή την ανάρτηση αντικατοπτρίζουν το σύστημα κατά τη δημοσίευση (Ιανουάριος 2026). Δείτε τη σελίδα ομάδας μας για τα τρέχοντα στοιχεία.
Το Πρόβλημα των 3.500 Δεξιοτήτων
Όταν ξεκινήσαμε να χτίζουμε ένα σύστημα ενορχήστρωσης πρακτόρων, αντιμετωπίσαμε μια ενδιαφέρουσα πρόκληση: υπάρχουν χιλιάδες πιθανές δεξιότητες διάσπαρτες σε όλο το οικοσύστημα AI. Αποθετήρια GitHub, τεκμηρίωση προμηθευτών, έργα κοινότητας, εσωτερικά μοτίβα — οι δεξιότητες υπάρχουν παντού. Όμως ποιες έχουν σημασία; Ποιες λειτουργούν; Και πώς διατηρείς μια συνεκτική βιβλιοθήκη δεξιοτήτων που οι πράκτορες μπορούν πράγματι να χρησιμοποιήσουν;
Η απάντησή μας: ένας συστηματικός βρόχος εξόρυξης και ενσωμάτωσης.
Οι Αριθμοί Σήμερα
Μόλις λίγο πάνω από τρεις μήνες αφότου η Anthropic κυκλοφόρησε τα Agent Skills στις 16 Οκτωβρίου 2025, να πού βρισκόμασταν όταν δημοσιεύτηκε αυτή η ανάρτηση, στις 27 Ιανουαρίου 2026:
| Μετρική | Αριθμός |
|---|---|
| Υποψήφιες εντοπισμένες | 3.500+ |
| Δεξιότητες υιοθετημένες | 466 |
| Δεξιότητες προμηθευτών | 373 |
| Εσωτερικές δεξιότητες | 93 |
| Ενεργοί προμηθευτές | 25+ |
| Μέσος όρος tokens ανά δεξιότητα | 2.834 |
| Εργαλεία που αναφέρονται | 89 |
| Μοναδικές ετικέτες | 635 |
Έχουμε επισκοπήσει πάνω από 3.500 υποψήφιες δεξιότητες. Έχουμε υιοθετήσει 466. Αυτό είναι ποσοστό υιοθέτησης 13% — και αυτή η επιλεκτικότητα είναι σκόπιμη.
Το Σύστημα Επιπέδων Γνώσης
Δεν είναι όλες οι δεξιότητες ίδιες. Τις οργανώνουμε σε πέντε επίπεδα γνώσης (K0-K4), το καθένα αντιπροσωπεύοντας διαφορετική εμβέλεια εφαρμοσιμότητας:
K0: Θεμέλια (Καθολικά)
Δεξιότητες που κάθε πράκτορας πρέπει να έχει. Αντιπροσωπεύουν ικανότητες τύπου «καλός στοχαστής» που λειτουργούν παντού.
foundations/
├── test-first-discipline # TDD: Red-Green-Refactor
├── evidence-based-completion # Verify before claiming done
├── systematic-debugging # Root cause methodology
├── structured-planning # Break work into tasks
└── context-budget-awareness # Manage token consumption
Οι δεξιότητες K0 είναι φορητές σε οποιοδήποτε έργο, οποιονδήποτε τομέα, οποιαδήποτε στοίβα. Κωδικοποιούν καθολικά γνωστικά μοτίβα.
K1: Ταυτότητες (Πειθαρχία)
Δεξιότητες τύπου «καλός μηχανικός» ή «καλός ερευνητής» που εφαρμόζονται σε όλα τα έργα μέσα σε μια πειθαρχία.
identities/
├── research-workflows # Multi-source research
├── web-extraction-playbook # Content extraction
├── code-review # PR review patterns
└── cli-interface-standards # CLI design patterns
K2: Τομείς (Εξειδίκευση Θέματος)
Δεξιότητες τύπου «καλός ειδικός βάσεων δεδομένων» ή «καλός μηχανικός ασφάλειας» φορητές μέσα σε ένα πεδίο.
domains/
├── schema-migration-workflow # Safe migration patterns
├── rpc-validation-checklist # RPC health checks
├── auth-validation-checklist # JWT/OAuth patterns
└── secrets-audit-checklist # Credential scanning
K3: Στοίβες (Τεχνολογία)
Δεξιότητες τύπου «καλός χρήστης Supabase» ή «καλός προγραμματιστής Cloudflare» για συγκεκριμένες στοίβες τεχνολογίας.
stacks/
├── maguyva-quickstart # Our semantic search patterns
├── cloudflare-deployment # Workers/Pages deployment
└── mcp-tool-best-practices # MCP tool selection
K4: Έργο (Οργανισμός)
Δεξιότητες ειδικές για τον οργανισμό και τις ροές εργασίας μας.
project/
├── agent-creation-workflow # How we build agents
├── skill-authoring-workflow # How we write skills
├── mining-session-workflow # This very process
└── vendor-skill-evaluation # Evaluation rubrics
Ο Βρόχος Εξόρυξης
Φάση 1: Ανακάλυψη
Οι δεξιότητες προέρχονται από παντού:
Αποθετήρια Προμηθευτών: Η AWS, η Anthropic, η Cloudflare, η Supabase και συνεισφέροντες της κοινότητας δημοσιεύουν συλλογές δεξιοτήτων. Παρακολουθούμε 25+ ρίζες προμηθευτών.
Έργα Κοινότητας: Το GitHub είναι γεμάτο πρότυπα Claude Code, μοτίβα πρακτόρων και ορισμούς ροών εργασίας.
Εσωτερικά Μοτίβα: Καθώς η ομάδα μας λύνει προβλήματα, αναδύονται μοτίβα. Αυτά τυποποιούνται σε δεξιότητες.
Εξόρυξη Τεκμηρίωσης: Η τεχνική τεκμηρίωση συχνά περιέχει σιωπηρές δεξιότητες — διαδικασίες, λίστες ελέγχου, δέντρα αποφάσεων.
Η ανακάλυψη είναι συνεχής. Χρησιμοποιούμε μια λίστα εκκρεμοτήτων δεξιοτήτων για να παρακολουθούμε υποψήφιες πριν από την επίσημη αξιολόγηση.
Φάση 2: Αξιολόγηση
Κάθε υποψήφια περνά από την ίδια κλίμακα βαθμολόγησης:
adoption_criteria:
- fills_real_gap: true # We lack this capability
- well_structured: true # Progressive disclosure
- actively_maintained: true # Commits in last 6 months
- portable: true # Not hyper-specific
- tested: true # Evidence of usage
Όλα τα πέντε κριτήρια προϊόντος πρέπει να περάσουν. Γι’ αυτό το 87% των υποψηφίων απορρίπτεται.
Έπειτα κάθε υποψήφια περνά από ξεχωριστή επισκόπηση εμπιστοσύνης. Δεν αντιμετωπίζουμε ένα επίσημο αποθετήριο προμηθευτή, έναν γνωστό συντηρητή κοινότητας και ένα τυχαίο αποθετήριο GitHub ως ισοδύναμες πηγές αλήθειας.
trust_review:
vendor_credibility:
- ownership_verified # Official vendor, known maintainer, or internal source
- maintenance_signal # Recent commits, issue response, release history
- adoption_signal # Evidence of real use, stars alone are not enough
- provenance_clear # We can trace where the skill came from
prompt_injection_scan:
- hidden_instruction_check # Buried "ignore previous instructions" patterns
- exfiltration_check # Prompts that try to leak files, secrets, or context
- authority_check # Claims of priority over system or developer rules
script_audit:
- inspect_scripts # Read shell/python/js helpers before adoption
- network_and_exec_review # curl|bash, remote downloads, subprocess execution
- file_and_secret_review # Env vars, credential access, broad file writes
- destructive_action_check # rm, reset, overwrite, or unsafe automation
Οι έμπιστοι προμηθευτές παίρνουν μια ελαφρύτερη επισκόπηση προέλευσης, όχι όμως δωρεάν πέρασμα. Οι μη έμπιστες ή άγνωστες πηγές παίρνουν έναν βαθύτερο χειροκίνητο έλεγχο, και δεν εκτελούμε συνοδευτικά σενάρια μέχρι να διαβαστούν, να οριοθετηθούν και να ταξινομηθούν ως ασφαλή.
Ανάλυση Κενού: Πριν την υιοθέτηση, αναζητούμε στο μητρώο μας:
uv run orkestra skills search "<capability>"
Αν το έχουμε ήδη, δεν το χρειαζόμαστε. Αν έχουμε κάτι κοντινό, μπορεί να συγχωνεύσουμε αντί να υιοθετήσουμε.
Βαθμολόγηση Βάθους και Προτύπων: Βαθμολογούμε επίσης πόσο πλήρως χρησιμοποιεί μια υποψήφια το μοντέλο δεξιότητας πράκτορα. Ένα μοναχικό SKILL.md μπορεί ακόμη να είναι χρήσιμο, όμως οι βαθύτερες δεξιότητες είναι πιο πολύτιμες όταν διαχωρίζουν οδηγίες από αναφορές, σενάρια και στοιχεία με τον τρόπο που ενθαρρύνει το agentskills.io.
skill_depth:
- level_1: SKILL.md only # Single instruction file
- level_2: SKILL.md + strong description # Clear triggers and scope
- level_3: adds references/ # Load docs only when needed
- level_4: adds atomic scripts/ # Small, reviewable helpers
- level_5: adds assets/examples/templates # Full progressive disclosure
depth_signals:
- standards_adherence # Structure aligns with agentskills.io conventions
- reference_quality # Curated references, not giant context dumps
- script_atomicity # Focused helpers, not opaque monoliths
- tool_boundary_clarity # Clear limits on what the skill can execute
- community_signal # Stars/forks/users help, but only as a weak boost
Τα αστέρια GitHub μπορούν να ανεβάσουν λίγο μια βαθμολογία αξιοπιστίας, όμως ποτέ δεν σώζουν μια ρηχή ή ανασφαλή δεξιότητα. Ένα αποθετήριο με πολλά αστέρια αλλά με ένα ασαφές SKILL.md και αδιαφανή σενάρια βαθμολογείται χαμηλότερα από ένα μικρότερο αποθετήριο με ακριβή περιγραφή, επιμελημένα references/ και ατομικούς βοηθούς που πράγματι αξιοποιούν την πλήρη ικανότητα της δεξιότητας.
Δομική Ανάλυση: Ελέγχουμε την ποιότητα της δεξιότητας:
wc -l vendor/<repo>/<skill>/SKILL.md # Size check
ls vendor/<repo>/<skill>/scripts/ # Supporting files
ls vendor/<repo>/<skill>/references/ # Bundled docs
Αν μια υποψήφια περιλαμβάνει σενάρια, αυτή η επισκόπηση γίνεται πιο αυστηρή. Μια καλή δεξιότητα δεν είναι απλώς χρήσιμη· πρέπει να είναι ευανάγνωστη, οριοθετημένη και ασφαλής να δοθεί σε έναν πράκτορα. Αυτό το φίλτρο ασφάλειας από μόνο του αποκλείει ένα σημαντικό κομμάτι από κατά τα άλλα ενδιαφέρουσες υποψήφιες.
Φάση 3: Ενσωμάτωση
Όταν μια δεξιότητα περνά την αξιολόγηση, εισέρχεται στο μητρώο. Όμως οι δεξιότητες δεν υιοθετούνται ποτέ αναλλοίωτες. Τροποποιούνται ώστε να ταιριάζουν στο σύστημά μας.
Τροποποιήσεις κατά την Υιοθέτηση:
- Κανονικοποίηση Μεταδεδομένων: Κάθε δεξιότητα παίρνει το δικό μας σχήμα frontmatter
- Ανάθεση Επιπέδου K: Οι δεξιότητες τοποθετούνται στο κατάλληλο επίπεδο γνώσης
- Εμπλουτισμός Ετικετών: Προστίθενται ετικέτες για ανακάλυψη
- Δήλωση Εργαλείων: Τα επιτρεπόμενα εργαλεία δηλώνονται ρητά
- Ευθυγράμμιση Ενοτήτων: Το περιεχόμενο αναδιαρθρώνεται ώστε να ταιριάζει στο πρότυπό μας
Ένα τυπικό YAML δεξιότητας μετά την ενσωμάτωση:
metadata:
identifier: vendor-skill-evaluation
name: vendor-skill-evaluation
description: Systematic evaluation of vendor skills for adoption.
type: workflow
layer: K4
semantic_folder: project
source: core
last_updated: '2026-01-17'
frontmatter:
tags:
- agents
- meta
- skill-adoption
- vendor
allowed_tools:
- Bash
- Read
- Write
- Edit
- Grep
- Glob
- Task
Φάση 4: Ανάθεση Εμβέλειας
Οι δεξιότητες ανατίθενται σε εμβέλειες — κατηγορίες που καθορίζουν ποιοι πράκτορες φορτώνουν ποιες δεξιότητες:
scopes:
database:
primary_skills:
- domains/schema-migration-workflow
- domains/rpc-validation-checklist
- vendor/supabase/supabase-database
- vendor/supabase/supabase-auth
research:
primary_skills:
- identities/research-workflows
- identities/web-extraction-playbook
- identities/dataset-discovery-quickstart
Οι πράκτορες δηλώνουν τις εμβέλειές τους, και οι δεξιότητες ανατίθενται αυτόματα:
# Agent definition
scopes: [database, research]
# Gets: all database skills + all research skills + universal skills
Φάση 5: Υλοποίηση
Οι δεξιότητες δεν ζουν ως YAML στην παραγωγή. Αποδίδονται σε αρχεία SKILL.md που το Claude Code μπορεί να φορτώσει:
uv run orkestra sync
Αυτή η εντολή:
- Διαβάζει όλους τους ορισμούς YAML δεξιοτήτων
- Τους αποδίδει μέσω προτύπων Jinja
- Γράφει αρχεία SKILL.md στο
.claude/skills/ - Οργανώνει κατά επίπεδο K (foundations/, identities/, domains/, stacks/, project/)
Η τελική δομή εξόδου:
.claude/skills/
├── foundations/ # K0: Universal
├── identities/ # K1: Discipline
├── domains/ # K2: Subject
├── stacks/ # K3: Technology
├── project/ # K4: Organization
└── vendor/ # External skills
Το Μοτίβο της Αδρανούς Εμβέλειας
Ένα από τα πιο ισχυρά μοτίβα μας είναι δεξιότητες «υιοθετημένες-αλλά-όχι-φορτωμένες». Τις ονομάζουμε αδρανείς εμβέλειες.
Σκεφτείτε δεξιότητες επιστημονικής υπολογιστικής από το αποθετήριο k-dense-scientific. Έχουμε υιοθετήσει 120+ δεξιότητες που καλύπτουν βιοπληροφορική, χημεία, κβαντικούς υπολογιστές και κλινική πληροφορική. Όμως οι περισσότεροι πράκτορές μας δεν χρειάζονται μοριακή προσάρτηση ή ανάλυση γονιδιακής έκφρασης.
Αντί να φορτώνουμε και τις 120 δεξιότητες σε κάθε πράκτορα (φουσκώνοντας τα παράθυρα πλαισίου), εμείς:
- Υιοθετούμε τις δεξιότητες με μια συγκεκριμένη εμβέλεια (π.χ.
bioinformatics) - Τις κρατάμε αδρανείς — καταχωρημένες αλλά όχι φορτωμένες
- Τις ενεργοποιούμε μόνο όταν ένας πράκτορας δηλώνει εκείνη την εμβέλεια
# In scopes.yaml - dormant scope
bioinformatics:
description: "Bioinformatics and genomics"
primary_skills: [] # Empty - skills exist but aren't loaded
# When an agent needs bioinformatics:
# Agent YAML
scopes: [research, bioinformatics] # Now loads bioinformatics skills
Αυτό το μοτίβο μας επιτρέπει να έχουμε 466 δεξιότητες στο μητρώο ενώ οι τυπικοί πράκτορες φορτώνουν μόνο 40-60 σχετικές.
Τύποι Δεξιοτήτων
Οι δεξιότητες έρχονται σε τρία γνωστικά μοτίβα:
Ροή Εργασίας
Διατεταγμένα διαδικαστικά βήματα: «1. Κάνε X, 2. Μετά Y, 3. Τέλος Z»
type: workflow
# Examples: schema-migration-workflow, mining-session-workflow
Πειθαρχία
Συμπεριφορικά προστατευτικά κιγκλιδώματα: «Πάντα X», «Ποτέ Y», «Προτίμησε Z»
type: discipline
# Examples: test-first-discipline, evidence-based-completion
Λίστα Ελέγχου
Κριτήρια επαλήθευσης: «Επιβεβαίωσε X», «Επαλήθευσε Y», «Έλεγξε Z»
type: checklist
# Examples: auth-validation-checklist, secrets-audit-checklist
Πύλες Ποιότητας
Κάθε δεξιότητα πρέπει να περάσει επικύρωση πριν κυκλοφορήσει:
validation:
file_exists: true # Skill file at declared path
frontmatter_valid: true # Frontmatter parses correctly
sections_complete: true # Expected sections present
tools_registered: true # Declared tools exist in registry
Οι περιγραφές πρέπει να είναι 50-400 χαρακτήρες με φράσεις ενεργοποίησης («Χρησιμοποίησε όταν…», «Όταν χρειάζεσαι…»), ώστε το Claude Code να ξέρει πότε να τις προτείνει.
Επικυρώνουμε συνεχώς:
uv run orkestra validate --show-warnings
Το Οικοσύστημα Προμηθευτών
Οι 373 δεξιότητες προμηθευτών μας προέρχονται από:
| Προμηθευτής | Δεξιότητες | Τομέας |
|---|---|---|
| AWS Agent | 19 | Υπηρεσίες cloud |
| Anthropic | 12 | Δημιουργία εγγράφων |
| Cloudflare | 8 | Υπολογιστική άκρης δικτύου |
| Supabase | 5 | Βάση δεδομένων |
| k-dense | 100+ | Επιστημονική υπολογιστική |
| silvainfm | 4 | Επιστήμη δεδομένων |
| Java Developer Kit | 45+ | Spring/Java |
| Vercel | 1 | Αυτοματισμός προγράμματος περιήγησης |
Κάθε ρίζα προμηθευτή δηλώνεται στο metadata.yaml:
vendor_roots:
- path: vendor/aws-agent-skills
provider: aws
- path: vendor/k-dense-scientific/scientific-skills
provider: k-dense
- path: vendor/supabase-skills
provider: supabase
Όταν τρέχει το orkestra sync, οι δεξιότητες προμηθευτών γίνονται symlink στο .claude/skills/vendor/ με το namespace του προμηθευτή τους.
Τι Μάθαμε
Η επιλεκτικότητα αποδίδει. Είναι δελεαστικό να υιοθετείς οτιδήποτε φαίνεται χρήσιμο. Όμως κάθε δεξιότητα κοστίζει tokens. Με 2.834 μέσα tokens ανά δεξιότητα, το φούσκωμα πονάει γρήγορα. Το ποσοστό υιοθέτησής μας 13% κρατά τους πράκτορες ευέλικτους.
Η δομή επιτρέπει ανακάλυψη. Το σύστημα επιπέδων K δεν είναι απλώς οργάνωση — αφορά τη φορητότητα. Οι δεξιότητες K0 μπορούν να επαναχρησιμοποιηθούν οπουδήποτε. Οι δεξιότητες K4 είναι σκόπιμα ειδικές για το έργο. Αυτή η σαφήνεια βοηθά τόσο τους ανθρώπους όσο και τους πράκτορες να βρουν αυτό που χρειάζονται.
Οι αδρανείς εμβέλειες κλιμακώνονται. Μπορείτε να υιοθετήσετε εκατοντάδες δεξιότητες χωρίς να τις φορτώσετε όλες. Οι εμβέλειες σας επιτρέπουν να χτίσετε ένα εκτενές μητρώο διατηρώντας παράλληλα διαχειρίσιμα τα παράθυρα πλαισίου κάθε πράκτορα.
Η τροποποίηση κατά την υιοθέτηση είναι απαραίτητη. Οι ακατέργαστες δεξιότητες προμηθευτών σπάνια ταιριάζουν στο σύστημά σας. Η διαδικασία ενσωμάτωσης — προσθήκη μεταδεδομένων, ανάθεση επιπέδων, εμπλουτισμός ετικετών — κάνει τις εξωτερικές δεξιότητες να λειτουργούν εσωτερικά.
Η εξόρυξη είναι συνεχής. Ο αριθμός 3.500 συνεχίζει να μεγαλώνει. Νέα αποθετήρια προμηθευτών εμφανίζονται. Μοτίβα κοινότητας αναδύονται. Εσωτερικές ροές εργασίας σταθεροποιούνται. Ο βρόχος ποτέ δεν σταματά.
Τι Ακολουθεί
Δουλεύουμε σε αρκετές βελτιώσεις:
- Αυτοματοποιημένος εντοπισμός κενών: Ειδοποίηση όταν συνηθισμένες αστοχίες πρακτόρων θα μπορούσαν να αντιμετωπιστούν από μια μη υιοθετημένη δεξιότητα
- Ροές εργασίας κατάργησης δεξιοτήτων: Επίσημη διαδικασία για την απόσυρση δεξιοτήτων που έχουν αντικατασταθεί ή δεν χρησιμοποιούνται
- Εξαρτήσεις μεταξύ δεξιοτήτων: Ρητή δήλωση προαπαιτούμενων δεξιοτήτων
- Αναλυτικά χρήσης: Παρακολούθηση ποιες δεξιότητες πράγματι επικαλούνται οι πράκτορες αντί απλώς να τις φορτώνουν
Ο βρόχος εξόρυξης δεξιοτήτων είναι υποδομή. Δεν είναι εντυπωσιακός. Όμως είναι αυτό που κάνει 41 πράκτορες να λειτουργούν συνεκτικά με 466 ικανότητες, παραμένοντας μέσα στα όρια πλαισίου.
Αυτή είναι η ιστορία του πώς το 3.500 γίνεται 466. Όχι αγνοώντας τα 3.000 — αξιολογώντας τα συστηματικά και υιοθετώντας μόνο ό,τι λειτουργεί.
Θέλετε να δείτε το σύστημα δεξιοτήτων σε δράση; Δείτε το uv run orkestra skills list για να εξερευνήσετε το τρέχον μητρώο μας.
Σχετική ανάγνωση
Περισσότερα από το ημερολόγιο κατασκευής του Maguyva
Γιατί Αναβαθμίσαμε την Αναζήτηση Κώδικα σε voyage-4-large_
Μεταφέραμε τα ενσωματώματα κώδικά μας στο voyage-4-large — προς το παρόν στην κορυφή του δημόσιου πίνακα κατάταξης ανάκτησης κώδικα RTEB. Η ειλικρινής εκδοχή: το ανταλλάγμα που κάνουμε, τι πραγματικά ευρετηριάζουμε και γιατί πληρώνουμε για ενσωματώματα πρέμιουμ.
Αναδρομική Αυτο-βελτίωση Γλωσσών: Βελτιώνοντας Αδιάκοπα την Ευφυΐα Κώδικα σε ~280 Γλώσσες_
Υποστηρίζουμε ευφυΐα κώδικα για ~280 γλώσσες. Κανένας άνθρωπος δεν μπορεί να ελέγξει χειροκίνητα κάτι τέτοιο. Έτσι φτιάξαμε έναν βρόχο αναδρομικής αυτο-βελτίωσης γλωσσών — δειγματοληπτικός έλεγχος, LLM ως κριτής, διόρθωση ενός πράγματος τη φορά, επανεπικύρωση — και τον τρέχουμε με έναν στόλο απομονωμένων πρακτόρων μέχρι η εξαγωγή να είναι πράγματι σωστή, όχι απλώς πράσινη.
Πολυτροπική Συγχωνευμένη Αναζήτηση: Επιλέγοντας τον Σωστό Ανακτητή για Κάθε Ερώτημα_
Ένα ερώτημα όπως «πού ορίζεται το parseConfig» θέλει διαφορετική αναζήτηση από το «πώς λειτουργεί η ταυτοποίηση». Το Maguyva ταξινομεί την πρόθεση, σταθμίζει ανάλογα τέσσερις τρόπους ανάκτησης και συγχωνεύει τα αποτελέσματα με σταθμισμένη Reciprocal Rank Fusion.