Beceri Madenciliği: 3.500 Adaydan 466 Yetkinliğe

Bu yazıdaki sayılar, yayınlandığı tarihteki (Ocak 2026) sistemi yansıtır. Güncel rakamlar için ekip sayfamıza bakın.

3.500 Beceri Sorunu

Bir ajan orkestrasyon sistemi inşa etmeye başladığımızda, ilginç bir zorlukla karşılaştık: yapay zeka ekosistemine dağılmış binlerce potansiyel beceri var. GitHub depoları, tedarikçi dokümantasyonu, topluluk projeleri, iç desenler — beceriler her yerde var. Ama hangileri önemli? Hangileri işe yarıyor? Ve ajanların gerçekten kullanabileceği tutarlı bir beceri kütüphanesini nasıl sürdürürsünüz?

Bizim yanıtımız: sistematik bir madencilik ve alım döngüsü.

Bugünün Sayıları

Anthropic’in Agent Skills’i 16 Ekim 2025’te piyasaya sürmesinden yalnızca üç ay sonra, bu yazı 27 Ocak 2026’da yayınlandığında durumumuz şöyleydi:

Metric	Count
Belirlenen adaylar	3.500+
Benimsenen beceriler	466
Tedarikçi becerileri	373
İç beceriler	93
Aktif tedarikçiler	25+
Beceri başına ortalama token	2.834
Referans verilen araçlar	89
Benzersiz etiketler	635

3.500’den fazla beceri adayını inceledik. 466’sını benimsedik. Bu, %13’lük bir benimseme oranı — ve bu seçicilik tasarım gereğidir.

Bilgi Katman Sistemi

Tüm beceriler eşit yaratılmamıştır. Bunları, her biri farklı bir uygulanabilirlik kapsamını temsil eden beş bilgi katmanına (K0-K4) düzenliyoruz:

K0: Temeller (Evrensel)

Her ajanın sahip olması gereken beceriler. Bunlar her yerde işe yarayan “iyi düşünür” yetkinliklerini temsil eder.

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

K0 becerileri herhangi bir projeye, herhangi bir alana, herhangi bir yığına taşınabilir. Evrensel bilişsel desenleri kodlarlar.

K1: Kimlikler (Disiplin)

Bir disiplin içindeki projeler genelinde geçerli olan “iyi mühendis” veya “iyi araştırmacı” becerileri.

identities/
├── research-workflows          # Multi-source research
├── web-extraction-playbook     # Content extraction
├── code-review                 # PR review patterns
└── cli-interface-standards     # CLI design patterns

K2: Alanlar (Konu Uzmanlığı)

Bir alan içinde taşınabilir “iyi veritabanı uzmanı” veya “iyi güvenlik mühendisi” becerileri.

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: Yığınlar (Teknoloji)

Belirli teknoloji yığınları için “iyi Supabase kullanıcısı” veya “iyi Cloudflare geliştiricisi” becerileri.

stacks/
├── maguyva-quickstart          # Our semantic search patterns
├── cloudflare-deployment       # Workers/Pages deployment
└── mcp-tool-best-practices     # MCP tool selection

K4: Proje (Organizasyon)

Organizasyonumuza ve iş akışlarımıza özgü beceriler.

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

Madencilik Döngüsü

Aşama 1: Keşif

Beceriler her yerden gelir:

Tedarikçi Depoları: AWS, Anthropic, Cloudflare, Supabase ve topluluk katkıda bulunanları beceri koleksiyonları yayınlar. 25’ten fazla tedarikçi kökünü takip ediyoruz.

Topluluk Projeleri: GitHub, Claude Code şablonları, ajan desenleri ve iş akışı tanımlarıyla doludur.

İç Desenler: Ekibimiz sorunları çözdükçe desenler ortaya çıkar. Bunlar becerilere dönüştürülerek resmileştirilir.

Dokümantasyon Madenciliği: Teknik dokümantasyon genellikle örtük beceriler içerir — prosedürler, kontrol listeleri, karar ağaçları.

Keşif süreklidir. Resmi değerlendirmeden önce adayları takip etmek için bir beceri birikimi kullanırız.

Aşama 2: Değerlendirme

Her aday aynı rubrikten geçer:

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

Beş ürün kriterinin tamamı geçmelidir. Adayların %87’sinin reddedilmesinin nedeni budur.

Sonra her aday ayrı bir güven incelemesinden geçer. Resmi bir tedarikçi deposunu, iyi bilinen bir topluluk sürdürücüsünü ve rastgele bir GitHub deposunu eşdeğer gerçek kaynaklar olarak ele almayız.

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

Güvenilen tedarikçiler daha hafif bir köken incelemesi alır, ama serbest geçiş almazlar. Güvenilmeyen veya bilinmeyen kaynaklar daha derin bir manuel denetimden geçer ve paket içindeki betikleri, okunup kapsamı belirlenip güvenli olarak sınıflandırılana kadar çalıştırmayız.

Boşluk Analizi: Benimsemeden önce, kayıt defterimizi ararız:

uv run orkestra skills search "<capability>"

Zaten sahipsek, ihtiyacımız yoktur. Yakın bir şeye sahipsek, benimsemek yerine birleştirebiliriz.

Derinlik ve Standartlar Puanlaması: Bir adayın ajan-beceri modelini ne kadar tam kullandığını da puanlarız. Tek başına bir SKILL.md yine de yararlı olabilir, ama daha derin beceriler, agentskills.io’in teşvik ettiği şekilde talimatları referanslardan, betiklerden ve varlıklardan ayırdığında daha değerlidir.

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

GitHub yıldızları bir güvenilirlik puanını biraz yükseltebilir, ama yüzeysel veya güvensiz bir beceriyi asla kurtarmazlar. Belirsiz tek bir SKILL.md’ye ve opak betiklere sahip yüksek yıldızlı bir depo, tam beceri yetkinliğinden gerçekten yararlanan kesin bir açıklamaya, derlenmiş references/’e ve atomik yardımcılara sahip daha küçük bir deponun altında puan alır.

Yapısal Analiz: Beceri kalitesini kontrol ederiz:

wc -l vendor/<repo>/<skill>/SKILL.md  # Size check
ls vendor/<repo>/<skill>/scripts/     # Supporting files
ls vendor/<repo>/<skill>/references/  # Bundled docs

Bir aday betikler içeriyorsa, bu inceleme daha sıkı hâle gelir. İyi bir beceri sadece yararlı olmakla kalmaz; bir ajana teslim edilmesi için okunabilir, sınırlı ve güvenli olması gerekir. Bu güvenlik filtresi tek başına, aksi takdirde ilginç olan adayların anlamlı bir dilimini eler.

Aşama 3: Alım

Bir beceri değerlendirmeyi geçtiğinde kayıt defterine girer. Ama beceriler asla değiştirilmeden benimsenmez. Sistemimize uyacak şekilde değiştirilirler.

Benimseme Sırasında Yapılan Değişiklikler:

1. Meta Veri Normalizasyonu: Her beceri, ön madde (frontmatter) şemamızı alır
2. K-Katman Ataması: Beceriler uygun bilgi katmanına yerleştirilir
3. Etiket Zenginleştirmesi: Keşif için etiketler eklenir
4. Araç Bildirimi: İzin verilen araçlar açıkça bildirilir
5. Bölüm Hizalaması: İçerik, şablonumuza uyacak şekilde yeniden yapılandırılır

Alımdan sonra tipik bir beceri YAML’ı:

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

Aşama 4: Kapsam Ataması

Beceriler kapsamlara atanır — hangi ajanların hangi becerileri yükleyeceğini belirleyen kategoriler:

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

Ajanlar kapsamlarını bildirir ve beceriler otomatik olarak atanır:

# Agent definition
scopes: [database, research]
# Gets: all database skills + all research skills + universal skills

Aşama 5: Somutlaştırma

Beceriler üretimde YAML olarak yaşamaz. Claude Code’un yükleyebileceği SKILL.md dosyalarına render edilirler:

uv run orkestra sync

Bu komut:

1. Tüm beceri YAML tanımlarını okur
2. Bunları Jinja şablonları üzerinden render eder
3. SKILL.md dosyalarını .claude/skills/’e yazar
4. K-katmanına göre düzenler (foundations/, identities/, domains/, stacks/, project/)

Nihai çıktı yapısı:

.claude/skills/
├── foundations/     # K0: Universal
├── identities/      # K1: Discipline
├── domains/         # K2: Subject
├── stacks/          # K3: Technology
├── project/         # K4: Organization
└── vendor/          # External skills

Uykuda Kapsam Deseni

En güçlü desenlerimizden biri “benimsenmiş ama yüklenmemiş” becerilerdir. Bunlara uykuda kapsamlar diyoruz.

k-dense-scientific deposundan bilimsel hesaplama becerilerini düşünün. Biyoinformatik, kimya, kuantum hesaplama ve klinik bilişimi kapsayan 120’den fazla beceri benimsedik. Ama ajanlarımızın çoğunun moleküler yerleştirmeye (docking) veya gen ifadesi analizine ihtiyacı yok.

120 becerinin tümünü her ajana yüklemek yerine (bağlam pencerelerini şişirmek), şunu yaparız:

1. Belirli bir kapsamla becerileri benimseriz (örneğin, bioinformatics)
2. Bunları uykuda tutarız — kayıtlı ama yüklenmemiş
3. Yalnızca bir ajan o kapsamı bildirdiğinde etkinleştiririz

# 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

Bu desen, tipik ajanlar yalnızca 40-60 ilgili beceri yüklerken kayıt defterinde 466 beceriye sahip olmamızı sağlar.

Beceri Türleri

Beceriler üç bilişsel desende gelir:

İş Akışı

Sıralı prosedürel adımlar: “1. X’i yap, 2. Sonra Y’yi yap, 3. Son olarak Z’yi yap”

type: workflow
# Examples: schema-migration-workflow, mining-session-workflow

Disiplin

Davranışsal korkuluklar: “Her zaman X yap”, “Asla Y yapma”, “Z’yi tercih et”

type: discipline
# Examples: test-first-discipline, evidence-based-completion

Kontrol Listesi

Doğrulama kriterleri: “X’i onayla”, “Y’yi doğrula”, “Z’yi kontrol et”

type: checklist
# Examples: auth-validation-checklist, secrets-audit-checklist

Kalite Kapıları

Her beceri, yayınlanmadan önce doğrulamayı geçmelidir:

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

Açıklamalar, Claude Code’un ne zaman önereceğini bilmesi için tetikleyici ifadelerle (“Şunu kullanın…”, “İhtiyacınız olduğunda…”) birlikte 50-400 karakter olmalıdır.

Sürekli doğrularız:

uv run orkestra validate --show-warnings

Tedarikçi Ekosistemi

373 tedarikçi becerimiz şuralardan gelir:

Provider	Skills	Domain
AWS Agent	19	Bulut hizmetleri
Anthropic	12	Doküman üretimi
Cloudflare	8	Uç bilişim
Supabase	5	Veritabanı
k-dense	100+	Bilimsel hesaplama
silvainfm	4	Veri bilimi
Java Developer Kit	45+	Spring/Java
Vercel	1	Tarayıcı otomasyonu

Her tedarikçi kökü metadata.yaml’da bildirilir:

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

orkestra sync çalıştığında, tedarikçi becerileri sağlayıcı ad alanlarıyla birlikte .claude/skills/vendor/’e sembolik olarak bağlanır.

Öğrendiklerimiz

Seçicilik karşılığını verir. Yararlı görünen her şeyi benimsemek caziptir. Ama her beceri token’a mal olur. Beceri başına ortalama 2.834 token ile, şişkinlik hızla zarar verir. %13’lük benimseme oranımız ajanları yalın tutar.

Yapı keşfi mümkün kılar. K-katman sistemi sadece organizasyon değildir — taşınabilirlikle ilgilidir. K0 becerileri her yerde yeniden kullanılabilir. K4 becerileri kasıtlı olarak projeye özgüdür. Bu netlik, hem insanların hem de ajanların ihtiyaç duydukları şeyi bulmasına yardımcı olur.

Uykuda kapsamlar ölçeklenir. Yüzlerce beceriyi hepsini yüklemeden benimseyebilirsiniz. Kapsamlar, bireysel ajan bağlam pencerelerini yönetilebilir tutarken kapsamlı bir kayıt defteri inşa etmenizi sağlar.

Benimseme sırasında değişiklik gereklidir. Ham tedarikçi becerileri nadiren sisteminize uyar. Alım süreci — meta veri ekleme, katman atama, etiket zenginleştirme — dış becerilerin dahili olarak çalışmasını sağlar.

Madencilik süreklidir. 3.500 sayısı büyümeye devam ediyor. Yeni tedarikçi depoları ortaya çıkıyor. Topluluk desenleri beliriyor. İç iş akışları sağlamlaşıyor. Döngü asla durmuyor.

Sırada Ne Var

Birkaç iyileştirme üzerinde çalışıyoruz:

1. Otomatik boşluk tespiti: Yaygın ajan başarısızlıklarının benimsenmemiş bir beceriyle çözülebileceği durumlarda uyarı ver
2. Beceri kullanımdan kaldırma iş akışları: Yerini alınmış veya kullanılmayan becerileri emekliye ayırmak için resmi süreç
3. Beceriler arası bağımlılıklar: Beceri ön koşullarının açık bildirimi
4. Kullanım analitiği: Ajanların hangi becerileri gerçekten çağırdığını, hangilerini sadece yüklediğini takip et

Beceri madencilik döngüsü altyapıdır. Göz alıcı değildir. Ama 41 ajanın, bağlam sınırları içinde kalırken 466 yetkinlikle tutarlı bir şekilde çalışmasını sağlayan şey budur.

3.500’ün 466’ya nasıl dönüştüğünün hikayesi budur. 3.000’i görmezden gelerek değil — onları sistematik olarak değerlendirip yalnızca işe yarayanı benimseyerek.

---

Beceri sistemini eylem hâlinde görmek mi istiyorsunuz? Mevcut kayıt defterimizi keşfetmek için uv run orkestra skills list’e göz atın.