Wie anthropische Fähigkeiten das Agententooling verändern - und wie man eine benutzerdefinierte Fähigkeit für Milvus erstellt, um RAG schnell zu entwickeln

Die Verwendung von Tools ist ein wichtiger Bestandteil der Arbeit eines Agenten. Der Agent muss das richtige Tool auswählen, entscheiden, wann er es aufruft, und die Eingaben richtig formatieren. Auf dem Papier hört sich das einfach an, aber wenn man erst einmal anfängt, echte Systeme zu bauen, findet man eine Menge Randfälle und Fehlermöglichkeiten.

Viele Teams verwenden Werkzeugdefinitionen im Stil von MCP, um dies zu organisieren, aber MCP hat einige raue Kanten. Das Modell muss über alle Werkzeuge gleichzeitig nachdenken, und es gibt nicht viel Struktur, um seine Entscheidungen zu steuern. Darüber hinaus muss jede Werkzeugdefinition im Kontextfenster angezeigt werden. Einige davon sind sehr umfangreich - das GitHub MCP umfasst etwa 26.000 Token - was den Kontext auffrisst, bevor der Agent überhaupt mit der eigentlichen Arbeit beginnt.

Anthropic hat Skills eingeführt, um diese Situation zu verbessern. Skills sind kleiner, fokussierter und können bei Bedarf leichter geladen werden. Anstatt alles in den Kontext zu packen, packen Sie Domänenlogik, Workflows oder Skripte in kompakte Einheiten, die der Agent nur bei Bedarf abrufen kann.

In diesem Beitrag erkläre ich, wie Anthropic Skills funktionieren und führe dann durch die Erstellung eines einfachen Skills in Claude Code, der natürliche Sprache in eine Milvus-gestützte Wissensbasis umwandelt - eine schnelle Einrichtung für RAG ohne zusätzliche Verkabelung.

Was sind Anthropic Skills?

Anthropic Skills (oder Agent Skills) sind einfach Ordner, die die Anweisungen, Skripte und Referenzdateien bündeln, die ein Agent benötigt, um eine bestimmte Aufgabe zu erledigen. Man kann sie sich als kleine, in sich geschlossene Kompetenzpakete vorstellen. Ein Skill kann definieren, wie ein Bericht zu erstellen ist, wie eine Analyse durchzuführen ist oder wie ein bestimmter Arbeitsablauf oder eine Reihe von Regeln zu befolgen ist.

Der Kerngedanke ist, dass Skills modular sind und bei Bedarf geladen werden können. Anstatt riesige Tooldefinitionen in das Kontextfenster zu packen, zieht der Agent nur den Skill heran, den er benötigt. Auf diese Weise wird der Kontextverbrauch gering gehalten, während dem Modell eine klare Anleitung gegeben wird, welche Werkzeuge vorhanden sind, wann sie aufgerufen werden müssen und wie jeder Schritt auszuführen ist.

Das Format ist absichtlich einfach gehalten und wird daher bereits von einer Reihe von Entwickler-Tools unterstützt oder leicht angepasst - Claude Code, Cursor, VS Code-Erweiterungen, GitHub-Integrationen, Codex-ähnliche Setups und so weiter.

Ein Skill folgt einer einheitlichen Ordnerstruktur:

skill-name/
├── SKILL.md       # Required: Skill instructions and metadata
├── scripts/         # Optional: helper scripts
├── templates/       # Optional: document templates
└── resources/       # Optional: reference materials

1. SKILL.md (Core File)

Dies ist die Ausführungsanleitung für den Agenten - das Dokument, das dem Agenten genau sagt, wie die Aufgabe ausgeführt werden soll. Sie definiert die Metadaten des Skills (wie Name, Beschreibung und Auslöseschlüsselwörter), den Ausführungsablauf und die Standardeinstellungen. In dieser Datei sollten Sie klar beschreiben:

• Wann der Skill ausgeführt werden soll: Lösen Sie den Skill zum Beispiel aus, wenn die Benutzereingabe einen Satz wie "CSV-Dateien mit Python verarbeiten" enthält.

• Wie die Aufgabe ausgeführt werden soll: Legen Sie die Ausführungsschritte der Reihe nach fest, z. B.: Interpretieren der Benutzeranfrage → Aufrufen von Vorverarbeitungsskripten aus dem Verzeichnis scripts/ → Generieren des erforderlichen Codes → Formatieren der Ausgabe mithilfe von Vorlagen aus templates/.

• Regeln und Beschränkungen: Spezifizieren Sie Details wie Kodierungskonventionen, Ausgabeformate und die Behandlung von Fehlern.

2. scripts/ (Ausführungsskripte)

Dieses Verzeichnis enthält vorgefertigte Skripte in Sprachen wie Python, Shell oder Node.js. Der Agent kann diese Skripte direkt aufrufen, anstatt denselben Code zur Laufzeit wiederholt zu generieren. Typische Beispiele sind create_collection.py und check_env.py.

3. templates/ (Dokumentvorlagen)

Wiederverwendbare Vorlagendateien, die der Agent verwenden kann, um angepasste Inhalte zu generieren. Übliche Beispiele sind Berichtsvorlagen oder Konfigurationsvorlagen.

4. resources/ (Referenzmaterialien)

Referenzdokumente, die der Agent während der Ausführung konsultieren kann, z. B. API-Dokumentation, technische Spezifikationen oder Leitfäden für bewährte Praktiken.

Insgesamt spiegelt diese Struktur wider, wie die Arbeit an einen neuen Teammitglied übergeben wird: SKILL.md erklärt die Aufgabe, scripts/ stellt gebrauchsfertige Tools bereit, templates/ definiert Standardformate und resources/ liefert Hintergrundinformationen. Wenn all dies vorhanden ist, kann der Agent die Aufgabe zuverlässig und mit minimalem Rätselraten ausführen.

Praktisches Tutorial: Erstellen eines benutzerdefinierten Skills für ein Milvus-gestütztes RAG-System

In diesem Abschnitt wird eine benutzerdefinierte Fertigkeit erstellt, die eine Milvus-Sammlung einrichten und eine vollständige RAG-Pipeline aus einfachen Anweisungen in natürlicher Sprache zusammenstellen kann. Das Ziel ist es, die gesamte übliche Einrichtungsarbeit zu überspringen - kein manuelles Schema-Design, keine Index-Konfiguration, kein Boilerplate-Code. Sie sagen dem Agenten, was Sie wollen, und der Skill erledigt die Milvus-Teile für Sie.

Design-Übersicht

Voraussetzungen

Komponente	Anforderung
CLI	claude-code
Modelle	GLM 4.7, OpenAI
Behälter	Docker
Milvus	2.6.8
Plattform für Modellkonfiguration	CC-Schalter
Paket-Manager	npm
Entwicklungssprache	Python

Schritt 1: Einrichtung der Umgebung

Installieren Sie claude-code

npm install -g @anthropic-ai/claude-code

CC-Switch installieren

Hinweis: CC-Switch ist ein Tool zum Umschalten von Modellen, das es einfach macht, zwischen verschiedenen Modell-APIs zu wechseln, wenn KI-Modelle lokal ausgeführt werden.

Projekt-Repository: https://github.com/farion1231/cc-switch

Wählen Sie Claude und fügen Sie einen API-Schlüssel hinzu

Prüfen Sie den aktuellen Status

Milvus-Standalone bereitstellen und starten

# Download docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.6.8/milvus-standalone-docker-compose.yml -O docker-compose.yml
# Start Milvus (check port mapping: 19530:19530)
docker-compose up -d
# Verify that the services are running
docker ps | grep milvus
# You should see three containers: milvus-standalone, milvus-etcd, milvus-minio

Konfigurieren Sie den OpenAI-API-Schlüssel

# Add this to ~/.bashrc or ~/.zshrc
OPENAI_API_KEY=your_openai_api_key_here

Schritt 2: Erstellen der benutzerdefinierten Fertigkeit für Milvus

Erstellen Sie die Verzeichnisstruktur

cd ~/.claude/skills/
mkdir -p milvus-skills/example milvus-skills/scripts

Initialisieren von SKILL.md

Hinweis: SKILL.md dient als Ausführungsanleitung für den Agenten. Sie definiert, was der Skill tut und wie er ausgelöst werden soll.

name: milvus-collection-builder
description: Create Milvus collections using natural language, supporting both RAG and text search scenarios

Schreiben Sie die Kernskripte

Skript-Typ	Name der Datei	Zweck
Umgebungsprüfung	check_env.py	Überprüft die Python-Version, erforderliche Abhängigkeiten und die Milvus-Verbindung
Intent-Parsing	intent_parser.py	Konvertiert Anfragen wie "Erstelle eine RAG-Datenbank" in eine strukturierte Absicht wie scene=rag
Erstellung von Sammlungen	milvus_builder.py	Der Core Builder, der das Sammlungsschema und die Indexkonfiguration erstellt
Dateneingabe	insert_milvus_data.py	Lädt Dokumente, chunct sie, erzeugt Einbettungen und schreibt Daten in Milvus
Beispiel 1	basic_text_search.py	Zeigt, wie man ein Dokumentensuchsystem erstellt
Beispiel 2	rag_knowledge_base.py	Zeigt, wie man eine komplette RAG-Wissensdatenbank aufbaut

Diese Skripte zeigen, wie man einen auf Milvus fokussierten Skill in etwas Praktisches umwandelt: ein funktionierendes Dokumentensuchsystem und eine intelligente Q&A (RAG) Einrichtung.

Schritt 3: Aktivieren Sie den Skill und führen Sie einen Test durch

Beschreiben Sie die Anfrage in natürlicher Sprache

"I want to build an RAG system."

RAG-System erstellt

Beispieldaten einfügen

Eine Abfrage ausführen

Schlussfolgerung

In diesem Tutorial haben wir den Aufbau eines Milvus-gestützten RAG-Systems mithilfe eines benutzerdefinierten Skills erläutert. Das Ziel war nicht nur, eine weitere Möglichkeit zu zeigen, Milvus aufzurufen, sondern auch zu zeigen, wie Skills ein normalerweise mehrstufiges, konfigurationslastiges Setup in etwas verwandeln können, das Sie wiederverwenden und wiederholen können. Anstatt Schemata manuell zu definieren, Indizes abzustimmen oder Workflow-Code zusammenzufügen, übernimmt der Skill den größten Teil der Formalitäten, so dass Sie sich auf die Teile von RAG konzentrieren können, die wirklich wichtig sind.

Dies ist nur der Anfang. Eine vollständige RAG-Pipeline hat viele bewegliche Teile: Preprocessing, Chunking, hybride Sucheinstellungen, Reranking, Auswertung und mehr. Alle diese Teile können als separate Skills verpackt und je nach Anwendungsfall zusammengestellt werden. Wenn Ihr Team über interne Standards für Vektordimensionen, Indexparameter, Eingabeaufforderungsvorlagen oder Abfragelogik verfügt, sind Skills eine saubere Möglichkeit, dieses Wissen zu kodieren und es wiederholbar zu machen.

Für neue Entwickler senkt dies die Einstiegshürde - sie müssen nicht jedes Detail von Milvus lernen, bevor sie etwas zum Laufen bringen. Für erfahrene Teams verringert sich der Aufwand für die wiederholte Einrichtung und hilft, Projekte in verschiedenen Umgebungen konsistent zu halten. Fertigkeiten ersetzen kein durchdachtes Systemdesign, aber sie beseitigen eine Menge unnötiger Reibungen.

👉 Die vollständige Implementierung ist im Open-Source-Repository verfügbar, und Sie können weitere von der Community erstellte Beispiele auf dem Skill-Marktplatz entdecken.

Bleiben Sie dran!

Wir arbeiten auch an der Einführung offizieller Milvus- und Zilliz-Cloud-Skills, die gängige RAG-Muster und Best Practices für die Produktion abdecken. Wenn Sie Ideen oder spezifische Workflows haben, die Sie unterstützen möchten, treten Sie unserem Slack Channel bei und chatten Sie mit unseren Ingenieuren. Und wenn Sie eine Anleitung für Ihr eigenes Setup benötigen, können Sie jederzeit eine Milvus-Sprechstunde buchen.