Как антропные навыки меняют инструментарий агента - и как создать пользовательский навык для Milvus, чтобы быстро раскрутить RAG

Использование инструментов - важная составляющая работы агента. Агент должен выбрать правильный инструмент, решить, когда его вызвать, и правильно отформатировать вводимые данные. На бумаге это звучит просто, но как только вы начинаете строить реальные системы, вы обнаруживаете множество крайних случаев и режимов отказа.

Многие команды используют определения инструментов в стиле MCP, чтобы организовать это, но MCP имеет некоторые неровности. Модель должна рассуждать обо всех инструментах сразу, и в ней нет особой структуры, которая бы направляла ее решения. Кроме того, каждое определение инструмента должно находиться в контекстном окне. Некоторые из них очень велики - GitHub MCP содержит около 26 тысяч токенов, - что съедает контекст еще до того, как агент начинает выполнять реальную работу.

Anthropic представил Навыки, чтобы улучшить эту ситуацию. Навыки меньше, более сфокусированы, и их легче загружать по требованию. Вместо того чтобы сбрасывать все в контекст, вы упаковываете логику домена, рабочие процессы или скрипты в компактные блоки, которые агент может использовать только по мере необходимости.

В этом посте я расскажу о том, как работают антропные навыки, а затем расскажу о создании простого навыка в Claude Code, который превращает естественный язык в базу знаний с поддержкой Milvus- быстрая настройка RAG без дополнительных проводов.

Что такое антропные навыки?

Антропные навыки (или навыки агента) - это просто папки, в которых собраны инструкции, скрипты и справочные файлы, необходимые агенту для выполнения определенной задачи. Думайте о них как о небольших, самодостаточных пакетах возможностей. Навык может определять, как генерировать отчет, выполнять анализ или следовать определенному рабочему процессу или набору правил.

Ключевая идея заключается в том, что навыки являются модульными и могут быть загружены по требованию. Вместо того чтобы запихивать огромные определения инструментов в контекстное окно, агент извлекает только нужный ему навык. Это позволяет снизить потребление контекста и одновременно дать модели четкие указания о том, какие инструменты существуют, когда их вызывать и как выполнять каждый шаг.

Формат намеренно прост, и благодаря этому он уже поддерживается или легко адаптируется во многих инструментах разработчика - Claude Code, Cursor, расширения VS Code, интеграции GitHub, установки в стиле Codex и так далее.

Навык имеет последовательную структуру папок:

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)

Это руководство по выполнению для агента - документ, который указывает агенту, как именно следует выполнять задание. Он определяет метаданные навыка (например, название, описание и ключевые слова триггера), порядок выполнения и настройки по умолчанию. В этом файле вы должны четко описать:

• Когда навык должен быть запущен: Например, запустить навык, когда пользовательский ввод включает фразу типа "обрабатывать CSV-файлы с помощью Python".

• Как должно выполняться задание: Расставьте шаги выполнения по порядку, например: интерпретация запроса пользователя → вызов скриптов предварительной обработки из каталога scripts/ → генерация необходимого кода → форматирование вывода с помощью шаблонов из templates/.

• Правила и ограничения: Указывают такие детали, как соглашения по кодированию, форматы вывода и способы обработки ошибок.

2. scripts/ (Сценарии выполнения)

Эта директория содержит заранее написанные сценарии на таких языках, как Python, Shell или Node.js. Агент может вызывать эти сценарии напрямую, вместо того чтобы генерировать один и тот же код во время выполнения. Типичными примерами являются create_collection.py и check_env.py.

3. templates/ (Шаблоны документов)

Файлы шаблонов многократного использования, которые агент может использовать для генерации настраиваемого содержимого. Типичные примеры - шаблоны отчетов или шаблоны конфигурации.

4. resources/ (Справочные материалы)

Справочные документы, к которым агент может обращаться во время выполнения, например документация по API, технические спецификации или руководства по лучшей практике.

В целом эта структура отражает процесс передачи работы новому сотруднику: SKILL.md объясняет задание, scripts/ предоставляет готовые к использованию инструменты, templates/ определяет стандартные форматы, а resources/ предоставляет справочную информацию. Имея все это, агент может выполнить задание надежно и с минимальными ошибками.

Практическое руководство: Создание пользовательского навыка для системы RAG с питанием от Milvus

В этом разделе мы рассмотрим создание пользовательского навыка, который может настроить коллекцию Milvus и собрать полный конвейер RAG из простых инструкций на естественном языке. Цель состоит в том, чтобы пропустить всю обычную работу по настройке - никакого ручного проектирования схемы, никакой настройки индексов, никакого шаблонного кода. Вы сообщаете агенту, что вам нужно, а он обрабатывает все части Milvus за вас.

Обзор проектирования

Необходимые условия

Компонент	Требование
CLI	claude-code
Модели	GLM 4.7, OpenAI
Контейнер	Docker
Milvus	2.6.8
Платформа конфигурирования моделей	CC-Switch
Менеджер пакетов	npm
Язык разработки	Python

Шаг 1: Настройка среды

Установите claude-code

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

Установите CC-Switch

Примечание: CC-Switch - это инструмент для переключения моделей, который позволяет легко переключаться между различными API моделей при локальном запуске моделей ИИ.

Репозиторий проекта: https://github.com/farion1231/cc-switch

Выберите Claude и добавьте ключ API

Проверьте текущее состояние

Развертывание и запуск Milvus-Standalone

# 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

Настройка ключа API OpenAI

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

Шаг 2: Создание пользовательского навыка для Milvus

Создайте структуру каталогов

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

Инициализируйте SKILL.md

Примечание: SKILL.md служит руководством по выполнению агента. Он определяет, что делает навык и как он должен быть запущен.

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

Напишите основные сценарии

Тип сценария	Имя файла	Назначение
Проверка среды	check_env.py	Проверяет версию Python, необходимые зависимости и соединение с Milvus
Разбор намерений	intent_parser.py	Преобразует запросы типа "создать базу данных RAG" в структурированные намерения, такие как scene=rag
Создание коллекции	milvus_builder.py	Основной конструктор, который генерирует схему коллекции и конфигурацию индексов
Ввод данных	insert_milvus_data.py	Загружает документы, разбивает их на части, генерирует вкрапления и записывает данные в Milvus
Пример 1	basic_text_search.py	Демонстрирует создание системы поиска по документам
Пример 2	rag_knowledge_base.py	Демонстрирует создание полной базы знаний RAG

Эти сценарии показывают, как превратить навык, ориентированный на Milvus, в нечто практическое: работающую систему поиска по документам и интеллектуальную базу вопросов и ответов (RAG).

Шаг 3: Включите навык и проведите тестирование

Опишите запрос на естественном языке

"I want to build an RAG system."

Создана система RAG

Вставка образцов данных

Выполнить запрос

Заключение

В этом руководстве мы рассмотрели создание RAG-системы на базе Milvus с помощью пользовательского навыка. Цель заключалась не только в том, чтобы показать еще один способ вызова Milvus, но и в том, чтобы показать, как навыки могут превратить то, что обычно является многоступенчатой и тяжелой конфигурацией, в нечто, что вы можете повторно использовать и повторять. Вместо того чтобы вручную определять схемы, настраивать индексы или сшивать код рабочего процесса, навык обрабатывает большую часть шаблонов, и вы можете сосредоточиться на тех частях RAG, которые действительно важны.

Это только начало. Полный конвейер RAG состоит из множества движущихся частей: препроцессинг, чанкинг, настройки гибридного поиска, повторное ранжирование, оценка и многое другое. Все они могут быть упакованы в виде отдельных навыков и скомпонованы в зависимости от конкретного случая использования. Если у вашей команды есть внутренние стандарты для размеров вектора, параметров индекса, шаблонов подсказок или логики поиска, навыки - это чистый способ закодировать эти знания и сделать их повторяемыми.

Для новых разработчиков это снижает входной барьер - не нужно изучать каждую деталь Milvus, прежде чем запустить что-то. Для опытных команд это сокращает время на повторную настройку и помогает поддерживать согласованность проектов в разных средах. Навыки не заменят продуманного проектирования системы, но они устраняют множество ненужных трений.

👉 Полная реализация доступна в репозитории с открытым исходным кодом, и вы можете изучить больше примеров, созданных сообществом, на рынке навыков.

Следите за новостями!

Мы также работаем над созданием официальных навыков Milvus и Zilliz Cloud, которые охватывают общие шаблоны RAG и лучшие производственные практики. Если у вас есть идеи или конкретные рабочие процессы, которые вы хотите поддержать, присоединяйтесь к нашему Slack-каналу и общайтесь с нашими инженерами. А если вам нужны рекомендации по вашей собственной настройке, вы всегда можете записаться на сеанс Milvus Office Hours.