تصور کنید مهارتی ساخته‌اید که در پوشه‌ای رها شده و هرگز فراخوانی نمی‌شود؛ این اتفاق تقریباً همیشه یک شکست در مسیریابی است، نه یک باگ فنی. فارغ از اینکه کد شما چقدر بی‌نقص باشد، توصیفی که بد نوشته شده باشد، دلیل اصلی عدم فعال شدن اکثر مهارت‌های Claude است. این چالش دقیقاً همان نقطه‌ای است که در تحلیل ما درباره توصیفات کلی به عنوان عامل اصلی شکست عامل‌های هوش مصنوعی به آن پرداختیم.
همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده از MicroVMها برای مدیریت وضعیت در Claude Code اشاره کردیم، اکنون تمرکز بر ارکستراسیون سطح بالای این قابلیت‌هاست. برای یک توسعه‌دهنده، یک مهارت صرفاً پوشه‌ای است که شامل فایل SKILL.md با یک سرآیند YAML و دستورالعمل‌های مارک‌داون است. این استاندارد باز که در دسامبر ۲۰۲۵ توسط Anthropic معرفی شد، تضمین می‌کند که ساختار پوشه در API، وب‌سایت claude.ai و Claude Code یکسان عمل کند. این رویکرد ساختاریافته در واقع بخشی از استراتژی گسترده‌تر برای جایگزینی تحلیل سیستماتیک با حدس‌های احتمالی در کدنویسی است.
منطق قوانین مسیریابی
مدل Claude تمام مهارت شما را از ابتدا نمی‌خواند. در لحظه شروع، مدل فقط نام و توصیف هر مهارت نصب‌شده را بارگذاری می‌کند که برای هر کدام حدود ۱۰۰ توکن (Token) — شبیه برش‌های یک کییک طولانی که مدل تکه‌تکه می‌خورد — هزینه دارد. این طراحی که «افشای تدریجی» نام دارد، به این معناست که توصیف نباید یک خلاصه کاربرپسند باشد، بلکه باید یک قانون مسیریابی سخت‌گیرانه باشد.
اگر توصیف مبهم باشد، مدل هرگز دستورالعمل‌های کامل را باز نمی‌کند. برای حل این مشکل، توصیفات باید صراحتاً محرک‌ها را نام ببرند. به‌جای نوشتن «کمک به بررسی کد»، توسعه‌دهنده باید از عباراتی مثل «زمانی استفاده شود که کاربر درخواست بررسی PR، بررسی diff یا چک کردن تغییرات staged را دارد» استفاده کند.
به نقل از یک آزمایش توسعه‌دهندگان روی ۶۵۰ فعال‌سازی، دستورالعمل‌های مستقیمی که با «از این مهارت استفاده کن وقتی...» شروع می‌شدند، بسیار پایدارتر از توصیفات مجهول عمل کردند. همچنین توصیف باید به صورت سوم شخص (مثلاً «بررسی درخواست‌های Pull Request») نوشته شود تا با پرامپت سیستمی (System Prompt) مدل تداخل پیدا نکند و باعث سردرگمی مدل در تشخیص دستورات نشود. برای بهینه‌سازی بیشتر این تعاملات، می‌توانید از قالب‌های پرامپت تخصصی در Claude استفاده کنید تا حجم کارهای تکراری برنامه‌نویسان کاهش یابد.
قواعد نام‌گذاری نیز حیاتی هستند. Anthropic توصیه می‌کند نام‌ها به «-ing» ختم شوند (مانند analyzing-spreadsheets) و استفاده از کلمات «anthropic» یا «claude» در نام مهارت‌ها ممنوع است. نام‌ها باید حتماً با حروف کوچک باشند، از خط تیره (hyphen) برای جداسازی کلمات استفاده کنند و طول آن‌ها زیر ۶۴ کاراکتر باقی بماند.
مدیریت بودجه توکن‌ها
به محض فعال شدن مهارت، بدنه SKILL.md در پنجرهٔ زمینه (Context Window) — میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، مثل میز کاری که جا برای چند ورق دارد — بارگذاری می‌شود. هر توکن هدررفته در این فایل، حافظه در دسترس برای انجام وظیفه اصلی را کاهش می‌دهد. توصیه رسمی این است که بدنه اصلی SKILL.md زیر ۵۰۰ خط باشد.
توسعه‌دهندگان باید از استراتژی بارگذاری لایه‌ای برای محافظت از پنجره زمینه استفاده کنند:
- نام و توصیف: همیشه بارگذاری می‌شود (حدود ۱۰۰ توکن).
- بدنه SKILL.md: فقط هنگام فعال شدن بارگذاری می‌شود (معمولاً زیر ۵ هزار توکن).
- فایل‌ها/اسکریپت‌های پیوست: فقط زمانی بارگذاری می‌شوند که صراحتاً در متن به آن‌ها ارجاع داده شود (هزینه اولیه صفر).
این یعنی یک راهنمای API با ۲۰۰۰ خط باید در فایلی جداگانه باشد، نه در دستورالعمل‌های اصلی. علاوه بر این، توسعه‌دهندگان باید از توضیح مفاهیمی که مدل از قبل می‌داند پرهیز کنند. برای مثال، دستورالعمل استخراج متن از PDF نباید توضیح دهد PDF چیست، چون این کار بدون افزودن ارزش، توکن‌ها را هدر می‌دهد و فضای حافظه را اشغال می‌کند.
قطعی‌سازی از طریق کد
پایداری زمانی افزایش می‌یابد که کارهای قطعی از دستورالعمل‌های زبان طبیعی به اسکریپت‌ها منتقل شوند. اگر وظیفه‌ای شامل تجزیه یک فایل یا اعتبارسنجی یک طرحواره (Schema) است، یک اسکریپت پایتون پیوست‌شده بسیار برتر از این است که به Claude بگوییم «دقیق باش» یا «مراقب باش».
وقتی Claude یک اسکریپت را از طریق bash اجرا می‌کند، فقط خروجی نهایی وارد زمینه می‌شود، نه خودِ کد اسکریپت. این باعث می‌شود یک اسکریپت validate.py ارزان‌تر و سازگارتر از تولید منطق اعتبارسنجی جدید در هر بار اجرا باشد، زیرا مدل نیازی به پردازش مجدد کد در هر درخواست ندارد.
طبق مستندات Anthropic، رویکرد «حل کن، به تعویق نینداز» برای این اسکریپت‌ها پیشنهاد می‌شود. مدیریت خطا، مانند بررسی وجود یک فایل قبل از خواندن آن، باید داخل خودِ اسکریپت رخ دهد تا مدل مجبور نباشد بعد از کرش کردن یا دریافت خطا، برای اصلاح آن بداهه عمل کند و توکن‌های بیشتری مصرف کند.
برای اقدامات پرخطر مانند مهاجرت پایگاه‌داده (Database Migrations)، الگوی سه‌مرحله‌ای «برنامه‌ریزی، اعتبارسنجی و اجرا» توصیه می‌شود. در این الگو، Claude ابتدا برنامه را در یک فایل می‌نویسد، سپس یک اسکریپت مجزا آن برنامه را تایید می‌کند و تغییرات تنها پس از تایید موفقیت‌آمیز چک، اعمال می‌شوند.
مقیاس‌پذیری در اکوسیستم‌ها
وقتی یک تیم از یک مهارت به ده‌ها مهارت می‌رسد، امنیت و حاکمیت حیاتی می‌شوند. مهارت‌ها می‌توانند از طریق پروتکل زمینهٔ مدل (MCP) به ابزارهای خارجی متصل شوند، اما این موضوع ریسک‌های جدیدی ایجاد می‌کند. یک مهارت ممکن است به Claude دستور دهد ابزاری را به گونه‌ای اجرا کند که نویسنده هرگز قصدش را نداشته است یا منجر به دسترسی‌های غیرمجاز شود.
تست روی مدل‌های مختلف — مانند Haiku، Sonnet و Opus — ضروری است زیرا پایداری یک مهارت به مدلی که آن را اجرا می‌کند بستگی دارد. در محیط تیمی، این موضوع اغلب منجر به ترکیبی آشفته از کلیدهای API مختلف و فراخوانی‌های نظارت‌نشده ابزارها می‌شود که ردیابی آن‌ها دشوار است.
برای تیم‌هایی که زیرساخت خود را مقیاس می‌دهند، یک درگاه هوش مصنوعی مانند Bifrost (محصول Maxim AI) می‌تواند این پیچیدگی را مدیریت کند. Bifrost یک فیلتر «رد پیش‌فرض» (deny-by-default) برای ابزارهای MCP فراهم می‌کند تا مطمئن شود یک مهارت نمی‌تواند اقدامات مخربی مثل delete_file را بدون اجازه صریح و تعریف‌شده اجرا کند.
بر اساس بنچمارک‌های منتشر شده، Bifrost توان عملیاتی ۹.۵ برابر بیشتر (۴۲۴ درخواست در ثانیه) نسبت به LiteLLM (۴۴.۸۴ درخواست در ثانیه) و تأخیر به‌مراتب کمتری ارائه داده است. همچنین به تیم‌ها اجازه می‌دهد بودجه‌ها و لیست مدل‌های مجاز را از طریق کلیدهای مجازی مدیریت کنند، به‌جای اینکه از جداول پیچیده اکسل یا اسپرادشیت استفاده کنند.
در نهایت، یک مهارت عالی بر سه عادت استوار است: نوشتن توصیفات به عنوان قوانین مسیریابی، سبک نگه داشتن دستورالعمل‌ها و استفاده از کد برای کارهای قطعی. این انتخاب‌ها از حافظه کاری مدل محافظت کرده و تضمین می‌کند مهارت در زمان نیاز واقعاً اجرا شود.
گام بعدی شما
- توصیفات مهارت‌های فعلی خود را بازبینی کنید و خلاصه‌های کلی را با عبارات دقیقی که در پرامپت‌های خود تایپ می‌کنید جایگزین کنید.
- هر بخش از دستورالعمل‌های شما که مربوط به منطق تکراری یا اعتبارسنجی است را به یک اسکریپت پایتون منتقل کنید.
- برای مهارت‌های حساس، گردش کار سه‌مرحله‌ای (برنامه $ \rightarrow $ تایید $ \rightarrow $ اجرا) را پیاده‌سازی کنید.
اما مدیریت این ابزارها در مقیاس سازمانی چالش‌های امنیتی خاص خود را دارد — به بررسی ما درباره پروتکل MCP و لایه‌های حفاظتی آن مراجعه کنید.
گفتگو