تصور کنید سیستمی داشته باشید که مهارت‌های کاربردی خود را خودش می‌نویسد و ذخیره می‌کند. با دستور جدید /learn در Hermes Agent — یک عامل بازمتن و خودبهبودکننده از Nous Research — اکنون می‌توان مواد خام اطلاعاتی را به‌طور خودکار به فایل‌های ساختاریافتهٔ SKILL.md تبدیل کرد. با ارجاع دادن این عامل به یک URL، یک دایرکتوری محلی یا حتی گفتگوهای اخیر، سیستم نیاز به نویسندگی دستی انسان برای تعریف مهارت‌ها را به‌طور کامل از بین می‌برد.
همان‌طور که در تحلیل قبلی ما درباره‌ی اینکه چگونه Hermes Agent موانع ترمینالی برای عامل‌های AI را حذف می‌کند اشاره کردیم، این به‌روزرسانی تمرکز را از دسترسی ساده به مدیریت «حافظه رویه‌ای» منتقل می‌کند. این قابلیت در ادامه‌ی توانمندی‌های عملیاتی این عامل است که پیش‌تر در رفع خطاهای پیچیده لینوکس و فلاتر از طریق دسترسی به ترمینال به نمایش گذاشته شد. در فضای فعلی، گسترش توانمندی‌های یک عامل معمولاً نیازمند مهندسی پرامپت (Prompt Engineering) tedious و خسته‌کننده برای هر ابزار یا API جدید است. این آپدیت، عامل را از یک کاربر غیرفعال ابزار به یک گردآورنده فعال دانش (Knowledge Curator) تبدیل می‌کند.
به نقل از به‌روزرسانی ۲۳ ژوئن ۲۰۲۶ شرکت Nous Research، مکانیسم /learn با استفاده از ابزارهای موجود عامل — مانند read_file برای خواندن فایل‌ها، search_files برای جست‌وجو و web_extract برای استخراج داده‌های وب — اطلاعات را جمع‌آوری کرده و سپس یک فایل Markdown مطابق با استانداردها می‌نویسد. این مهارت‌ها در مسیر ~/.hermes/skills/ به عنوان «منبع واحد حقیقت» (Single Source of Truth) ذخیره می‌شوند و به‌صورت خودکار به دستورات «اسلش» برای کاربر تبدیل می‌گردند. برای مثال، اجرای دستور /plan یا /axolotl فوراً دستورالعمل‌های مربوط به آن مهارت‌های خاص را در نوبت جاری گفتگو بارگذاری می‌کند.
مکانیسم فنی و قالب‌بندی
این سامانه از استاندارد باز agentskills.io پیروی می‌کند تا اطمینان حاصل شود که مهارت‌ها قابل انتقال (Portable) هستند. هر مهارت در واقع پوشه‌ای است که شامل یک فایل SKILL.md است. عامل این فایل را با استفاده از استانداردهای داخلی (House Standards) می‌نویسد: توصیفی کوتاه زیر ۶۰ کاراکتر، ترتیب بخش‌های ثابت و چارچوب ابزارهای Hermes. نکته کلیدی و حیاتی این است که عامل هرگز دستوراتی را که در واقعیت وجود ندارند، اختراع نمی‌کند.
برای جلوگیری از پر شدن پنجرهٔ زمینه (Context Window) — که مثل میز کاری است که فقط جای چند ورق کاغذ دارد و نه کل کتابخانه — Hermes Agent از الگوی «افشای تدریجی» (Progressive Disclosure) برای پایین نگه داشتن هزینه‌ها استفاده می‌کند:
- سطح ۰ (skills_list): بازگرداندن نام‌ها، توصیفات و دسته‌بندی‌ها؛ هزینه این عملیات تقریباً ۳,۰۰۰ توکن است.
- سطح ۱ (skill_view): بارگذاری محتوای کامل و متادیتای یک مهارت خاص؛ هزینه بسته به حجم محتوا متفاوت است.
- سطح ۲ (skill_view with path): بارگذاری یک فایل مرجع خاص؛ هزینه متغیر است.
در اینجا مهارت‌ها از حافظهٔ کلی (General Memory) متمایز می‌شوند. در حالی که حافظه حاوی حقایق کوچک و بادوامی است که همیشه در زمینه حضور دارند، مهارت‌ها اسناد مرجعی هستند که عامل فقط زمانی که موضوع مرتبط باشد، آن‌ها را می‌خواند.
گردش کار دستور /learn
دستور /learn مرحله نوشتن دستی و انسانی را حذف می‌کند. کاربران می‌توانند این دستور را از طریق CLI (رابط خط فرمان)، TUI (رابط متنی کاربر)، Gateway پیام‌رسان یا داشبورد اعمال کنند. داشبورد شامل یک دکمه اختصاصی «Learn a skill» است که دارای فیلدهایی برای مسیر دایرکتوری، URL و یک جعبه متنی برای توضیحات است.
نمونه‌هایی از ورودی‌های /learn عبارت‌اند از:
- SDKهای محلی: «/learn the REST client in ~/projects/acme-sdk, focus on auth + pagination» (یادگیری کلاینت REST در مسیر پروژه با تمرکز بر احراز هویت و صفحه‌بندی).
- مستندات آنلاین: «/learn https://docs.example.com/api/quickstart» (یادگیری از طریق صفحه شروع سریع API).
- گردش‌کارهای زنده: «/learn how I just deployed the staging server» (یادگیری نحوه استقرار سرور استیجینگ که همین حالا توسط کاربر انجام شد).
- یادداشت‌های کپی‌شده: «/learn filing an expense: open the portal, New > Expense, attach receipt, submit» (یادگیری نحوه ثبت هزینه: باز کردن پورتال، انتخاب هزینه جدید، پیوست رسید و ارسال).
کاربران می‌توانند اتوماسیون را از طریق یک درگاه تأیید به نام write_approval کنترل کنند. به‌صورت پیش‌فرض، مقدار write_approval برابر با false است. اما وقتی روی true تنظیم شود، هر مهارت ایجاد شده توسط عامل ابتدا در مسیر ~/.hermes/pending/skills/ قرار می‌گیرد تا توسط انسان بررسی شده و سپس از طریق ابزار skill_manage به دایرکتوری اصلی منتقل شود.
چهار مسیر خلق مهارت
در حالی که /learn ویژگی اصلی و جدید است، Hermes Agent چهار مسیر متمایز برای ایجاد مهارت پشتیبانی می‌کند:
- نوشتن دستی SKILL.md: توسط کاربر نوشته می‌شود تا کنترل کاملی بر کلمات و جزئیات داشته باشد.
- دستور /learn: توسط عامل زنده از روی دایرکتوری‌ها، URLها یا یادداشت‌ها نوشته می‌شود و از درگاه
skill_manageعبور می‌کند. - مدیریت خودکار (skill_manage auto): زمانی که عامل یک گردش‌کار را به‌طور موفقیت‌آمیز حل می‌کند، آن را کپچر کرده و از درگاه
write_approvalاستفاده می‌کند. - نصب از Skills Hub: دریافت مهارت‌های شخص ثالث از یک ریجستری یا مخزن گیت‌هاب که ابتدا از یک اسکنر امنیتی عبور می‌کنند.
کاربرد عملی و مقیاس‌پذیری
برای یک توسعه‌دهنده، این به معنای آن است که آشنایی با یک API داخلی اکنون فقط مستلزم اجرای /learn روی یک URL مستندات خصوصی است. عامل مهارتی تولید می‌کند که شامل احراز هویت، صفحه‌بندی و فراخوانی‌های رایج است. سپس هم‌تیمی‌های جدید می‌توانند این دانش را به صورت یک دستور اسلش فراخوانی کنند.
مورد استفاده دیگر، ثبت دفترچه‌های راهنمای (Runbooks) پیچیده است. پس از اینکه یک انسان مراحل استقرار یک سرور استیجینگ را به عامل آموزش می‌دهد، دستور /learn how I just deployed the staging server آن تعامل خاص را به یک رویه تکرارپذیر و قابل تایید تبدیل می‌کند.
این تغییر به این معناست که حافظه رویه‌ای عامل دیگر ایستا نیست. عامل ممکن است به‌طور خودکار یک رویکرد را ذخیره کند، مثلاً پس از یک تکلیف پیچیده که شامل ۵ فراخوانی ابزار یا بیشتر بوده است، یا زمانی که به بن‌بست رسیده و در نهایت مسیری موفق را پیدا کرده است.
برای کسانی که تیمی از عامل‌ها را مدیریت می‌کنند، مهارت‌ها را می‌توان در «بسته‌ها» (Bundles) گروه‌بندی کرد. این رویکرد ساختاریافته مشابه استراتژی ورسل در مدیریت عامل‌ها از طریق سیستم فایل است که برای مقیاس سازمانی طراحی شده است. یک فایل پیکربندی در مسیر ~/.hermes/skill-bundles/backend-dev.yaml می‌تواند مهارت‌های github-code-review (بررسی کد)، test-driven-development (توسعه آزمون‌محور) و github-pr-workflow (گردش‌کار PR گیت‌هاب) را گروه‌بندی کند تا با یک دستور واحد، کل خط لوله توسعه فراخوانی شود.
ساختار SKILL.md
فرمت SKILL.md از YAML frontmatter برای تعریف متادیتا استفاده می‌کند، مواردی مانند نسخه‌بندی و پلتفرم‌های پشتیبانی شده (مثلاً platforms: [macos, linux]). بدنه فایل از یک سلسله‌مراتب سخت‌گیرانه پیروی می‌کند:
- زمان استفاده (When to Use): تعریف شرایط تحریک یا Trigger.
- رویه (Procedure): راهنمای گام‌به‌گام اجرا.
- تله‌ها (Pitfalls): حالت‌های شکست شناخته‌شده و روش‌های اصلاح آن‌ها.
- تأیید (Verification): نحوه تأیید اینکه تکلیف با موفقیت انجام شده است.
با استفاده از فیلدهای شرطی، اگر ابزارهای مورد نیاز موجود نباشند یا سیستم‌عامل ناسازگار باشد، مهارت‌ها پنهان می‌شوند. این موضوع تضمین می‌کند که عامل فارغ از محیط اجرا — چه محلی، چه داکر یا ریموت — دقیق و بهینه بماند.
گام بعدی شما
- اگر از عامل‌های بازمتن استفاده می‌کنید، ساختار
SKILL.mdرا برای استانداردهای تیمی خود بررسی کنید. - برای کاهش هزینه استنتاج (Inference) — یعنی همان لحظه تولید جواب توسط مدل — از الگوی افشای تدریجی در مدیریت مهارت‌ها استفاده کنید.
- قابلیت‌های
write_approvalرا برای جلوگیری از ورود مهارت‌های نادرست به حافظه سیستم فعال کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو