การสร้าง AI Agent Skill สำหรับ Workflow ธุรกิจเฉพาะทาง
AI coding agent ที่ใช้งานทั่วไปจัดการงานหลากหลายได้ดีน่าประหลาดใจ มันอ่าน documentation เขียนโค้ด debug ความล้มเหลว และให้เหตุผลผ่านปัญหาที่ไม่คุ้นเคยด้วย context ที่เพียงพอ แต่ทีมส่วนใหญ่ที่ deploy agent เหล่านี้ในสภาพแวดล้อมปฏิบัติงานจริงพบ friction point เดิมกัน: การให้ context นั้นเป็นงานในตัวมันเอง ที่เติบโตตามความซับซ้อนของ domain
Skill ใน agent framework — ไฟล์ markdown หรือ structured instruction ที่โหลดเป็น system context — เป็นวิธีที่เป็นรูปธรรมที่สุดในการแก้ปัญหานั้น แต่ skill ที่มีประโยชน์ต้องการงานออกแบบที่แตกต่างจากที่บางคนคาดไว้
สิ่งที่ skill ควรและไม่ควรเป็น
ข้อผิดพลาดเริ่มต้นที่ทั่วไปคือการเขียน skill เป็น documentation เพียงอีกชิ้นหนึ่ง skill ที่ดีไม่ใช่ reference เอกสาร — มันเป็น decision tree ที่ encode ไว้เป็นภาษา prose มันตอบคำถาม: สิ่งใดในที่นี้ทำซ้ำบ่อยพอที่จะ encode? อะไรที่ถ้าทำผิดจะมีค่าใช้จ่ายสูง? อะไรที่ต้องการการตัดสินใจในการดำเนินการที่ agent ไม่มีบริบทเพียงพอที่จะทำโดยไม่ต้องถาม?
โครงสร้างที่ทำงานได้จริง
Skill ที่มีประสิทธิภาพมีโครงสร้างคล้ายกัน:
- ส่วน trigger: เงื่อนไขเฉพาะที่ควร invoke skill นี้
- ส่วน context: ข้อมูลที่จำเป็น — ชื่อไฟล์จริง, รูปแบบที่แท้จริง, constraint ที่แท้จริง
- ส่วน steps: ลำดับที่มีตัวเลขที่ชัดเจนพร้อม output ที่ตรวจสอบได้
- ส่วน avoid: สิ่งที่ดูสมเหตุสมผลแต่ผิดในบริบทนี้
- ส่วน examples: กรณีที่แท้จริง ไม่ใช่ hypothetical