Clauden taitorakenteen hiljainen muuttuminen teollisuusstandardiksi

Kun Anthropic julkaisi Skillsin lokakuussa, ilmoitus kuulosti niukasti kehittäjän ominaisuudelta. Kahden kuukauden kuluttua OpenAI on omaksunut saman arkkitehtuurin – ja hiljainen yhtenäisyys paljastaa jotain merkittävää siitä, mihin suuntaan tekoälyagentit ovat menossa.

Taidot ovat petollisen yksinkertaisia: kansiot, jotka sisältävät Markdown-tiedostoja, jotka kertovat tekoälyjärjestelmille, miten suorittaa tiettyjä tehtäviä. Mutta niiden omaksuminen molemmista suurista tekoälylaboratorioista viittaa siihen, että teollisuus on löytänyt yhteisen vastauksen perustavaa kysymykseen: miten tehdä tekoälyavustajista johdonmukaisesti hyviä erityistöihin?

Mikä OpenAI juuri teki

Kehittäjä Elias Judin löysi OpenAI:n toteutuksen 12. joulukuuta kokeilemalla ChatGPT:n koodin tulkkia. Ohjelmointikielen mallille luomalla zip-tiedoston /home/oai/skills -kansiosta, hän löysi kansiot PDF-tiedostoille, taulukkoille ja asiakirjoille – kullekin sisällä ohjeistuksia, jotka olivat rakenteellisesti identtisiä Anthropicin määrittelyyn.

Sama arkkitehtuuri ilmestyi OpenAI:n Codex CLI -työkaluun kaksi viikkoa aikaisemmin, nimettynä “feat: experimental support for skills.md”. Toteutus peilaa Anthropicin lähestymistapaa: taidot sijaitsevat paikallisessa kansiossa (~/.codex/skills), ja kullekin määritelty SKILL.md -tiedosto, joka sisältää metatietoja ja ohjeita.

OpenAI ei ole virallisesti ilmoittanut ominaisuudesta. Mutta sen läsnäolo sekä ChatGPT:ssä että Codexissa viittaa tarkoitukselliseen strategiaan eikä kokeiluun.

Miksi taidot ovat tärkeitä

Perinteinen lähestymistapa tehdä tekoäly paremmaksi tiettyihin tehtäviin liittyi hienosäätöön – kalliiseen ja aikaa vievään mallin koulutukseen erikoistuneilla tiedoilla. Taidot tarjoavat kevyemmän vaihtoehdon: ohjeet ja resurssit, jotka ladataan vain silloin, kun ne ovat merkityksellisiä.

Anthropicin insinööritiimi kuvasi suunnitteluperiaatteen “asteittainen paljastus”. Kunkin taidon tiivistelmä vaatii vain muutaman kymmenen tokenin, ja kaikki yksityiskohdat ladataan vain silloin, kun tehtävä vaatii niitä. Tämä ratkaisee käytännön ongelman: kontekstien ikkunat ovat arvokkaita kiinteistöjä, ja kaikkien mahdollisten ohjeiden pakkaaminen jokaiseen pyyntöön tuhlaa resursseja.

Arkkitehtuuri toimii, koska modernit tekoälymallit voivat lukea ja seurata ohjeita dynaamisesti. Taito PDF-käsittelyyn saattaa sisältää suositeltuja kirjastoja, reunatapauksien käsittelyä ja tulosteen muotoilua – tietoa, jota malli tarvitsee vain silloin, kun se käsittelee PDF-tiedostoja.

Yhtenäisyystarina

OpenAI:n omaksuminen Anthropicin lähestymistapaan ei ole tavallista eristyneisyydessä. Tekoälylaboratoriot oppivat säännöllisesti toistensa julkaisemasta työstä. Mitä on merkittävää, on rakenteellinen identtisyys: samat tiedostonimien konventiot, sama metatietomuoto, sama kansioiden järjestäminen.

Tämä yhteensopivuus voi tarkoittaa, että taidot, jotka on kirjoitettu Claude Codeen, voivat toimia OpenAI:n Codex CLI:n kanssa ja päinvastoin. Kehittäjät voivat jakaa taitoja GitHubissa npm-pakettien tavoin. Ekosysteemi muuttuu yhteensopivaksi eikä fragmentoituksi.

Ajanjakso osuu yhteen laajempien standardisointiponnistusten kanssa. Anthropic lahjoitti Model Context Protocolin Linux-säätiölle 9. joulukuuta, ja molemmat yhtiöt perustivat Agentic AI -säätiön Blockin kanssa. Google, Microsoft ja AWS liittyivät jäseniksi.

Säätiö huolehtii MCP:stä, Blockin goose-projektista ja OpenAI:n AGENTS.md -määrittelystä. Taidot sopivat luonnollisesti tähän standardisointiponnistukseen – uudelleen käytettävät kykymoduulit, jotka toimivat alustoittain.

Mitä tämä merkitsee tekoälykoodausvälineille

Taitojen arkkitehtuuri on tärkein tekoälykoodausvälineille, joissa erikoistunut tietämys parantaa merkittävästi tulosteen laatua. Taito React-kehitykseen saattaa määritellä komponenttimalleja, tilan hallintatoimintoja ja testaamisyleissopimuksia. Taito tietokantasiirroksiin saattaa sisältää turvallisuustarkastuksia ja peruutusmenettelyjä.

Tekoälykoodausstartups kuten Cursor ovat rakentaneet liiketoimintansa tekoälyn tekemiseksi hyödyllisemmäksi tiettyihin kehitystehtäviin. Taitojen kehys antaa mallintorajoituksille standardoidun tavan tarjota samanlaisia mukauttamismahdollisuuksia – mahdollisesti uhkaamalla tai täydentämällä kolmannen osapuolen työkaluja toteutuksesta riippuen.

Yrityskehittäjille yhteensopivat taidot tarkoittavat, että institutionaalinen tietämys muuttuu siirrettäväksi. Yrityksen sisäiset koodausstandardit, turvallisuusvaatimukset ja työnkulun suositukset voidaan koodata kerran ja soveltaa kaikkiin tekoälytyökaluihin, joita tiimi käyttää.

Strateginen viittaus

OpenAI:n omaksuminen kantaa strategisia implikaatioita. Yritys on historiallisesti suosinut omia lähestymistapoja – GPT-toiminnot, mukautetut GPT:t, alustoja koskevat integraatiot. Taidot edustavat kääntymistä avoimiin standardeihin, jotka toimivat työkalujen yli.

Yksi tulkinta: OpenAI tunnustaa, että kehittäjien ekosysteemit ovat tärkeämpiä kuin omia lukituksia tässä vaiheessa. Jos taidot muuttuvat standardiksi, yhteensopivuus on tärkeämpää kuin määrittelyn hallinta.

Toinen tulkinta: kilpailu Anthropicin kehittäjäkokemuksen kanssa vaatii vastaavan ominaisuuksien mukauttamista. Claude Code on kasvanut aggressiivisesti, saavuttaen 1 miljardin dollarin vuosittaisen liikevaihdon ja integroituu Slackiin. Taidot ovat osa sitä, mikä tekee Claude Codesta hyödyllisen; OpenAI tarvitsi vastata.

Totuus sisältää luultavasti molempia tekijöitä. Tekoälylaboratoriot kilpailevat voimakkaasti suorituskyvyn ja kykyjen suhteen, samalla kun ne tekevät yhteistyötä infrastruktuuristandardeista, jotka hyödyttävät kaikkia. Taidot kuuluvat jälkimmäiseen kategoriaan.

Mitä seuraavaksi

Välittömäinen mahdollisuus on taitojen markkinapaikka – GitHub-arkistot, joissa kehittäjät jakavat erikoistuneita ohjeistuksia yleisiin tehtäviin. Anthropicilla on jo anthropics/skills -arkisto. Odotetaan, että OpenAI seuraa esimerkkiä, ja odotetaan, että yhteisön luomat taidot lisääntyvät.

Pitkän aikavälin kysymys on, miten syvällisesti taidot integroidaan tekoälytuotteisiin. Tällä hetkellä ne ovat pääasiassa merkityksellisiä kehittäjille, jotka käyttävät CLI-työkaluja. Mutta sama arkkitehtuuri voisi mahdollistaa mukauttamisen kuluttajatuotteissa – henkilökohtaiset kirjoittamisavustajat, erikoistuneet tutkimustyökalut, aihekohtaiset chatbotit.

Toistaiseksi taitojen yhtenäisyys edustaa jotain harvinaista tekoälyssä: kilpailevat yhtiöt ovat sopineet, että standardisointi palvelee kaikkia. On epävarmaa, laajeneeko tämä yhteistyö muihin kiistanalaisiin aiheisiin – turvallisuusstandardeihin, kykyjen ilmoittamiseen, käyttöohjeisiin.