מסגרת המיומנויות של קלוד הופכת בשקט לסטנדרט בתעשייה

כאשר אנתרופי מיומנויות שהושקו באוקטובר, ההכרזה נראתה כמו תכונה של מפתחים נישה. חודשיים לאחר מכן, OpenAI אימצה את אותה ארכיטקטורה - וההתכנסות השקטה חושפת משהו משמעותי לגבי הכיוון שאליו פונים סוכני בינה מלאכותית.

מיומנויות הן פשוטות באופן מטעה: תיקיות המכילות קבצי Markdown שמורות למערכות בינה מלאכותית כיצד לבצע משימות ספציפיות. אך אימוצן על ידי שתי מעבדות הבינה המלאכותית הגדולות מצביע על כך שהתעשייה מצאה תשובה משותפת לשאלה בסיסית: כיצד גורמים לעוזרי בינה מלאכותית להיות טובים באופן עקבי בעבודה מיוחדת?

מה ש-OpenAI בדיוק עשתה

המפתח אליאס ג'ודין גילה את המימוש של OpenAI ב-12 בדצמבר בעת שערך ניסויים עם מפרש הקוד של ChatGPT. על ידי כך שנדרש מהמודל ליצור קובץ zip של... /home/oai/skills בספרייה, הוא מצא תיקיות עבור קבצי PDF, גליונות אלקטרוניים ומסמכים - כל אחת מהן מכילה קבצי הוראות זהים מבחינה מבנית למפרט של Anthropic.

אותה ארכיטקטורה הופיעה בכלי Codex CLI של OpenAI שבועיים קודם לכן, באמצעות בקשת משיכה שכותרתה "feat: experimental support for skills.md". המימוש משקף את הגישה של Anthropic: מיומנויות חיות בספרייה מקומית (~/.codex/skills), כל אחד מהם מוגדר על ידי SKILL.md קובץ עם מטא-דאטה והוראות.

OpenAI לא הכריזה רשמית על התכונה. אך נוכחותה הן ב-ChatGPT והן ב-Codex מרמזת על אסטרטגיה מכוונת ולא על ניסוי.

למה כישורים חשובים

הגישה המסורתית לשיפור הבינה המלאכותית במשימות ספציפיות כללה כוונון עדין - אימון מודלים יקר וגוזל זמן על נתונים מיוחדים. מיומנויות מציעות אלטרנטיבה קלה יותר: הוראות ומשאבים שנטענים רק כאשר הם רלוונטיים.

צוות ההנדסה של אנתרופיק תיאר עקרון התכנון כ"גילוי מתקדם". כל מיומנות דורשת רק כמה עשרות טוקנים כאשר היא מסוכמת, כאשר פרטים מלאים נטענים רק כאשר המשימה דורשת אותם. זה פותר בעיה מעשית: חלונות הקשר הם שטח יקר ערך, ודחיסת כל הוראה אפשרית לכל בקשה מבזבזת משאבים.

הארכיטקטורה עובדת מכיוון שמודלים מודרניים של בינה מלאכותית יכולים לקרוא ולעקוב אחר הוראות באופן דינמי. מיומנות לטיפול ב-PDF עשויה לכלול ספריות מועדפות, טיפול ב-edge cases ועיצוב פלט - מידע שהמודל זקוק לו רק בעת עיבוד קבצי PDF.

סיפור ההתכנסות

אימוץ הגישה של Anthropic על ידי OpenAI אינו יוצא דופן בפני עצמו. מעבדות בינה מלאכותית לומדות באופן קבוע מעבודותיהן של זו. מה שבולט הוא הזהות המבנית: אותן מוסכמות למתן שמות לקבצים, אותו פורמט מטא-דאטה, אותו ארגון ספריות.

תאימות זו יכולה להצביע על מיומנויות שנכתבו עבור קלוד קוד יכול לעבוד עם Codex CLI של OpenAI, ולהיפך. מפתחים יכולים לשתף מיומנויות ב-GitHub כמו חבילות npm. המערכת האקולוגית הופכת להיות ניתנת לפעולה הדדית ולא מקוטעת.

העיתוי תואם למאמצי סטנדרטיזציה רחבים יותר. אנתרופיק תרמה את פרוטוקול Model Context לקרן לינוקס ב-9 בדצמבר, ושתי החברות ייסדו יחד את... קרן סוכנית לבינה מלאכותית לצד בלוק, גוגל, מיקרוסופט ו-AWS הצטרפו כחברים.

הקרן תנהל את MCP, פרויקט Goose של Block, ואת מפרט AGENTS.md של OpenAI. מיומנויות משתלבות באופן טבעי בדחיפה זו לסטנדרטיזציה - מודולי יכולות רב פעמיים שעובדים על פני פלטפורמות שונות.

מה המשמעות של זה עבור כלי קידוד בינה מלאכותית

ארכיטקטורת המיומנויות חשובה ביותר עבור כלי קידוד של בינה מלאכותית, שבו ידע מיוחד משפר באופן דרמטי את איכות הפלט. מיומנות לפיתוח React עשויה לציין תבניות רכיבים, העדפות ניהול מצבים ומוסכמות בדיקה. מיומנות להעברת מסדי נתונים יכולה לכלול בדיקות בטיחות ונהלי החזרה למצב אחר.

סטארטאפים של קידוד בינה מלאכותית כמו Cursor בנו עסקים על הפיכת בינה מלאכותית לשימושית יותר עבור משימות פיתוח ספציפיות. מסגרת המיומנויות מעניקה לספקי מודלים דרך סטנדרטית להציע התאמה אישית דומה - שעלולה לאיים או להשלים כלים של צד שלישי בהתאם לביצוע.

עבור מפתחי ארגונים, מיומנויות יכולות פעולה הדדיות פירושן שידע מוסדי הופך נייד. ניתן לקודד את תקני הקידוד הפנימיים של חברה, דרישות האבטחה והעדפות זרימת העבודה באופן חד פעמי ולהחיל אותם על פני כל כלי הבינה המלאכותית שהצוות משתמש בהם.

הסאבטקסט האסטרטגי

לאימוץ של OpenAI יש השלכות אסטרטגיות. החברה העדיפה באופן היסטורי גישות קנייניות - פעולות GPT, מערכות GPT מותאמות אישית, ואינטגרציות ספציפיות לפלטפורמה. מיומנויות מייצגות כיוון לקראת סטנדרטים פתוחים הפועלים בכלים שונים.

פרשנות אחת: OpenAI מכירה בכך שמערכות אקולוגיות של מפתחים חשובות יותר מנעילה קניינית בשלב זה. אם מיומנויות הופכות לסטנדרט, תאימות חשובה יותר משליטה במפרט.

פרשנות נוספת: תחרות עם חוויית המפתחים של Anthropic דורשת התאמה לתכונות שלה. קלוד קוד צמחה באגרסיביות, הגיעה להכנסות שנתיות של מיליארד דולר והשתלבה בסלאק. מיומנויות הן חלק ממה שהופך את קלוד קוד לשימושי; OpenAI הייתה צריכה להגיב.

האמת כנראה כוללת את שני הגורמים. מעבדות בינה מלאכותית מתחרות בעוצמה על מדדים ויכולות, תוך שיתוף פעולה על סטנדרטים של תשתית המועילים לכולם. מיומנויות נופלות תחת הקטגוריה השנייה.

מה הלאה

ההזדמנות המיידית היא שוק מיומנויות - מאגרי GitHub שבהם מפתחים חולקים ערכות הוראות ייעודיות למשימות נפוצות. לאנתרופיק כבר יש... anthropics/skills מאגר. צפו ש-OpenAI ילך בעקבותיו, וצפו שמיומנויות התרומה על ידי הקהילה יתפשטו.

השאלה ארוכת הטווח היא עד כמה מיומנויות משתלבות במוצרי בינה מלאכותית. נכון לעכשיו, הן רלוונטיות בעיקר למפתחים המשתמשים בכלי ממשק שורת פקודה (CLI). אבל אותה ארכיטקטורה יכולה להניע התאמה אישית במוצרי צריכה - עוזרי כתיבה מותאמים אישית, כלי מחקר ייעודיים, צ'אטבוטים ספציפיים לתחום.

לעת עתה, ההתכנסות במיומנויות מייצגת דבר נדיר בבינה מלאכותית: חברות מתחרות מסכימות שסטנדרטיזציה משרתת את כולם. האם שיתוף פעולה זה משתרע על תחומים שנויים במחלוקת אחרים - תקני בטיחות, גילוי יכולות, הנחיות פריסה - נותר לא ברור.

אבל עבור מפתחים שבונים על פלטפורמות בינה מלאכותית, המסר ברור: מיומנויות הופכות לתשתית. לימוד כתיבתן עכשיו פירושו להיות מוכנים לאופן שבו כלי בינה מלאכותית יעבדו מחר.