راهنمای ساخت و استفاده از اسکیل شخصی در هوش مصنوعی؛ از ChatGPT تا دیپ‌سیک

اسکیل‌ها به هوش مصنوعی یاد می‌دهند کارهای تکراری را طبق یک روش مشخص انجام دهد؛ در این راهنما از ساخت SKILL.md تا تست و استفاده را آموزش می‌دهیم.

اگر یک کار مشخص را بارها برای مدل‌های زبانی توضیح داده‌اید و هر بار مجبور شده‌اید از صفر شروع کنید، اسکیل دقیقا همین مشکل را حل می‌کند. در این راهنما قدم‌به‌قدم می‌بینیم چطور یک اسکیل بسازیم، چه چیزی آن را قابل‌اعتماد می‌کند، کجاها اصلا نباید سراغش رفت و چطور همان یک فایل را در کلاد، چت‌جی‌پی‌تی و ابزارهای دیگر نصب کنیم.

اسکیل روش انجام یک کار تکراری است که در قالب یک فایل ذخیره می‌شود؛ بر خلاف پرامپت که با بسته‌شدن چت از بین می‌رود، مدل هر بار با کاری مرتبط روبه‌رو شود، خودش سراغ این فایل می‌رود و طبق دستورالعمل‌های آن عمل می‌کند. تفاوتش با MCP هم در همین‌جاست: ام‌سی‌پی مدل را به دنیای بیرون (دیتای زنده، حساب کاربری، دیتابیس) وصل می‌کند و می‌گوید الان بیرون چه خبر است، اما اسکیل می‌گوید با آن خبر چه باید کرد. برای توضیح کامل‌تر مقاله اسکیل چیست؟ را بخوانید.

در استاندارد Agent Skills، اسکیل معمولاً یک پوشه است که یک فایل اصلی به نام SKILL.md دارد. این فایل دستورالعمل اصلی مهارت را در خود جای می‌دهد و می‌تواند در کنار آن، فایل‌های دیگری مانند اسکریپت‌ها، نمونه‌ها، قالب‌ها و اسناد مرجع نیز قرار بگیرند. آنتروپیک در مستندات Agent Skills نیز همین ساختار را توضیح داده است.

یک اسکیل می‌تواند علاوه‌بر فایل اصلی SKILL.md، فایل‌های دیگری هم داشته باشد. برای مثال، می‌توانید در پوشه‌ی اسکیل یک پوشه‌ی references برای فایل‌های مرجع، یک پوشه‌ی templates برای قالب‌های آماده و یک پوشه‌ی scripts برای اسکریپت‌های موردنیاز قرار دهید. البته هیچ‌کدام از این فایل‌ها الزامی نیستند و برای یک اسکیل ساده، وجود SKILL.md به‌تنهایی کافی است.

برای یک اسکیل ساده، ممکن است تنها SKILL.md کافی باشد

برای مثال، اگر اسکیل شما برای تولید گزارش طراحی شده باشد، می‌توانید یک فایل راهنمای لحن در بخش فایل‌های مرجع، قالب استاندارد گزارش را در بخش قالب‌ها و یک اسکریپت برای محاسبه‌ی آمار در پوشه‌ی اسکریپت‌ها قرار دهید. در این حالت، همه‌ی اجزای موردنیاز برای انجام آن کار در کنار دستورالعمل اصلی اسکیل قرار می‌گیرند.

در ابتدای فایل، اطلاعاتی با فرمت YAML قرار می‌گیرد. دو مورد اصلی عبارت‌اند از:

مثلاً برای اسکیلی که قرار است متن یک پادکست را به مقاله‌ی وب تبدیل کند، توضیحی مثل «دستیار تولید محتوا» بیش‌ازحد کلی است. توضیح بهتر باید هم نوع ورودی و هم زمان استفاده از اسکیل را مشخص کند؛ مثلاً:

در این مثال، مدل فقط نمی‌فهمد که اسکیل «مربوط به تولید محتوا» است؛ دقیقاً می‌داند چه نوع ورودی‌ای باید دریافت کند و در چه شرایطی سراغ این اسکیل برود.

دلیل اهمیت description این است که عامل معمولاً ابتدا همین اطلاعات کوتاه را برای تشخیص مرتبط‌بودن اسکیل بررسی می‌کند و بعد سراغ دستورالعمل کامل می‌رود.

اسکیل زمانی بیشترین فایده را دارد که فرایند ثابت بماند اما ورودی هر بار تغییر کند. برای مثال:

فرض کنید هر هفته یک فایل داده دریافت می‌کنید و باید از آن گزارش بسازید. داده‌ها هر بار تغییر می‌کنند، اما روش تحلیل و ساخت گزارش تقریباً ثابت است. این دقیقاً همان نوع کاری است که اسکیل برای آن طراحی شده است.

در مقابل، اگر کاری فقط یک‌بار انجام می‌شود و توضیح‌دادنش از ساختن اسکیل ساده‌تر است، احتمالاً نیازی به Skill ندارید.

یک اسکیل خوب قرار نیست به هوش مصنوعی بگوید «در این حوزه حرفه‌ای باش». باید فرایند انجام یک کار مشخص را تعریف کند. پیش از ساخت اسکیل، چهار سؤال ساده را جواب دهید:

معیار سنجش کیفیت یک اسکیل این است که بفهمد کجا نباید جواب بدهد

برای مثال، فرض کنید می‌خواهید اسکیلی بسازید که از روی یک فایل CSV، گزارش عملکرد فروشگاه را تهیه کند. اسکیل نباید فقط بگوید «داده‌ها را تحلیل کن». بهتر است مشخص کند که خروجی باید شامل چه چیزهایی باشد؛ مثلاً تغییرات فروش، محصولات پرفروش، موارد غیرعادی و جمع‌بندی مدیریتی.

همچنین اگر تاریخ یا عددی در فایل وجود نداشت، مدل نباید آن را از خودش بسازد. می‌توانید صریحاً مشخص کنید که در صورت نبود اطلاعات، عبارت «داده کافی نیست» نمایش داده شود.

فرض کنید می‌خواهید برای هر محصول جدید فروشگاه اینترنتی‌تان یک توضیح استاندارد تولید کنید. دستورالعمل اسکیل می‌تواند این‌طور باشد: خروجی باید سه بخش داشته باشد، معرفی کوتاه محصول در یک پاراگراف، فهرست ویژگی‌های فنی به‌صورت بولت و یک جمله پیشنهاد کاربرد؛ طول توضیح بین ۸۰ تا ۱۲۰ کلمه؛ هیچ مشخصه فنی (ابعاد، وزن، گارانتی، قیمت) که در فایل مشخصات محصول نیامده نباید نوشته شود؛ اگر مشخصه‌ای در فایل ورودی نبود، دقیقاً زیر بخش پایانی نوشته شود «این مشخصه در داده ورودی موجود نیست».

تست واقعی این اسکیل جایی مشخص می‌شود که فایل مشخصات یک محصول ناقص باشد؛ مثلاً وزن محصول ذکر نشده باشد. اگر اسکیل درست نوشته شده باشد، مدل وزنی را از خودش حدس نمی‌زند و آن را به‌صورت شفاف در بخش «مشخصات نامشخص» می‌آورد، به‌جای این‌که با اطمینان کامل یک عدد ساختگی تحویل دهد.

اگر داخل اسکیل اطلاعاتی گذاشته‌اید که ممکن است تغییر کند (قیمت، مهلت ارسال، شرایط بازگشت کالا)، حتماً کنار آن تاریخ به‌روزرسانی را هم بنویسید؛ مثلاً «قیمت‌ها به‌روزرسانی مهر ۱۴۰۵». فایل اسکیل، بر خلاف دنیای واقعی، خودش تغییر نمی‌کند؛ اگر مهلتی که در اسکیل نوشته شده گذشته باشد اما فایل به‌روز نشود، مدل با همان قطعیتی که مشخصه استفاده از اسکیل است، جواب غلط تحویل می‌دهد.

همین چهار سؤال را برای یک اسکیل کاملاً متفاوت هم می‌شود جواب داد؛ مثلاً اسکیلی که کپشن اینستاگرام برای پست‌های محصولات ورزشی می‌نویسد:

نتیجه این می‌شود که هر بار یک محصول ورزشی جدید معرفی می‌کنید، فقط بریف کوتاه محصول را می‌دهید و کپشن آماده تحویل می‌گیرید، بدون این‌که نگران باشید مدل یک تخفیف یا قیمت نادرست از خودش ساخته باشد.

بهترین روش این نیست که خودتان فایل SKILL.md را دستی بنویسید؛ بهتر است از مدل بخواهید آن را برایتان بسازد. کافی است با جواب‌های همان چهار سؤال بالا (خروجی، منبع، محدودیت حدس‌زدن، رفتار در نامشخصی) کار را برایش توضیح دهید و از کلاد یا ChatGPT بخواهید یک فایل اسکیل بسازد.

روش دیگر این است که اگر چت یا پروژه‌ای دارید که به نتایج موفقیت‌آمیز ختم شده است، همانجا از مدل بخواهید از روی آن اطلاعات برای شما اسکیل بسازد.

بعد از ساخته‌شدن اسکیل، خودتان فایل را باز کنید و بخوانید؛ به‌خصوص چک کنید بخش «موارد نامشخص» درست تعریف شده و جمله ممنوعیت حدس‌زدن درست نوشته شده باشد. تست اسکیل را در یک چت تازه انجام دهید؛ زیرا هدف این است که ببینید مدل بدون هیچ توضیح اضافه، خودش تشخیص می‌دهد چه‌وقت باید از اسکیل استفاده کند.

اسکیل یک استاندارد باز است که آنتروپیک در دسامبر ۲۰۲۵ آن را از انحصار کلاد خارج کرد و در اختیار هر پلتفرم دیگری گذاشت. نتیجه این است که یک فایل SKILL.md به‌طور یکسان در ده‌ها ابزار مختلف کار می‌کند و فقط محل قرارگرفتنش فرق دارد.

کلاد (Claude.ai و Claude Desktop): اسکیل روی پلن‌های رایگان، پرو، مکس، تیم و اینترپرایز در دسترس است، اما نیاز به فعال‌بودن «اجرای کد» دارد. مسیر فعال‌سازی: از تنظیمات، به بخش Capabilities بروید و گزینه‌ی Code execution and file creation را روشن‌ کنید

سپس در بخش Skills می‌توانید فایل اسکیل خودتان را آپلود کنید. در Claude Code، فایل اسکیل در پوشه‌ی ~/.claude/skills/ قرار می‌گیرد.

چت‌جی‌پی‌تی: دسترسی به اسکیلز به نوع حساب و Workspace بستگی دارد. Skills برای کاربران واجد شرایط Business، Enterprise، Healthcare و Edu در دسترس است. اگر به این بخش دسترسی دارید، از نوار کناری وارد بخش Plugins شوید و تب Skills را باز کنید. سپس فایل اسکیل ساخته‌شده را آپلود کنید.

برای چت‌جی‌پی‌تی حتما نام فایل را به SKILL.md تغییر دهید. کلاد این محدودیت را ندارد.

Codex، Cursor، Gemini CLI و ابزارهای دیگر: در Codex فایل اسکیل در پوشهٔ .codex/skills/ قرار می‌گیرد و در Cursor در .cursor/skills/. چون فایل SKILL.md برای همه این ابزارها یکسان است، کافی است یک‌بار اسکیل را بسازید و در هر ابزاری که با آن کار می‌کنید، همان فایل را در پوشه مخصوص همان ابزار کپی کنید.

ابزارها و چت‌بات‌هایی که از اسکیلز پشتیبانی نمی‌کنند: اگر از نسخه‌ای از چت‌جی‌پی‌تی استفاده می‌کنید که اسکیلز در آن فعال نیست یا از دیپ‌سیک، کیمی یا هر هوش مصنوعی‌ای که به‌طور رسمی از اسکیل پشتیبانی نمی‌کند، کافی است هر بار فایل SKILL.md را ابتدای چت ارسال کنید و بخواهید براساس آن به شما پاسخ بدهد.

اسکیل را می‌توان نسخه‌ی ساختاریافته‌ی یک فرایند تکرارشونده دانست. به‌جای اینکه هر بار برای مدل توضیح دهید چه کاری را، با چه روشی و با چه قالبی انجام دهد، این دستورالعمل را یک‌بار در SKILL.md و در صورت نیاز در فایل‌های جانبی قرار می‌دهید.

اسکیل را می‌توان نسخه‌ی ساختاریافته‌ی یک فرایند تکرارشونده دانست

برای شروع هم لازم نیست سراغ پیچیده‌ترین workflow خود بروید. کاری را انتخاب کنید که در طول هفته چند بار تکرار می‌کنید؛ خروجی، منابع، محدودیت‌ها و رفتار مدل در شرایط نامشخص را مشخص کنید، اسکیل را بسازید و بعد در یک چت تازه با ورودی واقعی آزمایش کنید.

اگر قرار باشد فقط یک کار تکراری را به اسکیل تبدیل کنید، کدام فرایند روزمره‌تان بیشترین زمان را از شما می‌گیرد؟ تجربه‌تان را با ما و دیگر کاربران زومیت در بخش دیدگاه‌ها به اشتراک بگذارید.