9 Keterampilan Agen Terbaik untuk Melatih Agen AI yang Lebih Baik

Menginstal puluhan Keterampilan Agen tidak serta-merta membuat agen AI Anda lebih baik. Faktanya, banyak keterampilan memecahkan masalah yang sangat spesifik yang mungkin tidak pernah Anda temui, sementara segelintir keterampilan meningkatkan hampir setiap alur kerja agen—mulai dari debugging dan verifikasi hingga integrasi alat dan pembelajaran otonom. Memilih keterampilan yang tepat seringkali memiliki dampak yang jauh lebih besar daripada sekadar menginstal lebih banyak keterampilan.

Untuk membantu Anda menembus kebisingan, kami meninjau Keterampilan Agen sumber terbuka yang paling banyak diadopsi dari repositori resmi Anthropic dan proyek komunitas terkemuka. Hasilnya adalah daftar sembilan keterampilan berdampak tinggi ini yang secara konsisten meningkatkan keandalan, kualitas penalaran, dan produktivitas pengembang saat membangun agen AI.

Jika Anda bertanya-tanya Keterampilan Agen mana yang harus diinstal terlebih dahulu, mulailah dari sini.

Perbandingan Singkat

Bagaimana Kami Memilih Keterampilan Ini

Kami mengevaluasi puluhan Keterampilan Agen yang tersedia untuk umum sebelum mempersempit daftar menjadi sembilan rekomendasi. Pemilihan kami didasarkan pada empat kriteria.

• Nilai Praktis: Setiap keterampilan harus memecahkan masalah berulang yang biasa dihadapi agen AI dalam produksi, alih-alih menunjukkan kemampuan yang spesifik.
• Dapat Digunakan Kembali: Kami memprioritaskan keterampilan yang dapat diterapkan di berbagai proyek, model, dan kerangka kerja agen alih-alih terikat erat pada satu implementasi.
• Kualitas Dokumentasi: Keterampilan yang baik harus menjelaskan dengan jelas kapan harus dipanggil, cara kerjanya, dan sumber daya apa yang dibutuhkannya. File SKILL.md yang terstruktur dengan baik secara signifikan meningkatkan adopsi.
• Kesiapan Produksi: Terakhir, kami lebih menyukai keterampilan yang dikelola oleh proyek sumber terbuka bereputasi baik dengan bukti penggunaan di dunia nyata, termasuk repositori Skills resmi Anthropic dan koleksi Superpowers Prime Radiant.

9 Keterampilan Agen Terbaik untuk Melatih Agen AI yang Lebih Baik

1. Pembuat Keterampilan

Repo: https://github.com/anthropics/skills/tree/main/skills/skill-creator

Ini adalah keterampilan untuk membuat keterampilan. Dengan gambaran kasar tentang kemampuan yang ingin dimiliki agen, ini memandu penyusunan SKILL.md, menghasilkan kasus uji yang realistis, menjalankan agen dengan dan tanpa keterampilan secara paralel untuk mengukur perbedaannya, dan menilai hasilnya — termasuk mode perbandingan A/B buta saat Anda ingin memeriksa apakah versi yang direvisi benar-benar lebih baik daripada yang sebelumnya. Inilah yang memungkinkan kumpulan kemampuan agen berkembang melalui iterasi alih-alih rekayasa prompt manual dari awal setiap kali.

Mengapa ini hebat: Tidak seperti kebanyakan Keterampilan Agen yang mengajarkan satu alur kerja, Pembuat Keterampilan mengajarkan agen cara meningkatkan dirinya sendiri. Setelah diinstal, ini menjadi fondasi untuk membangun dan mengiterasi setiap keterampilan kustom lainnya, menjadikannya salah satu dari sedikit keterampilan yang nilainya bertambah seiring waktu.

Pengorbanan: Ini menawarkan sedikit nilai langsung untuk tugas pengguna akhir. Tim yang mencari kemampuan pengkodean, riset, atau otomatisasi peramban harus menginstal keterampilan tersebut terlebih dahulu, lalu menggunakan Pembuat Keterampilan untuk menyempurnakan dan mengukurnya dari waktu ke waktu.

2. Pembangun MCP

Repo: https://github.com/anthropics/skills/tree/main/skills/mcp-builder

Panduan untuk agen dalam membangun server MCP (Protokol Konteks Model) yang dirancang dengan baik — cara standar agen terhubung ke API dan layanan eksternal. Ini mencakup bagian yang mudah salah: penamaan alat agar mudah ditemukan, menyeimbangkan cakupan API penuh dengan alat khusus alur kerja yang nyaman, menulis pesan kesalahan yang benar-benar membantu agen pulih, dan menghasilkan pertanyaan evaluasi realistis untuk menguji apakah server bertahan dalam penggunaan nyata.

Mengapa ini hebat: Kebanyakan tutorial MCP berfokus pada membuat server berjalan. MCP Builder melangkah lebih jauh dengan menekankan kemampuan ditemukan, desain alat, evaluasi, dan pemeliharaan jangka panjang, menjadikannya sangat berharga untuk lingkungan produksi.

Konsekuensi: Ini terutama berguna bagi pengembang yang membangun server MCP baru. Jika Anda hanya menggunakan alat MCP yang sudah ada, Anda mungkin tidak akan sering menggunakan keterampilan ini.

3. Keterampilan Menulis

Repositori: https://github.com/obra/superpowers/tree/main/skills/writing-skills

Sebuah meta-keterampilan untuk menulis keterampilan lain dengan baik, dari kerangka kerja yang dibangun oleh tim Jesse Vincent di Prime Radiant. Prinsip intinya adalah bahwa penulisan keterampilan harus mengikuti disiplin yang sama seperti pengembangan berbasis tes: buat kegagalan dasar terlebih dahulu, tulis keterampilannya, lalu uji terhadap kontrol tanpa panduan dengan pengulangan yang cukup untuk mengetahui bahwa kata-kata tersebut benar-benar mengubah perilaku daripada hanya terdengar baik. Ini juga mendokumentasikan pola kegagalan umum—seperti deskripsi singkat keterampilan yang diam-diam menimpa instruksi lebih rinci di bagian selanjutnya dalam file—yang dikumpulkan dari penggunaan produksi nyata.

Mengapa ini hebat: Tidak seperti Skill Creator, yang berfokus pada menghasilkan keterampilan baru, Writing Skills berkonsentrasi pada peningkatan kualitas keterampilan itu sendiri. Ini memperkenalkan pola penulisan yang dapat diulang, metodologi pengujian, dan jebakan umum yang secara signifikan meningkatkan peluang keterampilan berperilaku konsisten.

Konsekuensi: Ini terutama relevan bagi penulis yang membuat keterampilan kustom daripada eksekusi agen sehari-hari.

4. Pengujian Aplikasi Web

Repositori: https://github.com/anthropics/skills/tree/main/skills/webapp-testing

Memberikan agen pola yang andal untuk menguji aplikasi web lokal menggunakan Playwright: tunggu jaringan stabil, ambil tangkapan layar, identifikasi pemilih yang sebenarnya ada, lalu bertindak—daripada menebak struktur halaman atau bertindak sebelum halaman selesai dimuat.

Mengapa ini hebat: Alih-alih mengajarkan otomatisasi peramban secara umum, keterampilan ini berfokus pada membuat interaksi peramban menjadi andal. Dengan menerapkan status tunggu, verifikasi tangkapan layar, dan penemuan pemilih, ini secara dramatis mengurangi perilaku tidak stabil dalam pengujian UI.

Konsekuensi: Keterampilan ini mengasumsikan akses ke Playwright dan lingkungan peramban yang dapat dikontrol, membuatnya kurang berguna bagi agen yang beroperasi di alur kerja khusus teks.

5. Verifikasi Sebelum Penyelesaian

Repositori: https://github.com/obra/superpowers/tree/main/skills/verification-before-completion

Mengatasi mode kegagalan spesifik dan umum: agen menyatakan tugas selesai karena kodenya terlihat benar, tanpa benar-benar mengonfirmasi bahwa perbaikannya berfungsi. Keterampilan ini menegakkan pemeriksaan keluaran nyata terhadap persyaratan sebenarnya sebelum mengklaim penyelesaian.

Mengapa ini hebat: Ini bisa dibilang keterampilan dengan ROI tertinggi untuk agen pengkodean. Banyak kegagalan agen terjadi bukan karena solusinya salah, tetapi karena tidak pernah diverifikasi. Memasang keterampilan ini segera meningkatkan keandalan di hampir setiap alur kerja rekayasa.

Konsekuensi: Ini menambah waktu eksekusi tambahan karena verifikasi menjadi wajib, yang mungkin tidak diperlukan untuk tugas eksplorasi atau berisiko rendah.

6. Debugging Sistematis

Repositori: https://github.com/obra/superpowers/tree/main/skills/systematic-debugging

Proses empat fase terstruktur untuk menemukan akar penyebab sebenarnya dari sebuah bug alih-alih mencocokkan pola dengan perbaikan yang terlihat masuk akal: kumpulkan bukti tentang di mana kegagalan terjadi, lacak mundur melalui batas komponen untuk mengisolasinya, bentuk hipotesis, lalu verifikasi sebelum menganggapnya terselesaikan. Aturan ini juga memiliki aturan eksplisit untuk ketika tiga perbaikan berturut-turut tidak berhasil — berhenti dan pertanyakan arsitekturnya daripada mencoba perbaikan keempat.

Mengapa ini hebat: Kebanyakan agen secara default melakukan debugging coba-coba. Keterampilan ini memaksa pengumpulan bukti sebelum mengusulkan perbaikan, menghasilkan lebih sedikit diagnosis yang mengada-ada dan solusi yang lebih dapat direproduksi.

Pertukaran: Alur kerja terstruktur ini mungkin terasa lebih lambat untuk bug sederhana yang bisa segera diperbaiki oleh pengembang berpengalaman.

7. Mengirim Agen Paralel

Repositori: https://github.com/obra/superpowers/tree/main/skills/dispatching-parallel-agents

Mencakup cara membagi tugas di antara beberapa subagen yang berjalan secara bersamaan daripada satu agen yang bekerja melalui langkah-langkah secara berurutan — termasuk cara menyusun serah terima sehingga setiap subagen memiliki konteks yang cukup untuk bekerja secara mandiri dan hasilnya dapat digabungkan dengan rapi setelahnya.

Mengapa ini hebat: Eksekusi paralel adalah salah satu cara paling efektif untuk mengurangi latensi untuk alur kerja yang kompleks. Keterampilan ini menyediakan strategi yang dapat digunakan kembali untuk memecah pekerjaan tanpa mengorbankan koordinasi.

Pertukaran: Tidak setiap tugas mendapat manfaat dari paralelisme. Alur kerja yang sangat bergantung satu sama lain justru bisa menjadi lebih kompleks jika dibagi ke beberapa subagen.

8. Pengembangan Berbasis Pengujian

Repositori: https://github.com/obra/superpowers/tree/main/skills/test-driven-development

Menerapkan disiplin merah-hijau-refaktor: tulis pengujian yang gagal terlebih dahulu, tulis kode minimum untuk melewatinya, lalu refaktor — alih-alih menulis kode implementasi terlebih dahulu dan pengujian sebagai renungan (atau tidak sama sekali). Keterampilan ini secara eksplisit menyatakan bahwa ini adalah aturan keras bukan sekadar preferensi, dengan alasan yang dijabarkan mengapa kode yang ditulis sebelum pengujiannya cenderung tidak bertahan.

Mengapa ini hebat: Berbeda dengan keterampilan pengkodean generik, keterampilan ini mengubah proses pengembangan itu sendiri. Dengan menerapkan alur kerja uji-terlebih dahulu, ini meningkatkan kualitas kode jangka panjang daripada hanya menghasilkan implementasi lebih cepat.

Pertukaran: Investasi di muka lebih tinggi, membuatnya kurang menarik untuk prototipe cepat atau skrip sekali pakai.

9. Menerima Tinjauan Kode

Repositori: https://github.com/obra/superpowers/tree/main/skills/receiving-code-review

Mencakup bagaimana seorang agen seharusnya menanggapi umpan balik tinjauan — membedakan antara umpan balik yang memerlukan perbaikan nyata versus umpan balik yang hanya masalah gaya, dan menghindari kegagalan umum seperti mengabaikan kritik yang valid atau mengoreksi berlebihan pada setiap komentar tanpa mempertimbangkan manfaatnya.

Mengapa ini hebat: Banyak agen pengkodean memperlakukan komentar tinjauan sebagai perintah. Keterampilan ini mengajarkan agen untuk mengevaluasi umpan balik secara kritis, membedakan masalah yang dapat ditindaklanjuti dari preferensi gaya alih-alih menerapkan setiap saran secara membabi buta.

Pertukaran: Nilainya bergantung pada tinjauan yang benar-benar menjadi bagian dari alur kerja pengembangan Anda. Sistem agen tunggal mungkin jarang menggunakannya.

Pertanyaan Umum

Apa itu Keterampilan Agen?

Keterampilan Agen adalah paket kemampuan yang dapat digunakan kembali yang mengajarkan agen AI cara melakukan tugas tertentu. Tidak seperti prompt, keterampilan dapat mencakup instruksi terstruktur, skrip pembantu, contoh, dan sumber daya tambahan yang dimuat hanya saat relevan.

Apakah Keterampilan Agen sama dengan kerangka kerja seperti LangChain?

Tidak juga.

Kerangka kerja seperti LangChain, CrewAI, atau AutoGen menyediakan infrastruktur untuk membangun agen. Keterampilan Agen mendefinisikan bagaimana seorang agen harus menyelesaikan tugas-tugas individu dalam kerangka kerja tersebut.

Apakah saya memerlukan semua sembilan keterampilan?

Tidak juga.

Kebanyakan pengembang akan mendapatkan manfaat dengan memulai dari Pembuat Keterampilan, Verifikasi Sebelum Penyelesaian, dan Debugging Sistematis. Keterampilan tambahan dapat ditambahkan seiring tanggung jawab agen Anda menjadi lebih terspesialisasi.

Apakah keterampilan ini dapat disesuaikan?

Ya.

Karena didistribusikan sebagai repositori sumber terbuka, Anda dapat memodifikasi instruksi, contoh, dan sumber daya pendukung untuk sesuai dengan alur kerja Anda sendiri atau persyaratan domain spesifik.

Apakah Keterampilan Agen akan menggantikan rekayasa prompt?

Mungkin tidak.

Sebaliknya, mereka melengkapi rekayasa prompt dengan memindahkan alur kerja yang dapat digunakan kembali dari prompt ke dalam paket modular dan mudah dipelihara yang dapat berkembang secara independen.