Dari mengetahui Skill sampai belajar bagaimana membangun Cripto Research Skill

Penulis: @ BlazingKevin, Teman Blockbooster, Manajemen Aset

1. Konteks dan evolusi Agen Skill

Trek Agen AI 2025 berada pada persimpangan air yang sangat kritis dari & ldquo; konsep teknis & rdquo; menuju & ldquo; proyek mendarat & rdquo. Dalam proses ini, eksplorasi penahanan kapasitas Anthropic telah menyebabkan perubahan paradigma pada tingkat industri。

Pada 16 Oktober 2025, Anthropic resmi diluncurkanAgen SkyllAku tidak tahu. Awalnya, posisi resmi dari karakteristik ini sangat terkendali & mdash; & mdash; Hal ini hanya dilihat sebagai modul dukungan untuk meningkatkan kinerja Claude untuk tugas vertikal tertentu (misalnya logika kode kompleks, analisis data spesifik)。

Namun, umpan balik dari pasar dan pengembang jauh di depan harapan. Segera ditemukan bahwa paket ini akan & ldquao; kemampuan modulisasi dan rdquao; dan bahwa desain menunjukkan tingkat tinggi kesopanan dan fleksibel dalam rekayasa sebenarnya. Tidak hanya mengurangi redudansi modulasi Prompt, itu juga meningkatkan stabilitas Agen dalam melakukan tugas tertentu. Pengalaman ini dengan cepat memicu reaksi berantai di komunitas pengembang. Dalam jangka waktu singkat, alat-alat produktivitas kepala, termasuk VS Codex, dan Cursor, diikuti dengan Lingkungan Pengembangan Terpadu (IDE), yang mengakibatkan penyelesaian dukungan bottom- up bagi arsitektur Agen Skill。

Dalam menghadapi ekologi sprawl, Anthropic menangkap nilai bawah dari mekanisme. Pada 18 Desember 2025, Anthropic membuat keputusan:Agen Skyll secara resmi diterbitkan sebagai standar terbukaAku tidak tahu。

Segera setelah itu, pada 29 Januari 2026, resmi publikasi resmi Skill 's secara rinci menggunakan manual membuka hambatan teknis di platform dan produk. Serangkaian aksi ini menandai hilangnya lengkap Agen Skill; kepuasan eksklusif Claude & rdquo; dan evolusi resmi label menjadi salah satu dari seluruh bidang AIAgentModel desain bawah umumAku tidak tahu。

Jadi, ada dorongan untuk berpikir: apa rasa sakit inti bahwa Agen Skyll ini, yang memeluk baik tanaman besar dan pengembang inti, telah dipecahkan di bagian bawah? Ini dengan panas saat iniMCPApa perbedaan penting dan sinergi antara mereka

Dalam rangka untuk mengklarifikasi masalah ini dan akhirnya menempatkan mereka ditahanPenelitian dalam enkripsiDalam konstruksi yang sebenarnya, makalah ini akan menjelajahi lapisan-lapisan berikut:

• Analisis konseptualInti dari Agen Skyll dan infrastruktur。
• Workstream Dasar: untuk mengungkapkan logika operasi dan aliran eksekusi nya。
• Mekanisme kemajuan: Analisis In-depth dari dua tingkat tinggi penggunaan dari Pertahanan dan Skrip。
• Kotak-kotakParsing sifat perbedaan antara Agen Skill dan MCP dan menunjukkan aplikasi kombinasi dalam proyeksi Cripto。

Apa itu Agen Skill dan Foundation-nya

Apa itu Agen Skyll? Dalam kata yang paling umum, itu sebenarnya satu& ldquo untuk model besar yang akan dicari setiap saat; proprietary & rdquo;Aku tidak tahu。

DALAM PENGGUNAAN AI SEHARI-HARI, KITA SERING MENGHADAPI RASA SAKIT:Setiap kali percakapan baru dibuka, tuntutan panjang dicat ulang. Dan Agen Skyll lahir untuk memecahkan masalah ini。

Untuk memberikan contoh praktis: dengan asumsi Anda ingin melakukan sebuah & ldquo; layanan pelanggan cerdas dan rdquo; Agen, Anda dapat dengan jelas menulis aturan dalam Skill: & ldquo; dalam kasus keluhan pengguna, langkah pertama harus menenangkan suasana hati dan tidak pernah membuat komitmen untuk kompensasi. & rdquo; sebagai contoh, anda sering dibutuhkan untuk melakukan & ldquo; rrdquo dari pertemuan & rdquo; anda dapat memperbaiki template langsung di Skill: & ldquo; setiap ringkasan sesi keluaran harus benar-benar mengikuti & lsquo; partisipan & rsquo; & lsquo; isu inti & rsquo; keputusan akhir & rsquo; dan setiap rsquo sesi outset harus mengikuti & lsquo. & rdquo;

Dengan ini & ldquao; & rdquao; anda tidak perlu mengulangi baris panjang instruksi setiap percakapan. Ketika diberikan misi, model besar secara otomatis melalui Skill yang sesuai, dan segera tahu apa standar untuk bekerja dengan。

Tentu saja, & ldquo; deskripsi dokumen & rdquo; itu hanya metafora sederhana untuk memfasilitasi pemahaman. Bahkan, apa yang Agen Skill bisa lakukan jauh lebih kuat daripada formalitas belaka, mereka dari kelas & ldquo; kelas pembunuh & rdquo, dan kami akan memecah bagian berikutnya. Tetapi pada tahap start- up, Anda dapat menganggapnya pernyataan misi efisien。

Lalu kita akan menggunakan & ldquo; Summary & rdquao; ini adalah adegan paling akrab, untuk melihat apa yang dapat kita lakukan untuk membuat Agen Skyll. Seluruh proses tidak memerlukan pengetahuan pemrograman yang kompleks。

Berdasarkan perangkat mainstream saat ini (misalnya Claude Code), kita perlu menemukan (atau membuat) sebuah nama di bawah direktori pengguna komputer.claude / skillIni adalah folder yang menampung semua Skill 's & ldquo; base camp & rdquo。

Langkah pertama, buat folder baru di direktori ini。Nama folder ini adalah milikmu, Agen SkillAku tidak tahu. Langkah kedua, buat nama dalam folder baru saja dibuataku tidak tahu。

Setiap Agen Skill harus memiliki satuaku tidak tahuDOKUMENTASI. INI SEMUA TENTANG MEMBERITAHU AI SIAPA AKU, APA YANG BISA KULAKUKAN, DAN BAGAIMANA KAU BISA BEKERJA SEPERTI YANG KUMINTA. BUKA BERKAS INI DAN ANDA AKAN MENEMUKANNYA JELAS DIBAGI MENJADI DUA BAGIAN:

Pada awal berkas, biasanya dengan dua baris pendekIni..Berkemas daerah. Hanya ada dua atribut inti:namadanberkasAku tidak tahu。

• nama: Ini adalah nama dari Skyll, yang harus menjadi nama yang tepat dari folder di luar。
• berkasIni adalah link yang sangat penting. Ini menjelaskan penggunaan spesifik dari Skill ini ke model besar。AI terus memindai semua deskripsi Skill di belakang panggung untuk menentukan mana Skill yang harus menjawab pertanyaan pengguna saat ini。Jadi, menulis deskripsi yang tepat dan komprehensif adalah premis besar bahwa Skyll Anda dapat secara akurat dibangkitkan oleh AI。

Sisa garis pendek ditulis untuk AI. Bagian ini secara resmi disebut & ldquo; Direktif & rdquo; Dan di sinilah Anda bermain, dan di sini Anda harus menjelaskan secara rinci logika yang harus diikuti model. Sebagai contoh, dalam kasus ringkasan pertemuan, Anda dapat menggunakan kata-kata besar di sini: & ldquo; daftar peserta, topik dibahas dan keputusan akhirnya dilaksanakan & rdquo。

Setelah langkah-langkah ini, sederhana tapi sangat praktis Agen Skill lahir。

Namun, Skyll benar-benar baik sering dimulai dengan desain yang hati-hati. Sebelum Anda mengetuk baris pertama keyboard, mendefinisikan dengan jelas tujuan, lingkup dan kriteria kesuksesan, yang akan membuat proses konstruksi lebih produktif。

Langkah pertama dalam membangun Skill adalah jangan berpikir tentang & ldquao; saya dapat membuat AI untuk melakukan sesuatu tentang & rdquao; tetapi untuk bertanya pada diri sendiri: & ldquao;Apa yang harus saya lakukan untuk mengatasi masalah duplikasi dalam pekerjaan sehari-hari saya& rdquo; menyarankan untuk memulai dengan menyatakan dua sampai tiga skenario yang jelas bahwa Skill harus menutupi。

Kedua, itu adalah kriteria untuk menentukan keberhasilan. Bagaimana kau tahu kau menulis Skill itu? Sebelum melakukannya, berikan sedikit kriteria. Sebagai contoh, kriteria kuantitatif dapat berupa & ldquo; apakah tingkat pemrosesannya lebih cepat; dan kriteria kualitatif dapat & ldquo; Ini menarik pada pertemuan untuk menentukan apakah mereka selalu cukup tepat untuk ditinggalkan & rdquo。

3. Operasi dasar Agen Skill Stream

Setelah mempelajari dasar-dasar Agen Skill, kita tidak bisa membantu selain bertanya: Dalam prakteknya, rangkaian & ldquo ini; menjelaskan dokumen & rdquo; bagaimana cara kerjanya

Jika Anda baru saja mengalami produk seperti Manus AI, Anda mungkin telah mengalaminya: Ketika Anda membuang masalah tertentu, AI tidak segera dimulai dengan & ldquao; pidato panjang dan rdquao; atau halusinogenik, namun sadar akan & ldquao; itu milik seorang Agen Skyll pipa dan rdquao; Jadi muncul petunjuk pada antarmuka untuk bertanya apakah Anda diizinkan untuk memanggil Skyll。

Ketika Anda mengklik & ldquo; setuju & rdquo; maka AI, seperti orang pengganti, melakukan keluaran sempurna dalam kepatuhan ketat dengan aturan yang ditentukan。

ini tampaknya sederhana & ldquo; penerapan - eksekusi & rdquo; di balik interaksi adalah set bawah yang sangat halus mengalir arus kerja. untuk mengklarifikasi mekanisme secara menyeluruh, kita perlu mengidentifikasi interaktif & ldquo dalam seluruh proses; tiga peran utama & rdquo:

1. Pengguna: orang yang meminta misi。
2. Alat klien (misalnya Kode Claude): & ldquo untuk kontrol gerakan dan integrasi; perantara & rdquo。
3. Model Bahasa Besar& ldquo untuk memahami maksud dan menghasilkan hasil akhir; otak dan rdquo。

ketika kita memasukkan permintaan ke dalam sistem (misalnya & ldquo; bantu saya merangkum pertemuan proyek reguler pagi ini & rdquo;), kolaborasi empat langkah berikut terjadi di antara tiga aktor:

Langkah 1: Pemindaian seberat cahaya (mentransmisikan metadata)

Ketika pengguna memasuki permintaan, Claude Code tidak membuang semua dokumen deskripsi ke dalam model besar. Sebaliknya, hanya menggunakan permintaan pengguna dengan sistem saat ini& ldquo untuk semua Agen Skill; nama & rdquo; dan & ldquo; deskripsi & rdquo;(yaitu, metadata metadata metadata yang kita sebutkan dalam bab sebelumnya) Berkemaslah dan kirimkan ke model besar. Anda dapat membayangkan, bahkan jika Anda memiliki selusin atau bahkan puluhan Skills, model besar hanyalah sebuah & ldquo; katalog ringan & rdquo; Desain ini telah menghemat perhatian model dan menghindari gangguan informasi。

Langkah 2:Model besar menerima permintaan pengguna dan ini & ldquo; katalog Skill & rdquo; diikuti dengan analisis semantik cepat. Ini menemukan bahwa klaim pengguna adalah & ldquo; sesi wrap- up & rdquo; dan bahwa katalog berisi nama yang tepat dari & ldquo; ringkasan asisten & rdquo; dan Skyll, deskripsi yang sempurna untuk tugas tersebut. Pada titik ini, model besar akan menginformasikan klien dari pertandingan: & ldquao; saya menemukan bahwa tugas dapat digunakan dalam & lssquao; & rsquao, asisten konferensi, dan menyelesaikannya. & rdquo;

Langkah 3: Muat instruksi lengkap seperti yang diperlukanSetelah umpan balik dari model besar diterima, alat klien (Claude Code) akan memasuki & ldquo; & rdquo; folder eksklusif untuk membaca lengkapaku tidak tahuTeks。Harap dicatat bahwa ini adalah desain yang sangat kritis: hanya pada titik ini bahwa isi perintah lengkap akan dibaca dan sistem hanya akan membaca Skyll yang dipilih。Yang lain, Skill, tetap diam di direktori mereka, tanpa sumber daya。

Langkah 4: Lampirkan implementasi dan tanggapan keluaranakhirnya, alat klien akan & ldquo; permintaan asli pengguna rdquo; dan & ldquo; asisten ringkasan pertemuan penuhaku tidak tahuisi & rdquo; dikirim bersama-sama ke model besar. kali ini, model besar tidak lagi pilihan, tetapi malah memasuki model implementasi. ini akan mengikuti dengan ketataku tidak tahuAturan yang ditetapkan (misalnya, kebutuhan untuk mengekstrak peserta, isu inti, keputusan akhir) menghasilkan respon yang sangat terstruktur dan disajikan kepada pengguna dengan alat klien。

Mekanisme inti I: Memuat pada permintaan dan Referensi

Aliran kerja dari bab sebelumnya mengarah ke mekanisme inti pertama dari Agen Skill & mdash; & mdash;Muat sesuai permintaanAku tidak tahu。

Sementara nama dan deskripsi dari semua Skills selalu terlihat pada model yang lebih besar, isi perintah spesifik hanya akan ditarik ke dalam konteks model setelah Skill tepat menghantam。

Ini telah sangat menyelamatkan sumber daya Token. Bayangkan, bahkan jika Anda telah dikerahkan & ldquo pada saat yang sama; kasus ledakan dan rdquo; ringkasan pertemuan & rdquo; & ldquo; analisis data rantai & rdquo; dan selusin besar jumlah Skill, model awalnya hanya akan memiliki satu sangat rendah konsumsi & ldquo; katalog pencarian & rdquo; Hanya ketika target dipilih sistem akan cocok dengan ituaku tidak tahuBeri makan modelnya. Ini & ldquo; beban & rdquo seperti yang diperlukan; adalah tingkat pertama dari kata sandi yang Agen Skill terus ringan dan efisien。

Namun, itu tidak cukup untuk memuat lapisan pertama atas permintaan untuk yang paling efisien langkah-by- pengguna。

Sebagai bisnis berlangsung, kita sering ingin Skill menjadi lebih cerdas. Ambil & ldquo; wrap- up asisten & rdquo; sebagai contoh, kami berharap bahwa itu tidak hanya akan mengulangi subjek, tetapi juga menyediakan nilai tambahan: Ketika pertemuan memutuskan untuk menghabiskan uang, itu dapat menunjukkan secara langsung dalam ringkasan apakah kepatuhan keuangan kelompok 's terpenuhi; dan ketika kerjasama eksternal terlibat, secara otomatis memperingatkan risiko hukum potensial. Akibatnya, tim, ketika melihat ringkasan, mampu membersihkan kepatuhan kritis awal peringatan dan menghindari akses kedua ke peraturan。

Tapi ini membawa kontradiksi yang fatal: Skill, agar dapat melakukannya, harus dapat mengisi peraturan keuangan dan teks hukum yang panjangaku tidak tahuDalam file. Ini bisa menyebabkan pembengkakan yang berlebihan pada dokumen perintah inti. Bahkan jika pertemuan awal hari ini adalah murni teknis satu, model dipaksa untuk memuat puluhan ribu kata keuangan dan hukum & ldquo; omong kosong & rdo; yang tidak hanya limbah serius Token, tetapi juga model yang sangat rentan & ldquo; dan gangguan & rdquo。

jadi, bisakah satu lapisan lagi & ldquao dicapai berdasarkan kebutuhan; pada suatu kebutuhan berdasarkan dasar & rdquao; dan apa? sebagai contoh, hanya ketika isi pertemuan ini benar-benar relevan & ldquo; uang & rdquo; apakah sistem mengeluarkan peraturan keuangan untuk modelnya

Jawabannya adalah ya. Agen SkyllReferensiHal ini untuk alasan bahwa mekanisme dibuat。

Inti dari Referensi, yaDasar pengetahuan eksternal dipicu oleh kondisiAku tidak tahu. Mari kita lihat bagaimana elegan itu memecahkan rasa sakit:

1. Buat dokumen referensi eksternalPertama-tama, kami menambahkan dokumen yang terpisah ke direktori Skyll, Referensi dalam Terminologi. Kami menamainya..perusahaan keuangan manual.mdTingkat penggantian per orang sebesar $300 / hari, dll.)。
2. Atur kondisi pemicuKemudian kembali ke intiaku tidak tahutambahkan & ldquao spesial; pengingat keuangan & rdquao; kita dapat sepakat dalam bahasa alami: & ldquo; hanya ketika isi pertemuan mengacu pada uang, anggaran, pengadaan, biaya. setelah trigger membacaperusahaan keuangan manual.mddokumentasi. dalam terang isi dokumen tersebut, silakan mengindikasikan apakah jumlah yang disertakan dalam keputusan pertemuan terlampaui dan mengidentifikasi otoritas persetujuan yang sesuai. & rdquo;

Ketika set-up selesai, ketika kita meninjau alokasi anggaran pada pertemuan berikutnya, kolaborasi dinamis baik dimulai:

1. Alat pemindaian klien dan menerapkan untuk memakai & ldquo; Asisten Rdquo & rdquo; Skill (untuk melengkapi loading lantai pertama)。
2. dalam membaca menit-menit pertemuan, model menangkap & ldquo; anggaran & rdquo; kata-kata relevan segera menyentuh kitaaku tidak tahuAturan terkubur。
3. pada titik ini, sistem akan meluncurkan permintaan kedua kepada anda: & ldquo; apakah dapat dibacaperusahaan keuangan manual.mdApa? & rdquo (lengkap lapis kedua beban seperti yang diperlukan: Referensi pemicu dinamis)。
4. setelah adopsi mandat, model referensi isi dari pertemuan dengan standar keuangan yang telah diperkenalkan oleh dinamika, mengarah ke keluaran dari ringkasan berkualitas tinggi tidak hanya dari & ldquo; partisipan, topik, keputusan, dan lebih terkait & rdquo; dan compligo keuangan; persetujuan awal & rdquo。

Ingat fitur inti Referensi:Hal ini ketat dikondisikanAku tidak tahu. Jika, di sisi lain, hari ini Anda memiliki teknis berlatih logika kode, yang tidak ada hubungannya dengan uang, yang satu iniperusahaan keuangan manual.mdAku akan berbaring diam-diam dalam hard drive dan tidak pernah mengambil bahkan salah satu sumber daya komputasi Token。

Mekanisme pengungkapan skrip dan progresif

Dan kemudian kami pergi ke pembunuh lain-seperti kemampuan Agen Skill:Eksekusi Kode (Skrip)Aku tidak tahu。

Untuk seorang Agen dewasa, itu hanya & ldquo; & rdquo; dan & ldquo; menulis sebuah ringkasan & rdquo; tidak cukup untuk dapat melakukan pekerjaan secara langsung, itu adalah loop otomatis yang tertutup. Beginilah cara kerja Script。

Lanjutkan & ldquao kami; wrap- up asisten & rdquao; contoh. Setelah ringkasan selesai, biasanya perlu disinkronkan dengan sistem internal perusahaan. Untuk mencapai langkah terakhir ini, kami membuat skrip Python baru dalam folder Skyll bernamamaaf, uploadAda logika upload untuk server perusahaan docking。

Kemudian kita kembali ke intiaku tidak tahutambahkan direktif yang jelas ke dokumen: & ldquo; anda harus menjalankan ketika pengguna mengacu pada & lssquao; unggah & rsquao;, & lssquao; sync & rsquao; atau & lssquao; dikirim ke server & rsquao; kata-katamaaf, uploadskrip untuk mendorong ringkasan hasil ke server. & rdquo;

Ketika Anda mengatakan kepada AI: & ldquao; penjumlahan yang baik, bantu saya sinkronisasi ke server. & rdquo;

Alat klien akan segera berlaku untuk Anda untuk inimaaf, uploadDokumentasi. Tapi perhatikan logika bawah yang sangat kritis:Dalam proses ini, AI tidak pergi ke & ldquao; baca & rdquao; isi dari kode ini hanya untuk & ldquao; eksekusi & rdquao; dan memang demikian。

Ini berarti bahwa bahkan jika script Python Anda berisi 10.000 sangat kompleks baris logika bisnis, hampir mengkonsumsi konteks model besarnolAku tidak tahu. Ini seperti menggunakan sebuah kotak hitam & rdquo; sebuah alat, ini hanya tentang bagaimana memulai alat ini, dan pada akhirnya apakah itu bekerja, dan tidak peduli bagaimana cara kerjanya di dalam kotak。

Hal ini membawa ke dalam perbedaan institusi antara dua fungsi tingkat tinggi:

• Referensi:dibutuhkan isi dokumen eksternal & ldquo; bergerak & rdquo; pergi ke otak model (konteks) sebagai referensi, oleh karena ituYaKonsumsi Token。
• Skrip (jalankan):Ini sedang diaktifkan langsung di lingkungan luar, selama Anda jelas metode, itu..TidakAmbil konteks model。

Tentu saja, ada panduan untuk menghindari lubang: menulisaku tidak tahuPada saat itu, kau harus menjelaskan dengan jelas kondisi pemicu naskah dan perintah penegakan. Jika AI bertemu instruksi samar-samar yang tidak tahu bagaimana menjalankan, mungkin & ldquo; jatuh kembali dan meminta kedua & rdquo; dan mencoba untuk melihat kode konten untuk menemukan petunjuk, dan Token Anda akan berada dalam kesulitan. Jadi, kode untuk menulis Skill adalah:Aturan didefinisikan sejelas mungkin。

Omong-omong, kita benar-benar punya semua inti potongan Agen Skyll. Sudah waktunya untuk berhenti dan mengambil pandangan umum。

Jika Anda melihat kembali pada seluruh proses pemuatan, Anda akan menemukan bahwa filosofi desain Agen Skill adalah salah satu yang sangat canggihMekanisme pengungkapan progresifAku tidak tahu. Dalam rangka untuk mencapai ekonomi ekstrim dan mempertahankan efisiensi, sistem yang ketat dibagi menjadi tiga lapisan, masing-masing adalah subjek untuk langkah-by- langkah memperketat kondisi pemicu:

• Tingkat pertama: metadata layer (selalu dimuat)Di sinilah semua Agen Skylls disimpannamadanberkasaku tidak tahu. ini seperti model besar & ldquao; direktori penduduk & rdquao; sangat ringan. model besar melihat tempat ini setiap kali mengambil pesanan, dan rute awal cocok。
• Tingkat kedua: lapis perintah (muat seperti yang diperlukan)Sesuaiaku tidak tahuAturan khusus di dalamnya. Hanya jika lapisan pertama menegaskan atraksi tugas akan AI mengubah & rdquo; lapisan yang sesuai menambahkan aturan spesifik ke otak。
• Tingkat Ketiga: lapis sumber daya (seperti yang diperlukan)Ini lapisan terdalam dan terbesar. Ini berisi tiga komponen inti:
  • Referensi:Seperti apaperusahaan keuangan manual.md, hanya akan dibaca jika dialog memicu kondisi tertentu (misalnya referensi ke & ldquo; uang & rdquo;)。
  • Skrip:Seperti apamaaf, upload, dijalankan hanya jika sebuah aksi spesifik (misalnya & ldquo; upload & rdquo;) dibutuhkan。
  • Assembly:Sebagai contoh, ikon Logo perusahaan, fonta proprietary, contoh PDF spesifik yang perlu Anda gunakan untuk menghasilkan penelitian. Mereka juga dipanggil hanya saat produk akhirnya diproduksi。

Perselisihan penting antara Agen Skill dan MCP dan kombinasi operasi lapangan

Setelah berbicara tentang penggunaan canggih Agen Skill, banyak pembaca yang tahu tentang protokol AI bottom mungkin memiliki visi yang kuat: mekanisme Script Agen Skill, yang terlihat seperti panas terbaruMCPSangat mirip. Intinya, bukankah mereka semua model besar yang terhubung dan mengoperasikan dunia luar

Sekarang ada tumpang tindih, mana yang harus kita pilih ketika kita membangun aliran penelitian Crystal

Dalam menanggapi pertanyaan ini, pejabat Anthropic menggunakan frase yang sangat klasik untuk menggambarkan perbedaan penting antara keduanya:

"MCP kontak Claude ke Data"(MCP untuk menghubungkan Claude ke data; dan Skyll untuk mengajar Claude bagaimana menangani data ini. Aku tidak yakin

Kalimat harus dibaca sebagai berikut:。MCP pada dasarnya adalah & ldquo; saluran data & rdquo;BERTANGGUNG JAWAB UNTUK PASOKAN STANDARDISASI INFORMASI EKSTERNAL UNTUK MODEL BESAR (MISALNYA MENCARI TINGGI BLOK TERBARU PADA RANTAI, MENARIK PERTUKARAN BARIS NYATA K, MEMBACA LOKAL INPUT PDF)。Dan Agen Skill pada dasarnya adalah satu set dari & ldquao; sebuah kode etik (SOP) & rdquao;Hal ini bertanggung jawab untuk mengatur bagaimana data ini untuk diperoleh oleh model besar (misalnya memerlukan laporan penelitian harus berisi model ekonomi proxy, membutuhkan bahwa penemuan keluaran harus berisi tip risiko)。

Pada titik ini, mungkin ada argumen counter- oleh ekstrimis: & ldquo; karena Agen Skyll dapat menjalankan kode Python, bisa saya hanya menulis logika dalam Script untuk menghubungkan basis data atau panggilan API? Agen Skill dapat melakukan MCP bekerja sama;

Memang, dalam hal proyek, Agen Skill juga dapat menarik data. Tapi itu sangat tidak profesional。

ini & ldquo, tidak profesional & rdquo; dalam dua dimensi mematikan:

1. Mekanisme operasi dan status-keeping: Naskah Agen Skill adalah & ldquo; tidak ada negara & rdquo; setiap pemicu adalah eksekusi independen, yang dibakar. MCP adalah layanan jangka panjang independen yang mempertahankan link abadi ke sumber data eksternal (misalnya, link webSocket panjang, seperti yang akan disebutkan di bawah), yang tidak dapat ditulis。
2. Keselamatan dan stabilitasAda resiko keamanan besar dengan membiarkan AI telanjang setiap kali ke skrip Python dengan otoritas sistem tertinggi; dan MCP menyediakan lingkungan isolasi standar dan mekanisme yurisdiksi。

Oleh karena itu, solusi yang paling kuat untuk pembangunan sistem Penelitian Cristo Tingkat Tinggi bukan hanya satu pilihan, tapi & ldquo; MCP Suppply, Skill Brewery & rdquo; & mdash; & mdash, dan asosiasi yang kuat。

Untuk memvisualisasikan kekuatan kombinasi ini, kami membangunnya dengan Pengembang Web3 Cryptoxiaoopennews-mcpSebagai contoh, bagaimana cara membongkarAPI Enhanced SkillMembuat informasi terenkripsi otomatis dan pusat intelijen。

Logika inti dari jenis ini dari Skill adalah bahwa kemampuan diskrit API yang ditawarkan oleh MCP diselenggarakan melalui perintah Skill dan encapsulated sebagai cerdas Agen berorientasi terhadap tujuan investasi akhir。

SISTEM MEMBERIKAN AI EMPAT MODUL INTI:

Modul I: Penemuan Sumber Berita

INI ADALAH TITIK MASUK UNTUK AI UNTUK MEMAHAMI KAPASITAS ALAT. LEWATmaaf menggangguALAT-ALAT DI DALAMNYA, AI, MEMILIKI PEMAHAMAN DINAMIS DI MANA IA BISA MENDAPATKAN INFORMASI。

Fungsi Alat (Python)	SRILL.mdDeskripsi	Kapasitas pada tingkat kode
sekarang, dapatkan sumber berita	Dapatkan semua sumber berita baru yang mampu	Hubungi bagian bawah pohon mesin () dan kembalikan struktur pohon lengkap yang berisi semua mesin berita (misalnya berita, mendengarkan, onchain) dan sumber-sumber tertentu bawahan mereka (misalnya Bloomberg, Binance). Hal ini memungkinkan AI untuk menampilkan sumber berita opsional。
daftar tipe berita	Look all capable news type code	Api.get pohon mesin () juga disebut, tetapi ini disajikan sebagai daftar sederhana yang memungkinkan AI untuk menggunakan parameter tipe berita untuk penyaringan tepat ketika memanggil alat lain。

Modul II: pengambilan berita multidimensi

Ini adalah modul pencarian inti darimaaf, beritaHal ini telah dicapai dengan menyediakan berbagai cara untuk mengakses informasi, mulai dari sederhana ke kompleks。

Fungsi Alat (Python)	SRILL.mdDeskripsi	Kapasitas pada tingkat kode
aku akan membuat anda untuk mendapatkan anda untuk mendapatkan anda untuk mendapatkan anda untuk mendapatkan anda untuk mendapatkan tangan anda pada ini	Dapatkan berita kripto paling sekarang	panggilan langsung ke berita pencarian apai () untuk berita & ldquo; selang kebakaran & rdquo; tanpa kondisi penyaringan apapun。
berita jam tangan	Cari berita kripto dengan kata kunci	menerima parameter kata kunci dan panggilan berita pencarian (query = keyword) untuk pencarian kata kunci penuh-teks。
mencari berita dengan koin	SEARCH NEWS RELATED TO A SPESIFIC COIN	Menerima parameter koin (misalnya. "BTC") dan memanggil berita pencarian api.search (koin = [koin]) untuk mencapai permintaan mata uang yang paling umum。
now, get news by source	Dapatkan berita dari sumber khusus	terima tipe mesin dan tipe berita, hubungi berita pencarian (tipe mesin = {), mencapai penyaringan akurat oleh sumber berita。
berita terbaru	Pencarian berita tingkat lanjut dengan perantara multi-	ini adalah & ldquo; supertool & rdquo; yang menggabungkan berbagai parameter seperti koin, kata kunci, tipe mesin, memiliki koin, berita pencarian kompleks () meminta untuk mencapai penyaringan multidimensi。

MODUL III: AI MEMUNGKINKAN ANALISIS DAN WAWASAN

Ini bagian dari alat yang digunakan6551.ioAnalisa AI selesai di ujung belakang memungkinkan agen AI untuk berkonsultasi langsung & ldquo; View & rdquo; bukan hanya & ldquo; Fate & rdquo。

Fungsi Alat (Python)	SRILL.mdDeskripsi	Kapasitas pada tingkat kode
dapatkan berita skor tinggi	Dapatkan cerita berita berperingkat tinggi	Menerima parameter skor min, pertama mendapat daftar up-to-date item berita, kemudian mengisi ulang di dalam server MCP, hanya kembali aiRating. skor berita di atas ambang pintu dan turun urutan oleh fraksi。
dapatkan berita dengan sinyal	Dapatkan berita diberi makan oleh tanda tangan perdagangan	Menerima parameter sinyal (panjang, pendek, nonutral) dan juga mengisi ulang berita yang diperoleh di dalam server, hanya mengembalikan hasil aiRate. pencocokan sinyal。

Key Insight: Ketika AI Agent memanggil alat-alat ini, tidak menyadari operasi kedua langkah dari server MCP untuk melakukan & ldquo secara internal; mendapatkan -refiltrasi & rdquo; Untuk AI, itu hanya memanggil sebuah alat ajaib yang dapat langsung kembali ke & ldquo; high- menilai berita & rdquo; atau & ldquo; kabar baik & rdquo; dan sangat menyederhanakan aliran kerja AI。

Modul IV: Stream berita Real- waktu

ini & ldquao untuk bukaan berita -mcp; pembunuh & rdquao; kemampuan olehoh, real timeDICAPAI, DIAKTIFKAN AI UNTUK MEMANTAU ACARA REAL-TIME。

Fungsi Alat (Python)	SRILL.mdDeskripsi	Kapasitas pada tingkat kode
pos ini adalah bagian dari liputan khusus protes suriah 2011	Berlangganan ke pemutakhiran berita real-time	Panggil ws.subscribe terbaru () untuk membuat koneksi panjang webSocket dan berlangganan ke tema tertentu berdasarkan parameter masukan dari koin, tipe mesin. Transfer itu kemudian diterima secara berkelanjutan selama periode tunggu detik, dan berita dikumpulkan akhirnya dikembalikan sekali。

Insight kritis: Fungsi ini adalah Skill murni, karena membutuhkan pemeliharaan dari sebuah status-of-the-art, koneksi jaringan abadi. Itu hanya bisa dilakukan melalui server MCP independen。

Ketika perangkat MCP-based ditulis ke dalam Agen Skill perintah stream, AI Anda secara resmi dari sebuah analis & ldquo; a & rdquo; a & ldquo; a & ldquo; dan sebuah analis Web3 di Wall Street. Hal ini sepenuhnya otomatis untuk arus kerja kompleks yang sebelumnya diperlukan beberapa jam untuk peneliti:

CONTOH DARI WORKFLOW I: RAPID DUE DILIGENCE DALAM MATA UANG BARU (DD)

1. Perintah dikeluarkan: Masukan pengguna & ldquao; riset dalam-kedalaman pada proyek @ NewCryptoCoin yang baru. & rdquo;
2. Pemetaan dasar: Agen panggilan otomatisini adalah openwetter. dapatkan pengguna twitterDapatkan data resmi Twitter。
3. Konfirmasi pemeriksaan silang: Panggilanini adalah openwetter. get twitter kol followsDAN ANALISIS PENETRASI DI MANA KEPALA KOL ATAU VC TELAH DIAM-DIAM MENGIKUTI PROYEK TERSEBUT。
4. Di internet: Panggilanmaafkan aku, nona-nonaMengambil liputan media dan tindakan hubungan publik。
5. Tidak dapat membuka pesan: Panggilanmaaf, berita terbuka. mendapatkan berita skor tinggiHapus berita berharga dan hanya membaca poin tinggi。
6. Penelitian KeluaranAgen, berdasarkan format penelitian yang diperkirakan di Skill, menghasilkan laporan standardisasi berisi & ldquao; permukaan dasar, chip komunitas, panas media dan tingkat terintegrasi AI & rdquao。

Contoh Workstream II: Penemuan sinyal transsation didorong oleh acara real-time

1. Perintah dikeluarkanMasukan pengguna & ldquao; bulat- clock mencari & lssquao; nol bukti pengetahuan (ZK) & rsquao; tiba-tiba kesempatan perdagangan di trek. & rdquo;
2. Penyebaran penjagaAgen Callmaafkan akuMembuat koneksi panjang ke WebSocket, dengan pendengaran yang tepat termasuk & ldquo; ZK & rdquo; atau & ldquo; Zero-Knowledge Bukti & rdquo; dan berita arus terkait dengan token tertentu。
3. Tangkapan bagusKetika sistem menangkap sebuah proyek (seperti SomeCoin) yang telah mencapai terobosan dalam teknologi ZK dengan berita berat dan kabar baik, indikator emosional ditentukan untuk menjadi panjang。
4. Tes resonansi emosional komunitas: Panggilan Agen milidetik Alat pencari Twitter untuk melihat apakah multiple ruas ZK core KOL menfermentasi kejadian secara bersamaan。
5. Pemicu peringatan: Jika & ldquo terpenuhi; media meluncurkan + komunitas resonansi & rdquo; Agen segera mengirim kepastian yang tinggi Alpha transaksi waspada kepada pengguna。

Akibatnya, yang sangat otomatis dan khusus Crypto Research mengalir sepenuhnya tertutup melalui logika perilaku Agen Skyll, dikombinasikan dengan koneksi MCP ke arteri data。