12. listopadu 2026
Dovednosti agentů v praxi: jednou vytvořit, používat v různých klientech
Dovednosti agentů umožňují zachytit opakované vývojářské postupy do souborů, které může tým kontrolovat, verzovat a sdílet například mezi GitHub Copilot, Claude Code a Cursor. Přenositelné jsou ale instrukce – nástroje, přihlašovací údaje a oprávnění musí zajistit prostředí, ve kterém agent běží.
Neoficiální české shrnutí a překlad článku Microsoftu. Web není oficiálním kanálem Microsoftu. Originál: Build once, run on any agent: A practical guide to agent skills (GitHub Blog).
Kolikrát jste tento týden agentovi znovu vysvětlovali stejný úkol? A kolikrát jste se obraceli na kolegu, který díky dlouholetým zkušenostem ví, jak konkrétní problém vyřešit? Takové znalosti by neměly zůstat ztracené v chatu nebo jen v hlavě jednoho člověka. Dovednosti agentů (skills) umožňují zachytit opakovaně použitelné instrukce, ke kterým se můžete Vy i Vaši agenti vracet. Dovednost, kterou dnes vytvoříte pro sebe, se později může stát součástí týmové pipeline.
Dovednost agenta je verzovaný adresář, jehož základem je soubor SKILL.md. Ten popisuje, kdy a jak provést opakující se úkol. Instrukce můžete sdílet mezi agenty, ale nástroje, přihlašovací údaje a oprávnění potřebná k jejich provedení musí poskytnout konkrétní prostředí. Dovednost například může popsat, jak dotazovat databázi, sama však přístup k databázi neuděluje.
Nejlépe funguje dovednost s jasně vymezeným úkolem, vstupem a výstupem. Představte si například agenta, který kontroluje změny vygenerované AI proti původnímu zadání. Pokud stejný agent hodnotí vlastní práci, může kontrolu ovlivnit svým vysvětlením. Příklad Proof Agent proto používá samostatného ověřovacího agenta, který změny prozkoumá a svá zjištění podloží důkazy. Úvodní metadata souboru, označovaná jako frontmatter, pojmenovávají úkol a popisují jeho účel:
---
name: proof-agent
description: Adversarial verification of AI-generated work. Spawns an independent verifier to check for false claims, broken code, and security issues.
---
Základem je jednoduché pravidlo: kontrola vlastní práce není nezávislé ověření.
Sekce When to Verify v souboru SKILL.md dovednosti Proof Agent určuje, kdy ji spustit. Zbývající instrukce vysvětlují, co má ověřovací agent kontrolovat a jaké důkazy má ke svým zjištěním přiložit.
Propojení více dovedností do rozsáhlejšího pracovního postupu
Pokud znalosti potřebné pro správné fungování datové pipeline mají jen čtyři lidé, další rozvoj závisí právě na nich. Každá změna se odvíjí od jejich dostupnosti a znalosti dat. Data Forge ukazuje, jak část těchto znalostí zachytit v dovednostech, které spolupracují.
V příkladu pipeline pro helpdesk je výchozím zadáním vytvořit metriky počtu založených a vyřešených incidentů. Než začne samotná tvorba pipeline, dovednost forge-init zjistí podrobnosti, například zdrojové tabulky a konvence pojmenování, a zapíše je do manifestu doplněného o zjištěné hodnoty. Ostatní dovednosti z něj načítají potřebný kontext projektu.
Dovednost forge-builder následně koordinuje práci od zadání v issue až po pull request. Při návrhu a tvorbě pipeline používá forge-dbx k dotazování datové platformy a forge-lint k uplatnění týmových standardů. Navrhovaná rozhodnutí průběžně kontroluje člověk. Výsledný pull request obsahuje kód pipeline, změny schématu a testy.
Každá dovednost má vymezenou odpovědnost. Kontext projektu sdílejí, místo aby jej každá zjišťovala znovu. Pokud se některý krok změní, můžete upravit jednu dovednost a ostatní ponechat beze změny.
Dovednosti jsou vhodné pro ohraničené, opakovatelné úkoly, u nichž má smysl znovu využívat jednou zachycené znalosti a rozhodovací postupy – například kontrolní seznam, vydání nové verze, migraci nebo pipeline pro výpočet metrik. Pokud pracovní postup potřebuje stabilní rozhraní, sdílený stav, auditní stopu, řízení dlouhotrvajících procesů nebo oprávnění vynucovaná mimo model, je vhodnější aplikace.
Konfiguraci projektu uchovávejte odděleně od dovednosti
Názvy, databáze ani konvence jednotlivých projektů není vhodné zapisovat napevno do instrukcí. V příkladu Data Forge pro helpdesk popisuje manifest projekt, úložiště metrik a platformu. Dovednosti tak mohou používat správné údaje o projektu, aniž by je měly zabudované přímo ve svých instrukcích.
Jakmile jsou zjištěné podrobnosti uložené v doplněném manifestu, ostatní dovednosti si o projektu nemusí vytvářet vlastní předpoklady.
Zjištěné informace o projektu oddělujte od týmových standardů. Inicializační dovednost forge-init může prozkoumat existující schémata a vzory v kódu, zatímco forge-lint dodává pravidla, která se mají uplatnit ještě před generováním kódu. Vzor nalezený v repozitáři není automaticky pravidlem, které je nutné zachovat. Zjištěné informace proto zpřístupněte ke kontrole a tam, kde je potřeba posouzení z hlediska byznysu, nechte lidi údaje potvrdit nebo změnit.
Přenositelnost ověříte jednoduchou otázkou: mohl by jiný tým tyto dovednosti používat s vlastním manifestem, aniž by je musel přepisovat?
Sjednoťte způsob přístupu k platformě
Dovednost forge-dbx poskytuje ostatním dovednostem Data Forge jednotný způsob přístupu k datové platformě. Načte manifest a vybere adaptér pro Databricks nebo DuckDB. Každá dovednost tak nepotřebuje vlastní logiku připojení a dotazování.
Manifest může pro lokální ukázku helpdesku vybrat DuckDB, ale nemůže nainstalovat DuckDB CLI ani udělit přístup k databázi. To zůstává úkolem prostředí a jeho uživatele. Manifest vybírá databázový engine, hostitelské prostředí zajišťuje přístup.
Zařaďte do pracovního postupu kontroly a schvalování
Pracovní postup Data Forge pro helpdesk má sedm fází a v každé z nich kontrolní bod, který vyžaduje zapojení člověka. Přehled pracovního postupu ukazuje, jak na sebe jednotlivé dovednosti navazují. Před přechodem do další fáze se ověřuje dokončení předchozí fáze. Před provedením změn schématu si postup vyžádá schválení.
Příklad Proof Agent uplatňuje stejný princip při kontrole kódu. Pracovní postup v GitHub Actions předá ověřovacímu agentovi původní zadání a změny kódu, nikoli však vlastní hodnocení agenta, který kód vytvořil. Ověřovací agent vrací výsledek PASS, FAIL nebo PARTIAL a musí uvést důkazy ze změněných souborů.
GitHub Action provádí statickou kontrolu rozdílů v kódu – kód nespouští ani neprovádí testy. V ukázkovém pracovním postupu je nastaveno block-on-fail: false, takže zjištění mají pouze informativní charakter. Ve výchozím nastavení výsledek FAIL způsobí neúspěch kontroly. Pokud je tato kontrola povinná, zablokuje sloučení změn. Výsledky testů a podmínky pro sloučení mají nadále zůstat součástí kontrol CI a pravidel repozitáře.
Připravte balíček pro každého klienta a ověřte jeho nastavení
Podpora více klientů může znamenat nutnost udržovat několik kopií stejných instrukcí v souladu. V příkladu Data Forge slouží jako zdroj soubory skills/*/SKILL.md. Balicí skript z nich generuje soubory pro jednotlivé klienty: .claude-plugin/plugin.json pro Claude Code, .cursor-plugin/plugin.json pro Cursor a .github/agents/*.agent.md pro GitHub Copilot. Skript obsahuje také kontrolní režim pro CI:
node scripts/package.mjs --check
Klienti se mohou lišit dostupnými modely, nástroji, přihlašovacími údaji i oprávněními. Po instalaci dovednosti ověřte, že ji klient rozpozná jako vhodnou pro zamýšlený úkol, načte její referenční materiály, dokáže používat potřebné nástroje a vrací důkazy požadované instrukcemi.
Tři zásady pro tvorbu dovedností agentů
Kontext projektu soustřeďte do jednoho souboru. Názvy, schémata a konvence specifické pro projekt uchovávejte v manifestu. Každá dovednost je má načítat odtud, nikoli si uchovávat vlastní kopii. Tým tak získá jedno přehledné místo pro aktualizaci konfigurace.
Souvisejícím dovednostem zajistěte jednotný způsob používání platformy. Pro spouštění dotazů, úloh a změn schématu by měly používat společný postup, místo aby každá definovala vlastní příkazy a logiku připojení. Snáze pak porozumíte tomu, jak pracovní postup přistupuje k platformě, a ověříte jeho chování v jednotlivých klientech.
Instrukcemi práci směrujte, kontrolami ji ověřujte. Dovednost může agentovi určit, jaké standardy má dodržovat a kdy má požádat o schválení. U rozhodnutí vyžadujících kontext nebo úsudek zařaďte lidskou kontrolu. Testy a kontroly CI používejte k zachycení problémů dříve, než změna postoupí dál. Pokud má kontrola blokovat sloučení nebo nasazení, nastavte tuto podmínku v pravidlech repozitáře.
Začněte úkolem, který už nechcete stále dokola vysvětlovat. Zapište, co potřebuje, kde končí jeho rozsah a co má dostat ke kontrole posuzovatel. Potom dovednost vyzkoušejte s jiným agentem a upravujte ji podle získaných zkušeností.