Domänenwissen wird bei Bedarf geladen

Die Gefahr einer „vollständigen Systemaufforderung“

Sie verfügen über 20 Fähigkeiten, von denen jede im Detail beschrieben ist: pdf-processing (wie man PDF liest), code-review (Überprüfungscheckliste), git-workflow (häufig verwendete Git-Routinen) ... Intuitive Methode: Fügen Sie sie alle in die Systemeingabeaufforderung ein, damit das Modell jederzeit eingesehen werden kann.

Ergebnis:

• Verbrennen Sie 15-30.000 Eingabe-Tokens für jeden Aufruf (auch wenn das Problem überhaupt keine Fähigkeiten erfordert).
• Die Aufmerksamkeit des Modells wird geschwächt – die Einhaltung der in der langen Systemaufforderung genannten Regeln nimmt ab.
• Ändern Sie einen Skill und der Cache aller historischen Konversationen wird ungültig.

Die Art und Weise, wie s05 erstellt wird, besteht darin, es in zwei Schichten aufzuteilen.

zweistufige Architektur

Ebene 1 · Günstig: Nur der Name der Fertigkeit und eine Beschreibung aus einem Satz werden in die Systemeingabeaufforderung eingefügt (jeweils etwa 100 Token). 20 Fertigkeiten = 2.000 Token, akzeptabel.

# Fähigkeitsliste in der Systemeingabeaufforderung
Verfügbare Fähigkeiten:
  - pdf: PDF-Dateien verarbeiten. Extrahieren Sie Text, Tabellen und Metadaten.
  - Code-Review: Checkliste für die systematische Code-Überprüfung.
  - git-workflow: Gängige Git-Verzweigungs- und Rebase-Muster.

Schicht 2 · On-Demand: Wenn das Modell eine bestimmte Fähigkeit verwenden muss, rufen Sie load_skill(name="pdf") auf und der gesamte Fähigkeitskörper (vielleicht 5-10.000 Token) wird über tool_result in den Kontext eingefügt. Es werden keine Token für ungenutzte Fähigkeiten geladen.

# tool_result gibt den vollständigen Skill zurück
<Skillname="pdf">
  Schritt 1: Verwenden Sie pdfplumber zum Extrahieren ...
  Schritt 2: OCR-Fallback bei Bedarf durchführen ...
  Schritt 3: Ausgabe als Markdown-Tabelle strukturieren...
</skill>

Vergleichen Sie die Token-Kosten

Testen Sie es in einem realen Szenario. Angenommen, Sie verfügen über 20 Fertigkeiten und jeder Körper verfügt über durchschnittlich 3000 Token. Der Benutzer stellt eine Frage (z. B. „Behebe den Fehler in der Anmeldeoberfläche“) – für diese Frage sind wahrscheinlich keine Kenntnisse erforderlich.

SKILL.md-Format

Skill-Dateien verwenden YAML frontmatter + body:

---
Name: pdf
Beschreibung: PDF-Dateien verarbeiten. Extrahieren Sie Text, Tabellen und Metadaten.
Tags: Dokument, Parsen
---

Schritt 1: Verwenden Sie pdfplumber zum Extrahieren. Behandeln Sie mehrspaltige Layouts...
Schritt 2: Greifen Sie bei gescannten PDFs auf OCR über tesseract zurück...

Der Titel ist für Schicht 1 (Name/Beschreibung/Tags) und der Körper ist für Schicht 2. Diese Schreibmethode ist von statischen Blogs (Jekyll, Hugo) inspiriert und Personen, die damit vertraut sind, können sie auf einen Blick verstehen.