ఏజెంట్ skills అంటే ఏమిటి? MCPతో తేడా ఏమిటి

ఏజెంట్ skill అంటే వాస్తవంగా ఏమిటి

ఏజెంట్ skill అనేది డిస్క్‌లోని ఒక folder. అందులో SKILL.md అనే file ఉంటుంది. ఆ fileలో name, సంక్షిప్త description, plain markdownలో రాసిన instructions ఉంటాయి. ఏజెంట్ startup సమయంలో descriptionను load చేస్తుంది. మీ request ఆ descriptionకు సరిపోలినప్పుడు మాత్రమే instructionsను చదువుతుంది. skillలకు సంబంధించిన మిగతా విషయాలు దాదాపుగా ఈ రెండు వాక్యాల నుంచే అర్థమవుతాయి.

ఆ folderలో ఆ ఒక్క file కంటే ఎక్కువ files ఉండవచ్చు. Agent Skills specification మూడు optional directoriesను పేర్కొంటుంది: ఏజెంట్ అమలు చేసే code కోసం scripts/, అవసరమైనప్పుడు ఏజెంట్ చదివే documents కోసం references/, templates మరియు data కోసం assets/. వీటిలో ఏదీ తప్పనిసరి కాదు. SKILL.md మాత్రమే ఉన్న folder కూడా పూర్తి skill అవుతుంది.

restore-drill/
  SKILL.md
  references/retention-policy.md
  scripts/verify_snapshot.sh

Descriptionను చాలామంది తక్కువగా అంచనా వేస్తారు. skillను అసలు open చేయాలా వద్దా అని ఏజెంట్ నిర్ణయించుకునే ముందు అది చూసే ఏకైక text description మాత్రమే. అందువల్ల skill ఏమి చేస్తుంది, ఎప్పుడు ఉపయోగించాలి అనే విషయాలను వ్యక్తి నిజంగా type చేసే పదాలతో స్పష్టంగా చెప్పాలి.

ఒక skill ఉపయోగించే వరకు దాని ఖర్చు దాదాపు ఎందుకు ఉండదు

ఈ format ను అర్థం చేసుకోవడం ఎందుకు విలువైనదో వివరించే ప్రధాన వాదన ఇదే. ఇది features గురించి కాదు, context గురించి. Loading దశలవారీగా జరుగుతుంది. Specification దీనిని progressive disclosure అని పిలుస్తుంది.

ప్రారంభంలో agent ఇన్‌స్టాల్ చేసిన ప్రతి skill యొక్క name మరియు description మాత్రమే load చేస్తుంది. మిగతాది ఏదీ load చేయదు. Agent Skills specification ప్రకారం, August 2026 నాటికి ఇది ప్రతి skill కు సుమారు 100 tokens. పన్నెండు skills ఇన్‌స్టాల్ చేసినా, ఒక పొడవైన paragraph కు సరిపడే context మాత్రమే ఖర్చవుతుంది.

ఒక request ఏదైనా description కు సరిపోలితే, agent ఆ ఒక్క SKILL.md యొక్క body ను చదువుతుంది. Body ను 5,000 tokens లోపు, file ను 500 lines లోపు ఉంచాలని specification సిఫారసు చేస్తుంది. ఈ దశలో references/ మరియు scripts/ లోని files కు ఇంకా ఎలాంటి ఖర్చు ఉండదు. Instructions agent ను reference file కు పంపితే మాత్రమే ఆ file load అవుతుంది. Bundled script మాత్రం వేరుగా పనిచేస్తుంది. Agent దాన్ని shell ద్వారా run చేస్తుంది. అందువల్ల script source context window లోకి రాదు; దాని output మాత్రమే వస్తుంది.

దీనిని సాధారణంగా ముందుగా ఎంచుకునే ఒక భారీ prompt తో పోల్చండి. System prompt లోని లేదా ఎల్లప్పుడూ అమలులో ఉండే instructions file లోని ప్రతి line ప్రతి request సమయంలో, ప్రతి session లో చెల్లించాల్సిన ఖర్చుగా మారుతుంది. ఆ task కు అవి అవసరం లేకపోయినా అదే జరుగుతుంది. అవి అసలు ప్రశ్నతో attention కోసం పోటీ పడతాయి. Standing instructions గా 10,000 tokens ఉంటే, సమయం ఎంత అని అడిగినప్పటికీ ఆ ఖర్చు చెల్లించాలి. పన్నెండు skills విశ్రాంతి స్థితిలో సుమారు 1,200 tokens మాత్రమే ఖర్చు చేస్తాయి. అవసరమైన task వచ్చినప్పుడు మాత్రమే అవి విస్తరిస్తాయి. Skills కు అనుకూలంగా ఉన్న పూర్తి కారణం ఇదే. అందుకే ఒక చిన్న library, ఒక పొడవైన prompt కంటే మెరుగైనది.

ఒక ముఖ్యమైన పరిమితి చాలామందికి తర్వాత తెలుస్తుంది. ఒక skill load అయిన తర్వాత, దాని body session మిగిలినంతకాలం context లోనే ఉంటుంది. అందువల్ల పొడవైన SKILL.md ఒక్కసారి మాత్రమే అయ్యే ఖర్చు కాదు; అది మళ్లీ మళ్లీ వచ్చే ఖర్చు. వివరాలను references/ లోకి తరలించడం కేవలం క్రమబద్ధత కోసం కాదు. System రూపొందించిన విధంగా పనిచేయడానికి ఇదే విధానం.

ఏజెంట్ skill tool call కాదు

Tool ను function call అని కూడా అంటారు. ఇది మోడల్ invoke చేయగల అంశం. Harness మోడల్‌కు name, description, arguments ఆకృతి ఉన్న schema ను పంపుతుంది. మోడల్ call ను పంపుతుంది, మీ code దాన్ని run చేస్తుంది, ఆపై ఫలితం message గా తిరిగి వస్తుంది. Tools పనులు చేస్తాయి.

Skill స్వయంగా ఏదీ execute చేయదు. Agent దాన్ని చదివి, తనకు ఇప్పటికే అందుబాటులో ఉన్న tools ను ఉపయోగించి చర్య తీసుకుంటుంది. Tool కు arguments పంపిన విధంగా మోడల్ skill కు arguments పంపలేడు. Skill చేయగలిగేది ఏమిటంటే ఏ tools ను ఏ క్రమంలో ఉపయోగించాలో, తర్వాత ఏమి తనిఖీ చేయాలో మోడల్‌కు చెప్పడం.

సంక్షిప్తంగా: tool agent కు కొత్త సామర్థ్యాన్ని ఇస్తుంది. Skill agent ఇప్పటికే కలిగిన సామర్థ్యాన్ని ఉపయోగించడానికి అవసరమైన నిర్ణయ విధానాన్ని ఇస్తుంది. ప్రతి సారి ఖచ్చితమైన, validate చేసిన ఫలితాన్ని ఇవ్వాల్సిన step అయితే tool లేదా script అవసరం. ఒకే ఆలోచనా విధానాన్ని స్థిరంగా వర్తింపజేయాల్సిన step అయితే skill అవసరం. Skill కేవలం నిర్ణయ విధానం మాత్రమే అయినప్పటికీ, మీరు తరచుగా ఉపయోగించేది కావచ్చు. దీనికి పని చేసే అతి చిన్న మార్పు చేయడానికి coding agent ను ప్రేరేపించే Ponytail ఉదాహరణ: ఇది కొత్త సామర్థ్యాన్ని జోడించదు; agent ఇప్పటికే ఉన్న సామర్థ్యాలను ఎలా ఉపయోగించాలో మాత్రమే మారుస్తుంది.

Agent skill అనేది MCP server కాదు

MCP (model context protocol) అనేది agent ను బాహ్య వ్యవస్థకు అనుసంధానించే protocol. MCP server అనేది ఆ protocol ను ఉపయోగిస్తూ నడిచే process. ఇది agent కు tools ను అందిస్తుంది. దీనికి సాధారణంగా configuration, credentials, అలాగే local command లేదా network endpoint అవసరం. Skill అనేది markdown file ఉన్న folder మాత్రమే. ఇందులో process, port లేదా protocol ఏదీ ఉండదు.

Context cost విషయంలో కూడా ఇదే తేడా ఉంటుంది. MCP server అందించే ప్రతి tool కు name, description, argument schema ఉంటాయి. సాధారణంగా ఇవి ఉపయోగించినా, ఉపయోగించకపోయినా, మొత్తం session కోసం request లో ఉంటాయి. కొంతమంది clients ఇప్పుడు tool schemas ను అవసరమైనప్పుడు fetch చేయడం ప్రారంభించారు. అయినా వాటిని ముందుగానే load చేయడం ఇప్పటికీ సాధారణ పద్ధతే. Disk పై ఉన్న skill ఒక్క text line మాత్రమే.

ఈ రెండూ పరస్పర పూరకాలు. ఉత్తమ setup లలో రెండింటినీ ఉపయోగిస్తారు. MCP server access ను అందిస్తుంది. Skill procedure ను అందిస్తుంది: మీ బృందం యొక్క వాస్తవ workflow కోసం ఆ tools లో ఏవి call చేయాలి, ఏ క్రమంలో call చేయాలి, మంచి result ఎలా ఉండాలి. మీరే host చేస్తే, VPS పై MCP servers నడపడం ఆ భాగాన్ని వివరిస్తుంది.

Agent skill అనేది system prompt లేదా AGENTS.md కాదు

రెండూ Markdownలోని సూచనలే కాబట్టి ఈ గందరగోళం సహజమే. అవి లోడ్ అయ్యే సమయం వేరు. AGENTS.md, CLAUDE.md మరియు system prompt ఎల్లప్పుడూ క్రియాశీలంగా ఉంటాయి. Skill అవసరమైనప్పుడు మాత్రమే క్రియాశీలమవుతుంది.

ఒకే ప్రశ్నతో పరీక్షించండి: ఈ పేరాలోని సూచనలను విస్మరించడం, దానికి సంబంధం లేని taskపై తప్పు అవుతుందా? House style, build command మరియు branch naming rule ప్రతి taskకు వర్తిస్తాయి. అందువల్ల అవి ఎల్లప్పుడూ లోడ్ అయ్యే fileలో ఉండాలి. ప్రతి సారి లోడ్ కావడమే దాని ఉద్దేశం. నెలలో రెండుసార్లు మాత్రమే అమలు చేసే release checklist ప్రతి taskకు వర్తించదు. కాబట్టి అది skillలో ఉండాలి. ఎల్లప్పుడూ లోడ్ అయ్యే fileలోని ఒక section సంఖ్యలతో కూడిన procedureగా పెరిగితే, దాన్ని skillకు తరలించాల్సిన సంకేతం అదే.

ఆ filesకు కూడా సరిగ్గా పాటించాల్సిన స్వంత conventions ఉన్నాయి. మేము ఉపయోగించే రెండు విధానాల కోసం AGENTS.mdలో ఏమి ఉండాలి, human fileలో ఏమి ఉండాలి మరియు codebase నిర్మాణాన్ని వివరించే design.md చూడండి.

కనీస skill ఎలా ఉంటుంది

Claude Code లో వ్యక్తిగత skills ~/.claude/skills/<name>/SKILL.md లో ఉంటాయి. అవి మీ అన్ని ప్రాజెక్ట్‌లకు వర్తిస్తాయి. Project skills .claude/skills/<name>/SKILL.md లో ఉంటాయి. అవి git కు commit చేయబడతాయి. అందువల్ల ఆ repository పై పనిచేసే ప్రతి వ్యక్తి మరియు ప్రతి agent కు అవి అందుబాటులో ఉంటాయి. GitHub Copilot మరియు VS Code workspace skills ను బదులుగా .github/skills/ నుంచి చదువుతాయి. అందులోని file అదే file.

mkdir -p ~/.claude/skills/restore-drill

---
name: restore-drill
description: Run a restic restore drill and report what was recovered. Use when the user asks to test backups, verify a restore, or check that a snapshot is readable.
---

# Restore drill

1. Run `restic snapshots` and pick the newest snapshot for the host in question.
2. Restore it into a scratch directory under `/tmp`, never over live data.
3. Compare the restored file count and total size against the snapshot summary.
4. Report the snapshot ID and anything that failed to restore.

If `restic snapshots` prints `Fatal: unable to open config file`, the repository path or the password is wrong. Stop and report that instead of guessing.

ఇదే పూర్తి skill. మీరు టైప్ చేసే command ను directory name నిర్ణయిస్తుంది. కాబట్టి ఈ skill పేరు /restore-drill. Claude Code లో /skills menu లో install చేసిన skills కనిపిస్తాయి. File సరిగ్గా గుర్తించబడిందో నిర్ధారించడానికి ఇది వేగవంతమైన మార్గం. అది ఆ menu లో కనిపించకపోతే ఏదో పేరు తప్పుగా ఉంది. File పేరు SKILL.md అయి ఉండాలి. Directory name లో lowercase letters, digits మరియు single hyphens మాత్రమే ఉండాలి. మీ agent మళ్లీ అమలు చేయగల procedure గా ఇదే విధానాన్ని రాయడం VPS పై scheduled restic backups కు సహజమైన అనుబంధం. ఎందుకంటే backup నడుస్తుండటం, backup ను restore చేయగలగటం ఒకటే కాదు.

స్క్రిప్ట్‌గా ఉండాల్సిన skill ఎప్పుడు?

ప్రతిసారీ ఒకే సరైన సమాధానం ఉండే ఏ దశనైనా script‌గా రాయాలి. ఆ skill‌లో ఎప్పుడు దాన్ని run చేయాలి, output‌ను ఎలా చదవాలి అనే విషయాలను చెప్పే కొన్ని పంక్తులు మాత్రమే ఉంచాలి. దీనికి రెండు కారణాలు ఉన్నాయి. రెండూ ఆచరణాత్మకమైనవే.

మొదటిది, script source context window‌లోకి ఎప్పుడూ రాదు. 300 పంక్తుల parser‌కు దాని output మాత్రమే context‌లోకి వస్తుంది. అదే logic‌ను markdown సూచనలుగా రాస్తే, skill load అయిన ప్రతిసారీ దాని పూర్తి పొడవు context‌లోకి వస్తుంది.

రెండవది, script రెండుసార్లు run చేసినా ఒకే సమాధానం ఇస్తుంది. ప్రతి run‌లో అదే log parsing నియమాన్ని మళ్లీ రూపొందించమని model‌ను అడిగితే, పొరపాటు జరిగే సందర్భంలో అది స్వల్పంగా భిన్నంగా మారవచ్చు. రెండు సంఖ్యలు సరిపోకపోయే వరకు ఈ విషయం మీకు తెలియకపోవచ్చు.

కాబట్టి పనిని దాని స్వభావం ఆధారంగా విభజించండి. “CSV‌ను parse చేసి, total line items‌తో సరిపోని ప్రతి row‌ను print చేయి” అనేది script. “script print చేసిన rows‌ను పరిశీలించి, వాటిలో ఏవి data entry పొరపాటులా కనిపిస్తున్నాయో వివరించు” అనేది skill instruction. నిర్ణయాధారిత పనిని markdown‌లో, deterministic పనిని code‌లో ఉంచడం, agent‌ను మీరు గమనించకపోయినా run చేయగల loop‌ను నిర్మించడం వంటి అదే క్రమశిక్షణ.

నా skill ఎప్పుడూ ఎందుకు trigger కావడం లేదు?

ఎందుకంటే దాని description skill ఏమి చేస్తుందో మాత్రమే చెబుతుంది; దాన్ని ఎప్పుడు ఉపయోగించాలో చెప్పదు. మీ అభ్యర్థనతో agent సరిపోల్చాల్సింది ఆ ఒక్క లైనే. "Helps with database work" అనే వాక్యం ప్రత్యేకంగా ఏ అభ్యర్థనతోనూ సరిపోలదు. "Runs a schema migration against the staging database. Use when the user asks to migrate a table, add a column, or change a schema" అనే వివరణలో వ్యక్తులు వాస్తవంగా టైప్ చేసే పదాలు ఉంటాయి. అందువల్ల అది trigger అవుతుంది.

దీనికి విరుద్ధమైన సమస్య skill నిరంతరం trigger కావడం. "Use for any code changes in this repository" వంటి వివరణ ప్రతిదానితోనూ సరిపోతుంది. అందువల్ల ప్రతి taskలో body load అయి, మిగిలిన session అంతా contextలో ఉంటుంది. మీరు ఉద్దేశించిన సందర్భానికి మాత్రమే సరిపోయేలా వివరణను పరిమితం చేయండి. Claude Codeలో frontmatterలో disable-model-invocation: true కూడా సెట్ చేయవచ్చు. అప్పుడు automatic loading ఆగిపోతుంది. మీరు skill పేరును టైప్ చేసినప్పుడు మాత్రం అది అందుబాటులో ఉంటుంది.

మూడవ సమస్య toolను నకలు చేసే skill. MCP server ఇప్పటికే అందించే APIపై agentను curl చేయమని చెప్పే instructions, లేదా harnessలో search tool ఉన్నప్పటికీ filesలో grep చేయమని చెప్పడం, నెమ్మదైన మార్గాన్ని సృష్టిస్తుంది. అలాగే పరస్పరం విభేదించే రెండు instruction సమూహాలు ఏర్పడతాయి. నకలు instructionను తొలగించి, దాని ఉద్దేశాన్ని మాత్రమే వివరించండి.

ఈ మూడింటిలో మీది ఏదో ఊహించవద్దు. ఒకే promptను కొత్త sessionలో రెండుసార్లు run చేయండి. ఒకసారి skill అందుబాటులో ఉండాలి. మరోసారి దాన్ని off చేయాలి. తరువాత వచ్చిన answersను పోల్చండి. కొత్త session ముఖ్యం. ఎందుకంటే skillను రాసిన sessionలో skill చెప్పే విషయాలన్నీ ఇప్పటికే ఉంటాయి. దీనివల్ల వ్రాతపూర్వక versionలోని లోపాలు కనిపించకుండా పోతాయి. Anthropic యొక్క skill-creator plugin ఈ పోలికను Claude Codeలో స్వయంచాలకంగా చేస్తుంది. Skill trigger కావాల్సిన, trigger కాకూడని promptsను కూడా అది రూపొందిస్తుంది. ప్రతి prompt ఎంత తరచుగా trigger అవుతుందో కూడా కొలుస్తుంది.

ఇది ఒక vendor‌కు చెందిన formatనా, లేక standardనా?

Anthropic ఈ format‌ను 2025 చివర్లో ప్రచురించింది. తరువాత agentskills.ioలో host చేసిన open standard‌గా విడుదల చేసింది. 2026 ఆగస్టు నాటికి, ఆ specification అవసరమైన name మరియు description fields, ఐచ్ఛికమైన license, compatibility, metadata మరియు allowed-tools fields, మూడు ఐచ్ఛిక directories, అలాగే staged loading behaviour‌ను నిర్వచిస్తుంది. ఇది reference validator‌ను కూడా అందిస్తుంది. అందువల్ల share చేయడానికి ముందు skills-ref validate ./my-skill ఒక folder‌ను specification‌కు అనుగుణంగా ఉందో లేదో తనిఖీ చేస్తుంది.

Client list‌నే అసలు సూచనగా చూడాలి. అదే folder‌ను Claude Code, Cursor, OpenAI Codex, Gemini CLI, GitHub Copilot, VS Code, Goose, OpenHands మరియు opencode వంటి అనేక client‌లు చదువుతాయి. Microsoft ఈ format‌లో తన స్వంత skills‌ను github.com/microsoft/skills వద్ద ప్రచురిస్తుంది. Task‌ను మీరు ఒకసారి చేయడాన్ని గమనించి, దాన్ని intent మరియు క్రమబద్ధమైన steps‌గా పునర్నిర్మించి, ఫలితాన్ని skill‌గా రాసే Skill Recorder అనే desktop tool‌ను కూడా Microsoft విడుదల చేస్తుంది. వేరే సంస్థ specification‌కు చెందిన output format‌ను ఉపయోగించే recorder‌ను ఒక vendor నిర్మించడం, ఈ format ఇక ఒకే product feature‌గా మిగలలేదనడానికి మంచి సూచన.

మొదట ఏమి రాయాలి

లైబ్రరీని ముందుగానే ప్రణాళిక చేయవద్దు. ఒకే సూచనలను chatలో మూడోసారి paste చేస్తున్నట్టు మీరే గుర్తించిన తర్వాత ఆ పాఠ్యాన్ని SKILL.md లోకి తరలించి, paste చేసిన భాగాన్ని తొలగించండి. మీరు ఇప్పటికే అనుభవించిన పునరావృతమే ఉంచదగిన skillకు నమ్మదగిన ఏకైక trigger. Search procedure మొదటి skillగా అనుకూలంగా ఉంటుంది. మీ స్వంత SearXNG instance ఆధారంగా రూపొందించిన search skill దీనికి రూపాన్ని చూపిస్తుంది.

రెండు అలవాట్లు libraryను సక్రమంగా ఉంచుతాయి. మీరు రాయకపోయిన ప్రతి skillను install చేయడానికి ముందు చదవండి. ఇందులో scripts కూడా ఉన్నాయి. Skill అంటే మీ agent అనుసరించే సూచనలు, అలాగే అది అమలు చేయగల code. అందువల్ల దాన్ని అపరిచితుడి softwareను install చేసినట్టుగా పరిగణించండి. Credentialsను folder వెలుపల ఉంచండి. ఎందుకంటే skill commit చేసి share చేసే text file. మీ agentsకు secretsను దూరంగా ఉంచడం ఆ విలువలను బదులుగా ఎక్కడ ఉంచాలో వివరిస్తుంది. ఈ సంవత్సరం agentsను నేర్చుకునే road map setupలోని మిగతా భాగాలతో skillsను ఏ క్రమంలో అమర్చాలో చూపిస్తుంది.

FAQ

agent skill మరియు MCP server మధ్య తేడా ఏమిటి?

MCP (model context protocol) server అనేది protocol ద్వారా agent కు tools అందించే running process. అందువల్ల దీనికి configuration మరియు credentials అవసరం. Tool definitions సాధారణంగా ఉపయోగించినా, ఉపయోగించకపోయినా మొత్తం session అంతా context లో ఉంటాయి. agent skill అనేది SKILL.md file ను కలిగి ఉన్న folder. ఇందులో process లేదా protocol ఉండదు. Agent దాన్ని చదవాలని నిర్ణయించే వరకు దాని ఖర్చు సుమారు 100 tokens మాత్రమే. Agent కు system access ఇవ్వడానికి MCP server ను ఉపయోగించాలి. ఆ access ను సమర్థంగా ఎలా ఉపయోగించాలో చెప్పడానికి skill ను ఉపయోగించాలి. అనేక setups రెండింటినీ నడుపుతాయి.

agent skills కేవలం Claude Code తోనే పనిచేస్తాయా?

లేదు. Anthropic ఈ format ను అభివృద్ధి చేసి, తరువాత agentskills.io వద్ద open standard గా విడుదల చేసింది. అదే folder ను Cursor, OpenAI Codex, Gemini CLI, GitHub Copilot, VS Code, Goose, OpenHands మరియు ఇతర clients కూడా చదువుతాయి. ప్రతి client ఎక్కడ వెతుకుతుంది, ఏ అదనపు frontmatter fields ను అర్థం చేసుకుంటుంది అనే విషయాల్లో మాత్రమే తేడా ఉంటుంది. Claude Code ~/.claude/skills/ మరియు .claude/skills/ ను చదువుతుంది. GitHub Copilot మరియు VS Code repository లోని .github/skills/ ను చదువుతాయి. SKILL.md file మాత్రం మార్పు లేకుండా వాటి మధ్య ఉపయోగించవచ్చు.

పనితీరు తగ్గే ముందు ఎన్ని skills install చేయవచ్చు?

ఇక్కడ పరిమితి సంఖ్య కంటే startup budget పై ఆధారపడి ఉంటుంది. ప్రతి installed skill specification లోని published guidance ప్రకారం దాని పేరు మరియు description రూపంలో సుమారు 100 tokens జోడిస్తుంది. అందువల్ల 30 skills లో ఏదీ ఉపయోగించకముందే సుమారు 3,000 tokens ఖర్చవుతాయి. మొదట నెమ్మదించేది speed కాదు, matching. ఒకదానితో ఒకటి పోలిన descriptions కలిగిన అనేక skills ఉంటే, model సరైన skill ను ఎంచుకోవడం కష్టమవుతుంది. ఒకదానితో మరొకటి overlap కాని descriptions రాయాలి. ఇక ఉపయోగించని skills ను తొలగించాలి.

ఈ instruction ను skill లో ఉంచాలా లేదా AGENTS.md లో ఉంచాలా?

ఇది repository లోని ప్రతి task కు వర్తిస్తుందా అని ప్రశ్నించాలి. Build commands, house style మరియు naming rules అన్ని tasks కు వర్తిస్తాయి. అందువల్ల అవి ఎల్లప్పుడూ లోడ్ అయ్యే file లో ఉండాలి. ప్రతి సారి లోడ్ చేయడమే ఆ file ఉద్దేశం. అప్పుడప్పుడు మాత్రమే నడిపే release checklist లేదా restore drill వంటి procedure ను skill గా ఉంచాలి. దాని అవసరం లేని tasks లో దానికి ఎటువంటి ఖర్చు ఉండదు. AGENTS.md లోని ఒక section numbered steps గా పెరిగితే, అది సాధారణంగా skill గా మార్చాల్సిన procedure.