Od kilku miesięcy eksperymentuję z agentami AI w codziennej pracy inżynierskiej. I powiem szczerze: największy przełom nie nastąpił, gdy nauczyłem się lepiej promptować ChatGPT. Nastąpił wtedy, gdy zrozumiałem, że mogę stworzyć własne narzędzie – […]
Od kilku miesięcy eksperymentuję z agentami AI w codziennej pracy inżynierskiej. I powiem szczerze: największy przełom nie nastąpił, gdy nauczyłem się lepiej promptować ChatGPT. Nastąpił wtedy, gdy zrozumiałem, że mogę stworzyć własne narzędzie – skill – które agent AI uruchamia jak program. Bez zgadywania, bez domyślania się kontekstu. Po prostu podaję dane, dostaję wynik.
W tym wpisie pokażę:
- Czym jest skill w kontekście agentów AI i dlaczego inżynierowie powinni je tworzyć,
- Jak zbudowałem skill do obliczeń hydraulicznych – dobór średnic przewodów kanalizacyjnych,
- Strukturę plików, schemat danych wejścia/wyjścia i logikę walidacji,
- Jak wdrożyć taki skill, żeby agent AI uruchamiał go automatycznie,
- Kiedy to ma sens, a kiedy lepiej sięgnąć po arkusz kalkulacyjny.
Czym właściwie jest skill dla agenta AI?
Przyjmijmy roboczą definicję: skill to hermetyzowany blok wiedzy i instrukcji, który agent AI może załadować, zrozumieć i wykonać. Nie chodzi o wtyczkę w przeglądarce ani osobny program. To plik – najczęściej Markdown z frontmatterem – który mówi asystentowi: „jeśli użytkownik poprosi o X, postępuj według tej procedury, używaj tych wzorów, waliduj te dane, zwróć wynik w tym formacie”.
W moim środowisku (Hermes Agent od Nous Research) skill to plik SKILL.md w folderze ~/.hermes/skills/. Agent automatycznie skanuje ten katalog i ładuje pasujące umiejętności. Jeśli w treści rozmowy pojawi się fraza związana z obliczeniami hydraulicznymi – agent odpala mój skill.
Kluczowa różnica w stosunku do zwykłej rozmowy z chatbotem: skill to kod, który się nie myli. Agent AI może się pomylić przy obliczaniu spadku – pominąć jednostkę, zaokrąglić w złą stronę. Skill wykonuje te same wzory za każdym razem tak samo.
Przykład: skill do obliczeń kanalizacji grawitacyjnej
Zacznijmy od konkretu. Projektuję przyłącze kanalizacji sanitarnej dla budynku jednorodzinnego. Mam: przepływ obliczeniowy Q = 2,5 l/s, spadek minimalny i = 1,5%, materiał PVC. Potrzebuję dobrać średnicę i sprawdzić prędkość.
Zamiast otwierać arkusz Excel, szukać wzoru i ręcznie iterować – napisałem skill. Oto jego struktura:
skills/
obliczenia-kanalizacja/
SKILL.md # definicja, instrukcje, wzory
scripts/
sewer_calc.py # skrypt obliczeniowy
references/
wzór.md # wzór
tabele.md # tabela średnic, spadków, napełnień
templates/
raport.md # szablon wyników do zwrócenia użytkownikowiPlik SKILL.md to serce. Definiuję w nim: kiedy skill ma być użyty (trigger), jakie dane są wymagane, jakie są jednostki, jakie wzory obowiązują i jak walidować wyniki. Nie muszę tego wszystkiego tłumaczyć agentowi w każdej rozmowie – skill robi to za mnie.
Wzory i logika obliczeniowa – jak to zapisać
W skille do kanalizacji korzystam ze wzoru Manninga dla przepływu w kanale otwartym:
V = (1/n) * R^(2/3) * i^(1/2)
gdzie:
V - prędkość przepływu [m/s]
n - współczynnik szorstkości (PVC: 0,009)
R - promień hydrauliczny [m] = A / O
i - spadek dna [-]
Q = V * A
gdzie:
Q - przepływ [m³/s]
A - pole przekroju poprzecznego [m²]W skrypcie sewer_calc.py mam zaimplementowaną iterację: startuję od DN 110, sprawdzam napełnienie h/D ≤ 0,5 (dla grawitacji), prędkość V ≥ 0,8 m/s (samooczyszczanie). Jeśli nie przechodzi – zwiększam średnicę. Wynik: średnica, prędkość, napełnienie, spadek.
Skill nie tylko uruchamia skrypt – on też tłumaczy wyniki na język inżynierski. Agent AI odczytuje output Pythona i prezentuje go użytkownikowi z komentarzem: „Dla Q=2,5 l/s dobrano DN 160, V=0,95 m/s, napełnienie 0,42 – warunki spełnione.”
Jak agent AI używa skilla – krok po kroku
Prześledźmy cały przepływ:
- Użytkownik mówi: „Mam dom jednorodzinny, 5 mieszkań, przepływ 2,5 l/s, spadek 1,5%. Dobierz średnicę kanalizacji.”
- Agent AI rozpoznaje temat – dopasowuje do skilla „obliczenia-kanalizacja” na podstawie słów kluczowych i opisu w frontmatterze.
- Agent ładuje skill – czyta SKILL.md, wzory, reguły walidacji, wzory.
- Agent uruchamia skrypt Pythona – przekazuje parametry, odbiera wynik.
- Agent sprawdza wynik – porównuje z tabelami, upewnia się, że mieści się w wytycznych.
- Agent prezentuje wynik – w czytelnym formacie z zaleceniami.
Całość zajmuje około 30 sekund. Żadnego szukania wzoru w notatkach, żadnego ręcznego liczenia. Agent wie, że dla kanalizacji grawitacyjnej minimalna prędkość to 0,8 m/s, a maksymalne napełnienie to 50% – bo to zapisałem w skille.
Korzyści z podejścia skillowego
Po trzech miesiącach używania skilli w codziennej pracy widzę kilka konkretnych zalet:
- Powtarzalność. Te same obliczenia wykonane na tych samych danych dają ten sam wynik. Zero pomyłek rachunkowych.
- Audytowalność. Agent loguje, który skill został użyty, jakie dane wejściowe podano i jaki był wynik. Można to później przejrzeć.
- Rozwijalność. Dodałem skill doboru pompy ciepła – wystarczyło napisać nowy SKILL.md i jeden skrypt. Reszta infrastruktury (agent, logowanie, interfejs) działa bez zmian.
- Edukacja. Młodszy projektant, który pyta agenta o dobór średnicy, dostaje nie tylko wynik – dostaje też wyjaśnienie, skąd się wziął. Skill może wywołać funkcję „explain”, która rozpisuje obliczenia krok po kroku.
Kiedy skill ma sens, a kiedy nie
Skill to narzędzie, a nie srebrna kula. Sprawdzi się, gdy:
- Masz powtarzalne obliczenia, które wykonujesz regularnie (dobór średnic, spadków, wentylacji, ogrzewania),
- Chcesz, żeby młodszy członek zespołu mógł samodzielnie zweryfikować swoje wyniki,
- Potrzebujesz standaryzacji – zespół ma używać tych samych wzorów i tych samych założeń.
Nie sprawdzi się, gdy:
- Obliczenia są jednorazowe i unikalne – szybciej zrobić w Excelu,
- Model matematyczny jest zbyt złożony (CFD, MES) – tu potrzebujesz dedykowanego solvera, nie skryptu Pythona,
- Nie masz udokumentowanej metodyki – nie da się zakodować tego, co masz tylko w głowie.
Jak zacząć – minimalny skill w 15 minut
Chcesz spróbować? Oto szkielet, od którego możesz zacząć:
# ~/.hermes/skills/obliczenia-test/SKILL.md
---
name: obliczenia-test
description: "Testowy skryp do obliczeń - mnoży dwie liczby"
trigger: ["oblicz", "pomnoz", "test"]
---
# Skill: Obliczenia testowe
Gdy użytkownik prosi o pomnożenie dwóch liczb, wykonaj kalkulację.
Użyj skryptu: `python3 scripts/calc.py --a {a} --b {b}`
Wynik zwróć jako: "Wynik mnożenia {a} × {b} = {wynik}"To wszystko. Agent znajdzie ten plik, odczyta trigger, i gdy powiesz „oblicz 15 razy 23” – odpowie „Wynik mnożenia 15 × 23 = 345”. Teraz wyobraź sobie to samo, ale zamiast mnożenia – dobór średnicy, spadek, prędkość, napełnienie, wszystko zgodnie z wytyczną.
Podsumowanie
Budowanie skilli dla agenta AI to dla mnie największy skok produktywności od czasu, gdy przesiadłem się z kalki na AutoCAD. Nie chodzi o to, żeby AI zastąpiło inżyniera – chodzi o to, żeby AI robiło to, co jest nudne i powtarzalne, a inżynier mógł się skupić na tym, co wymaga myślenia.
Jeśli masz swoje powtarzalne obliczenia – dobór kabli, strat ciśnienia, przekrojów wentylacji – spróbuj zapakować je w skill. Struktura jest prosta, a zwrot z inwestycji w czasie liczony w godzinach tygodniowo. W kolejnym wpisie pokażę, jak połączyć takiego agenta z Excelem – bo często źródłem danych jest właśnie arkusz.
