source-to-skill

Coding agent je skvělý v tom, co už umí, a bezradný před dvouhodinovou přednáškou, kterou jsi viděl minulý týden. Nabízí se vložit mu přepis — jenže to je špatně hned dvakrát. Zaprvé je velký: přepis o pouhých 4 962 slovech má zhruba 6 600 tokenů textu, který z okna vytlačí všechno ostatní. Zadruhé je to vyprávění, tedy formát, který má k odpovědi, jakou chceš, nejdál.

Agent potřebuje strukturu: rámce, rozhodovací pravidla, konkrétní čísla a cestu zpátky k originálu, když je potřeba odpověď ověřit. To je jiný výstup než shrnutí a přesně na tohle je formát Agent Skills — instrukce, které si agent načte, když je situace vyžaduje, a jinak si jich nevšímá.

Extrakce a destilace jsou dva různé problémy a nástroj je odmítá míchat. extract.py pozná typ zdroje z URL nebo souboru, spustí odpovídající parser a do pracovní složky zapíše tři věci: full_text.txt, metadata.json a source.json — manifest, díky kterému jde skill později obnovit. Nahrávku bez titulků tady taky přepíše Whisper, lokálně, podle toho, který backend máš nainstalovaný. Tahle půlka je obyčejný Python — testovatelný, opakovatelný, a buď funguje, nebo řekne, proč ne.

Destilace je ta půlka, která vyžaduje úsudek, a proto zůstává agentovi. SKILL.md mu popíše, jak vypadá dobrý skill pro daný typ zdroje. Agent si přečte extrahovaný text, nejdřív si s tebou odsouhlasí cenu v tokenech, pak zapíše soubory a výsledek ověří přes validate_skill.py. Žádný další model někde na serveru v tom není — ten, který je potřeba, už sedí u stolu.

Díky tomu 320 testů pokrývá tu část, kterou pokrýt jde, a nepředstírá, že pokrývá i tu druhou. A všechny běží bez připojení k síti.

Z dvouhodinové přednášky o dvanácti kapitolách vznikne dvanáct souborů se segmenty. SKILL.md nese hlavní myšlenky a rejstřík segmentů a má strop kolem 4 000 tokenů — v galerii příkladů vychází mezi 1,1k a 2,0k. Je to jediná část, kterou agent standardně platí. Segment si přečte, až když otázka opravdu míří do jeho kapitoly, a cheatsheet.md obsahuje konkrétní kroky a rozhodovací pravidla bez jakéhokoli vyprávění.

Papery si drží svou přirozenou strukturu — methods.md, findings.md, limitations.md, glossary.md, citations.md. Když se totiž limity slijí do shrnutí, začne se paper citovat na něco, o čem sám výslovně napsal, že to neprokázal. Knihy si nechávají kapitoly. Z playlistu, kanálu nebo podcastu vznikne kurz: rejstřík lekcí, jeden soubor na video nebo epizodu a jeden cheatsheet pro celou sérii.

Každý segment začíná odkazem do zdroje na čas, kde segment začíná. Zeptáš se na masking a odpověď přijde s &t=668s — jedenáct minut a osm vteřin, přesně tam, kde o tom přednášející mluví.

Od verze 0.5 už dlouhá kapitola není jeden odkaz: přepis nese značku každých 30 vteřin, takže tvrzení odkáže s přesností na půl minutu, za zhruba 3 % tokenů navíc. Podcasty a audio soubory to mají stejně, s #t= tam, kde se v originále dá přetáčet.

Právě tohle dělá skill nejen pohodlným, ale i důvěryhodným. Destilace je tvrzení o tom, co zdroj říká, a tvrzení, které si nemůžeš ověřit jedním kliknutím, nakonec musíš brát na slovo. Papery a články dělají totéž s původní URL, skill z repozitáře odkazuje na soubor dokumentace, ze kterého vznikl.

Když dáš víc zdrojů, dostaneš jeden tematický skill. Každá myšlenka nese zdroje, ze kterých pochází ([S1], [S2]), a disagreements.md zapisuje, kde si odporují nebo používají jiná čísla či definice — vedle sebe, nikdy zprůměrované do jednoho tvrzení. Průměrování je přesně to, co shrnutí dělá samo od sebe, a přesně tak vzniká sebevědomá špatná odpověď.

Příklad v galerii skládá dohromady Attention Is All You Need, video od 3Blue1Brown a Illustrated Transformer od Jaye Alammara. Shodnou se na vzorci a rozcházejí se ve věcech, na kterých záleží: jestli je poziční kódování naučené, nebo pevné, jak jsou ve vektoru rozložené sinus a kosinus — a paper si odporuje i sám se sebou, v abstraktu uvádí 41,8 BLEU a v textu 41,0.

Skill si taky pamatuje, odkud vzešel. /source-to-skill update znovu vytáhne playlist nebo kanál, porovná ho s uloženým source.json a vygeneruje jen nové lekce.

Verze 0.6.0, dva měsíce po 0.4. Verze 0.5 přidala všechno, co se poslouchá — podcasty, audio soubory, videa bez titulků — a k tomu kanály, tematické skilly, obnovu skillů, CLI balíček a galerii příkladů. Verze 0.6 přidala celé podcasty z RSS, tabulky v knihách a článcích a dokumentaci z repozitářů v pořadí, jaké zamýšleli autoři. Instalace v Claude Code jsou pořád dva řádky, /plugin marketplace add michalstrnadel/source-to-skill a /plugin install source-to-skill@source-to-skill, a stejná složka funguje i v GitHub Copilot CLI nebo v Ampu, protože Agent Skills je otevřený formát.

Co hotové není, říkám rovnou. Balíček je sestavený a release workflow připravený, ale na PyPI zatím není, takže CLI se zatím instaluje přes uvx přímo z gitu. Naskenovaná PDF bez textové vrstvy pořád potřebují nejdřív OCR a podcast s víc mluvčími nemá jejich označení. A to největší: neměřil jsem, jestli agent se skillem odpovídá líp než bez něj. Evaly jsou na roadmapě. Do té doby je důkazem galerie, kterou si můžeš přečíst celou.