現在のほとんどのエージェントスキルは静的です。誰かが一度真実を読み、マークダウンファイルに書き込み、リリースします。手順と事実は同じ段落内で一緒に凍結されます。その後テーブルが非推奨になっても、スキルはそれを知りません。レジストリ、オーナー項目、バージョンスキーム、四半期レビュー、リンターは、依然として間違った知識に、より整理されたメタデータを追加するだけです。

私たちが最終的に認めたのは、静的スキルは無効化プロトコルのないキャッシュだということです。自然言語のタスク説明の裏に検索結果をキャッシュし、依存関係の追跡も、TTLも、ソースが移動したことに気づく方法もありません。だからこそスキルは陳腐化し、増殖し、矛盾し、肥大化するのです。

代替案では、意図、手順、出力契約、ガードレール、スコープを記述ファイルに保持します。すべての事実は、エージェントが質問するその瞬間に、ライブなコンテキスト層に対して解決されます。モデルが読むマークダウンは依然として存在します — それはただ、1回の呼び出しの寿命を持つビルド成果物に過ぎません。

メタデータフィルター付きRAGは一歩手前で止まります：フィルターは呼び出し元で組み立てられるクエリごとの引数であり、検索単位は類似度でランク付けされたチャンクです。このモデルでは、スコープは記述された設定であり、1回の呼び出しごとに1つのフィルター条項にコンパイルされ、すべての検索パスで共有され、結果が出力される際に再適用されます。

MCPリソースは取得を呼び出し時に移動させますが、選択はクライアントモデルに委ねられ、モデルは記述された列挙からどのリソースを要求すべきかをすでに知っている必要があります。陳腐化はコンテンツから「何が存在するか」のインデックスへと移り、モデルは自らの探索にラウンドトリップのコストを支払います。

より深い分岐点は、何がランク付けされるかです。チャンク類似度は「カラムがテーブルに属し、テーブルがスキーマに属する」という構造に関して意見を持たないため、予算が厳しいときに1つのテーブルの完全な詳細と3つのテーブルの識別行をトレードオフできません。このトレードオフこそが、コンポーザーが行う作業の大半です。

これはエージェント知識のための異なるモデルです：動的で、ライブで、凍結されたスキルのスナップショットではなく、現在のコンテキストを中心に構築されています。

主要エンティティ: 企業: modus, Towards Data Science