O agente que escolhe a skill antes de agir

Um agente pode ter dezenas ou centenas de skills, mas só algumas interessam ao pedido atual. Carregar tudo aumenta o contexto e pode confundir o trabalho. Escolher a skill errada também tem custo: o agente passa a seguir instruções que não resolvem a tarefa.

O Jev pode atuar como porteiro dessa biblioteca. Ele recebe o pedido e descrições curtas das capacidades disponíveis, então escolhe entre uma skill identificada, nenhuma skill ou revisão. A aplicação carrega o conteúdo completo apenas depois da escolha. É um caso de roteamento, não de execução da skill.

O que a seleção precisa saber

Uma descrição útil diz quando a skill se aplica, quais entradas espera e quais ações permite. Nomes vagos como “ajuda geral” prejudicam a comparação. Também vale separar habilidades parecidas: “consultar faturas” e “alterar cobrança” têm riscos e permissões diferentes.

No guia oficial de integração da TypeSafe, a recomendação é deixar o código controlar o workflow e usar Jev para julgamentos semânticos delimitados. A receita de sugestão de skills mostra o padrão em uma coleção de 182 skills do Hermes. No experimento documentado, a seleção é testada contra tarefas conhecidas. O resultado é evidência daquele conjunto, não uma taxa de acerto universal.

O lugar do “nenhuma”

Imagine a pergunta “qual skill responde a este pedido?” com apenas nomes de skills como opções. Se o pedido for estranho à biblioteca, o modelo ainda terá de selecionar uma. Acrescentar “nenhuma” permite que o agente siga sem carregamento ou peça esclarecimento. Em tarefas sensíveis, você pode exigir revisão antes de habilitar uma skill que altera dados.

O catálogo do portal mostra outras decisões próximas: rotear tarefas entre agentes, filtrar arquivos antes de um coding agent e recuperar memória. Em cada uma, o objetivo é reduzir o material que chega à próxima etapa sem perder algo essencial.

Para testar, forme um conjunto de pedidos reais com resposta esperada: skill correta, nenhuma skill e casos ambíguos. Meça a seleção errada e a ausência de seleção separadamente. Depois observe a tarefa completa: uma classificação correta no começo pode não melhorar o resultado final se a skill estiver mal escrita ou se o agente não souber usá-la.

O próximo capítulo leva esse filtro para outra pilha comum: muitos resultados de busca, poucos realmente úteis.