14 Skill Agen AI yang Layak Dipasang, dari Perbaikan Diri sampai Akses Internet

Ekosistem skill untuk agen AI berkembang jauh lebih cepat daripada kemampuan orang memilahnya. Sebuah skill sebenarnya hanya berkas markdown yang mengajari agen mengerjakan satu tugas langkah demi langkah, lalu dipanggil ketika tugas itu muncul. Karena cara membuatnya semurah itu, jumlahnya kini ribuan — dan sebagian besar tidak pernah benar-benar dipakai. Memilih jadi jauh lebih penting daripada mengumpulkan.

Ada satu disiplin yang sering dilewatkan: ukuran berkasnya. Aturan praktis yang beredar di kalangan pengguna agen adalah menjaga satu skill tetap di bawah sekitar 15 kilobita. Lewat dari itu, isinya cenderung membengkakkan konteks dan menaikkan biaya token setiap kali dipanggil, padahal manfaatnya belum tentu bertambah. Daftar berikut disusun dari sana: skill yang menutup satu masalah nyata, bukan yang menarik saat dipasang lalu terlupakan.

Lapisan pertama: efisiensi dan kebersihan konteks

SkillClaw. Ini yang paling layak dipasang lebih dulu. Setelah setiap sesi, agen diajak menjalankan siklus evolusi: meninjau skill yang baru dipakai, menggabungkan yang tumpang tindih, menulis ulang yang lemah, dan memperbarui pustakanya sendiri tanpa campur tangan manusia. Efeknya menumpuk pelan — minggu pertama terasa sedikit lebih rapi, minggu keempat pustaka skill-nya sudah berbeda jauh. Proyek ini datang dari tim DreamX (Alibaba Group) dan konsepnya juga dipublikasikan sebagai makalah akademik, jadi bukan sekadar repositori eksperimen.

Defuddle. Setiap kali agen membuka halaman web, ia membaca semuanya: navigasi, footer, banner cookie, iklan samping. Tidak ada satu pun yang berguna, tapi semuanya memakan token. Defuddle memangkas halaman itu menjadi markdown mode-pembaca sebelum diproses, sehingga agen membaca web beberapa kali lebih efisien. Untuk pekerjaan riset, analisis kompetitor, atau penelusuran dokumentasi, ini bukan pelengkap.

Humanizer. Skill ini sudah tersedia bawaan di Hermes, tapi jarang dipakai padahal masalahnya nyata: keluaran agen hampir selalu terbaca sebagai tulisan mesin. Humanizer berangkat dari daftar tanda-tanda tulisan AI di Wikipedia — dan daftarnya ikut diperbarui ketika halaman itu berubah. Untuk siapa pun yang menerbitkan tulisan berbantuan AI, ini lapisan terakhir sebelum teks itu keluar ke publik.

Paket skill engineering Matt Pocock. Berisi sekitar 15 skill yang disusun dari pengalaman menulis dan mengajar, dengan pembaca newsletter lebih dari 60.000 orang. Tiga yang paling sering dipakai: grill-me, yang mewawancarai pengguna sebelum agen menulis satu baris kode sehingga salah paham ketahuan lebih awal; pemangkas verbositas yang membuat sesi panjang jauh lebih murah — klaim penghematannya perlu dibaca kritis, pengukuran di repositori aslinya berkisar 50–65 persen pengurangan output, bukan angka bulat 75 persen yang sering dikutip; dan teach, yang menyusun materi ajar terstruktur ketika Anda ingin mempelajari sesuatu bersama agen.

Lapisan kedua: kemampuan yang tadinya tidak ada

youtube-full. Skill transkrip bawaan agen biasanya gagal di server atau VPS karena YouTube memblokir alamat IP pusat data. Skill ini menggantikannya: transkrip, penelusuran kanal, penguraian playlist, pencarian video, lewat penyedia transkrip khusus (perlu mendaftar akun, tapi tanpa Google API key) dengan klaim volume 15 juta transkrip per bulan. Bagi agen yang banyak bekerja dengan sumber video, ini membuka separuh internet yang tadinya gelap.

Composio. Menyambungkan agen ke Gmail, Sheets, Slack, Notion, HubSpot, Salesforce, dan lebih dari seribu tool SaaS lain tanpa menulis OAuth sendiri atau mengelola banyak kunci API. Sebelum lapisan seperti ini ada, setiap tool baru berarti satu integrasi baru — dan di situ hampir semua proyek agen mandek.

Paket skill Addy Osmani. 24 skill tingkat produksi yang dipetakan ke delapan perintah menyusuri siklus pengembangan: spesifikasi sebelum menulis kode, perencanaan, implementasi, pengujian, tinjauan sebelum merge, hingga rilis. Yang paling menarik adalah doubt-driven development: setiap keputusan besar di tengah tugas, agen berhenti dan berdebat dengan dirinya sendiri — mengekstrak asumsi yang dipakai, menguji satu per satu, lalu melanjutkan. Untuk kode produksi atau tindakan yang tidak bisa dibatalkan, kebiasaan ini yang membedakan agen yang berhati-hati dari agen yang sekadar patuh.

make-interfaces-feel-better. Sebuah artikel lama berjudul "Details that make interfaces feel better" sudah lama jadi bacaan wajib desainer antarmuka, lalu diubah menjadi skill: aturan radius bersarang (radius luar sama dengan radius dalam ditambah padding — penyebab paling umum elemen bertumpuk terlihat salah), angka tabular supaya nilai statistik tidak bergeser saat diperbarui, animasi yang bisa diinterupsi tanpa membeku, hingga pembungkusan teks agar kata terakhir judul tidak menggantung sendirian. Tidak ada satu pun yang sulit; agen hanya tidak memikirkannya kecuali diberi tahu. Setelah skill ini terpasang, hal-hal itu dikerjakan setiap kali.

Resemble AI detect-skill. Terdengar niche sampai disadari bahwa agen terus menelan konten kiriman pengguna: teks, audio, gambar, video — dan sebagiannya dibuat khusus untuk menyesatkan. Skill ini menambahkan deteksi konten hasil AI multimodal beserta penandaan (watermark), sehingga pipeline yang banyak mengikis data dari internet punya lapisan penyaring.

Paket skill keamanan mukul975. Lebih dari 800 skill terstruktur yang dipetakan ke enam kerangka kerja sekaligus: MITRE ATT&CK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF, dan MITRE F3. Isinya mencakup pemodelan ancaman, penilaian kerentanan, tinjauan kode aman, dan buku panduan respons insiden. Dua catatan penting. Pertama, ini proyek komunitas dengan lisensi Apache 2.0 — meskipun sering disebut sebagai "skill keamanan Anthropic", proyek ini tidak berafiliasi dengan Anthropic PBC, dan penamaan itu sebaiknya tidak diulang tanpa koreksi. Kedua, sebagian isinya bersifat ofensif dan dual-use, jadi pemakaiannya wajib disertai izin dan dasar hukum yang jelas.

oh-my-hermes. Lapisan orkestrasi yang mengubah satu sesi agen menjadi semacam komite. Tugas besar dipecah, dibagikan ke pekerja spesialis atau CLI eksternal, dijalankan paralel atau bertahap, lalu hasilnya diverifikasi alih-alih diterima setengah jadi. Proyek ini terinspirasi dari pendekatan oh-my-claudecode dan dibangun ulang untuk primitif Hermes, dengan klaim penghematan token sampai 50 persen lewat perutean yang lebih cermat.

Lapisan ketiga: infrastruktur ketika agen jadi banyak

Mission Control. Masalahnya sederhana: begitu Anda menjalankan beberapa agen sekaligus — satu untuk riset, satu untuk koding, satu untuk komunikasi klien — visibilitasnya nol. Mission Control adalah control plane yang di-host sendiri untuk mengirim tugas ke banyak runtime, meninjau hasil kerja, memantau kesehatan agen, dan melacak biaya secara real-time. Perbedaan antara kumpulan agen yang dikelola serampangan dan satu armada yang benar-benar terpantau ada di lapisan ini.

Open Montage. Sistem produksi video agentik sumber terbuka: 12 pipeline, 52 tool, dan lebih dari 500 skill dalam satu pemasangan. Alurnya menarik karena menolak "langsung jadi": sebelum satu frame pun diproduksi, agen memberi dua sampai tiga konsep berbeda, jalur tool yang akan dipakai, perkiraan biaya, dan pratinjau. Contoh angkanya cukup menggambarkan: animasi pendek 60 detik bergaya Pixar memerlukan enam klip gerak, narasi, musik, dan takarir per kata, dengan perkiraan biaya sekitar US$1,33.

Tiga sebutan terhormat

• browser-harness — menyambungkan agen langsung ke peramban Chrome yang nyata: mengklik, menggulir, mengisi formulir, dan berpindah halaman seperti manusia. Ketika menemui halaman yang belum dikenali, ia menulis sendiri helper yang hilang lalu melanjutkan. Otomasi peramban yang memulihkan dirinya.
• codebase-memory-mcp — mengindeks seluruh basis kode menjadi graf pengetahuan tetap. Kernel Linux, 28 juta baris di 75.000 berkas, terindeks sekitar tiga menit; 158 bahasa didukung. Setelah terindeks, agen menjawab pertanyaan tentang kode lewat kueri graf, bukan dengan membaca berkas satu per satu.
• Loop Library — katalog siap pakai untuk "loop", pola yang tidak cuma menyuruh agen mengerjakan sesuatu sekali, tapi menentukan apa yang harus dilakukan pada hasilnya: ukur, pertahankan kalau membaik, ulangi sampai target tercapai, berhenti kalau tidak lagi berkembang. Perintahnya berubah dari "percepat situs ini" menjadi urutan kerja yang punya syarat verifikasi dan titik henti.

Peringkat pertama: memberi agen kemampuan melihat internet

Agent-Reach. Ini yang paling jarang disebut padahal dampaknya paling besar. Agen bisa menalar, merencanakan, dan membangun — tapi begitu diminta mencari sesuatu di internet, ia sering buta: Twitter/X di balik API berbayar, Reddit menolak alamat IP pusat data, YouTube diblokir di VPS. Agent-Reach membuka 14 platform sekaligus (Twitter/X, Reddit, YouTube, GitHub, LinkedIn, Instagram, RSS, Bilibili, Xiaohongshu, Douyin, Weibo, artikel WeChat, pencarian web Exa, dan web umum) tanpa biaya API, dengan lisensi MIT. Bagian yang membuatnya layak jadi nomor satu: ketika sebuah platform mengubah kebijakan dan memblokir satu jalur integrasi — hal yang terjadi terus-menerus — jalur cadangannya sudah dipetakan, sehingga agen tidak perlu berhenti.

Alasannya sederhana. Hampir semua skill lain memperbaiki hal yang sudah bisa dilakukan agen. Agent-Reach memberi kemampuan yang tadinya tidak dimiliki sama sekali.

Cara memilih, bukan mengumpulkan

• Mulai dari hambatan yang benar-benar terasa. Jangan pasang sepuluh skill sekaligus. Satu masalah nyata, satu skill, lalu ukur apakah hasilnya berubah.
• Periksa isi skill sebelum memasangnya. Skill berjalan dengan akses ke tool, berkas, dan kadang kredensial. Proyek dengan bintang banyak belum tentu aman, dan bagian yang berbahaya biasanya ada di skrip, bukan di paragraf penjelasnya.
• Jaga anggaran konteks. Setiap skill yang terpasang ikut dibaca ketika relevan. Skill yang menggemuk membuat seluruh sesi lebih lambat dan lebih mahal, tanpa hasil yang sebanding.
• Uji dulu, baru permanen. Jalankan di sesi terpisah, bandingkan biaya token dan waktu penyelesaian, baru dipakai harian. Skill yang tidak lulus uji itu sebaiknya dilepas, bukan dibiarkan menumpuk.
• Bedakan skill yang menambah kemampuan dari yang cuma merapikan. Yang merapikan enak dilihat; yang menambah kemampuan mengubah batas pekerjaan yang bisa diserahkan ke agen.

Opini: Daftar skill paling populer biasanya didominasi alat efisiensi, padahal nilai terbesarnya ada di lapisan akses. Efisiensi hanya mempercepat pekerjaan yang sudah bisa dilakukan; akses menentukan apakah pekerjaannya bisa dilakukan sama sekali — dan itulah yang membuat agen otonom benar-benar berguna, karena sebagian besar tugas nyata dimulai dengan membaca sesuatu di luar sistemnya sendiri. Namun ada sisi lain yang tidak nyaman: setiap skill pihak ketiga adalah kode yang berjalan di dalam agen dengan seluruh izinnya, ditambah integrasi baru ke platform luar. Semakin banyak yang dipasang, semakin luas permukaan yang harus diaudit — dan hampir tidak ada yang mengauditnya. Jadi daftar yang bagus bukan yang terpanjang, melainkan yang setiap isinya bisa dijelaskan alasannya: masalah apa yang ditutup, dan siapa yang memeriksa kodenya.

Referensi utama: makalah SkillClaw: Let Skills Evolve Collectively with Agentic Evolver; repositori mattpocock/skills, addyosmani/agent-skills, mukul975/Anthropic-Cybersecurity-Skills, resemble-ai/detect-skill, jakubkrehel/make-interfaces-feel-better, Open-Montage/OpenMontage, builderz-labs/mission-control, DeusData/codebase-memory-mcp, Forward-Future/loopy, dan Panniantong/Agent-Reach.