Создание скиллов

Это руководство описывает основные концепции создания инструментов (tools) в SILO.

Класс Skill

Скилл в SILO — это экземпляр класса Skill, который управляет всеми инструментами, парсингом аргументов, обработкой ошибок и сериализацией.

from silo import Skill

skill = Skill(namespace="github")

Создание инструментов (Tools)

Инструменты — это функции, декорированные с помощью @skill.tool(). SILO использует Pydantic (через validate_call) для автоматического определения аргументов, их типов и значений по умолчанию.

@skill.tool()
def greet(name: str, shout: bool = False):
    """Приветствует пользователя по имени."""
    msg = f"Hello, {name}!"
    if shout:
        msg = msg.upper()
    return f"Результат: {msg}"

SILO автоматически сопоставляет сигнатуру функции с флагами CLI:

silo run github greet --name Alice --shout

Симуляция вывода

⠋ Executing github:greet...
╭────────────────────────────── Execution Result ───────────────────────────────╮
│ Result: HELLO, ALICE!                                                        │
╰──────────────────────────────────────────────────────────────────────────────╯

Использование Pydantic для сложных входных данных

LLM отлично справляются с написанием JSON. Если вашему инструменту требуется сложная структура (объект или список), используйте Pydantic-модели в качестве типов аргументов.

from pydantic import BaseModel
from silo import Skill, AgentResponse

skill = Skill("issue_tracker")

class Issue(BaseModel):
    title: str
    body: str

@skill.tool()
def create_issue(repo: str, detail: Issue):
    """Создает новую задачу (issue) в репозитории."""
    # detail теперь является типизированным объектом Pydantic
    print(f"Создание задачи '{detail.title}' в {repo}")

    return AgentResponse(
        llm_text=f"Задача '{detail.title}' создана в {repo}",
        raw_data={"status": "created", "repo": repo, "issue": detail.title}
    )

Использование через CLI:

silo run issue_tracker create_issue \
    --repo "user/repo" \
    --detail '{"title": "Bug", "body": "Fixed"}'

Симуляция вывода

⠋ Executing issue_tracker:create_issue...
╭────────────────────────────── Execution Result ───────────────────────────────╮
│ Задача 'Bug' создана в user/repo                                             │
╰──────────────────────────────────────────────────────────────────────────────╯

Управление секретами

Для работы с конфиденциальными данными (например, API-токенами), используйте require_secret(). SILO возьмет на себя безопасное хранение в Keychain ОС и запросит пользователя только один раз.

from silo import Skill, require_secret

skill = Skill("github")

@skill.tool()
def get_user():
    token = require_secret("GITHUB_TOKEN")
    # Используйте токен в API-вызовах...
    return "Данные пользователя получены."

Структурирование вывода

Инструмент SILO может возвращать: 1. Строку: Автоматически оборачивается в успешный ответ. 2. Словарь (dict): Автоматически преобразуется в JSON. 3. AgentResponse: Рекомендуемый способ предоставить раздельный контент для LLM и для вызывающей системы (оркестратора).

from silo import Skill, AgentResponse

skill = Skill("github")

@skill.tool()
def get_stats():
    # Предоставляем детальный контекст для LLM и сырые данные для системы
    return AgentResponse(
        llm_text="В репозитории 42 активных пользователя, система работает стабильно.",
        raw_data={"active_users": 42, "status": "healthy"}
    )