Co všechno si AI agent stáhne s jedním skillem
mlj.solutions
mlj.solutions Studie ukazuje, že u AI skills zůstávají verze, původ a závislosti většinou implicitní, což už dnes vede k duplicitám a nekonzistentním instalacím napříč komunitou. Autoři proto navrhli SkillDepAnalyzer – nástroj inspirovaný SBOM (Software Bill of Materials), který navíc zachycuje i závislosti popsané přirozeným jazykem, ne jen strojové manifesty. Na benchmarku SKILL-DEP je přesnější než LLM baseline i klasické SBOM nástroje. 🔗 Skills Are Not Islands: Measuring Dependency and Risk in Agent Skill Supply Chains ❓Jak řešíte evidenci dependency grafu u vašich AI skills?
Zobrazit na Instagramumlj.solutions
mlj.solutions Nainstaluješ bezpečně vypadající AI skill. Riziko se skrývá o tři závislosti dál. Přesně proto je čím dál důležitější hlídat si, na čem tvůj skill (nebo agent) vlastně závisí a ne jen to, jak vypadá na první pohled.
Zobrazit na InstagramuO čem studie je
Skill je balíček znalostí a postupů, který AI agent používá při práci. Skilly se ale spoléhají na další skilly, balíčky a služby a nikdo nesleduje jejich verze ani původ. Studie to zmapovala na 1,43 milionu skillů a ukazuje, že kontrolovat jen jeden skill nestačí.
Statistiky
1,43 mil.
analyzovaných skillů
Jde o rozsáhlou analýzu, ze které autoři sestavili mapu závislostí mezi skilly, balíčky a službami.
4
strukturální vzorce
Autoři v datech odhalili čtyři opakující se vzorce, například koncentrované znovupoužití nebo rekurzivní rozrůstání závislostí.
3
typy závislostí
Grafy závislostí propojují skilly, softwarové balíčky a externí služby, často skrytě.
Co z toho vyplývá
- Závislosti nejsou vidět, identita, verze ani původ skillů zůstávají nejasné, což vede k duplicitám a nekonzistentním instalacím.
- Kontrola samotného skillu nestačí, bezpečnostní signály se často skrývají až v jeho závislostech.
- Znovupoužití skrytě rozrůstá inventář, skilly, které volají další skilly, přivádějí do systému balíčky, o kterých nikdo neví.
- Škodlivé skilly přetrvávají, autoři v ekosystému našli známé škodlivé skilly a nahlásili je jejich vývojářům.
- Řešení existuje, autoři doporučují typované manifesty závislostí a záznamy přesných verzí pro vývojáře skillů.
Náš pohled
AI agent je tak bezpečný, jako to nejslabší, co si stáhne. U firemních agentů proto nekontrolujeme jen samotné skilly, ale i všechno, na čem stojí.
Zdroj
Jia, C., Zhao, T., He, R., & Zhou, M. (2026). Skills Are Not Islands: Measuring Dependency and Risk in Agent Skill Supply Chains. arXiv:2607.01136. https://arxiv.org/abs/2607.01136
Nepřehlédněte další příspěvky
Umí AI agenti předpovídat budoucnost?
Benchmark FutureSim přehrává skutečné zprávy a testuje, jak se agenti přizpůsobí novým informacím. Nejlepší agent předpověděl správně jen čtvrtinu událostí.
Hlídejte repozitář, ne jen agenta
Riziko autonomních coding agentů se hromadí v repozitáři, ne v jednotlivém agentovi. Ukazuje to studie na více než 930 000 pull requestech.
AI agent, který se umí doptat, když nerozumí
Benchmark DiscoBench testuje, zda vyhledávací agent pozná nejasné zadání, zeptá se uživatele a vrátí se na správnou cestu.
Chcete AI implementovat ve vaší firmě?
Projdeme spolu vaše potřeby a navrhneme přístup, který přinese měřitelné výsledky.
Napište nám
