# Suggest agent skills with Jev: rank 182, verify 3, load at most 1

> TypeSafe skill-suggestion cookbook: Choice ranking over 182 skills plus Noul gates cuts wrong skill loads 16.8% to 7.3% and needless loads 9.8% to 4.0%.

*Source: https://velstech.net/jev-skill-suggestion.ta (Tamil translation of https://velstech.net/jev-skill-suggestion) · Updated: 2026-09-20*

*Markdown version. [Read the interactive guide](https://velstech.net/jev-skill-suggestion.ta). English Markdown: https://velstech.net/jev-skill-suggestion.md.*

---

பெரிய skill rosters உள்ள agents தகவலே இல்லாமல் தேர்வு செய்கின்றன: roster index-ஆக வருகிறது – skill-க்கு
ஒரு truncated வரி (Hermes descriptions-ஐ 60 characters-ஆக வெட்டுகிறது) – எனவே `.pptx`
files *edit* செய்யும் skill *author* செய்யும் skill போலவே வாசிக்கப்படுகிறது; எதுவும்
பொருந்தாத turns-இலும் பெயர் பட்டியல் guess-ஐ அழைக்கிறது. TypeSafe-இன்
[skill-suggestion cookbook](https://docs.typesafe.ai/cookbooks/skill_suggestion)
**progressive disclosure**-ஆல் இதைச் சரி செய்கிறது: மலிவான ஒரு request 182 skills-ஐயும்
rank செய்து turn-க்கு skill தேவையா எனக் கேட்கிறது; இரண்டாம் request top மூன்றை மட்டும் முழு
விவரத்துடன் மீண்டும் படித்து அனைத்தையும் reject செய்யலாம். Winner பெயர் system prompt-இன் ஒரு
வரியில் செல்கிறது. இந்த guide recipe + அளவிடப்பட்ட முடிவுகளின் சுருக்கம்.

## Baseline ஏன் மோசம்

`claude-haiku-4-5` மீது 488 requests-இல் அளவிடப்பட்டது (315 சரியாக ஒரு skill-ஆல் covered,
173 எதனாலும் இல்லை – 85 everyday requests + guessing-ஐ தண்டிக்க எழுதிய 46 near-misses உட்பட, X-ஐ
cover செய்யும் ஆனால் Mastodon-ஐ செய்யாத roster-இல் "post this to Mastodon" போல), roster மட்டும் உள்ள
agent தவறான skill-ஐ **16.8%** முறை load செய்கிறது, பொருந்தாதபோதும்
**9.8%** முறை load செய்கிறது. 36 தவறான first picks-இல் 10 சரியான skill-இன் சொந்த
category-லிருந்து – agent பெரும்பாலும் சரியான இடத்தைப் பார்க்கிறது, கடினம் lookalikes-ஐப்
பிரிப்பது.

## Call 1 – 182-ஐயும் skim செய்க

ஒரு request இரு வகை கேள்விகள்: 182 skill names மீது `Choice` (ஒவ்வொரு option-க்கும்
criteria index description – agent-க்குக் கிடைக்கும் அதே text), probabilities ranking; மேலும்
turn-க்கு விளக்கத்துக்குப் பதில் action தேவையா என வெவ்வேறு விதமாகக் கேட்கும் மூன்று
`Nouls` (user system-இல் act? documented procedure consult? prose போதுமா – inverted).
Mean எதுவும் suggest செய்வதா என முடிவு; 0.30-க்குக் கீழ் அமைதி. இரண்டும் ஒரு round trip-இல்.

## Call 2 – top 3-ஐ முறையாகப் படிக்க

மூன்று options-இல் ஒவ்வொரு skill-இன் full description + `SKILL.md` opening அடங்கும்,
எனவே அதே கேள்வி சிறந்த evidence-க்குச் செல்கிறது: shortlist மீது `Choice`, ஒவ்வொரு
candidate-க்கும் ஒரு absolute `fits::{name}` `Noul` – இந்த skill கேட்ட
specific வேலையைச் செய்யுமா? அனைத்தும் low-ஆக வரலாம்; best fits 0.30-க்குக் கீழ் shortlist முழு drop.

`.pptx` ஜோடி சரியாக இங்கு பிரிகிறது: wide ranking deck-authoring request-க்கு editing
skill-ஐ முதலில் வைக்கிறது (0.700 vs 0.300); முழுமையாகப் படித்ததும் Choice authoring skill-க்கு flip
ஆகிறது. Choice-ம் Nouls-ம் disagree செய்யலாம் (இங்கு Nouls editing skill-ஐ உயர்வாக score செய்கின்றன)
– வெவ்வேறு கேள்விகளுக்குப் பதில்: Choice *எது* என முடிவு, Nouls *எதுவும் சொல்வதா* என
முடிவு. இதே Choice-vs-Noul பிரிவு
[Jev 1.13 jaggedness guide](https://velstech.net/jev-1-13-jaggedness.ta)-இன் failure mode 8.

## முழு recipe: இரண்டு requests + இரண்டு thresholds

```
def suggest(request: str) -> tuple[str, ...]:
    """At most one skill name for a request, or () for "nothing here applies"."""
    wide = rank_wide(request)
    if wide["gate"]
Relevant to the current request: pptx-author. Ignore this if it does not
fit what the user actually asked for.

```

Wording இரு வேலை: suggestion ignore செய்யலாம் என்கிறது (அழுத்துவது தவறான suggestions-க்கும்
compliance வாங்கும், தவறானது none-ஐ விட மோசம்), காலி turn-லும் "nothing appears relevant"
வாக்கியம் செல்லும் – roster-இன் சொந்த "err on the side of loading" instruction எதிர்க்கப்பட்டு
நிற்கும், எதிர்ப்பின்றி அல்ல.

## அளவிடப்பட்ட முடிவுகள்

|  | தவறான skill | பொருந்தாதபோது skill |
| --- | --- | --- |
| Agent தனியே, roster மட்டும் | 16.8% | 9.8% |
| TypeSafe suggestion உள்ள agent | 7.3% | 4.0% |
| சரியான பதில் கொடுக்கப்பட்ட agent (ceiling) | 2.5% | 1.2% |

அதாவது 2.3× குறைவான wrong loads, 2.4× குறைவான needless ones – truncated index-லிருந்து guessing-க்கும்
சரியான பதில் கிடைப்பதற்கும் இடையிலான பெரும் இடைவெளி. 315 covered requests-இல் suggestion 37-ஐ fix
செய்தது, agent தானே சரி செய்த 7-ஐ உடைத்தது: confident தவறான suggestion persuade செய்யும், turn-க்கு
முன் வைப்பதன் விலை இது. (Ceiling வரியும் zero அல்ல – சரியான skill கொடுக்கப்பட்ட agent கூட எப்போதும்
load செய்வதில்லை.)

## இறுதி முடிவு

பெரிய roster உள்ள உங்கள் agent-க்கு இதே shape copy செய்க: அனைத்தின் மீதும் மலிவான ranking, பிறகு
இரண்டு-மூன்றை உற்றுப் பார்க்க – இரண்டு steps-ம் வெறுங்கையுடன் திரும்பலாம். Full source:
[TypeSafe skill-suggestion cookbook](https://docs.typesafe.ai/cookbooks/skill_suggestion)
(runs-இல் `jev-1.12`); அதே shape வேறு இடங்களில் – TypeSafe patterns docs-இல் intent
routing, confidence-gated routing, speculative fan-out பார்க்கவும்.

---

*VelsTech – https://velstech.net/jev-skill-suggestion.ta.md*