Anthropic dona Agent Skills, la biblioteca de habilidades de IA tiene un nuevo mantenedor

El 22 de octubre de 2026, Anthropic anunció la donación de Agent Skills a la Fundación de Inteligencia Artificial de Agentes (AAIF), que forma parte de la Fundación Linux. Esta transferencia incluye el nombre del proyecto, la identificación, la organización de GitHub y el dominio oficial, y será mantenida en conjunto por ingenieros de varias empresas.

Agent Skills guarda los métodos de operación de un tipo de trabajo en archivos que pueden ser leídos por la IA al ejecutar tareas. El equipo organiza pasos, plantillas, materiales de referencia y scripts necesarios en un paquete de habilidades, que luego carga el contenido relevante según la tarea. Lo que antes requería que el usuario explicara repetidamente los requisitos del trabajo ahora puede ser guardado, modificado y llamado de nuevo.

Para muchas personas que ya utilizan IA en su trabajo, esto es fácil de entender: el modelo ya puede escribir bastante, pero lo que realmente consume tiempo a menudo es corregir repetidamente su enfoque. ¿Dónde deben ir los archivos? ¿Qué versión se puede usar? ¿Qué cosas necesitan ser confirmadas primero? ¿Por qué el mismo error aparece de nuevo la próxima vez? El paquete de habilidades intenta conservar estas experiencias concretas, y esta donación responde además a quién mantendrá este formato y cómo se utilizará en diferentes plataformas.

▌ I. Poner los métodos de trabajo en una carpeta

Imagina un equipo de edición que necesita completar la búsqueda de información, redacción de artículos, selección de imágenes y revisión cada semana. El equipo ya tiene hábitos fijos de títulos, tamaños de gráficos, métodos de verificación de información y un directorio de entrega. Si cada vez se escriben estos requisitos en el diálogo, no solo consume tiempo, sino que también es fácil omitir uno o dos puntos.

El equipo puede organizar estos requisitos en un paquete de habilidades. Dentro del paquete hay una descripción que le dice a la IA cuándo debe utilizar este proceso, qué materiales leer primero y en qué orden completar el trabajo; junto a esto, se colocan plantillas de formato, listas de verificación y pequeños programas para manejar archivos. Cuando se enfrenten a tareas similares en el futuro, la IA podrá avanzar siguiendo los métodos ya establecidos.

En la norma de Agent Skills, esta descripción central se llama SKILL.md. Primero contiene el nombre de la habilidad y una descripción de su uso, y luego se escribe el método de operación en texto normal. Si se necesitan más materiales, se pueden guardar archivos de referencia, scripts y recursos por separado, y luego se les puede hacer referencia desde la descripción. Los editores pueden entender el contenido del proceso, y los desarrolladores también pueden seguir ampliando la parte de procesamiento automático.

Esta forma de organización permite al equipo tener la oportunidad de dejar claras las experiencias implícitas. Por ejemplo, "los gráficos deben ser adecuados para la lectura en móviles" sigue siendo bastante vago; si se escribe más específicamente como el tamaño mínimo de fuente, la cantidad de información por gráfico, el tamaño de vista previa y el método de verificación, será más fácil obtener resultados consistentes al ejecutarlo. La utilidad del paquete de habilidades depende en gran medida de si estas experiencias pueden ser organizadas en requisitos operativos.

También se deben conservar las condiciones de finalización de la tarea. El proceso de edición puede estipular que el texto alcance una longitud acordada, que las fuentes sean verificables y que las imágenes se inserten y se completen en la vista previa antes de entrar en la revisión. Por lo tanto, la IA puede verificar si su entrega está completa, y el usuario también puede aceptar según el mismo estándar, reduciendo la discrepancia entre "parece que ya está hecho" y "realmente es utilizable".

Si el equipo descubre nuevos errores durante el uso, puede volver a la misma paquete de habilidades para hacer modificaciones. Cuando continúen la ejecución la próxima semana, el método mejorado seguirá existiendo. Para los negocios que ocurren repetidamente, esta revisión continua es más fácil de acumular que recordatorios temporales cada vez.

También se puede proporcionar un ejemplo que ya ha sido aceptado para la habilidad. Por ejemplo, un informe bien formateado, con anotaciones sobre qué posición corresponde al texto, imágenes y archivos de origen. Cuando la IA ejecuta, tiene una referencia concreta, y durante la revisión humana también se puede identificar en qué paso ocurrió la desviación en la salida. La información del cliente y los hechos caducados en el ejemplo deben ser tratados de antemano, conservando solo los métodos y estructuras que valga la pena reutilizar.

▌ II. ¿Cómo puede la IA encontrar la habilidad adecuada?

A medida que aumentan las habilidades, surge otro problema: entregar todas las descripciones al modelo para cada tarea ocupará mucho contexto y permitirá que requisitos irrelevantes interfieran con el trabajo actual. Agent Skills adopta un enfoque de lectura jerárquica, permitiendo que la IA vea primero el nombre y el uso de la habilidad, y luego cargue la descripción completa después de que se haya coincidido la tarea, y continúe leyendo archivos relacionados si es necesario.

Por ejemplo, si el usuario solo solicita "organizar las opiniones de modificación no resueltas en el contrato", la IA puede identificar primero la habilidad de revisión de contratos sin necesidad de leer al mismo tiempo todas las reglas para hacer portadas, estadísticas de tráfico o organizar recibos. Cuando se trata de procesar el contrato, se abre la plantilla correspondiente y la lista de cláusulas según la descripción.

Aquí, la coincidencia depende de la claridad de la descripción del uso. "Procesar archivos" abarca un rango demasiado amplio; "organizar las opiniones de modificación de contratos existentes y generar una lista de verificación para confirmar" es más fácil de determinar en qué escenario se utilizará. Para equipos grandes, el trabajo de mantenimiento de la biblioteca de habilidades también incluye fusionar habilidades duplicadas, limpiar pasos obsoletos y explicar cómo se dividen los procesos adyacentes.

Los materiales de referencia también necesitan ser desglosados. Los requisitos comunes se colocan en la descripción principal, mientras que las leyes, plantillas de clientes o documentos técnicos más largos se leen según sea necesario. Esto puede reducir el tiempo que el modelo pasa buscando entre una gran cantidad de materiales y también facilita la actualización de una parte del contenido sin tener que copiar todo el proceso nuevamente.

Cuando el proceso requiere ejecutar scripts, también se debe verificar si el entorno de ejecución tiene las herramientas correspondientes. Por ejemplo, una habilidad que requiere convertir tablas en gráficos aún necesita programas de procesamiento de datos, fuentes y ubicaciones de salida disponibles para su ejecución. El paquete de habilidades describe el método, la plataforma es responsable de proporcionar las condiciones de ejecución, y ambos deben estar conectados antes de su uso.

Por lo tanto, la migración entre plataformas es más adecuada para comenzar a probar con un pequeño grupo de tareas reales. Cuando una misma habilidad se traslada a otra herramienta de IA, las rutas de archivo, interfaces disponibles, métodos de aprobación y formatos de salida pueden cambiar. Al registrar estas diferencias, el equipo puede formar gradualmente una biblioteca de habilidades realmente reutilizables.

La lectura bajo demanda permite gestionar métodos comunes y materiales de referencia detallados por separado.

▌ III. Esta donación cambia quién mantiene las reglas

Agent Skills se originó en la práctica de productos de Anthropic, y después de su lanzamiento en octubre de 2025, se publicó como un estándar abierto en diciembre del mismo año. Este anuncio indica que más de 70 plataformas de agentes ya apoyan este formato. Este número refleja la situación de acceso al ecosistema publicada por los proveedores, y los efectos reales de uso aún deben observarse en tareas específicas.

A medida que aumentan los participantes, las modificaciones del formato afectarán a más equipos. Cómo se interpreta un campo, si la nueva versión es compatible con habilidades antiguas, y si la plataforma puede agregar su propia extensión, pueden afectar los flujos de trabajo que las empresas ya han acumulado. Al transferir el proyecto a la AAIF, estas cuestiones obtuvieron una base organizativa para discusión y mantenimiento conjunto.

El arreglo publicado por Anthropic establece que ingenieros de varias empresas participarán en el mantenimiento a título personal, y David Soria Parra y Mahesh Murag serán los principales mantenedores. No es necesario convertirse en miembro de la fundación para utilizar el estándar o contribuir. El proyecto también ha propuesto direcciones futuras como la publicación de versiones, procesos de propuestas formales y directrices de seguridad.

Para los usuarios empresariales, la gestión de versiones es especialmente digna de atención. Una habilidad confirmada por el equipo debería poder indicar de qué versión de norma, qué versión de plantilla y qué herramientas depende. Si surgen problemas después de una actualización, también debería haber una forma de volver a la versión que funcionaba correctamente anteriormente, en lugar de depender de registros de chat para reconstruir requisitos antiguos.

Para los desarrolladores de plataformas, el mantenimiento conjunto ayuda a reducir el diseño duplicado. Diferentes plataformas pueden proporcionar herramientas de carga, validación y gestión en torno a la misma estructura de archivo, y luego seguir mejorando en su propia experiencia de producto. La documentación de procesos ya existentes en las empresas también es más fácil de conservar, y los costos de migración se concentran principalmente en la adaptación del entorno y la verificación de resultados.

Los efectos de la gobernanza estándar se irán reflejando gradualmente en el mantenimiento diario. Quién se encarga de los problemas, cómo se discuten los cambios, cómo se informan las fallas de seguridad y cuánto tiempo se conserva la versión anterior son contenidos que los usuarios pueden sentir realmente. A medida que se implementa la hoja de ruta, las empresas pueden ajustar la frecuencia de actualización de sus habilidades internas y los métodos de aprobación.

Generación de IA ilustrativa

▌ IV. Conectar herramientas y organizar procesos tiene sus funciones

Al hablar de infraestructura de agentes, otro nombre que aparece con frecuencia es MCP, que significa Protocolo de Contexto del Modelo. Ayuda a las aplicaciones de IA a conectar herramientas externas y fuentes de información. Agent Skills es más adecuado para guardar los pasos y experiencias de completar un tipo de trabajo, y ambos pueden usarse en la misma tarea.

Siguiendo con el ejemplo del trabajo de edición, la IA lee artículos de la base de datos conectando herramientas, y a través de habilidades entiende qué fuentes tienen prioridad, cómo registrar los resultados de verificación y cuándo entrar en la redacción. La primera proporciona contenido y operaciones accesibles, mientras que la segunda organiza el método de ejecución de la tarea.

Esta división de funciones también se aplica al servicio al cliente. Las herramientas son responsables de consultar pedidos, leer estados logísticos y crear órdenes de trabajo; la descripción de habilidades indica qué consultar primero ante diferentes problemas, cómo juzgar el camino de tratamiento y qué solicitudes requieren intervención humana. Las empresas pueden actualizar por separado las interfaces del sistema y las reglas de servicio, sin necesidad de que cada ajuste de proceso se convierta en un desarrollo de software.

En el trabajo legal, las habilidades pueden guardar el orden de revisión de contratos, la clasificación de cláusulas y el formato de salida de opiniones. Durante la ejecución, aún se necesita leer el contrato actual, las leyes aplicables y las necesidades del cliente. Al separar los métodos estables de los hechos que cambian cada vez, se puede evitar llevar conclusiones específicas del proyecto anterior a nuevos asuntos.

Esto también se relaciona con la actualización del conocimiento. Las fechas de aplicación, regiones y versiones de documentos deben guardarse junto con los materiales de referencia. Después de un cambio de política, los mantenedores pueden reemplazar los documentos correspondientes y verificar qué habilidades los han citado. Para equipos de investigación regulatoria y servicios legales, esto es más fácil de controlar que simplemente acumular una gran cantidad de documentos.

La biblioteca de habilidades también tiene un propósito organizativo: permitir que los nuevos vean cómo los empleados experimentados completan su trabajo. Muchos procesos solían existir solo en la experiencia personal, y durante la transición solo podían explicarse verbalmente. El proceso de organizar habilidades impulsará al equipo a escribir los pasos propensos a errores, las excepciones y los métodos de aceptación, para que tanto las personas como la IA puedan utilizarlos juntos.

MCP y Agent Skills pueden colaborar en la misma tarea.

▌ V. Instalar habilidades también introduce nuevas dependencias laborales

Un paquete de habilidades puede contener tanto descripciones comunes como scripts, enlaces externos y requisitos para llamar herramientas. Una vez que es seleccionado por la IA, puede afectar la lectura de archivos, la transferencia de datos y las operaciones reales. Por lo tanto, las empresas deben revisar simultáneamente la fuente de contenido y los permisos de ejecución al introducir habilidades externas.

Una habilidad que aparentemente se utiliza para organizar facturas puede requerir acceso a todo el directorio de documentos; un script para generar informes puede conectarse a servidores externos. Los revisores necesitan saber cómo se relacionan estos accesos con la tarea, si se puede reducir el alcance y dónde se guardan los registros de ejecución. Limitar los permisos a los archivos y herramientas realmente necesarios puede reducir el impacto de operaciones erróneas.

OWASP en su guía sobre el riesgo de inyección de palabras clave discute el problema de cómo el contenido externo puede alterar el comportamiento del modelo. Cuando la IA lee páginas web, documentos u otros materiales, puede encontrar instrucciones operativas incrustadas. Si este contenido se ejecuta como si fuera una solicitud confiable, el modelo puede desviarse de la tarea que el usuario originalmente había indicado.

El uso de habilidades también puede enfrentar este tipo de problemas. El equipo debe revisar tanto la habilidad en sí como permitir que el entorno de ejecución distinga entre los requisitos de trabajo y la información externa. Las operaciones como pagos, envío de correos electrónicos y modificaciones en sistemas de producción deben tener revisiones manuales adecuadas, y los permisos de documentos y redes deben ser controlados por el sistema operativo real, evitando depender únicamente de un texto para mantener los límites.

El campo allowed-tools en las normas actuales sigue marcado como contenido experimental, y su forma de soporte depende de la plataforma específica. Por lo tanto, las empresas pueden enumerar las herramientas necesarias en la descripción de la habilidad, mientras verifican el alcance real disponible en la configuración de permisos de la plataforma. Durante las pruebas, se deben observar los registros de llamadas a herramientas para confirmar que el proceso de ejecución coincide con el diseño.

Al introducir habilidades externas, también se debe revisar por separado la licencia de uso. Las normas permiten que los autores completen el campo de licencia o apunten a un archivo de licencia, pero este campo no es obligatorio. El equipo debe confirmar cómo se permite el uso de código, plantillas y materiales incluidos, y conservar las licencias y versiones correspondientes; para las partes que carecen de explicación de licencia, primero se debe contactar al autor para confirmar antes de incluirlas en el proceso interno.

Las actualizaciones de habilidades externas también deben dejar un registro. El equipo puede fijar el uso de versiones que ya han sido revisadas y luego evaluar periódicamente el contenido de las actualizaciones. Si una habilidad de repente añade acciones en línea, depende de nuevos programas o requiere mayores permisos, el mantenedor tendrá la oportunidad de entender los cambios antes de que se implementen, en lugar de esperar a que surjan anomalías para investigar.

Para las instituciones con muchos datos de clientes, también es necesario verificar si las plantillas y ejemplos dentro de la habilidad contienen información confidencial. Al organizar la experiencia interna en habilidades públicas, los nombres de clientes específicos, fragmentos de contratos e información de identidad deben ser tratados. Los procesos públicos y la información interna pueden ser guardados por separado, reduciendo la posibilidad de transmitir accidentalmente documentos completos del proyecto.

▌ Seis, las empresas pueden comenzar organizando una tarea recurrente

Establecer un repositorio de habilidades puede comenzar con tareas frecuentes, con límites claros y fáciles de verificar. Por ejemplo, organizar informes semanales, archivar comentarios sobre contratos, generar tareas pendientes de reuniones, o preparar paquetes de revisión de artículos en un formato fijo. El equipo debe primero documentar las prácticas existentes y luego permitir que la IA ejecute varias rondas, lo que generalmente es más fácil para identificar problemas que intentar cubrir completamente todas las operaciones desde el principio.

Al preparar materiales, se puede retroceder desde la última entrega exitosa. ¿Qué se ingresó?, ¿qué materiales revisó el personal?, ¿qué pasos se completaron?, ¿cómo se determinó finalmente que el resultado era entregable? Una vez que se haya documentado el proceso real, se pueden agregar los métodos de manejo de errores, y la habilidad tendrá un punto de partida confiable.

Los materiales de prueba también deben incluir excepciones comunes. Páginas faltantes en contratos, enlaces de origen que no funcionan, campos de formularios inconsistentes, imágenes sin registros de autorización, estas situaciones afectarán directamente la entrega. El equipo necesita observar si la IA puede identificar las brechas, conservar los resultados existentes y explicar los siguientes pasos, en lugar de continuar generando un documento que parezca completo en condiciones insuficientes.

La evaluación puede centrarse en la carga de trabajo real: ¿cuánto trabajo manual adicional se necesita para completar la misma tarea?, ¿qué errores se repiten?, ¿los documentos entregados son completos?, ¿se puede mejorar la estabilidad después de las modificaciones? Al conservar una pequeña cantidad de tareas representativas y resultados, se puede volver a ejecutar después de una actualización de habilidades o modelos, para determinar si la nueva combinación sigue siendo adecuada para el negocio.

Las responsabilidades de mantenimiento también deben estar claras. ¿Quién puede modificar los pasos?, ¿quién verifica la base legal o comercial?, ¿quién decide cuándo se implementa una nueva versión?, todo debe tener un arreglo fijo. Las habilidades que involucran múltiples departamentos pueden conservar registros de revisión conjunta; las habilidades utilizadas solo para la organización personal pueden adoptar un enfoque de gestión más ligero.

El equipo también puede acordar un formato simple para el registro de modificaciones: ¿qué problemas surgieron en esta ronda?, ¿qué paso se modificó?, ¿qué tarea se utilizó para validar? De esta manera, la razón detrás de un nuevo requisito puede ser entendida por la persona que asuma el trabajo más adelante. El contenido que no se ha utilizado durante mucho tiempo, que se repite con otras habilidades o que depende de herramientas que ya no están en uso, también puede ser limpiado durante las revisiones periódicas, evitando que el repositorio de habilidades crezca desmesuradamente y que la ejecución se vuelva cada vez más lenta.

Cuando la misma habilidad sirve a múltiples clientes, los pasos generales y las preferencias del cliente deben ser guardados por separado. La parte general establece cómo verificar y entregar, mientras que la parte del cliente registra nombres, formatos y requisitos específicos de aprobación. Al comenzar un nuevo proyecto, solo se cargan los datos del cliente correspondientes, y al actualizar los procesos públicos, se verifica su impacto en los proyectos existentes. Esta disposición ayuda a mantener la consistencia del método y también reduce la posibilidad de usar accidentalmente la información de otro cliente.

Después de que una ronda de pruebas sea aprobada, el mantenedor puede guardar la versión de la habilidad, la versión de la plantilla, los ejemplos de aceptación y las limitaciones conocidas. La próxima vez que se actualicen modelos o herramientas, primero se ejecutará este conjunto de ejemplos: ¿los documentos son completos?, ¿los permisos son adecuados?, ¿se ejecutaron los pasos clave de verificación? Si hay diferencias, se podrán identificar los aspectos que necesitan ajustes, y el trabajo diario también tendrá una versión estable a la que se pueda volver.

El mantenimiento de habilidades puede utilizar una pequeña cantidad de tareas reales para validar continuamente su efectividad.

Este artículo es solo para el intercambio de investigación legal, política e industrial, con el objetivo de realizar un análisis objetivo sobre finanzas digitales, monedas estables, activos digitales y dinámicas regulatorias relacionadas, y no constituye ningún tipo de consejo de inversión, opinión legal, opinión fiscal u otro consejo profesional, ni constituye una recomendación, promoción o solicitud de productos financieros, activos digitales o proyectos comerciales. Las reglas regulatorias, datos de mercado e información institucional mencionadas en el texto provienen principalmente de fuentes públicas y pueden ajustarse debido a cambios en leyes, regulaciones, políticas regulatorias, condiciones del mercado y avances en proyectos. Se recomienda a los lectores que evalúen de manera independiente y cumplan con las leyes y regulaciones aplicables en su país o región. El autor y la plataforma de publicación no asumen ninguna responsabilidad por decisiones de inversión, comerciales o de otro tipo que se tomen basándose en el contenido de este artículo.