Anthropic doa Agent Skills, biblioteca de habilidades de IA ganha um mantenedor comum

No dia 22 de outubro de 2026, a Anthropic anunciou a doação do Agent Skills para a AAIF, a fundação de inteligência artificial da Linux Foundation. A transferência inclui o nome do projeto, a identidade, a organização no GitHub e o domínio oficial, sendo que a manutenção futura será feita por engenheiros de várias empresas.

O Agent Skills salva métodos operacionais de um tipo de trabalho em arquivos que podem ser lidos por IA ao executar tarefas. A equipe organiza etapas, modelos, materiais de referência e scripts necessários em um pacote de habilidades, que carrega o conteúdo relevante conforme a tarefa. O que antes exigia que os usuários explicassem repetidamente os requisitos de trabalho agora pode ser salvo, modificado e chamado novamente.

Para muitos que já usam IA no trabalho, isso é fácil de entender: o modelo já consegue escrever bastante, mas o que realmente consome tempo muitas vezes é corrigir repetidamente o que ele faz. Onde os arquivos devem ser colocados, qual versão pode ser usada, o que precisa ser confirmado primeiro, por que o mesmo erro aparece novamente. O pacote de habilidades tenta preservar essas experiências concretas, e esta doação responde ainda mais à pergunta de quem mantém esse formato e como diferentes plataformas podem usá-lo juntas.

▌ 1. Colocar métodos de trabalho em uma pasta

Imagine uma equipe de editores que precisa realizar pesquisa de materiais, escrever artigos, escolher imagens e revisar semanalmente. A equipe já tem hábitos fixos de títulos, tamanhos de gráficos, métodos de verificação de materiais e diretórios de entrega. Se a cada vez esses requisitos forem reescritos nas conversas, não só consome tempo, mas também é fácil esquecer um ou outro.

A equipe pode organizá-los em um pacote de habilidades. O pacote contém uma descrição que informa à IA quando deve usar esse processo, quais materiais ler primeiro e em que ordem concluir o trabalho; ao lado, há um modelo de layout, uma lista de verificação e pequenos programas para processar arquivos. Quando a mesma tarefa surgir novamente, a IA poderá seguir o método já estabelecido.

Na norma do Agent Skills, essa descrição central é chamada de SKILL.md. Ela contém primeiro o nome da habilidade e a descrição do uso, seguida de um texto comum que descreve o método de operação. Se mais materiais forem necessários, arquivos de referência, scripts e materiais podem ser salvos separadamente e referenciados na descrição. Os editores podem entender o conteúdo do processo, e os desenvolvedores também podem continuar a adicionar partes de processamento automático.

Esse modo de organização dá à equipe a oportunidade de esclarecer experiências implícitas. Por exemplo, "os gráficos devem ser adequados para leitura em celular" ainda é bastante vago; se for escrito como tamanho mínimo da fonte, quantidade de informações por gráfico, tamanho de visualização e método de verificação, será mais fácil obter resultados consistentes na execução. A utilidade do pacote de habilidades depende em grande parte de conseguir organizar essas experiências em requisitos operacionais.

Deve-se também preservar as condições de término da tarefa. O processo editorial pode estipular que, após o texto atingir o comprimento acordado, as fontes serem rastreáveis, as imagens serem inseridas e a visualização ser concluída, só então entrar na revisão. Assim, a IA pode verificar se sua entrega está completa, e o usuário pode aceitar de acordo com o mesmo padrão, reduzindo a discrepância entre "parece que já foi feito" e "realmente utilizável".

Se a equipe descobrir novos erros durante o uso, pode voltar ao mesmo pacote de habilidades para fazer correções. Na próxima semana, ao continuar a execução, o método aprimorado ainda estará disponível. Para negócios que ocorrem repetidamente, essa revisão contínua é mais eficaz do que lembretes temporários a cada vez.

Um exemplo já aceito pode ser fornecido junto com as habilidades. Por exemplo, um relatório formatado corretamente, com anotações ao lado indicando onde estão o texto, as imagens e os arquivos de origem. Quando a IA executa, há uma referência concreta, e durante a revisão manual, também é possível identificar em que etapa ocorreu a divergência na saída. As informações do cliente e os fatos expirados no exemplo precisam ser tratados com antecedência, mantendo apenas os métodos e estruturas que valem a pena reutilizar.

▌ 2. Como a IA encontra habilidades adequadas

À medida que as habilidades aumentam, surge outra questão: entregar todas as descrições ao modelo para cada tarefa ocupará muito contexto e permitirá que requisitos irrelevantes interfiram no trabalho atual. O Agent Skills adota uma abordagem de leitura em camadas, permitindo que a IA veja primeiro o nome e a finalidade da habilidade, e carregue a descrição completa após corresponder à tarefa, continuando a ler arquivos relevantes conforme necessário.

Por exemplo, se o usuário apenas solicitar "organizar as opiniões de modificação não resolvidas no contrato", a IA pode primeiro identificar a habilidade de revisão de contratos, sem precisar ler ao mesmo tempo todas as regras para fazer a capa, estatísticas de tráfego ou organizar recibos. Quando realmente processar o contrato, abrirá o modelo correspondente e a lista de cláusulas conforme a descrição.

Aqui, a correspondência depende de quão clara é a descrição da finalidade. "Processar arquivos" abrange um escopo muito amplo, enquanto "organizar as opiniões de revisão de contratos existentes e gerar uma lista a ser confirmada" torna mais fácil determinar o cenário de uso. Para equipes grandes, a manutenção do repositório de habilidades também inclui a fusão de habilidades duplicadas, a limpeza de etapas obsoletas e a descrição de como os processos adjacentes se dividem.

Os materiais de referência também precisam ser divididos. Requisitos comuns são colocados na descrição principal, enquanto leis, modelos de clientes ou documentos técnicos mais longos são lidos conforme necessário. Isso pode reduzir o tempo que o modelo leva para procurar entre muitos materiais e facilitar a atualização de uma parte do conteúdo, sem precisar copiar todo o processo novamente.

Quando o processo requer a execução de scripts, também é necessário verificar se o ambiente de execução possui as ferramentas correspondentes. Por exemplo, uma habilidade que exige a conversão de tabelas em gráficos ainda precisa de um programa de processamento de dados, fontes e local de saída disponíveis para a execução. O pacote de habilidades descreve o método, a plataforma é responsável por fornecer as condições de execução, e ambos precisam estar conectados antes do uso.

Portanto, a migração entre plataformas é mais adequada para começar a testar a partir de um pequeno grupo de tarefas reais. Quando a mesma habilidade é transferida para outra ferramenta de IA, o caminho do arquivo, interfaces disponíveis, métodos de aprovação e formatos de saída podem mudar. Registrar essas diferenças permitirá que a equipe forme gradualmente um repositório de habilidades realmente reutilizáveis.

A leitura sob demanda permite que métodos comuns e materiais de referência detalhados sejam geridos separadamente.

▌ 3. Esta doação mudou quem mantém as regras

O Agent Skills originou-se das práticas de produto da Anthropic e foi lançado como um padrão aberto em outubro de 2025, com a versão pública liberada em dezembro do mesmo ano. O anúncio afirma que mais de 70 plataformas de agentes já suportam esse formato. Esse número reflete a situação de acesso ao ecossistema divulgada pelos fornecedores, mas a eficácia real do uso ainda deve ser observada em tarefas específicas.

À medida que o número de participantes aumenta, as modificações no formato afetarão mais equipes. Como um campo é interpretado, se a nova versão é compatível com habilidades antigas, se a plataforma pode adicionar suas próprias extensões, tudo isso pode impactar os fluxos de trabalho que as empresas já acumularam. Com a transferência do projeto para a AAIF, essas questões agora têm uma base organizacional para discussão e manutenção conjunta.

A disposição divulgada pela Anthropic é que engenheiros de várias empresas participem da manutenção como indivíduos, com David Soria Parra e Mahesh Murag atuando como principais mantenedores. Para usar o padrão ou fazer contribuições, não é necessário se tornar membro da fundação primeiro. O projeto também propôs direções futuras, como lançamento de versões, processos de propostas formais e diretrizes de segurança.

Para usuários corporativos, a gestão de versões é especialmente digna de atenção. Uma habilidade confirmada pela equipe deve ser capaz de indicar de qual versão do padrão, qual versão do modelo e quais ferramentas depende. Se surgirem problemas após uma atualização, deve haver uma maneira de retornar à versão que funcionava normalmente anteriormente, em vez de depender de registros de chat para reconstruir requisitos antigos.

Para desenvolvedores de plataformas, a manutenção conjunta ajuda a reduzir o design duplicado. Diferentes plataformas podem fornecer ferramentas de carregamento, validação e gerenciamento em torno da mesma estrutura de arquivo, e continuar a melhorar em suas próprias experiências de produto. Os materiais de fluxo de trabalho já existentes nas empresas também são mais fáceis de serem preservados, com os custos de migração concentrados principalmente na adaptação ao ambiente e na validação de resultados.

Os efeitos da governança padrão se manifestarão gradualmente na manutenção diária. Quem lida com problemas, como as mudanças são discutidas, como as falhas de segurança são relatadas, quanto tempo as versões antigas são mantidas, são todos conteúdos que os usuários podem sentir na prática. À medida que o roteiro se concretiza, as empresas podem ajustar a frequência de atualização e os métodos de aprovação de suas habilidades internas com base nisso.

Exemplo de geração de IA

▌ 4. Conectar ferramentas e organizar processos têm suas funções

Ao falar sobre a infraestrutura de agentes, outro nome frequentemente mencionado é MCP, ou Protocolo de Contexto de Modelo. Ele ajuda aplicações de IA a conectar ferramentas externas e fontes de dados. O Agent Skills, por outro lado, é mais adequado para salvar os passos e experiências de completar um tipo de trabalho, e ambos podem ser usados em uma mesma tarefa.

Ainda usando o trabalho de edição como exemplo, a IA lê artigos do banco de dados conectando ferramentas e, através das habilidades, entende quais fontes têm prioridade, como registrar resultados de verificação e quando entrar na escrita. O primeiro fornece conteúdo e operações acessíveis, enquanto o segundo organiza o método de execução da tarefa.

Essa divisão de trabalho também se aplica ao atendimento ao cliente. As ferramentas são responsáveis por consultar pedidos, ler status logísticos e criar ordens de serviço; a descrição das habilidades indica o que verificar primeiro ao encontrar diferentes problemas, como determinar o caminho de tratamento e quais solicitações precisam ser tratadas manualmente. As empresas podem atualizar separadamente as interfaces do sistema e as regras de serviço, sem que cada ajuste de processo se torne um desenvolvimento de software.

No trabalho jurídico, as habilidades podem salvar a ordem de revisão de contratos, a classificação de cláusulas e o formato de saída de opiniões. Durante a execução, ainda é necessário ler o contrato atual, as leis aplicáveis e as necessidades do cliente. A equipe separa os métodos estáveis dos fatos que mudam a cada vez, evitando trazer conclusões específicas do projeto anterior para novos assuntos.

Isso também se relaciona à atualização do conhecimento. Datas de validade, regiões e versões de documentos devem ser salvas junto com os materiais de referência. Após mudanças de políticas, os mantenedores podem substituir os documentos correspondentes e verificar quais habilidades os referenciam. Para equipes de pesquisa regulatória e serviços jurídicos, isso é mais fácil de controlar a propagação de erros do que simplesmente acumular um grande número de documentos.

O repositório de habilidades também tem um uso organizacional: permitir que novos funcionários vejam como os funcionários experientes completam o trabalho. Muitos processos existiram apenas na experiência pessoal no passado, e durante a transição, só puderam ser explicados verbalmente. O processo de organizar habilidades incentivará a equipe a documentar etapas propensas a erros, situações excepcionais e métodos de aceitação, para uso conjunto por pessoas e IA.

O MCP e o Agent Skills podem colaborar na mesma tarefa.

▌ 5. Instalar habilidades também é introduzir novas dependências de trabalho

Um pacote de habilidades pode conter descrições comuns, scripts, links externos e requisitos para chamar ferramentas. Uma vez selecionado pela IA, pode afetar a leitura de arquivos, a transferência de dados e as operações reais. Portanto, as empresas devem verificar simultaneamente a origem do conteúdo e as permissões de execução ao introduzir habilidades externas.

Uma habilidade aparentemente destinada a organizar faturas pode exigir acesso a todo o diretório de documentos; um script para gerar relatórios pode conectar-se a servidores externos. Os revisores precisam entender a relação entre esses acessos e as tarefas, se é possível restringir o escopo e onde os registros de execução são mantidos. Limitar as permissões aos arquivos e ferramentas realmente necessários pode reduzir o impacto de operações incorretas.

OWASP na sua diretriz sobre riscos de injeção de prompt discute a questão da alteração do comportamento do modelo por conteúdo externo. Quando a IA lê páginas da web, documentos ou outros materiais, pode encontrar instruções operacionais embutidas. Se esse conteúdo for tratado como um requisito confiável, o modelo pode se desviar da tarefa originalmente atribuída pelo usuário.

O uso de habilidades também pode enfrentar esse tipo de problema. As equipes devem verificar a própria habilidade e garantir que o ambiente de execução diferencie os requisitos de trabalho dos materiais externos. Operações como pagamentos, envio de e-mails e modificações em sistemas de produção devem ter revisões manuais apropriadas, enquanto os direitos de documentos e rede devem ser controlados pelo sistema em operação real, evitando depender apenas de um texto para manter os limites.

O campo allowed-tools nas normas atuais ainda é marcado como conteúdo experimental, e a forma como é suportado depende da plataforma específica. Portanto, as empresas podem listar as ferramentas necessárias na descrição da habilidade e, ao mesmo tempo, verificar o alcance real disponível nas configurações de permissão da plataforma. Durante os testes, deve-se observar os registros de chamadas de ferramentas para confirmar se o processo de execução está de acordo com o design.

Ao introduzir habilidades externas, também é necessário verificar separadamente as permissões de uso. As normas permitem que os autores preencham o campo license ou apontem para um arquivo de licença, mas esse campo não é obrigatório. As equipes devem confirmar como o código, os modelos e os materiais incluídos podem ser usados, mantendo as licenças e as versões correspondentes; para partes que carecem de explicação de licença, deve-se primeiro entrar em contato com o autor para confirmação antes de incluí-las no processo interno.

As atualizações de habilidades externas também devem ser registradas. As equipes podem primeiro fixar o uso de versões já verificadas e, em seguida, avaliar periodicamente o conteúdo das atualizações. Se uma habilidade de repente adicionar uma ação de rede, depender de um novo programa ou exigir permissões maiores, os mantenedores terão a oportunidade de entender as mudanças antes de serem lançadas, em vez de esperar que anomalias apareçam para investigar.

Para instituições com muitos dados de clientes, também é necessário verificar se os modelos e exemplos nas habilidades contêm informações confidenciais. Ao organizar experiências internas como habilidades públicas, nomes de clientes específicos, trechos de contratos e informações de identidade devem ser tratados. Os processos públicos e os materiais internos podem ser mantidos separadamente, reduzindo a chance de transmissão acidental de documentos de projeto inteiros.

▌ Seis, as empresas podem começar organizando uma tarefa recorrente

Estabelecer um repositório de habilidades pode começar com tarefas frequentes, com limites claros e fácil verificação de entrega. Por exemplo, organizar relatórios semanais, arquivar opiniões sobre contratos, gerar listas de tarefas de reuniões ou preparar pacotes de revisão de artigos em um formato fixo. A equipe deve primeiro documentar as práticas existentes e, em seguida, permitir que a IA execute algumas rodadas, o que geralmente é mais fácil para identificar problemas do que buscar uma cobertura completa de todos os negócios desde o início.

Ao preparar materiais, pode-se retroceder a partir da última entrega bem-sucedida. O que foi inserido, quais materiais foram consultados pelos trabalhadores, quais etapas foram concluídas e como o resultado foi avaliado para entrega. Depois de organizar o processo real, deve-se adicionar métodos de tratamento para erros, e a habilidade terá um ponto de partida confiável.

Os materiais de teste também devem incluir exceções comuns. Falta de páginas em contratos, links de origem inativos, campos de formulários inconsistentes e imagens sem registros de autorização, essas situações podem impactar diretamente a entrega. A equipe precisa observar se a IA consegue identificar lacunas, manter os resultados existentes e indicar o próximo passo, em vez de continuar gerando um documento que parece completo em condições insuficientes.

A avaliação pode girar em torno da carga de trabalho real: quanto trabalho manual é necessário para completar a mesma tarefa, quais erros aparecem repetidamente, se os documentos entregues estão completos e se as modificações podem melhorar a estabilidade. Mantendo uma pequena quantidade de tarefas representativas e resultados, pode-se reexecutar após atualizações de habilidades ou modelos, avaliando se a nova combinação ainda é adequada para os negócios.

As responsabilidades de manutenção também devem ser claras. Quem pode modificar etapas, quem verifica a base legal ou de negócios, quem decide quando uma nova versão será implementada, tudo deve ter um arranjo fixo. Habilidades que envolvem vários departamentos podem manter registros de revisão conjunta; habilidades usadas apenas para organização pessoal podem adotar uma abordagem de gerenciamento mais leve.

A equipe também pode concordar com um formato simples de registro de alterações: quais problemas surgiram nesta rodada, qual etapa foi modificada e qual tarefa foi usada para validação. Assim, a razão por trás de um novo requisito pode ser compreendida por quem assumir a responsabilidade posteriormente. Conteúdos que não foram utilizados por um longo tempo, que são duplicados em outras habilidades ou que dependem de ferramentas já descontinuadas também podem ser limpos durante verificações regulares, evitando que o repositório de habilidades cresça excessivamente, tornando a execução cada vez mais lenta.

Quando a mesma habilidade atende a vários clientes, as etapas gerais e as preferências dos clientes devem ser mantidas separadamente. A parte geral estabelece como verificar e entregar, enquanto a parte do cliente registra nomes, formatos e requisitos de aprovação específicos. Ao iniciar um novo projeto, apenas as informações do cliente correspondente devem ser carregadas, e ao atualizar processos públicos, deve-se verificar seu impacto nos projetos existentes. Esse arranjo ajuda a manter a consistência dos métodos e também reduz a chance de uso indevido das informações de outro cliente.

Após uma rodada de testes bem-sucedidos, os mantenedores podem salvar a versão da habilidade, a versão do modelo, exemplos de aceitação e limitações conhecidas. Na próxima atualização do modelo ou ferramenta, deve-se reexecutar esse conjunto de exemplos: os documentos estão completos, as permissões são adequadas, as etapas de verificação chave foram executadas. Se houver diferenças, será possível identificar os pontos que precisam ser ajustados, e o trabalho diário terá uma versão estável para a qual se pode retornar.

A manutenção de habilidades pode usar uma pequena quantidade de tarefas reais para validar continuamente a eficácia.

Este artigo é apenas para troca de pesquisa legal, política e de indústria, visando realizar uma análise objetiva sobre finanças digitais, stablecoins, ativos digitais e dinâmicas regulatórias relacionadas, não constituindo qualquer forma de aconselhamento de investimento, opinião legal, opinião fiscal ou outro aconselhamento profissional, nem constituindo uma recomendação, promoção ou solicitação de qualquer produto financeiro, ativo digital ou projeto comercial. As regras regulatórias, dados de mercado e informações institucionais mencionadas no texto são principalmente provenientes de fontes públicas e podem ser ajustadas devido a mudanças nas leis, políticas regulatórias, ambiente de mercado e progresso de projetos. Os leitores devem avaliar independentemente com base nas informações públicas mais recentes e cumprir as leis e regulamentos aplicáveis em seu país ou região. O autor e a plataforma de publicação não se responsabilizam por quaisquer decisões de investimento, negociação ou outras decisões comerciais tomadas com base no conteúdo deste artigo.