Das Wichtigste in Kürze
- Kopierte Skills veralten auf jedem Gerät unterschiedlich schnell. Verteilung braucht einen definierten Weg, keine Rundmail.
- Mehr Skills machen den Agenten nicht besser: Ab etwa 30 Skills im Kontext sinkt die Trefferquote. Ein Discovery-Skill lädt nur, was die Aufgabe braucht.
- Skills werden zur Laufzeit aus einem preview- oder stable-Kanal geholt. Neues reift erst in preview und wird dann befördert.
- Ein Changelog im Skill-Ordner macht jede Version und jede Änderung nachvollziehbar.
Was sind Skills für AI Agents?
Ein Skill ist ein Ordner mit einer Beschreibung in Markdown (meist SKILL.md) und optional Skripten oder Vorlagen. Er erklärt dem Agenten, wie eine bestimmte Aufgabe in diesem Unternehmen erledigt wird: die Review-Checkliste, die Konventionen eines Service, der Ablauf eines Releases.
Skills sind damit das Gegenstück zu internen Playbooks – nur dass sie von Agenten gelesen und angewendet werden. Wer sie gut pflegt, bekommt konsistente Ergebnisse über Teams und Repositories hinweg.
Vier Probleme der zentralen Verteilung
Sobald ein Unternehmen Skills ernsthaft nutzt, entsteht ein zentrales Skill-Repository. Von dort sollen die Skills auf alle Laptops und in alle Cloud-Umgebungen. In der Praxis tauchen dabei immer dieselben Probleme auf:
- Updates kommen nicht an: Skills werden einmal kopiert und danach nie aktualisiert. Auf jedem Gerät läuft eine andere Version.
- Niemand kuratiert: Änderungen stauen sich, weil unklar ist, wer sie prüft und freigibt.
- Zu viele Skills: Bei 30 und mehr Skills findet der Agent den passenden nicht mehr zuverlässig, und jeder geladene Skill kostet Kontext.
- Wildwuchs: Nicht verwaltete Geräte laden Skills aus dem Internet, ohne dass jemand weiß, was sie tun.
Lösung 1: Ein Discovery-Skill wählt aus
Statt alle Skills in den Kontext zu laden, bekommt der Agent einen einzigen unternehmenseigenen Discovery-Skill. Kommt eine Aufgabe herein – etwa „PR im Payment-Service reviewen“ –, fragt der Agent zuerst diesen Skill.
Der Discovery-Skill durchsucht den Katalog und liefert nur die Skills, die zur Aufgabe passen, zum Beispiel pr-review, payment-domain und security-check. Drei von 32 Skills landen im Kontext. Der Agent arbeitet fokussierter, und der Katalog kann wachsen, ohne dass die Qualität sinkt.
Lösung 2: Skills zur Laufzeit aus Kanälen holen
Skills werden nicht mehr auf Geräte kopiert. Jede Agent-Session holt sie zur Laufzeit aus einem Kanal – ähnlich wie Software-Releases:
- preview: Neue Versionen erscheinen zuerst hier. Ein Teil des Teams arbeitet bewusst damit und gibt Feedback.
- stable: Bewährte Versionen werden nach stable befördert. Die nächste stable-Session bekommt sie automatisch, ohne dass jemand etwas installieren muss.
Lösung 3: Ein Changelog im Skill-Ordner
Wenn ein Agent sich plötzlich anders verhält, muss nachvollziehbar sein, warum. Deshalb liegt neben der SKILL.md eine CHANGELOG.md. Jede Version bekommt einen Eintrag mit Kanal und Beschreibung – etwa „1.4.0: Security-Checkliste ergänzt, von preview nach stable befördert“.
Der Eintrag verweist auf die konkrete Änderung in der SKILL.md. So sehen Reviewer:innen auf einen Blick, welche Prüfpunkte hinzugekommen und welche entfallen sind, und können eine Version gezielt zurückrollen.
Was das für Engineering-Teams bedeutet
Skills sind Code, der das Verhalten von Agenten steuert. Sie verdienen deshalb denselben Umgang wie anderer Code: ein zentrales Repository, Reviews, Versionen, Release-Kanäle und einen Changelog.
Teams, die das früh einrichten, verteilen Verbesserungen in Stunden statt Wochen und wissen jederzeit, welche Regeln ihre Agenten gerade befolgen. Teams, die es nicht tun, haben nach einem halben Jahr dutzende Skill-Kopien und keine Übersicht mehr.
