El problema de muchos asistentes de IA es que cada conversación es un borrón y cuenta nueva. Esto obliga a los desarrolladores a dedicar los primeros minutos de cada tarea a dar contexto: convenciones del proyecto, estructura de carpetas o límites del código.
Las Agent Skills eliminan esa repetición. Permiten que los agentes de IA descubran y reutilicen la información del repositorio por sí mismos. Así, la IA deja de empezar desde cero y se integra en el flujo con el contexto que ya define el propio proyecto.
Pero, ¿qué son exactamente?
La definición oficial las describe como carpetas con instrucciones y recursos que los agentes consultan para ser más precisos. En la práctica, una Agent Skill es un contenedor de conocimiento especializado que la IA utiliza solo cuando es necesario.
Este enfoque de "carga bajo demanda" es clave: evita saturar la ventana de contexto de la IA con reglas irrelevantes, ahorrando tiempo y mejorando la precisión de las respuestas.
Este contenedor puede incluir:
- Instrucciones específicas de tu flujo de trabajo.
- Scripts y ejemplos de código real.
- Documentación de referencia.
Su estructura es sencilla:
my-skill/
├── SKILL.md (El "cerebro" de la skill)
├── scripts/
├── references/
└── assets/
El archivo más importante es SKILL.md, ahí se define qué hacer y en qué condiciones debe activarla el agente. Al ser un formato simple, es fácil de leer para el equipo, se puede versionar en Git y se comparte sin complicaciones entre proyectos.
Un ejemplo real
Imagina que quieres que la IA deje de usar HTML genérico y empiece a usar tus propios componentes. El archivo SKILL.md incluiría condiciones de activación (o preguntas guía) para que la IA sepa cuándo actuar:
---
name: design-system-compliance
description: Garantiza el uso de componentes de la librería interna de UI.
---
# Design System Compliance
## Propósito
Asegurar que todo el código de interfaz respete el sistema de diseño corporativo, manteniendo consistencia visual, reutilización de componentes y estándares de calidad en toda la aplicación.
## Comportamiento
- Sustituir automáticamente etiquetas HTML básicas (<button>, <input>) por componentes corporativos (<CustomButton>, <CustomInput>).
- Aplicar exclusivamente variables del sistema de diseño para colores, tipografías y espaciados.
- Utilizar únicamente el paquete oficial de iconografía de la organización.
## Restricciones
- No utilizar estilos inline.
- No emplear colores definidos manualmente en formato hexadecimal.
- Evitar cualquier implementación que no esté alineada con la librería de componentes corporativa.
## Condiciones de activación
Esta skill debe aplicarse automáticamente cuando se cumpla al menos una de las siguientes condiciones:
- Se solicita la creación o modificación de componentes de interfaz.
- Se está trabajando sobre archivos .jsx o .tsx.
- Se detecta el uso de etiquetas HTML básicas susceptibles de ser reemplazadas por componentes del sistema de diseño.
Resultado: En lugar de corregir a la IA cada vez que te genera un botón que no cumple tus reglas, la IA ya sabe qué hacer desde el principio. El conocimiento deja de estar en el prompt y pasa a formar parte del propio proyecto de forma transparente y auditable.
Si quieres ver cómo funcionan los activadores en nuestras skills y cómo determinan automáticamente cuándo aplicar ciertas reglas, este enlace lo ilustra claramente: React-i18next-Engineer/SKILL.md#activadores-recomendados
¿Cómo las utiliza un Agente?
Un agente no carga todas las reglas a la vez, ya que sería ineficiente y mezclaría información innecesaria. En su lugar, utiliza un sistema de descubrimiento progresivo (progressive disclosure) dividido en tres pasos:
-
- Descubrimiento (Discovery): El agente hace un escaneo de los títulos y descripciones de las skills disponibles. Sabe qué herramientas tiene a mano, pero aún no ha leído los detalles.
- Activación (Activation): Solo cuando tu petición coincide con una de esas descripciones, el agente decide "abrir" esa carpeta y leer el archivo SKILL.md con todas sus instrucciones detalladas.
- Ejecución (Execution): Si la tarea requiere archivos específicos (como un script de limpieza), el agente los carga solo en ese momento.
¿Por qué esto cambia las reglas del juego?
Lo más relevante de este sistema es que no es una solución cerrada. El formato SKILL.md (mantenido en agentskills.io) nació para crear un estándar común de conocimiento empaquetado.
Hoy, este formato está siendo adoptado por todo el ecosistema: desde asistentes de programación hasta plataformas cloud. Esto ofrece una ventaja estratégica clara: la independencia tecnológica.
Al adoptar un estándar abierto:
- Evitas bloqueos: El conocimiento de tu equipo no queda atrapado en una herramienta específica; pertenece al proyecto.
- Optimizas el esfuerzo: Defines la "Skill" una sola vez y funciona en múltiples asistentes o IDEs.
- Aseguras el futuro: Cualquier nueva herramienta que adopte el estándar entenderá tu forma de trabajar desde el primer día.
El respaldo de la industria: El caso de Microsoft
Este enfoque ya cuenta con el respaldo de grandes empresas. Un ejemplo destacado es el repositorio oficial de Microsoft, donde publican cientos de Agent Skills para Azure
El objetivo es resolver un problema crítico: los agentes de IA no siempre tienen información actualizada o precisa sobre servicios cloud complejos. En lugar de dejar que la IA improvise o interprete documentación extensa, estas skills le proporcionan:
- Comandos exactos y parámetros válidos.
- Instrucciones de configuración seguras.
- Ejemplos de uso optimizados.
De esta forma, la IA no "adivina" cómo trabajar con Azure; consulta directamente el conocimiento experto empaquetado por Microsoft.
Nuestra experiencia, ahora como "conocimiento ejecutable"
En nuestro repositorio intnovaction/code-skills hemos comenzado a publicar nuestras propias Agent Skills, centradas inicialmente en retos de arquitectura e internacionalización.
Algunos ejemplos de lo que estamos compartiendo:
- dotnet-resx-architect: Define la arquitectura de localización para aplicaciones .NET Core mediante archivos .resx fuertemente tipados.
- react-i18next-engineer: Establece la infraestructura necesaria para gestionar i18n en proyectos React o Preact.
El objetivo es capturar nuestra metodología de trabajo para que cualquier agente de IA pueda aplicar esas mismas prácticas de forma autónoma.
De esta forma, el conocimiento especializado deja de depender de la memoria individual o de manuales estáticos; ahora es un activo empaquetado y reutilizable por cualquier herramienta compatible con el estándar.