Habilidades

s01 > s02 > s03 > s04 > [ s05 ] s06 | s07 > s08 > s09 > s10 > s11 > s12

"Carga el conocimiento cuando lo necesitas, no de entrada" -- inyecta via tool_result, no el prompt del sistema.

Problema

Quieres que el agente siga flujos de trabajo específicos del dominio: convenciones git, patrones de testing, checklists de code review. Poner todo en el prompt del sistema desperdicia tokens en skills no usados. 10 skills a 2000 tokens cada uno = 20,000 tokens, la mayoría irrelevantes para cualquier tarea dada.

Solución

Prompt del sistema (Capa 1 -- siempre presente):
+--------------------------------------+
| You are a coding agent.              |
| Skills available:                    |
|   - git: Git workflow helpers       |  ~100 tokens/skill
|   - test: Testing best practices    |
+--------------------------------------+

Cuando el modelo llama load_skill("git"):
+--------------------------------------+
| tool_result (Capa 2 -- on demand): |
| <skill name="git">                  |
|   Full git workflow instructions...  |  ~2000 tokens
|   Step 1: ...                     |
| </skill>                           |
+--------------------------------------+

Capa 1: nombres de skills en prompt del sistema (barato). Capa 2: cuerpo completo via tool_result (a demanda).

Cómo Funciona

1. Cada skill es un directorio conteniendo un SKILL.md con YAML frontmatter.

skills/
  pdf/
    SKILL.md       # ---\n name: pdf\n description: Process PDF files\n ---\n ...
  code-review/
    SKILL.md       # ---\n name: code-review\n description: Review code\n ---\n ...

1. SkillLoader escanea archivos SKILL.md, usa el nombre del directorio como identificador del skill.

class SkillLoader:
    def __init__(self, skills_dir: Path):
        self.skills = {}
        for f in sorted(skills_dir.rglob("SKILL.md")):
            text = f.read_text()
            meta, body = self._parse_frontmatter(text)
            name = meta.get("name", f.parent.name)
            self.skills[name] = {"meta": meta, "body": body}

    def get_descriptions(self) -> str:
        lines = []
        for name, skill in self.skills.items():
            desc = skill["meta"].get("description", "")
            lines.append(f"  - {name}: {desc}")
        return "\n".join(lines)

    def get_content(self, name: str) -> str:
        skill = self.skills.get(name)
        if not skill:
            return f"Error: Unknown skill '{name}'."
        return f"<skill name=\"{name}\">\n{skill['body']}\n</skill>"

1. Capa 1 va en el prompt del sistema. Capa 2 es solo otro handler de herramienta.

SYSTEM = f"""You are a coding agent at {WORKDIR}.
Skills available:
{SKILL_LOADER.get_descriptions()}"""

TOOL_HANDLERS = {
    # ...base tools...
    "load_skill": lambda **kw: SKILL_LOADER.get_content(kw["name"]),
}

El modelo aprende qué skills existen (barato) y los carga cuando es relevante (caro).

Qué Cambió Respecto a s04

Componente	Antes (s04)	Después (s05)
Herramientas	5 (base + task)	5 (base + load_skill)
Prompt sistema	Cadena estática	+ descripciones de skills
Conocimiento	None	archivos skills/*/SKILL.md
Inyección	None	Dos capas (sistema + resultado)

Pruébalo

python agents/s05_skill_loading.py

1. ¿Qué skills están disponibles?
2. Cargar el skill agent-builder y seguir sus instrucciones
3. Necesito hacer un code review -- cargar el skill relevante primero
4. Construir un servidor MCP usando el skill mcp-builder