KI-Agenten-Skills: Was sie sind und wie man sie erstellt

Was ist ein KI-Agenten-Skill?

Ein Agenten-Skill (agent skill) ist eine wiederverwendbare Sammlung von Anweisungen – ein standardisiertes Verfahren, das einem Agenten zeigt, wie er eine bestimmte Art von Aufgabe hervorragend erledigt. Ein Skill besteht aus einer einzelnen Markdown-Datei (SKILL.md) und kann alle weiteren für die Aufgabe erforderlichen Dateien wie Referenzdokumente, Vorlagen oder ausführbare Skripte bündeln.

Nehmen wir den Skill grill-me als Beispiel:

---
name: grill-me
description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".
---

Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.

Ask the questions one at a time.

If a question can be answered by exploring the codebase, explore the codebase instead.

Eine SKILL.md-Datei enthält einen kleinen Metadatenblock und die eigentlichen Anweisungen. Die Metadaten bestehen aus dem Namen und der Beschreibung des Skills, die der KI-Agent beim Start lädt.

Wie KI-Agenten-Skills funktionieren: Progressive Disclosure

Anfangs werden nur der Name und die Beschreibung in den Kontext geladen. Sobald die Anfrage des Benutzers mit der Beschreibung eines Skills übereinstimmt, werden die vollständigen Anweisungen in denselben Kontext geladen (Progressive Disclosure).

Sehen wir uns an, wie der Skill grill-me in der Praxis abläuft.

Schritt für Schritt

1. Anfrage (Request) – Der Benutzer bittet den Agenten um etwas („Hinterfrage meinen Workflow-Entwurf“).
2. Auswahlprompt (Selection prompt) – Die Anfrage des Benutzers wird zusammen mit den Beschreibungen aller verfügbaren Skills an das LLM gesendet.
3. Auswahl durch das LLM – Das LLM vergleicht die Anfrage mit den Beschreibungen und gibt den/die passenden Skill(s) zurück.
4. Bestätigung – Der Agent schlägt dem Benutzer den entsprechenden Skill vor. Dieser bestätigt die Auswahl (oder lehnt sie ab/passt sie an).
5. Anweisungen geladen – Der Agent ruft die vollständigen Anweisungen für den bestätigten Skill ab: den Inhalt von SKILL.md.
6. Ausführungsprompt (Execution prompt) – Die Anfrage des Benutzers zusammen mit den Anweisungen des ausgewählten Skills wird an das LLM gesendet.
7. Antwort – Das LLM generiert die Ausgabe, in diesem Fall die erste Frage für das Stresstest-Interview.

Schauen wir uns nun am Beispiel des excalidraw-diagram-skill an, wie ein Skill mit einem Referenzdokument verwendet wird:

Schritt für Schritt

1. Anfrage (Request) – Der Benutzer bittet den Agenten um eine Aktion („Zeichne den Workflow des Deployment-Prozesses“).
2. Auswahlprompt – Die Anfrage des Benutzers wird zusammen mit den Beschreibungen aller verfügbaren Skills an das LLM übermittelt.
3. Auswahl durch das LLM – Das LLM vergleicht die Anfrage mit den Beschreibungen und wählt den passenden Skill aus. Hier passt „Zeichne den Workflow“ zur Beschreibung von excalidraw-diagram.
4. Bestätigung – Der Agent zeigt dem Benutzer den vorgeschlagenen Skill an, und dieser bestätigt (oder ändert) die Wahl.
5. Anweisungen geladen – Der Agent lädt die vollständigen Anweisungen des Skills: den Inhalt der SKILL.md sowie alle referenzierten Dateien (bei excalidraw-diagram sind das Farbpaletten, das JSON-Schema und Elementvorlagen).
6. Ausführungsprompt – Die Benutzeranfrage plus die geladenen Skill-Anweisungen wird an das LLM geschickt. Das Modell verfügt nun über die detaillierte Methodik.
7. Antwort – Das LLM erstellt die Ausgabe (eine .excalidraw-JSON-Datei), die der Agent an den Benutzer zurückgibt.

KI-Agenten-Skills vs. Tools und MCP

Skills ersetzen keine Prompts, Tools oder MCP-Integrationen. Tools und MCP-Schnittstellen erweitern die Reichweite des Agenten auf externe Systeme – wie Datenbankabfragen, API-Aufrufe usw. Skills hingegen vertiefen das praktische Wissen (Know-how) des Agenten bei der Ausführung einer bestimmten Aufgabe.

Ein MCP wie das NetSuite MCP auf ChatGPT und Claude einrichten ermöglicht es dem Agenten, Fragen durch Zugriff auf Live-Finanz- und Betriebsdaten in NetSuite zu beantworten. Ein NetSuite-Skill für operative Berichte leitet den Agenten wiederum an, wie er diesen Bericht verfassen und die Antwort dem Benutzer optimal präsentieren soll.

Einige typische Einsatzszenarien für Skills sind:

• Mehrstufige Workflows (Multi-step Workflows)
• Dokumentenverarbeitung (z. B. Datenextraktion aus PDFs)
• Richtlinien zur Code-Generierung

Wie man KI-Agenten-Skills erstellt

1. Erstellen Sie einen Ordner, der nach dem Skill benannt ist (z. B. netsuite-operation-report/).
2. Schreiben Sie eine SKILL.md mit einem eindeutigen name, einer präzisen description und einer prägnanten Anleitung (unter 200 Wörtern).
3. Fügen Sie Ressourcen hinzu, die für die Aufgabe benötigt werden – Referenzdokumente, Vorlagen oder Skripte. Halten Sie die SKILL.md kurz und verweisen Sie auf die Details in separaten Dateien.
4. Installieren Sie den Skill dort, wo Agenten ihn finden können. Lesen Sie Zentralisierung von KI-Agenten-Skills, um zu erfahren, wie Sie Skills für mehrere Agenten zentral verwalten.

Ein paar Tipps für effektive Skills:

• Formulieren Sie die Beschreibung als System-Trigger, nicht primär für menschliche Leser.
• Halten Sie die SKILL.md schlank (unter 200 Wörtern). Beschreiben Sie den Standardfall im Haupttext; lagern Sie Edge-Cases in Referenzdokumente aus.
• Nutzen Sie Skripte für alle deterministischen Aufgaben. Überlassen Sie dem LLM keine Rechenaufgaben.
• Nutzen Sie Versionsverwaltung. Checken Sie den Skill in Git ein.

Fazit

Während Tools und MCP festlegen, womit sich der Agent verbinden soll, kapseln Agenten-Skills, wie die eigentliche Arbeit erledigt wird. Sie sind eine essenzielle Ergänzung, kein Ersatz.

Durch das Prinzip des Progressive Disclosure halten Skills das Kontextfenster Ihres Agenten sauber und effizient – detaillierte Anweisungen, Referenzdokumente und ausführbare Skripte werden nur dann geladen, wenn die Anfrage des Benutzers sie tatsächlich triggert.