Ask HN: ¿Cómo gestionan los archivos de skills?
Los usuarios de IA están divididos sobre si las “skills” —archivos reutilizables de prompt y flujo de trabajo para agentes LLM— son infraestructura esencial o complejidad innecesaria a medida que mejoran los modelos. Muchos las encuentran valiosas como flujos de trabajo en caché y runbooks específicos de proyectos que codifican convenciones de herramientas, reducen el uso de tokens y hacen a los agentes más fiables, especialmente en entornos propietarios o complejos. Otros sostienen que las skills genéricas descargadas de internet suelen ser humo, y recomiendan conservar solo un conjunto pequeño, curado y bajo control de versiones (a menudo gestionado mediante Git, symlinks o CLIs personalizadas) y depender de scripts deterministas o de buenos AGENTS.md/documentos para todo lo demás.
Qué son las “skills” y dónde ayudan
- Muchos describen las skills como pequeños archivos de prompt reutilizables o runbooks que le dicen a los agentes cómo realizar tareas repetibles, a menudo combinando scripts deterministas con orientación de mayor nivel.
- Usos comunes:
- Macros / atajos para prompts frecuentes (p. ej., rebases, ejecuciones de pruebas, flujos de trabajo de Jira).
- Convenciones específicas de un proyecto o una organización: estilo de código, mensajes de commit, ramificación, pasos de despliegue.
- Interfaces para herramientas/CLIs de nicho o sistemas propietarios no bien cubiertos por los datos de entrenamiento del modelo.
- “Cachés de flujo de trabajo” que evitan redescubrir cómo hacer procesos de varios pasos.
Escepticismo y argumentos de que “las skills están obsoletas”
- Varios sostienen que los modelos modernos pueden inferir la mayoría de los comportamientos “generales” (crítica de diseño, revisión básica de código) a partir de repositorios y documentación, haciendo innecesarias o perjudiciales las skills genéricas de marketplace.
- Algunos ven las grandes colecciones de skills como un olor de código, deuda técnica extra y producto de marketing de influencers.
- Otros prefieren poner casi todo en AGENTS.md/README y dejar que el modelo lea directamente el código y la documentación.
- Hay preocupación por confiar demasiado en el juicio del LLM y construir sistemas frágiles y opacos alrededor de las skills.
Cuándo se consideran esenciales las skills
- Muchos reportan grandes beneficios en:
- Flujos de trabajo propietarios, complejos o entre sistemas (despliegues, CI, comprobaciones de seguridad, cumplimiento).
- Reducir el uso de tokens y el ensayo y error al usar herramientas personalizadas (p. ej., CLIs oscuras, DSLs).
- Capturar flujos de depuración ganados con esfuerzo o “cómo hacer X aquí” para que los agentes no tengan que reaprenderlos.
- Las skills se presentan como guía contextual y codificación de procesos, no como “inteligencia extra”.
Organización, uso compartido y herramientas
- Patrones comunes:
- Mantener las skills bajo control de versiones (a menudo en dotfiles o repositorios dedicados) y crear enlaces simbólicos hacia los directorios de skills del agente.
- Usar CLIs o “marketplaces” tipo gestor de paquetes (internos o públicos) para instalar, actualizar y fijar versiones.
- Separar skills globales de las específicas del proyecto; algunos usan perfiles o “skillsets” por dominio de tarea.
- Sincronizar skills entre máquinas y agentes mediante scripts, Nix/Home Manager o registros hechos a medida.
Prácticas de diseño, mantenimiento y evaluación
- A menudo se sugieren estos principios: empezar con cero skills; añadir solo cuando se observe fricción repetida o tokens desperdiciados; mantenerlas pocas, pequeñas y específicas para la tarea; podarlas periódicamente.
- Algunos tratan las skills como código: ejecutan evals o pruebas de comportamiento, usan comprobaciones de estilo integración y actualizan las skills cuando los agentes tienen problemas.
- La seguridad y la autoridad de skills de terceros se señalan como preocupaciones; muchos prefieren solo skills hechas internamente o revisadas internamente.