GitHub estandariza las 'agent skills' para llevar instrucciones reutilizables a cualquier agente de IA
El nuevo formato basado en archivos SKILL.md versionados permite capturar tareas repetibles y compartirlas entre agentes, manteniendo herramientas y permisos bajo el control de cada entorno
GitHub presentó un formato estandarizado para capturar trabajo de ingeniería repetible en archivos que los equipos pueden revisar y reutilizar entre diferentes agentes de IA. La propuesta, detallada en el blog de la empresa, gira en torno a un directorio versionado cuyo núcleo es el archivo SKILL.md, que describe cuándo y cómo ejecutar una tarea.
La discusión se llevó a cabo en vivo durante GitHub Universe 2026, en una sesión con Shishir Tewari, gerente sénior de Ingeniería de Datos de Procore, titulada "Build once, run on any agent: a practical guide to agent skills".
Lo que separa la instrucción de la ejecución
La premisa central es que la skill contiene el conocimiento del procedimiento, pero no los medios para ejecutarlo. Una skill puede describir cómo consultar una base de datos, por ejemplo, pero no concede acceso a esa base de datos: las herramientas, credenciales y permisos siguen siendo específicos del entorno que aloja al agente.
Este diseño resuelve un problema recurrente: el contexto que hoy se pierde en los chats o queda atrapado en la cabeza de un único especialista. Al convertir ese conocimiento en un archivo versionado, la instrucción pasa a ser revisable como cualquier otro artefacto de código.
La verificación adversarial como principio
El texto usa el ejemplo del Proof Agent, orientado a comprobar cambios generados por IA contra la solicitud original. La regla que guía la skill es directa: la autoverificación no es verificación. Por eso, un verificador independiente examina las alteraciones y presenta evidencias para sus conclusiones.
El frontmatter de la skill nombra la tarea y describe su propósito, mientras que la sección "When to Verify" define cuándo activar el procedimiento y el resto de las instrucciones detalla qué revisa el verificador y qué evidencias incluir.
Pipeline de datos como caso de uso
El ejemplo Data Forge muestra cómo varias skills pueden trabajar en conjunto. En un pipeline de soporte, la skill forge-init descubre detalles como tablas de origen y convenciones de nomenclatura, y los registra en un manifiesto resuelto que las demás skills leen para obtener contexto del proyecto.
A continuación, forge-builder coordina el trabajo desde la issue hasta el pull request, usando forge-dbx para consultar la plataforma de datos y forge-lint para aplicar los estándares del equipo. Una persona revisa las decisiones propuestas a lo largo del camino, y el pull request resultante reúne código del pipeline, cambios de esquema y pruebas.
Cada skill tiene una responsabilidad definida y comparte el contexto del proyecto en lugar de rediseñarlo de forma independiente. Cuando una etapa cambia, se modifica una única skill, y el conocimiento deja de depender de la disponibilidad de quien lo poseía.