Agent Skills Assess

Überblick

Agent Skills sind wiederverwendbare, dateisystembasierte Fähigkeitspakete, die AI-Agents aufgabenspezifische Anweisungen, Workflow-Kontext, Referenzdokumente, Skripte und Templates bereitstellen. Jeder Skill trägt Metadaten plus Markdown-Anweisungen in einer SKILL.md-Datei, optional begleitet von Skripten und Ressourcen, und wird über ein Progressive-Disclosure-Muster geladen: Skill-Namen anbieten, Anweisungen laden, Ressourcen lesen, Skripte ausführen (Microsoft Agent Framework). Anthropic führte die Idee im Oktober 2025 ein und veröffentlichte SKILL.md am 18. Dezember 2025 als offenen Standard; OpenAI übernahm das Format formal etwa zwei Monate später in Codex, und bis März 2026 lasen rund dreißig Tools dasselbe Verzeichnislayout (Reactify, Luc Segbedzi).

Was sich in diesem Quartal geändert hat, ist die Form des Ökosystems, nicht das Format. Das Skill-Angebot hat sich von Coding-Unterstützung auf Betrieb und Sicherheit ausgeweitet: agentenübergreifende DevOps/DevSecOps-, Kubernetes-, CI/CD-, GitOps-, Policy- und SRE-Skill-Pakete (ops-engineering-skills), ein als Skill verpacktes Platform-Engineering-Handbuch mit Plugin-Schicht (platform-skills v1.0.0) und dedizierte Threat-Modelling-Skills (alpha-omega-security/threat-model). Damit wird die praktische Unterscheidung zu einer Governance-Frage: kuratierte interne Skills — im eigenen Besitz, geprüft, versioniert und auf den eigenen Bestand zugeschnitten — versus wiederverwendbare Community-Skill-Pakete, die am besten als Referenzimplementierungen und Ausgangspunkte gelesen werden, nicht als ungeprüft installierbare Dependencies.

Agent Skills bleiben in assess, weil die Packaging-Schicht sich gesetzt hat, die Vertrauens- und Qualitätsschichten aber nicht. Studien auf Registry-Ebene zeigen, dass die meisten indexierten „Skills“ überhaupt keine installierbaren, wiederverwendbaren Skills sind und dass fast keine Outcome-Nachweise tragen (State of Agent Skills 2026), während Sicherheitsforschung wiederholt ein Viertel bis ein Drittel der veröffentlichten Skills mit ausnutzbaren Mustern gemessen hat (arXiv 2601.10338, Cloud Security Alliance). Baut eine kleine, selbst verantwortete Skill-Bibliothek auf und instrumentiert sie; behandelt Community-Pakete noch nicht als Supply Chain.

Adoptionssignale

• Das Format ist in einem zweiten großen Vendor-Stack stabil: Agent Skills für .NET und Python im Microsoft Agent Framework haben beide die experimentelle Preview-Phase verlassen und werden als Produktions-APIs mit Governance-Kontrollen ausgeliefert (.NET, Python).
• Die Client-Abdeckung ist breit und herstellerübergreifend: Claude Code, OpenAI Codex, ChatGPT, GitHub Copilot, Cursor, VS Code, Gemini CLI, JetBrains Junie, Kiro, Goose, Snowflake, Databricks und weitere lesen dieselben Skill-Verzeichnisse (Reactify, Luc Segbedzi).
• Ops- und Platform-Skill-Pakete sind jetzt vollwertig etabliert: agentenübergreifende Skills für DevOps, DevSecOps, Cloud, Kubernetes/Platform Engineering, CI/CD, GitOps/Argo, Policy, Security-Scanning, SRE, Compliance, MLOps und AgentOps, einmal gebaut für Claude Code, Copilot, Codex, Cursor und Gemini CLI (ops-engineering-skills).
• Platform-Engineering-Inhalte werden mit echtem Release Engineering drumherum veröffentlicht: Platform Skills v1.0.0 deckt acht Domänen ab (Kubernetes, OpenShift, Argo CD, Flux CD, AWS, Azure, Terraform, GitHub Actions) und liefert CI-Workflows für Strukturvalidierung, Markdown/YAML/Terraform-Linting, Secret-Scanning, Action-SHA-Pinning und automatisierte Releases (platform-skills v1.0.0).
• Auch Security-Workflows werden als Skills verpackt, darunter ein Agent Skill zur Erstellung von Threat Models für Open-Source-Projekte (alpha-omega-security/threat-model).
• Kuratierte Engineering-Skill-Bibliotheken sind zu Mainstream-Referenzmaterial geworden — eine produktionsreife Engineering-Skill-Sammlung hat ~49k Stars, 30 Contributors, eine MIT-Lizenz und getaggte Releases, die Skills auf Spec/Plan/Build/Test/Review-Kommandos mappen (addyosmani/agent-skills).
• Enterprise- und Vendor-Publishing geht weiter: organisationsweite Provisionierung und standardmäßig aktivierte Skills für Team- und Enterprise-Pläne sowie fertige Finance-, Legal- und HR-Plug-ins im Februar 2026 (Agentman), und Domänenanbieter liefern eigene Pakete — Atlassian, Databricks, GitHub, Google, Microsoft, OpenAI und Stripe, mit Socotra als erstem Insurance-Core (Socotra).

Risiken

• Gemessenes Supply-Chain-Risiko, nicht theoretisch. Eine Studie von 42.447 gesammelten Skills analysierte 31.132 davon und fand bei 26,1% mindestens eine Schwachstelle über 14 Muster hinweg (Prompt Injection, Datenexfiltration, Privilege Escalation, Supply Chain), mit Datenexfiltration bei 13,3%, Privilege Escalation bei 11,8% und 5,2% mit Mustern hoher Schwere, die stark auf böswillige Absicht hindeuten (arXiv 2601.10338); ein separates Audit setzte die Fehlerrate bei 36,82% an (Cloud Security Alliance).
• Gebündelte Skripte erhöhen das Risiko signifikant. Skills, die ausführbare Skripte mitliefern, sind 2,12-mal häufiger verwundbar als reine Instruktions-Skills (OR=2,12, p<0,001) (arXiv 2601.10338) — ein direktes Problem für Ops- und Platform-Pakete, die von Natur aus skriptschwer sind.
• Die Skills-Schicht ist selbst eine Angriffsfläche. Threat-Taxonomien für das Format und eine Top-Ten-Bedrohungsliste für Praktiker betonen beide, dass Best Practices unausgereift sind, Trust Boundaries unklar sind und Early Adopters ein erhöhtes Risiko tragen (arXiv 2604.02837, Akamai).
• Die Signalqualität der Registries ist schwach. In einer qualitätsgerankten Stichprobe von 1.000 indexierten Repositories zeigten nur 9,4% strenge Nachweise für Agent Skills, 29,4% waren tatsächlich Domänen-Workflow-Tools oder Ökosystem-Dependencies, 2,2% waren Listen statt installierbarer Skills, und nur 120 hatten überhaupt einen berichteten Agent-Outcome (State of Agent Skills 2026).
• Die Evaluation ist noch anekdotisch. Mit wachsenden Skill-Repositories ist die Qualitätsbewertung typischerweise „den Agenten den Skill ausprobieren lassen und eine Demo beobachten“, was kein reproduzierbares Signal über Änderungen liefert (AEVAL) — das bedeutet, dass Skill-Drift bei kodierten APIs, Build-Schritten oder Plattformkonventionen unentdeckt bleiben kann.
• Laufzeitverhalten muss überwacht, nicht nur geprüft werden. Neu entstehende Abwehrmaßnahmen überwachen Execution Traces gegen in Skill-Spezifikationen und Operator-Constraints deklarierte Verhaltensrichtlinien und erkennen Verstöße, die sich über mehrere Tool-Calls erstrecken (awesome-agent-skills-security); eine statische Prüfung allein der SKILL.md deckt Value-Flows über einen Workflow hinweg nicht ab.
• Lücken bei Lizenz und Provenienz. Rund 18% einer bereits qualitätsgefilterten Stichprobe hatten keine deklarierte Lizenz (State of Agent Skills 2026), was eine Sperre für die Weiterverbreitung von Community-Paketen in einer regulierten Codebasis darstellt.

Empfehlung

Bewertet Agent Skills, indem ihr eine kleine kuratierte interne Bibliothek aufbaut, statt Community-Pakete zu installieren. Wählt zwei oder drei hochrepetitive Workflows aus, bei denen der Engpass im Ablauf liegt, nicht in der Fähigkeit — Release-Checks, Repository-Onboarding, Migrations-Runbooks, Terraform- oder Kubernetes-Änderungsmuster, Threat-Model-Entwürfe — und verfasst schmale Skills mit präzisen Aktivierungsbeschreibungen, kurzen Anweisungen, expliziten Referenzen und benannten Owners in eurer eigenen Versionskontrolle. Bevorzugt wo möglich reine Instruktions-Skills und behandelt jedes gebündelte Skript als Code, der Review, Pinning und Secret-Scanning benötigt, angesichts des gemessenen 2,12-fachen Verwundbarkeits-Multiplikators bei skriptbündelnden Skills (arXiv 2601.10338). Das Release-Tooling in plattformorientierten Paketen ist hierfür ein gutes Vorbild: Strukturvalidierung, Markdown/YAML/Terraform-Linting, Secret- und Action-Pinning-Scans sowie automatisierte, versionierte Releases (platform-skills v1.0.0).

Behandelt wiederverwendbare Community-Skill-Pakete als Referenzmaterial mit einem Quarantäneschritt. Ops-, DevSecOps-, Platform- und Threat-Model-Pakete (ops-engineering-skills, alpha-omega-security/threat-model) und große kuratierte Engineering-Bibliotheken (addyosmani/agent-skills) lohnt es sich nach Struktur und Inhalt zu durchsuchen, aber forkt, was ihr verwendet, entfernt, was ihr nicht braucht, prüft die Lizenz und reviewt erneut bei jedem Upstream-Update. Geht davon aus, dass ein bedeutender Anteil aller aus einem Marketplace bezogenen Inhalte unsicher oder falsch gekennzeichnet ist (Cloud Security Alliance, State of Agent Skills 2026).

Die Exit-Kriterien aus assess sind organisatorischer, nicht technologischer Natur. Bevor ihr Agent Skills in trial hebt, richtet ein Skill-Inventar mit Owners ein, Peer Review bei jeder Skill-Änderung, deterministische Evaluation in CI statt demo-basierter Beurteilung (AEVAL), Sandboxing plus Laufzeit-Policy-Monitoring von skill-getriebenen Tool-Calls (awesome-agent-skills-security), ein dokumentiertes Threat Model für die Skills-Schicht selbst (Akamai) und einen Retirement-Pfad für veraltete Workflows. Nutzt weiterhin typisierte Tools und MCP-Server, um Fähigkeiten bereitzustellen, und Skills nur, um deren Nutzung zu beschreiben; vermeidet breite, vage Skills, die sich wie versteckte System-Prompts verhalten. Wo ihr eine stabile API-Oberfläche für Skills innerhalb von Anwendungscode benötigt, sind die nun GA-verfügbaren .NET- und Python-Skill-APIs ein vernünftiger Ort zum Prototyping (Microsoft Agent Framework).

Quellen

• Microsoft Agent Framework: Agent Skills for .NET Is Now Released
• Microsoft Agent Framework: Agent Skills for Python Is Now Released
• Platform Skills v1.0.0 Release
• selvarajmurugesan90/ops-engineering-skills
• alpha-omega-security/threat-model
• addyosmani/agent-skills
• Agent Skills in the Wild: An Empirical Study of Security Vulnerabilities at Scale
• Agent Skills in the Wild (PDF)
• Towards Secure Agent Skills: Architecture, Threat Taxonomy, and Defences
• AEVAL: From Anecdotal to Deterministic Testing for Agentic Skill Workflows
• LLMSecurity/awesome-agent-skills-security
• Akamai: The Top 10 Threats Related to Agent Skills
• Akamai: Top 10 Threats Related to Agent Skills (März 2026)
• Cloud Security Alliance: 5 Claude Agent Skills Risks Every CISO Should Know
• Cloud Security Alliance Blog: 5 Claude Agent Skills Risks Every CISO Should Know
• OpenAgentSkill: State of Agent Skills 2026
• Agentman: Das Agent-Skills-Ökosystem 2026
• AI Agent Skills in Production: Architecture, Security, and Patterns
• AI Agent Skills in 2026: composable capabilities, progressive disclosure
• The Rise of Skills: Why 2026 Is the Year of Specialized AI Agents
• Socotra wird erster Insurance-Core, der Agent Skills veröffentlicht

Überblick

Agent Skills sind wiederverwendbare, dateisystembasierte Fähigkeitspakete, die KI-Agents aufgabenspezifische Anweisungen, Workflow-Kontext, Beispiele, Skripte, Templates und weitere Ressourcen liefern. Anthropic führte sie als organisierte Ordner ein, die Agents dynamisch entdecken und laden können; jedes Skill zentriert sich auf eine SKILL.md mit YAML-Frontmatter und Markdown-Anweisungen (Anthropic Engineering). Das Format ist inzwischen als offener Standard veröffentlicht: Ein Skill-Verzeichnis muss SKILL.md mit mindestens name und description enthalten und kann scripts/, references/, assets/ oder andere Dateien umfassen (Agent Skills specification).

Das zentrale Muster ist Progressive Disclosure. Agents laden zunächst nur Name und Beschreibung jedes Skills, aktivieren die vollständige SKILL.md, wenn die Aufgabe zur Beschreibung passt, und lesen referenzierte Dateien oder führen gebündelte Skripte nur bei Bedarf aus (Agent Skills overview). Skills sind damit ein praktisches Context-Engineering-Primitive: Teams können Migrations-Playbooks, Review-Checklisten, Data-Quality-Prozeduren, Brand-Regeln und tool-spezifische Workflows erfassen, ohne jeden Prompt dauerhaft aufzublähen.

Skills ergänzen Tool-Protokolle wie MCP, ersetzen sie aber nicht. MCP stellt Ressourcen und Aktionen bereit; Skills beschreiben, wie ein Agent Tools, Dateien und Abläufe in einer wiederholbaren Sequenz nutzen soll. Anthropic rahmt Skills ausdrücklich als Weg, Agents komplexere Workflows mit externen Tools und Software beizubringen: die prozedurale Schicht über typisierten Tools, MCP-Servern und Agent-Orchestrierung (Anthropic Engineering).

Adoptionssignale

• Anthropic unterstützt Agent Skills in Claude.ai, Claude Code, dem Claude Agent SDK und der Claude Developer Platform, mit vorgefertigten Skills für Dokument-Workflows wie PowerPoint, Excel, Word und PDF (Claude API Docs).
• Das öffentliche Repository anthropics/skills liefert Beispiel-Skills, Dokument-Skills, Templates und die Agent-Skills-Spezifikation, mit Anleitung zur Installation von Skill-Bundles als Plugins in Claude Code (Anthropic skills repository).
• Die Client-Showcase des offenen Standards listet Adoption in Developer-Tools und Coding Agents, darunter Gemini CLI, OpenCode, OpenHands, Cursor, Goose, GitHub Copilot, VS Code, Claude Code, Claude, OpenAI Codex, Databricks Genie Code, Snowflake Cortex Code, Kiro, Roo Code, Tabnine und weitere (Agent Skills client showcase).
• Berichtete Ökosystem-Abdeckung umfasst Partner-Skills von Atlassian, Figma, Canva, Stripe, Notion und Zapier sowie Enterprise-Management für zentrale Bereitstellung und Workflow-Steuerung in Team- und Enterprise-Umgebungen (VentureBeat).

Risiken

• Skill-Supply-Chain-Risiko ist das Hauptthema. Skills sollten wie Drittsoftware behandelt werden, weil sie Anweisungen, Skripte, Assets, Abhängigkeiten und externe Referenzen enthalten können, die nicht dem angegebenen Zweck entsprechen (Claude API Docs).
• Prompt Injection und versteckte Anweisungen steigen, wenn ein Skill externe URLs, gebündelte Dokumente, Bilder oder generierte Dateien liest. Anthropic empfiehlt Installation nur aus vertrauenswürdigen Quellen und Audit weniger vertrauenswürdiger Skills, besonders bei Netzwerkzugriff, Dateizugriffsmustern, Skripten und gebündelten Ressourcen (Anthropic Engineering).
• Runtime-Portabilität ist unvollständig trotz offenem Format. Claudes Dokumentation vermerkt, dass Custom Skills nicht automatisch über Claude-Oberflächen synchronisieren und Runtime-Beschränkungen je nach claude.ai, Claude API, Claude Code, AWS und Microsoft Foundry variieren, einschließlich Netzwerkzugriff und Paketinstallation (Claude API Docs).
• Governance muss explizit sein. Die Spezifikation enthält Validierungshinweise wie skills-ref validate ./my-skill, empfiehlt SKILL.md unter 500 Zeilen und optionale Felder wie compatibility und experimentelles allowed-tools, erzwingt aber nicht Ownership, Review, Evaluation, Sandboxing, Signing oder Lifecycle-Management (Agent Skills specification).
• Retention und Deployment-Oberflächen sind relevant. Claudes Dokumentation stellt fest, dass Agent Skills nicht für Zero Data Retention qualifiziert sind und Skill-Definitionen sowie Ausführungsdaten unter der Standard-Retention von Anthropic gespeichert werden. Regulierte Teams sollten Retention und Deployment-Oberfläche prüfen, bevor sie gehostete Skills mit sensiblen Workflows nutzen (Claude API Docs).
• Skill Drift kann Agent-Verhalten still verschlechtern. Veraltete APIs, deprecated Build-Schritte oder obsolete Geschäftsregeln in Skills führen zu veralteten Workflows mit hoher Konfidenz, solange Skills nicht wie gemeinsamer Code versioniert, getestet und abgelöst werden.

Empfehlung

Testen Sie Agent Skills für wiederkehrende, kontextintensive Workflows, in denen Agents konsistente prozedurale Guidance brauchen: Repository-Onboarding, Migrations-Runbooks, Release-Checks, Code-Review-Policy, Design-System-Nutzung, Data-Quality-Validierung, Dokumentenerstellung und operative Playbooks. Starten Sie mit einer kleinen, owned Skill-Bibliothek in Version Control, verlangen Sie Peer Review für Skill-Änderungen, validieren Sie Frontmatter gegen die offene Spezifikation, testen Sie Skills gegen repräsentative Aufgaben und scannen Sie gebündelte Skripte und Ressourcen auf Secrets, unsichere Befehle, externe Netzwerkaufrufe und Prompt-Injection-Muster.

Nutzen Sie ein Schichtenmodell: typisierte Tools oder MCP-Server für Fähigkeiten, Agent Skills dafür, wann und wie Agents diese nutzen. Vermeiden Sie breite, vage Skills, die wie versteckte System-Prompts wirken. Bevorzugen Sie enge Skills mit präzisen Aktivierungsbeschreibungen, kurze SKILL.md, explizite Referenzen, deterministische Helfer-Skripte, klare Owner, Kompatibilitätshinweise und einen Ablösepfad für obsolete Workflows. Wechseln Sie von Trial zu Adopt erst, wenn Ihre Organisation Skill-Inventar, Ownership, Review, Evaluation, Sandboxing und Audit-Logging etabliert hat.

Quellen

• Anthropic Engineering: Equipping agents for the real world with Agent Skills
• Claude API Docs: Agent Skills
• Agent Skills: Overview
• Agent Skills: Specification
• Agent Skills: Client Showcase
• GitHub: anthropics/skills
• VentureBeat: Anthropic launches enterprise Agent Skills and opens the standard