Desde conocer Skill, hasta entender cómo construir la habilidad de investigación en Crypto

null

原作者： @BlazingKevin_ ，Blockbooster研究员

1. El nacimiento y evolución de Agent Skill

El sector de AI Agents en 2025 se encuentra en un momento crucial, atravesando la transición de “concepto técnico” a “implementación práctica”. En este proceso, la exploración de Anthropic sobre encapsulación de capacidades ha provocado inesperadamente una transferencia de paradigma a nivel industrial.

El 16 de octubre de 2025, Anthropic lanzó oficialmente Agent Skill. Al principio, la postura oficial fue muy reservada: se consideraba solo como un módulo auxiliar para mejorar el rendimiento de Claude en tareas específicas (como lógica compleja de código, análisis de datos concretos).

Sin embargo, la retroalimentación del mercado y los desarrolladores superó ampliamente las expectativas. Pronto se descubrió que este diseño de modularización de capacidades mostraba una alta desacoplamiento y flexibilidad en la ingeniería real. No solo reducía la redundancia en la optimización de prompts, sino que también mejoraba significativamente la estabilidad en la ejecución de tareas específicas por parte del Agent. Esta experiencia generó rápidamente un efecto en la comunidad de desarrolladores. En poco tiempo, herramientas de productividad líderes como VS Code, Codex, Cursor y entornos de desarrollo integrados (IDEs) comenzaron a adoptar y soportar la arquitectura de Agent Skill en sus bases.

Frente a la expansión espontánea del ecosistema, Anthropic percibió el valor universal subyacente de este mecanismo. El 18 de diciembre de 2025, tomó una decisión de gran impacto en la industria: publicar Agent Skill como un estándar abierto.

Luego, el 29 de enero de 2026, lanzó oficialmente un manual detallado de uso de Skill, eliminando barreras técnicas para la reutilización multiplataforma y multiplataforma. Estas acciones marcaron que Agent Skill dejó de ser un “complemento exclusivo de Claude” para convertirse en un patrón de diseño fundamental y universal en el campo de los AI Agents.

Hasta ahora, surge una pregunta clave: ¿qué problema central en la ingeniería resuelve Agent Skill, que ha sido adoptado por grandes empresas y desarrolladores clave? ¿Cuál es la diferencia esencial y la relación de colaboración con el actual MCP, que está en auge?

Para esclarecer estas cuestiones y aplicarlas en la construcción práctica de investigación y análisis en la industria de criptomonedas, este artículo abordará progresivamente los siguientes temas:

Análisis conceptual: la esencia de Agent Skill y su infraestructura básica.

Flujo de trabajo fundamental: lógica operativa y flujo de ejecución en su nivel más básico.

Mecanismos avanzados: análisis profundo de Reference y Script, sus dos usos avanzados.

Casos prácticos: diferencias esenciales entre Agent Skill y MCP, y su aplicación combinada en escenarios de investigación en Crypto.

2. ¿Qué es Agent Skill y cómo se construye su base?

¿Pero qué es exactamente Agent Skill? En términos simples, es como un “manual de instrucciones exclusivo” que un gran modelo puede consultar en cualquier momento.

Al usar AI en la práctica, a menudo enfrentamos un problema: cada vez que iniciamos una nueva conversación, tenemos que copiar y pegar una larga lista de instrucciones. Agent Skill surge para resolver esta molestia.

Por ejemplo: si quieres crear un “agente de atención al cliente inteligente”, puedes definir en Skill reglas claras: “En caso de que el usuario se queje, primero hay que calmarlo y nunca hacer promesas de compensación sin autorización.” O si necesitas hacer “resúmenes de reuniones”, puedes establecer una plantilla en Skill: “Cada vez que generes un resumen, debe seguir la estructura de ‘participantes’, ‘temas principales’ y ‘decisiones finales’.”

Con este “manual”, ya no necesitas repetir esas instrucciones en cada interacción. El gran modelo, al recibir una tarea, consultará automáticamente el Skill correspondiente y sabrá qué estándar seguir.

Por supuesto, este “manual” es solo una metáfora simplificada para facilitar la comprensión. En realidad, las capacidades de Agent Skill son mucho más poderosas que una simple norma de formato. Sus funciones avanzadas, que serán detalladas en capítulos posteriores, hacen que puedas considerarlo como una especie de “manual de tareas eficiente”.

A continuación, tomaremos el escenario más familiar: “resumen de reuniones”, para mostrar cómo crear un Agent Skill paso a paso, sin necesidad de conocimientos complejos de programación.

Según las herramientas principales actuales (como Claude Code), debemos localizar (o crear) en el directorio de usuario de la computadora una carpeta llamada

.claude/skill

, que será el “cuartel general” donde se almacenan todos los Skills.

El primer paso: crear una nueva carpeta dentro de esa ruta. El nombre de esta carpeta será el nombre de tu Agent Skill.

El segundo paso: dentro de esa carpeta, crear un archivo de texto llamado

skill.md

.

Cada Agent Skill debe tener ese archivo

skill.md

. Su función es decirle a la IA: quién eres, qué puedes hacer y cómo debe trabajar según tus instrucciones. Al abrirlo, verás que está dividido en dos partes principales:

Al inicio del archivo, generalmente hay una sección delimitada por dos líneas cortas

. Aquí solo se colocan dos atributos clave: name y description.

name

: es el nombre del Skill, que debe coincidir exactamente con el nombre de la carpeta.

description

: es una parte muy importante. Explica a la gran modelo el uso específico de este Skill. La IA escaneará continuamente la descripción de todos los Skills para decidir qué Skill usar en función de la pregunta del usuario. Por ello, redactar una descripción precisa y completa es fundamental para que el Skill sea activado correctamente.

Debajo de las líneas cortas, está la sección con reglas específicas para la IA, llamada por la documentación oficial “instrucciones”. Aquí es donde debes detallar la lógica que la IA debe seguir. Por ejemplo, en el caso del resumen de reuniones, puedes indicar en lenguaje sencillo: “Extraer la lista de participantes, los temas discutidos y las decisiones tomadas.”

Al completar estos pasos, tendrás un Agent Skill simple pero muy útil.

Pero, un Skill realmente efectivo suele comenzar con una planificación cuidadosa. Antes de escribir la primera línea, definir claramente objetivos, alcance y criterios de éxito facilitará mucho la construcción.

El primer paso para construir un Skill no es pensar “¿Qué cosas novedosas puede hacer la IA?”, sino preguntarse “¿Qué problemas repetitivos en mi trabajo quiero resolver?” Se recomienda definir de 2 a 3 escenarios específicos que el Skill debe cubrir.

Luego, establecer criterios de éxito: ¿cómo saber si el Skill funciona bien? Antes de empezar, asignar algunos estándares medibles, como “¿la velocidad de respuesta mejoró?” o “¿las decisiones en el resumen son precisas y completas?”

3. Flujo de trabajo básico de Agent Skill

Tras entender la estructura básica de Agent Skill, surge la duda: ¿cómo funciona en la práctica esta “manual de instrucciones”?

Si has probado productos como Manus AI, probablemente has experimentado que, cuando haces una consulta específica, la IA no empieza a divagar o a generar información falsa, sino que reconoce rápidamente que “esto pertenece a un Skill específico”. Entonces, aparece en la interfaz una notificación preguntando si permites usar ese Skill.

Al aceptar, la IA actúa como otra persona, siguiendo estrictamente las reglas predefinidas para producir resultados precisos.

Este proceso de “solicitud - autorización - ejecución” oculta una mecánica interna muy elaborada. Para explicarla, primero debemos identificar a los “tres roles clave” en la interacción:

Usuario: quien inicia la solicitud.

Herramienta cliente (como Claude Code): responsable de coordinar y gestionar la interacción.

Gran modelo de lenguaje: quien comprende la intención y genera la resultado final.

Cuando ingresamos una petición (por ejemplo: “Resúmeme la reunión del proyecto de esta mañana”), estos tres roles colaboran en cuatro pasos:

Paso 1: Escaneo ligero (transmisión de metadatos)

El usuario envía la solicitud, pero la herramienta cliente no envía toda la información de una vez. Solo transmite la petición del usuario junto con los “nombres” y “descripciones” de todos los Skills disponibles (los metadatos). Esto es, un “catálogo ligero”. Aunque tengas muchos Skills, el modelo solo recibe esta lista resumida, lo que ahorra recursos y evita interferencias.

Paso 2: Coincidencia precisa de intención

El modelo recibe la petición y el catálogo, y realiza un análisis semántico rápido. Detecta que la tarea es “resumir reunión”, y que en el catálogo hay un Skill llamado “Asistente de Resumen de Reuniones” que encaja perfectamente. Entonces, informa a la herramienta cliente: “Este problema puede resolverse con ‘Asistente de Resumen de Reuniones’.”

Paso 3: Carga selectiva de instrucciones completas

Tras esa respuesta, la herramienta cliente accede a la carpeta del Skill seleccionado y lee el archivo

skill.md

completo. Es un paso clave: solo en este momento se carga toda la instrucción, y solo para ese Skill. Los demás Skills permanecen en silencio, sin consumir recursos.

Paso 4: Ejecución estricta y respuesta final

Finalmente, la herramienta cliente envía al modelo la petición original junto con el contenido completo de

skill.md

. En esta fase, el modelo ya no elige, sino que ejecuta siguiendo las reglas del Skill, generando una respuesta altamente estructurada, que se muestra al usuario.

4. Mecanismo clave 1: carga selectiva y Reference

El flujo anterior revela el primer mecanismo central de Agent Skill: la carga selectiva.

Aunque los nombres y descripciones de todos los Skills son visibles para el modelo, el contenido completo de las instrucciones solo se carga cuando hay una coincidencia precisa. Esto ahorra tokens y recursos.

Imagina que tienes varios Skills grandes, como “Copywriting viral”, “Resumen de reuniones”, “Análisis en cadena en blockchain”, etc. El modelo solo realiza una búsqueda ligera en el catálogo, y solo cuando selecciona un Skill, se carga su contenido completo. Este “carga bajo demanda” mantiene la eficiencia y ligereza del sistema.

Pero, para usuarios avanzados que buscan máxima eficiencia, esto aún puede mejorarse.

Con el avance del negocio, a veces queremos que los Skills sean más inteligentes. Por ejemplo, en el “Asistente de Resumen”, queremos que no solo repita, sino que también aporte insights: si en la reunión se decide gastar dinero, que indique si cumple con las políticas financieras; si hay colaboración externa, que advierta riesgos legales. Así, al revisar el resumen, el equipo puede detectar alertas clave sin consultar otras fuentes.

Pero esto genera un conflicto técnico: para que el Skill tenga esa capacidad, debe incluir en su archivo

skill.md

toda la normativa y detalles relevantes, lo que puede hacer que el archivo sea muy extenso. Incluso en reuniones técnicas simples, el modelo tendría que cargar miles de palabras, lo que desperdicia tokens y puede distraer la atención del modelo.

¿Es posible, entonces, implementar una capa adicional de “carga bajo demanda en la carga bajo demanda”? Es decir, que solo cuando el contenido de la reunión realmente hable de “dinero”, el sistema cargue las regulaciones financieras para el análisis?

La respuesta es sí. El mecanismo Reference en Agent Skill fue creado precisamente para esto.

Reference es una base de conocimientos externa condicional. Veamos cómo resuelve elegantemente estos problemas:

Crear archivos de referencia externos: en la carpeta del Skill, se añade un archivo independiente llamado, por ejemplo, “Manual de Finanzas del Grupo.md”, que detalla las normas de reembolso (ejemplo: “Subsidio de alojamiento 500 yuan/noche, comida 300 yuan/día por persona”).

Definir condiciones de activación: en el archivo

skill.md

, se añade una regla específica: “Solo activar cuando en el contenido de la reunión se mencionen palabras como ‘dinero’, ‘presupuesto’, ‘compra’, ‘gasto’, etc.”. Cuando se activa, se lee el archivo de referencia “Manual de Finanzas del Grupo.md” y se indica si los montos exceden los límites y quién debe aprobar.

Con esta configuración, en una revisión presupuestaria, se inicia un proceso dinámico:

La herramienta cliente solicita usar el Skill “Resumen de Reuniones” (carga la primera capa).

El modelo detecta palabras relacionadas con “presupuesto” y activa la regla en

skill.md

.

Luego, solicita autorización para leer “Manual de Finanzas del Grupo.md” (segunda capa, activada por referencia).

Tras la autorización, el modelo cruza los datos de la reunión con las normas financieras y genera un resumen que incluye alertas de cumplimiento y riesgos.

Recuerda: la característica clave de Reference es que es condicional. Si en la reunión no hay nada relacionado con dinero, ese archivo permanece en disco, sin consumir tokens.

5. Script y mecanismo de divulgación progresiva

Tras entender la función de Reference, pasamos a otra capacidad poderosa de Agent Skill: la ejecución de código (Script).

Para un agente avanzado, no basta con “consultar datos” y “hacer resúmenes”: debe poder ejecutar tareas en el entorno externo, cerrando el ciclo de automatización. Ahí entra Script.

Por ejemplo, en el “Asistente de Resumen”, después de generar el resumen, queremos subirlo automáticamente al sistema interno de la empresa. Para ello, en la carpeta del Skill, se crea un script Python llamado

upload.py

, que contiene la lógica de conexión y carga.

Luego, en el archivo

skill.md

, se añade una instrucción clara: “Cuando el usuario mencione ‘subir’, ‘sincronizar’ o ‘enviar al servidor’, debes ejecutar upload.py y subir el contenido generado.”

Al decirle: “El resumen está bien, por favor súbelo al servidor”, la herramienta cliente solicitará la ejecución de ese script.

Pero hay una lógica fundamental: en este proceso, la IA no “lee” el código, solo lo “ejecuta”.

Esto significa que, aunque el script tenga miles de líneas, no consume tokens en el contexto del modelo. La IA funciona como si usara una “caja negra”: solo necesita saber cómo iniciarla y si tuvo éxito, sin preocuparse por su interior.

Aquí se diferencian Reference y Script en su mecanismo:

Reference (leer): transfiere contenido externo al contexto del modelo, consumiendo tokens.

Script (ejecutar): se ejecuta en un entorno externo, sin consumir tokens del contexto, solo si se indica claramente.

Un consejo importante: al escribir

skill.md

, debes definir claramente las condiciones y comandos para ejecutar scripts. Si el modelo no entiende bien, puede intentar “leer” el código, lo que sí consume tokens. La regla de oro: definir reglas claras y sin ambigüedades.

Con esto, hemos cubierto todos los componentes esenciales de Agent Skill. Es momento de hacer un resumen desde una perspectiva global.

Si revisas el proceso completo, notarás que la filosofía de diseño de Agent Skill es una mecánica de divulgación progresiva muy precisa. Para maximizar la eficiencia y reducir el consumo, su sistema se divide en tres capas, cada una con condiciones de activación cada vez más estrictas:

Primera capa: capa de metadatos (siempre cargada). Contiene los nombres y descripciones de todos los Skills. Es como un “directorio permanente” muy liviano. Antes de cada tarea, el modelo lo escanea para hacer una primera coincidencia.

Segunda capa: instrucciones específicas (carga bajo demanda). Solo cuando la primera capa confirma la pertenencia, se carga el contenido completo de

skill.md

.

Tercera capa: recursos adicionales (carga bajo demanda en la carga bajo demanda). Incluye:

Reference: archivos externos condicionales, como manuales o datos específicos.

Script: código externo que se ejecuta solo cuando se requiere.

Asset: recursos como logos, fuentes, plantillas PDF, que solo se usan en la generación final.

6. Diferencias esenciales entre Agent Skill y MCP y su integración práctica

Tras analizar las funciones avanzadas de Agent Skill, muchos lectores familiarizados con protocolos de IA pueden notar un parecido: la mecánica de Script se asemeja mucho a MCP, que también conecta y opera en el mundo externo. ¿No es así?

Dado que ambas funciones parecen solaparse, surge la duda: ¿cuál elegir en la construcción de flujos de trabajo de investigación en Crypto?

Para responder, Anthropic ha expresado claramente la diferencia fundamental en una frase clásica:

“MCP conecta Claude a datos. Skills enseñan a Claude qué hacer con esos datos.” (MCP proporciona la canalización de datos; Skills enseñan a Claude cómo procesarlos).

Esta frase resume la punto clave: MCP es una “tubería de datos” que suministra información externa de forma estandarizada (consultar altura de bloques, precios en exchanges, PDFs de investigación). En cambio, Agent Skill es un conjunto de “normas de comportamiento” (SOP), que regulan cómo debe actuar el modelo con esos datos (por ejemplo, incluir análisis de tokenomics, agregar advertencias de riesgo).

Algunos tecnófilos podrían argumentar: “Si Agent Skill puede ejecutar Python, ¿por qué no escribir directamente en Script la lógica de conexión a bases de datos o APIs?” La respuesta es que, aunque técnicamente posible, no es recomendable por varias razones:

Mecanismo de operación y mantenimiento del estado: los scripts de Skill son “sin estado”, se ejecutan de forma independiente y se borran tras terminar. MCP, en cambio, es un servicio persistente que mantiene conexiones duraderas con fuentes externas (como WebSocket), algo que un script simple no puede hacer.

Seguridad y estabilidad: hacer que la IA ejecute scripts con permisos elevados en cada consulta presenta riesgos de seguridad. MCP ofrece entornos aislados y mecanismos de autenticación.

Por ello, en sistemas avanzados de investigación en Crypto, la mejor estrategia no es elegir entre uno u otro, sino combinarlos: “MCP para suministrar datos, Skill para procesarlos”.

Para ilustrar esta integración, tomemos como ejemplo el sistema

opennews-mcp

desarrollado por el desarrollador Web3 Cryptoxiao, que combina API avanzada con Skills para crear un centro de inteligencia de noticias cripto totalmente automatizado.

Este sistema encapsula las capacidades de MCP en Skills mediante instrucciones que permiten a la IA acceder y manipular datos de forma inteligente, creando un agente que realiza tareas como:

1. Descubrimiento de fuentes de noticias.

2. Búsqueda multidimensional de noticias.

3. Análisis y insights impulsados por IA.

4. Flujo de noticias en tiempo real.

Al integrar estas funciones en un Agent Skill, la IA pasa de ser un asistente general a un analista de Web3 de nivel Wall Street, capaz de realizar tareas que antes requerían horas de trabajo manual:

Ejemplo 1: Investigación rápida de nuevos tokens

Instrucción: “Haz un análisis profundo del proyecto @NewCryptoCoin que acaba de lanzarse.”

Pasos:

• La IA llama a opentwitter.get_twitter_user para obtener datos oficiales.

• Verifica si KOLs o VC relevantes ya siguen el proyecto.

• Busca cobertura mediática y relaciones públicas.

• Filtra noticias de alta calidad.

• Genera un informe de investigación con análisis fundamental, estructura de tokens, cobertura mediática y calificación IA.

Ejemplo 2: Detección de señales de trading en eventos en tiempo real

Instrucción: “Vigila todo el día oportunidades de trading en ZK.”

Pasos:

• La IA establece una conexión WebSocket con opennews.subscribe_latest_news, filtrando noticias relacionadas con “ZK” y tokens específicos.

• Detecta noticias relevantes y, si cumplen ciertos criterios, envía alertas de alta probabilidad de ganancia.

• Verifica en Twitter si KOLs están comentando sobre el evento.

• Si se cumplen condiciones, envía alertas de trading con alta confianza.

Con esta combinación de Agent Skill y MCP, se logra un flujo de trabajo de investigación en criptomonedas altamente automatizado, preciso y profesional.

Sobre BlockBooster

BlockBooster es una firma de gestión de activos alternativos de nueva generación para la era digital. Utilizamos tecnología blockchain para invertir, incubar y gestionar activos clave del mundo digital — desde proyectos nativos de Web3 hasta activos del mundo real (RWA). Como creadores de valor, buscamos descubrir y liberar el potencial a largo plazo de los activos, capturando valor sobresaliente para socios e inversores en la ola de la economía digital.

Aviso legal

Este artículo/blog es solo para referencia, refleja las opiniones personales del autor y no representa la postura de BlockBooster. No ofrece: (i) asesoramiento o recomendaciones de inversión; (ii) ofertas o invitaciones a comprar, vender o mantener activos digitales; ni (iii) asesoramiento financiero, contable, legal o fiscal. La inversión en activos digitales, incluyendo stablecoins y NFTs, conlleva riesgos elevados, volatilidad y puede perder valor o volverse sin valor. Debe evaluar cuidadosamente, según su situación financiera, si realizar transacciones o mantener activos digitales es adecuado para usted. Para dudas específicas, consulte a sus asesores legales, fiscales o de inversión. La información aquí proporcionada (incluidos datos de mercado y estadísticas, si las hubiera) es solo para referencia general. Aunque se ha hecho un esfuerzo razonable en la elaboración de estos datos y gráficos, no nos hacemos responsables de errores u omisiones en los hechos expresados.