Agent Skills: Qué son y cómo configurarlos en GitHub Copilot con SKILLS.md

¿Alguna vez te has sentido como Bill Murray en El día de la marmota copiando y pegando el mismo prompt de trescientas líneas cada vez que empiezas una tarea nueva con Claude o Copilot? Ya sabes a lo que me refiero.

Tienes un proyecto con unas reglas de estilo muy concretas, usas Tailwind de una forma específica o necesitas que los tests sigan una estructura determinada. Y cada vez que abres un chat nuevo, te toca alimentar al modelo con todo ese contexto para que no te devuelva código genérico que no te sirve para nada. Y la verdad, da una pereza enorme…

Durante el último año nos hemos obsesionado con el Context Window. Pero la realidad es que meter todo tu conocimiento en el prompt del sistema o en una ventana de chat gigante es ineficiente, caro y, sinceramente, una mala arquitectura. El modelo se lía, pierde el foco y empieza a alucinar.

Aquí es donde entran los Agent Skills, un cambio fundamental en cómo generamos la arquitectura de relaciones entre nuestro conocimiento y la IA. Es pasar de pedirle cosas al modelo a "instalarle" capacidades modulares que solo usa cuando las necesita.

Hoy quiero explicarte qué son exactamente estos Skills, por qué GitHub y Anthropic están apostando todo a este estándar y, lo más importante, cómo puedes configurarlos hoy mismo para dejar de repetir las mismas instrucciones una y otra vez.

Los Agent Skills son paquetes de instrucciones y recursos que permiten estandarizar cómo una IA ejecuta tareas complejas sin saturar su contexto.

Para entender los Skills, primero tenemos que entender el problema que resuelven. Hasta ahora, teníamos dos formas de dar contexto a un modelo. O bien lo escribíamos todo en el prompt cada vez o bien usábamos las Custom Instructions o System Prompts de GitHub.

El problema de los Custom Instructions es que son globales. Si le dices a tu IA que "siempre actúe como un experto en SQL", cuando le pidas una imagen Docker ese sesgo va a estar ahí molestando y además, ocupando Tokens de Contexto. No puedes meter ahí la guía de estilos de tu empresa, la documentación de tu API interna y las reglas de seguridad de tus servidores.

Los Agent Skills solucionan esto aplicando un concepto de diseño de software llamado Progressive Disclosure o divulgación progresiva.

Imagina un manual de instrucciones gigante. En lugar de obligar al agente de IA a leerse las mil páginas antes de empezar a hablar contigo (lo que llenaría su contexto), le das solo el índice. El modelo sabe que existen capítulos sobre "Cómo crear componentes en React", "Cómo hacer migraciones de base de datos" o "Cómo redactar informes de incidentes".

Cuando tú le pides "Crea un componente de botón", el modelo piensa: "Vale, para esto necesito consultar el capítulo de componentes". Y es en ese momento, y solo en ese momento, cuando carga el contenido de ese Skill en su contexto.

Los agents skills son una tecnología desarrollada por Antrophic y de la que ya hablamos en este post hace unos meses. La adopción fue tan grande que otros proveedores de IA lo están adoptando como estándar junto con MCP [Guía de MCP desde cero].

Técnicamente, un Agent Skill no es más que una carpeta. Dentro de esa carpeta vive un archivo obligatorio llamado SKILL.md y, opcionalmente, otros recursos como scripts, plantillas o ejemplos de código. Es una forma de empaquetar conocimiento congelado que la IA puede descongelar a voluntad.

Lo brillante de este sistema es que no necesitas aprender un lenguaje de programación nuevo ni una sintaxis compleja. Si sabes escribir Markdown y YAML, sabes crear un Skill.

La estructura de carpetas estándar que utilizan tanto GitHub Copilot como Claude es muy sencilla. Generalmente, los encontrarás en .github/skills/ (para skills específicos de un proyecto) o en directorios globales como ~/.copilot/skills.

Dentro de la carpeta de tu skill, el archivo SKILL.md tiene dos partes diferenciadas:

Es la cabecera del archivo, escrita en YAML. Aquí es donde defines la identidad del skill.

Fíjate en la descripción. Es crítica. Es lo único que el modelo "lee" todo el tiempo. Si la descripción es ambigua, el modelo no sabrá cuándo activar el skill. Tienes que ser explícito sobre cuándo debe usarse. Cuantos más Skills tengan en tu proyecto más descriptivo debes ser para evitar confundir al modelo.

Antrophic recomienda que los metadatos no superen los 100 tokens. Si quieres conocer todos los campos disponibles lee la especificación completa.

Aquí va el Markdown y donde vuelcas tu conocimiento o cómo quieres que se comporte el modelo. Pero a diferencia de un prompt normal, aquí puedes estructurarlo como documentación técnica.

Cuando activas este skill, Claude o Copilot no solo sabrán cómo programar en React, sino que lo harán como tú quieres que se haga en tu empresa o tu proyecto. En este caso Antrophic recomienda que las Skills no superen las 500 líneas o 5000 Tokens. Lee la especificación completa aquí.

TIP: Puedes validar que tu Skill está bien construida usando skills-ref de Antrophic. Esto comprueba que el SKILL.md sea válido y siga todas las convenciones de nomenclatura.

Sabiendo qué es un Agent Skill y antes de enseñarte cómo crearlos te estarás preguntando en qué se diferencia de las Custom Instructions, o de un GPT o incluso de MCP…

Piensa en los GPTs como islas separadas: son herramientas potentes pero aisladas a las que tienes que ir expresamente, rompiendo tu flujo en el editor. En cambio, los Skills y las instrucciones viven integrados en tu IDE, diseñados para no sacarte del contexto.

Aquí la clave está en la granularidad y el propósito. Las Custom Instructions son tus reglas generales, es una capa base que define el comportamiento general del asistente.

GitHub ha evolucionado esto y ahora permite tener instrucciones a nivel de repositorio o incluso específicas por ruta (usando applyTo para que ciertas reglas solo apliquen a carpetas concretas como /tests), pero siguen siendo directrices pasivas que moldean cómo te responde el modelo siempre que estás en ese contexto.

Los Agent Skills, por el contrario, son paquetes de conocimiento bajo demanda para tareas concretas y repetibles. No están siempre activos llenando el contexto. El modelo los carga solo cuando detecta que quieres hacer algo específico, como depurar un flujo de GitHub Actions o generar un componente visual.

Y para cerrar el círculo tenemos el MCP (Model Context Protocol), que a menudo se confunde con los anteriores. Mientras que un Skill es el manual que le dice a la IA cómo hacer un trabajo, el MCP es el conector que le da las herramientas para hacerlo.

Imagina un caso real: podrías tener un Skill llamado debug-workflow que contenga la lógica de pasos para solucionar un error, y que para ejecutarse utilice herramientas de un servidor MCP (como get_job_logs) para leer los datos reales del fallo.

En resumen:

Vamos a bajar al barro. Uno de los mejores casos de uso para empezar es un skill de revisión de código. Todos sabemos que los code reviews son necesarios, pero a veces se nos pasan cosas o nos da pereza ser exhaustivos con el linting.

Vamos a crear un skill que enseñe a Copilot a revisar PRs con tus criterios.

Paso 1: Crear el directorio. En la raíz de tu proyecto, crea .github/skills/code-reviewer/.

Paso 2: Crear el archivo de definición. Crea .github/skills/code-reviewer/SKILL.md.

Paso 3: Definir el contenido

Ahora, cuando estés en VS Code y le digas a Copilot que revise un archivo, si tiene acceso a este skill, aplicará esta lógica. No te dirá simplemente "está bien", sino que buscará activamente lo que le has pedido en la sección de seguridad y rendimiento.

Lo potente de esto es que este archivo vive en tu repositorio. Si mañana entra un junior al equipo, al hacer git pull, ya tiene por defecto este Skill en su asistente.

Hasta ahora hemos hablado de Skills que son básicamente texto. Pero la cosa se pone seria cuando le damos a los Skills la capacidad de ejecutar código. Esto es lo que se conoce como "Code-Enabled Skills".

Imagina el ejemplo del Design System que comentábamos antes. Está muy bien decirle a la IA que se asegure de que el contraste sea suficiente. Pero los LLMs son malos calculando matemáticas de colores. A veces te dicen que un gris sobre blanco se lee bien cuando no es cierto.

En un Skill avanzado, puedes incluir un script de Python o JavaScript en la misma carpeta.

Por ejemplo, podrías tener design-system/validate-a11y.js, un script pequeño que toma dos códigos hexadecimales y calcula matemáticamente el ratio de contraste según el estándar WCAG.

En tu SKILL.md, le dirías al modelo:

Aquí es donde la frontera entre generador de texto y agente se empieza a difuminar ya que el modelo no solo escribe, sino que utiliza herramientas que tú le has proporcionado para validar su propio trabajo antes de entregártelo.

Esto es vital para tareas donde la precisión es no negociable, como cálculos financieros, conversiones de unidades o validaciones de seguridad.

Llevo tiempo dándole vueltas a una idea: estamos entrando en una era donde la documentación técnica ya no se escribe para humanos, sino para IAs.

Nadie se lee los manuales de 500 páginas. Lo que hacemos es preguntarle a ChatGPT. Por tanto, si eres el responsable técnico de una empresa o mantienes una librería Open Source, tu prioridad debería ser que la IA entienda tu producto.

Los Agent Skills son el primer paso hacia esta documentación ejecutable.

En lugar de tener una wiki en Confluence que nadie actualiza y que explica "Cómo desplegar a producción", deberíamos tener un Skill deployment-guide en el repositorio.

Esto tiene un efecto secundario maravilloso: el Bus Factor.

Si el único desarrollador que sabe cómo funciona el sistema de facturación legacy se va de la empresa, es un drama. Pero si ese desarrollador ha volcado su conocimiento en un conjunto de Skills bien definidos, el siguiente desarrollador (apoyado por la IA) podrá operar el sistema con mucha más seguridad.

Estamos empaquetando el conocimiento organizacional en un formato que es legible tanto por humanos (es Markdown al fin y al cabo) como por máquinas.

Actualmente, el soporte de Skills está llegando de forma nativa a muchas herramientas.

Mi recomendación es que empieces por lo que más te duela. Identifica esa tarea repetitiva que haces todos los días, esa en la que siempre tienes que corregir a la IA ("no, usa la librería X, no la Y"). Crea un Skill para eso.

Hay una diferencia muy grande y que cada vez es más evidente entre los programadores que usan estas soluciones como Agent Skills, MCP, Custom Instructions y los de… "Hazme el componente de Login". Si quieres que la IA trabaje como si fueras tú mismo (o mejor) debes enseñarla.

No se trata de que la IA trabaje más, sino de que trabaje mejor. Y para eso, primero tenemos que aprender a enseñarle.

Recurso de referencia. Disponible en los siguientes formatos: