Claudes Færdighedsramme Bliver Stille og Roligt til en Branchestandard

Når Anthropic lancerede Skills i oktober, lød annonceringen som en niche-funktion for udviklere. To måneder senere har OpenAI adopteret den samme arkitektur – og den stille konvergens afslører noget betydningsfuldt om, hvor AI-agenter er på vej.

Færdigheder er bedragerisk simple: mapper, der indeholder Markdown-filer, der fortæller AI-systemer, hvordan de kan udføre bestemte opgaver. Men deres adoption af både større AI-laboratorier antyder, at branchen har fundet et fælles svar på en grundlæggende spørgsmål: hvordan kan man gøre AI-assistenter konsekvent gode til specialiseret arbejde?

Hvad OpenAI Lige Har Gjort

Udvikler Elias Judin opdagede OpenAI’s implementering den 12. december, mens han eksperimenterede med ChatGPT’s Code Interpreter. Ved at bede modellen om at oprette en zip-fil af dens /home/oai/skills-mappe, fandt han mapper for PDF’er, regneark og dokumenter – hver indeholdende instruktionsfiler, der strukturelt er identiske med Anthropics specifikation.

Den samme arkitektur dukkede op i OpenAI’s Codex CLI-værktøj to uger tidligere, gennem en pull-anmodning med titlen “feat: eksperimentel understøttelse af skills.md.” Implementeringen spejler Anthropics tilgang: færdigheder bor i en lokal mappe (~/.codex/skills), hver defineret af en SKILL.md-fil med metadata og instruktioner.

OpenAI har ikke officielt annonceret funktionen. Men dens tilstedeværelse i både ChatGPT og Codex antyder en bevidst strategi snarere end et eksperiment.

Hvorfor Færdigheder Er Vigtige

Den traditionelle tilgang til at gøre AI bedre til bestemte opgaver involverede finjustering – dyrt og tidskrævende modeltræning på specialiseret data. Færdigheder tilbyder en lettere alternativ: instruktioner og ressourcer, der kun indlæses, når de er relevante.

Anthropics ingeniørteam beskrev designprincippet som “progressiv afsløring.” Hver færdighed tager kun få dusin tokens, når den sammenfattes, med fulde detaljer, der kun indlæses, når opgaven kræver det. Dette løser et praktisk problem: kontekstvinduer er værdifuld ejendom, og at stoppe hver mulig instruktion i hver anmodning spilder ressourcer.

Arkitekturen fungerer, fordi moderne AI-modeller kan læse og følge instruktioner dynamisk. En færdighed for PDF-håndtering kan inkludere foretrukne biblioteker, håndtering af kanter og output-formatering – information, som modellen kun har brug for, når den behandler PDF’er.

Konvergenshistorien

OpenAI’s adoption af Anthropics tilgang er ikke usædvanlig i isolation. AI-laboratorier lærer regelmæssigt af hinandens offentliggjorte arbejde. Det, der er bemærkelsesværdigt, er den strukturelle identitet: samme filnavnekonventioner, samme metadataformat, samme mappeorganisation.

Denne kompatibilitet kan betyde, at færdigheder, der er skrevet til Claude Code, kan fungere med OpenAI’s Codex CLI, og omvendt. Udviklere kan dele færdigheder på GitHub som npm-pakker. Økosystemet bliver interoperabelt snarere end fragmenteret.

Tidsplanen sammenfaldende med bredere standardiseringsbestræbelser. Anthropic donerede Model Context Protocol til Linux Foundation den 9. december, og begge virksomheder var medstiftere af Agentic AI Foundation sammen med Block. Google (GOOGL ), Microsoft (MSFT ) og AWS sluttede sig til som medlemmer.

Stiftelsen vil være vært for MCP, Blocks goose-projekt og OpenAI’s AGENTS.md-specifikation. Færdigheder passer naturligt ind i denne standardiseringsindsats – genbrugelige kapacitetsmoduler, der fungerer på tværs af platforme.

Hvad Dette Betyder for AI-Kodningsværktøjer

Færdighedsarkitekturen er mest betydningsfuld for AI-kodningsværktøjer, hvor specialiseret viden dramatisk forbedrer outputkvaliteten. En færdighed for React-udvikling kan specificere komponentmønstre, statshåndtering og testkonventioner. En færdighed for database-migrationer kan inkludere sikkerhedstjek og rollback-procedurer.

AI-kodningsstartups som Cursor har bygget forretninger på at gøre AI mere nyttig for bestemte udviklingssopgaver. Færdighedsrammen giver modelleverandører en standardiseret måde at tilbyde lignende tilpasning – potentielt truende eller supplering tredjeparts-værktøjer afhængigt af udførelse.

For enterprise-udviklere betyder interoperable færdigheder, at institutionel viden bliver bærbar. En virksomheds interne kodningsstandarder, sikkerhedskrav og workflow-præferencer kan kodificeres én gang og anvendes på tværs af hvilke AI-værktøjer teamet bruger.

Den Strategiske Undermening

OpenAI’s adoption har strategiske implikationer. Virksomheden har historisk set foretrukket proprietære tilgange – GPT-handlinger, brugerdefinerede GPT’er, platformsspecifikke integrationer. Færdigheder repræsenterer en vending mod åbne standarder, der fungerer på tværs af værktøjer.

En fortolkning: OpenAI erkender, at udviklerøkosystemer er vigtigere end proprietær låsning på dette stadium. Hvis færdigheder bliver standard, er det vigtigere at være kompatibel end at kontrollere specifikationen.

En anden fortolkning: konkurrerende med Anthropics udvikleroplevelse kræver at matche dets funktioner. Claude Code er vokset aggressivt, nåede 1 milliard dollars i årlig omsætning og integrerede i Slack. Færdigheder er en del af, hvad der gør Claude Code nyttig; OpenAI havde brug for at reagere.

Sandheden omfatter sandsynligvis begge faktorer. AI-laboratorier konkurrerer intensivt på benchmarks og kapaciteter, mens de samarbejder om infrastrukturstandarder, der gavner alle. Færdigheder falder inden for den sidste kategori.

Hvad Der Kommer Herefter

Den umiddelbare mulighed er en færdighedsmarked – GitHub-repositorier, hvor udviklere deler specialiserede instruktionssæt for almindelige opgaver. Anthropic har allerede et anthropics/skills-repository. Forvent, at OpenAI følger, og forvent, at fællesskabsbidragne færdigheder vil sprede sig.

Den længerevarende spørgsmål er, hvor dybt færdigheder integrerer i AI-produkter. For nuværende er de mest relevant for udviklere, der bruger CLI-værktøjer. Men den samme arkitektur kunne drive tilpasning i forbrugerprodukter – personlige skriveassistenter, specialiserede forskningsværktøjer, domænespecifikke chatbots.

For nuværende repræsenterer konvergens på færdigheder noget sjældent i AI: konkurrerende virksomheder enes om, at standardisering tjener alle. Om denne samarbejdende udstrækker sig til andre kontroversielle områder – sikkerhedsstandarder, kapacitetsafsløringer, implementationsrettledninger – forbliver usikkert.

Men for udviklere, der bygger på AI-platforme, er beskeden klar: færdigheder bliver infrastruktur. At lære at skrive dem nu betyder, at man er forberedt på, hvordan AI-værktøjer vil fungere i morgen.