Claudes färdighetsramverk blir tyst tyst en branschstandard

När Anthropic lanserade Skills i oktober, såg tillkännagivandet ut som en nischfunktion för utvecklare. Två månader senare har OpenAI antagit samma arkitektur – och den tysta konvergensen avslöjar något betydelsefullt om vart AI-agenter är på väg.

Färdigheter är bedrägligt enkla: mappar som innehåller Markdown-filer som berättar för AI-system hur de ska utföra specifika uppgifter. Men deras antagande av båda stora AI-laboratorierna tyder på att branschen har funnit ett gemensamt svar på en grundläggande fråga: hur gör man AI-assistenterna konsekvent bra på specialiserat arbete?

Vad OpenAI just gjorde

Utvecklaren Elias Judin upptäckte OpenAI:s implementation den 12 december medan han experimenterade med ChatGPT:s Code Interpreter. Genom att be modellen skapa en zip-fil av dess /home/oai/skills-katalog, hittade han mappar för PDF:er, kalkylblad och dokument – var och en innehållande instruktionsfiler som är strukturmässigt identiska med Anthropics specifikation.

Samma arkitektur dök upp i OpenAI:s Codex CLI-verktyg två veckor tidigare, genom en pull-begäran med titeln “feat: experimentell stöd för skills.md.” Implementationen speglar Anthropics tillvägagångssätt: färdigheter bor i en lokal katalog (~/.codex/skills), var och en definierad av en SKILL.md-fil med metadata och instruktioner.

OpenAI har inte formellt tillkännagett funktionen. Men dess närvaro i både ChatGPT och Codex tyder på en medveten strategi snarare än ett experiment.

Varför färdigheter är viktiga

Den traditionella tillvägagångssättet för att göra AI bättre på specifika uppgifter innebar finjustering – dyra, tidskrävande modellträning på specialiserad data. Färdigheter erbjuder ett lättare alternativ: instruktioner och resurser som bara laddas när de är relevanta.

Anthropics ingenjörsteam beskrev designprincipen som “progressiv avslöjande.” Varje färdighet tar bara några dussin token när den sammanfattas, med fullständiga detaljer som bara laddas när uppgiften kräver det. Detta löser ett praktiskt problem: kontextfönster är värdefullt utrymme, och att stoppa in alla möjliga instruktioner i varje begäran slösar med resurser.

Arkitekturen fungerar eftersom moderna AI-modeller kan läsa och följa instruktioner dynamiskt. En färdighet för PDF-hantering kan innehålla föredragna bibliotek, hantering av kanter och utdataformat – information som modellen bara behöver när den bearbetar PDF:er.

Konvergensberättelsen

OpenAI antar Anthropics tillvägagångssätt är inte ovanligt i sig. AI-laboratorier lär sig regelbundet av varandras publicerade arbete. Vad som är anmärkningsvärt är den strukturella identiteten: samma filnamnskonventioner, samma metadataformat, samma katalogorganisation.

Denna kompatibilitet kan betyda att färdigheter skrivna för Claude Code kan fungera med OpenAI:s Codex CLI, och vice versa. Utvecklare kunde dela färdigheter på GitHub som npm-paket. Ekosystemet blir interoperabelt snarare än fragmenterat.

Tidpunkten sammanfaller med bredare standardiseringsinsatser. Anthropic donerade Model Context Protocol till Linux Foundation den 9 december, och båda företagen var med och grundade Agentic AI Foundation tillsammans med Block. Google (GOOGL ), Microsoft (MSFT ) och AWS gick med som medlemmar.

Stiftelsen kommer att förvalta MCP, Blocks goose-projekt och OpenAI:s AGENTS.md-specifikation. Färdigheter passar naturligt in i denna standardiseringsdrift – återanvändbara kapacitetsmoduler som fungerar över plattformar.

Vad detta betyder för AI-kodverktyg

Färdighetsarkitekturen är viktigast för AI-kodverktyg, där specialiserad kunskap dramatiskt förbättrar utdatakvalitet. En färdighet för React-utveckling kan specificera komponentmönster, tillståndsledningspreferenser och testkonventioner. En färdighet för databasmigrering kan innehålla säkerhetskontroller och återställningsförfaranden.

AI-kodstartups som Cursor har byggt företag på att göra AI mer användbart för specifika utvecklingsuppgifter. Färdighetsramverket ger modellleverantörer en standardiserad metod för att erbjuda liknande anpassning – potentiellt hotande eller kompletterande tredjepartsverktyg beroende på genomförandet.

För företagsutvecklare betyder interoperabla färdigheter att institutionell kunskap blir bärbar. Ett företags interna kodstandarder, säkerhetskrav och arbetsflödespreferenser kan kodas en gång och tillämpas över alla AI-verktyg som teamet använder.

Den strategiska undermeningen

OpenAI:s antagande har strategiska implikationer. Företaget har historiskt favoriserat proprietära tillvägagångssätt – GPT-åtgärder, anpassade GPT:er, plattformsspecifika integrationer. Färdigheter representerar en vändning mot öppna standarder som fungerar över verktyg.

En tolkning: OpenAI erkänner att utvecklarekosystem är viktigare än proprietär låsning på detta stadium. Om färdigheter blir standard, är kompatibilitet viktigare än att kontrollera specifikationen.

En annan tolkning: att konkurrera med Anthropics utvecklarupplevelse kräver att man matchar dess funktioner. Claude Code har vuxit aggressivt, nått 1 miljard dollar i årlig omsättning och integrerats i Slack. Färdigheter är en del av vad som gör Claude Code användbart; OpenAI behövde svara.

Sanningen ligger troligen i båda faktorerna. AI-laboratorier konkurrerar intensivt om benchmark och kapacitet samtidigt som de samarbetar om infrastruktursstandarder som gynnar alla. Färdigheter faller in i den senare kategorin.

Vad som kommer härnäst

Den omedelbara möjligheten är en färdighetsmarknad – GitHub-repositorier där utvecklare delar specialiserade instruktionsuppsättningar för vanliga uppgifter. Anthropic har redan ett anthropics/skills-repository. Förvänta dig att OpenAI följer efter, och förvänta dig att community-bidragda färdigheter kommer att föröka sig.

Den långsiktiga frågan är hur djupt färdigheter integreras i AI-produkter. För närvarande är de mest relevanta för utvecklare som använder CLI-verktyg. Men samma arkitektur kunde driva anpassning i konsumentprodukter – personliga skrivassistenter, specialiserade forskningsverktyg, domänspecifika chatbotar.

För tillfället representerar konvergensen kring färdigheter något sällsynt i AI: konkurrerande företag som är överens om att standardisering tjänar alla. Om denna samarbetsvilja utsträcks till andra omstridda områden – säkerhetsstandarder, kapacitetsavslöjanden, distributionsriktlinjer – förblir osäkert.

Men för utvecklare som bygger på AI-plattformar är budskapet tydligt: färdigheter blir infrastruktur. Att lära sig att skriva dem nu betyder att man är förberedd på hur AI-verktyg kommer att fungera i morgon.