Vor dem Hype um die Model Context Protocol (MCP) Als die Gelegenheit kam, dass sich die Aufregung legte, zauberte Anthropic einen weiteren Volltreffer aus dem Hut: AgentenfähigkeitenDiese Entwicklung zwingt uns, die grundlegende Architektur von KI-Systemen zu überdenken.

Wir gehen über die einfache Dichotomie „Agent oder Werkzeug?“ hinaus und entwickeln ein differenzierteres Verständnis. Agenten sind vollwertige Entscheidungseinheiten mit Systemaufforderungen, Werkzeugzugriff, zugrundeliegenden Modellen (Claude, ChatGPT usw.) und Agentenschleifen, die es ihnen ermöglichen, Arbeitsabläufe zu orchestrieren und Zustände zu verwalten. Im Gegensatz dazu sind die neuen Agentenfähigkeiten modulare, deklarative Kompetenzbündel – organisiertes prozedurales Wissen, verpackt in wiederverwendbare Einheiten, die Agenten je nach Bedarf schrittweise laden.

Dies wirft eine interessante und grundlegende Architekturfrage auf: Was sollte ein Agent und was eine Fähigkeit sein? Die Wahl hat weitreichende Konsequenzen für das Scope-Management, die Zuverlässigkeit des Kontextfensters, die Erweiterbarkeit und die Evaluierbarkeit. Die Antwort liegt nicht in der Entscheidung für das eine oder das andere. Agenten mit FähigkeitenDie

Warum Agenten nicht allein durch Prompts skalieren können

Frühe agentenbasierte Systeme stießen an vorhersehbare Grenzen. Teams entwickelten spezialisierte Agenten für jeden Anwendungsfall: einen Kundendienstagenten, einen Programmieragenten, einen Forschungsagenten. Benötigten diese Agenten neue Funktionen, aktualisierten die Entwickler die Systemabfragen oder erstellten einen komplett neuen Agenten. Dies funktioniert für einfache Aufgaben, wird aber bei großem Umfang schnell unüberschaubar.

Das Muster wiederholte sich organisationsübergreifend: Ein neuer Sonderfall erforderte umgehende Anpassungen, die das Problem zwar manchmal behoben, aber häufig an anderer Stelle zu Regressionen führten. Den Agenten fehlten Mechanismen, um aus der Ausführung zu lernen oder Wissen kontextübergreifend zu übertragen. Kontextfenster wurden mit immer komplexeren Anweisungen oder Widersprüchen überfrachtet, was dazu führte, dass die Agenten abgelenkt, verwirrt oder unfähig waren, widersprüchliche Informationen zu verarbeiten.

Früher gingen wir davon aus, dass sich Agenten in verschiedenen Anwendungsbereichen aufgrund ihrer Anweisungen und Werkzeuge stark unterscheiden würden. Die zugrundeliegende Beziehung zwischen Modell und Agent ist jedoch universeller als angenommen. Diese Erkenntnis legte ein anderes Modell nahe: einen universellen Agenten, der mit einer Bibliothek spezialisierter Fähigkeiten ausgestattet ist.

Warum Agenten Fähigkeiten benötigen

Skills ermöglichen es uns, Domänenexpertise iterativ zu erweitern, ohne die Architektur zu verändern. Sie sind primär deklarativ, d. h. Fachexperten können Funktionen beisteuern, ohne die Agentenlogik zu modifizieren. Ein Sicherheitsteam kann seine Compliance-Workflows in einen Skill kapseln. Ein Data-Engineering-Team kann seine Best Practices für ETL kodieren. Diese Beiträge erfordern keine Eingriffe in die Kernprozesse des Agenten, wie z. B. die Eingabeaufforderung oder die Entscheidungsschleife.

Wenn Agenten auf neue Szenarien stoßen, schaffen Fähigkeiten klare Verantwortlichkeitsgrenzen. Teams können eine Fähigkeit für einen Bereich aktualisieren, ohne Regressionen in einem anderen Bereich zu riskieren. Fähigkeiten können versioniert, isoliert getestet und anhand von Telemetriedaten verbessert werden – und das alles ohne die Anfälligkeit der System-Prompt-Entwicklung.

Fähigkeiten ermöglichen progressive BelastungDadurch werden Ressourcen schrittweise eingeführt, um die Kontextflut zu reduzieren. Jeder, der Agenten verwendet, hat wahrscheinlich schon einmal erlebt, was passiert, wenn Kontextfenster überladen werden, und Untersuchungen bis 2025 haben gezeigt, dass die Überlastung von Kontextfenstern zu unerwarteten Fehlern führen kann.

Progressives Laden löst dieses Problem: Zur Laufzeit sehen Agenten nur die Metadaten von Fähigkeiten (Name und Beschreibung). Der vollständige Inhalt wird erst geladen, wenn der Agent feststellt, dass eine Fähigkeit für die aktuelle Aufgabe relevant ist. Dadurch kann der in Fähigkeiten enthaltene Kontext effektiv unbegrenzt erweitert werden, ohne die Entscheidungsfähigkeit des Agenten zu beeinträchtigen.

Wann sollte man einen Agenten oder eine Fähigkeit erstellen?

Wie treffen Sie also Ihre Entscheidung? Nutzen Sie den folgenden Vergleich als Orientierungshilfe für Ihre architektonischen Entscheidungen:

Viele bestehende Agenten – effektiv strukturierte Eingabeaufforderungen mit Werkzeugzugriff – lassen sich mit minimalen Anpassungen wahrscheinlich zu Skills weiterentwickeln. Einige Anwendungsfälle erfordern jedoch unbedingt die Kontrolle, das Umfangsmanagement und die Evaluierbarkeit, die vollwertige Agenten bieten.

Ein Beispiel aus der Praxis: ClickHouse-Migration

Wir standen beim Bau genau vor dieser architektonischen Entscheidung. clickhouse.buildClickHouse ist ein agentenbasierter Programmierassistent, der Entwickler bei der Migration analytischer Workloads von PostgreSQL zu ClickHouse unterstützt. Unsere Kommandozeilenschnittstelle (CLI) bot zunächst vier spezialisierte Agenten: einen Scanner zur Identifizierung analytischer Abfragen in Codebasen, einen Datenmigrator zum Einrichten von ClickPipes, einen Codemigrator zum Hinzufügen von ClickHouse-Schnittstellen unter Beibehaltung der Abwärtskompatibilität sowie einen QA-Agenten zur Validierung von Änderungen.

Der Umfang war bewusst eng gefasst: Postgres-Abfragen und TypeScript-Codebasen. Diese Spezifizierung sorgte zwar für die hohe Performance der Agenten, schränkte aber ihre Anwendbarkeit ein. Mit der Veröffentlichung der Agent Skills durch Anthropic im Oktober 2025 erkannten wir die Chance, diesen engen Rahmen zu erweitern, ohne dabei Kompromisse bei der Qualität einzugehen.

Durch die Einführung von Skills unterstützen wir nun weitere OLTP-Datenbanken (Online Transaction Processing) wie MySQL und MongoDB, Python- und Java-Codebasen sowie flexiblere QA-Workflows, ohne unsere Kernagenten neu schreiben zu müssen. Entwickler von Sprachclients können Skills für ihre Domänen (Golang, Java, Python) erstellen, ohne die Agenten-Orchestrierungslogik zu verändern. Wir können Evaluierungen auf Basis spezifischer Skills erstellen und diese isoliert verbessern.

Agenten benötigen eine Lizenz, um ihre Fähigkeiten zu verbessern.

Die Zukunft von KI-Agent Es geht nicht um die Wahl zwischen Agenten und Fähigkeiten. Es geht um Agenten, die zum richtigen Zeitpunkt mit den richtigen Fähigkeiten ausgestattet sind; Agenten mit einer Art „Lizenz zum Kompetenzerwerb“. Die Agenten koordinieren, halten den Umfang ein und sichern die Qualität durch Evaluierungen. Die Fähigkeiten bündeln Fachwissen, schützen Kontextfenster und ermöglichen Beiträge von Fachexperten.

Diese Architektur verändert bereits Produktionssysteme wie clickhouse.build, und da Skills neben MCP als offener Standard entstehen, ist sie auf dem besten Weg, der Standardweg für den Aufbau skalierbarer, wartungsfreundlicher KI-Systeme zu werden.