Antes da euforia em torno do Protocolo de Contexto do Modelo (MCP) Quando a polêmica teve tempo de se acalmar, a Anthropic tirou mais um produto vencedor da cartola: Habilidades do AgenteEsse desenvolvimento nos obriga a repensar a arquitetura fundamental dos sistemas de IA.

Estamos superando a dicotomia simplista de "é um agente ou uma ferramenta?" em direção a uma compreensão mais matizada. Agentes são entidades totalmente capazes de tomar decisões, com instruções do sistema, acesso a ferramentas, modelos de suporte (Claude, ChatGPT, etc.) e loops de agentes que lhes permitem orquestrar fluxos de trabalho e gerenciar o estado. Em contraste, as novas Habilidades de Agente são pacotes modulares e declarativos de conhecimento especializado — conhecimento procedimental organizado em unidades reutilizáveis ​​que os agentes carregam progressivamente conforme a necessidade.

Isso levanta uma questão arquitetônica interessante e fundamental: o que deve ser um agente e o que deve ser uma habilidade? A escolha tem implicações reais para o gerenciamento de escopo, a confiabilidade da janela de contexto, a extensibilidade e a avaliabilidade. A resposta não é escolher um em detrimento do outro. agentes com habilidades.

Por que os agentes não conseguem escalar apenas com prompts?

Os primeiros sistemas de agentes esbarraram em limitações previsíveis. As equipes criavam agentes especializados para cada caso de uso: um agente de atendimento ao cliente, um agente de programação, um agente de pesquisa. Quando esses agentes precisavam de novas funcionalidades, os desenvolvedores atualizavam os prompts do sistema ou criavam um agente completamente novo. Isso funciona para tarefas simples, mas rapidamente se torna inviável em grande escala.

O padrão se repetia em todas as organizações: um novo caso extremo exigia modificações imediatas, que às vezes resolviam o problema, mas frequentemente causavam regressões em outros lugares. Os agentes não possuíam mecanismos para aprender com a execução ou transferir conhecimento entre contextos. As janelas de contexto ficavam sobrecarregadas com instruções cada vez mais complexas ou contraditórias, fazendo com que os agentes se distraíssem, se confundissem ou se tornassem incapazes de raciocinar sobre informações conflitantes.

Coletivamente, costumávamos pensar que os agentes teriam aparências muito diferentes em diferentes domínios, com base em seus comandos e ferramentas. Mas a relação entre modelo e agente, na verdade, é mais universal do que imaginávamos. Essa constatação sugeriu um modelo diferente: um agente de propósito geral equipado com uma biblioteca de capacidades especializadas.

Por que os agentes precisam de habilidades

As habilidades nos permitem iterar sobre o conhecimento especializado sem alterações na arquitetura. Elas são principalmente declarativas, o que significa que especialistas no assunto podem contribuir com funcionalidades sem modificar a lógica do agente. Uma equipe de segurança pode empacotar seus fluxos de trabalho de conformidade em uma habilidade. Uma equipe de engenharia de dados pode codificar suas melhores práticas de ETL. Essas contribuições não exigem alterações no prompt principal do sistema do agente nem no ciclo de tomada de decisão.

Quando os agentes se deparam com novos cenários, as habilidades fornecem um limite de responsabilidade claro. As equipes podem atualizar uma habilidade para um domínio sem correr o risco de regressões em outro. As habilidades podem ser versionadas, testadas isoladamente e aprimoradas com base em telemetria, tudo isso sem a fragilidade da engenharia de prompts do sistema.

As habilidades permitem carregamento progressivo, que introduz recursos incrementalmente para ajudar a lidar com o inchaço do contexto. Qualquer pessoa que use agentes provavelmente já experimentou o que acontece quando as janelas de contexto ficam inchadas, e pesquisas realizadas ao longo de 2025 demonstraram que a sobrecarga das janelas de contexto causa modos de falha surpreendentes.

O carregamento progressivo resolve esse problema: em tempo de execução, os agentes veem apenas os metadados das habilidades (nome e descrição). O conteúdo completo é carregado somente quando o agente determina que uma habilidade é relevante para a tarefa atual. Isso significa que a quantidade de contexto agrupada nas habilidades pode ser praticamente ilimitada sem comprometer a capacidade de raciocínio do agente.

Quando desenvolver um agente ou uma habilidade

Então, como decidir? Use a seguinte comparação para orientar suas decisões arquitetônicas:

Muitos agentes existentes — basicamente prompts estruturados com acesso a ferramentas — provavelmente podem se tornar habilidades com alterações mínimas. Mas alguns casos de uso realmente exigem o controle, o gerenciamento de escopo e a capacidade de avaliação que os agentes completos oferecem.

Um exemplo prático: Migração para o ClickHouse

Enfrentamos exatamente essa decisão arquitetônica durante a construção. clickhouse.build, um assistente de codificação baseado em agentes que ajuda os desenvolvedores a migrar cargas de trabalho analíticas do Postgres para o ClickHouse. Nossa interface de linha de comando (CLI) inicialmente fornecia quatro agentes especializados: um scanner que identifica consultas analíticas em bases de código, um migrador de dados para configurar ClickPipes, um migrador de código que adiciona interfaces ClickHouse mantendo a compatibilidade com versões anteriores e um agente de controle de qualidade para validar as alterações.

O escopo era deliberadamente restrito: consultas Postgres e bases de código TypeScript. Essa especificidade tornava os agentes eficientes, mas limitava sua aplicabilidade. Quando a Anthropic lançou o Agent Skills em outubro de 2025, vimos uma oportunidade de expandir esse escopo restrito sem sacrificar a qualidade.

Com a introdução das Skills, agora podemos oferecer suporte a outras fontes de processamento de transações online (OLTP), como MySQL e MongoDB, bases de código em Python e Java, e fluxos de trabalho de controle de qualidade mais flexíveis, sem precisar reescrever nossos agentes principais. Os responsáveis ​​pela manutenção dos clientes de linguagem podem desenvolver Skills para seus domínios (Golang, Java, Python) sem alterar a lógica de orquestração dos agentes. Podemos criar avaliações em torno de Skills específicas e aprimorá-las isoladamente.

Agentes precisam de licença para exercer determinada função.

O futuro de Agente de IA Não se trata de escolher entre agentes e habilidades. Trata-se de agentes equipados com as habilidades certas no momento certo; agentes com uma "licença para usar habilidades", por assim dizer. Os agentes orquestram, mantêm o escopo e garantem a qualidade por meio de avaliações. As habilidades, por sua vez, agrupam a expertise, protegem as janelas de contexto e possibilitam contribuições de especialistas no domínio.

Essa arquitetura já está remodelando sistemas de produção como o clickhouse.build e, com o surgimento de habilidades como um padrão aberto juntamente com o MCP, está posicionada para se tornar o caminho padrão para a construção de sistemas de IA escaláveis ​​e de fácil manutenção.