Il trasferimento di Agent Skills alla Linux Foundation
Anthropic ha affidato il progetto Agent Skills alla Agentic AI Foundation (AAIF), l’organizzazione della Linux Foundation che coordina lo sviluppo di standard e tecnologie aperte per gli agenti di intelligenza artificiale. Il formato, supportato da oltre 70 piattaforme tra cui ChatGPT, Cursor, GitHub Copilot e Visual Studio Code, consente di distribuire e riutilizzare competenze specialistiche, istruzioni operative e strumenti software tra differenti sistemi agentici.
Dal dicembre 2025, quando Anthropic ha pubblicato Agent Skills come standard aperto, sono state pubblicate un milione di skill, per un totale di quasi 280 milioni di installazioni. Il progetto passa ora a una governance indipendente, mentre Anthropic continuerà a contribuire allo sviluppo insieme a ingegneri di Google, OpenAI e altre aziende.
Il trasferimento comprende il nome e il logo Agent Skills, l’organizzazione GitHub e il dominio agentskills.io. David Soria Parra e Mahesh Murag assumeranno il ruolo di lead maintainer, coordinando i contributi degli sviluppatori indipendentemente dalle rispettive aziende di appartenenza.
Da Claude Code a uno standard condiviso per gli agenti AI
Agent Skills nasce dall’esperienza maturata da Anthropic nello sviluppo di Claude Code. Sebbene i modelli linguistici siano in grado di affrontare attività generali di programmazione, analisi e produzione di contenuti, l’esecuzione dei processi aziendali richiede spesso conoscenze procedurali specifiche, convenzioni operative, documentazione tecnica e strumenti software che il modello non possiede direttamente.
Le skill permettono di organizzare queste informazioni in componenti autonomi e riutilizzabili, che gli agenti possono individuare e caricare in funzione della richiesta ricevuta. Una skill può descrivere le procedure necessarie per verificare un contratto, produrre documenti conformi alle convenzioni editoriali di un’organizzazione oppure elaborare dati aziendali applicando regole e controlli prestabiliti.
Anthropic ha introdotto il meccanismo nell’ottobre 2025, inizialmente nell’ambito di Claude. Gli sviluppatori hanno successivamente iniziato a condividere migliaia di skill su GitHub e a realizzare sistemi di caricamento compatibili con Codex, Cursor e OpenCode. La pubblicazione dello standard aperto nel dicembre 2025 ha formalizzato un formato comune, consentendone l’integrazione anche in piattaforme concorrenti.
La caratteristica fondamentale è la separazione tra le capacità generali del modello e le conoscenze operative necessarie a svolgere un’attività. Le organizzazioni possono aggiornare procedure, istruzioni e codice mantenendoli indipendenti dal modello linguistico, senza dover ricorrere a un nuovo addestramento ogni volta che cambiano i processi aziendali.
Benefici per le imprese
- Rapidità di aggiornamento: modifiche alle procedure operative richiedono solo la revisione della skill, non il ri‑addestramento del modello.
- Riutilizzabilità: la stessa skill può essere invocata da diversi agenti, riducendo duplicazioni.
- Trasparenza: i metadati YAML espongono chiaramente scopo, licenza e dipendenze.
- Interoperabilità: grazie al supporto di più di settanta ambienti, le skill operano in ecosistemi eterogenei.
Come funziona Agent Skills: file Markdown, metadati e caricamento progressivo
Ogni skill è una directory che contiene obbligatoriamente un file SKILL.md. All’interno, le istruzioni Markdown sono precedute da metadati YAML. La specifica del formato Agent Skills richiede almeno due attributi: name, che identifica la skill, e description, che ne descrive le funzioni e indica le circostanze in cui deve essere utilizzata.
Il nome può contenere fino a 64 caratteri, utilizzando lettere minuscole, numeri e trattini, mentre la descrizione ha un limite di 1 024 caratteri. Sono previsti anche metadati facoltativi, tra cui license, compatibility, metadata e allowed-tools. Quest’ultimo permette di dichiarare gli strumenti preautorizzati, sebbene il supporto sia ancora sperimentale e dipenda dall’implementazione.
Oltre al file principale, la directory può contenere:
scripts/per il codice eseguibile,references/per la documentazione supplementare,assets/per modelli, risorse statiche e file di supporto.
L’architettura utilizza il progressive disclosure, un meccanismo che permette agli agenti di caricare le informazioni in tre livelli successivi. All’avvio vengono acquisiti soltanto il nome e la descrizione delle skill disponibili, con un consumo indicativo di circa 100 token per ciascuna. Quando una richiesta corrisponde alle competenze descritte, l’agente legge il contenuto di SKILL.md, per il quale è raccomandata una dimensione inferiore a 5 000 token.
I documenti supplementari e gli script vengono invece consultati o eseguiti soltanto quando necessari. Un agente può così disporre di numerose competenze specialistiche senza occupare preventivamente la finestra di contesto con tutte le istruzioni e i materiali associati.
Il codice eseguibile permette inoltre di affidare operazioni deterministiche a programmi tradizionali, mentre il modello linguistico interpreta le richieste, seleziona le procedure e utilizza i risultati prodotti dagli strumenti.
Esempio pratico: una skill per l’elaborazione di documenti PDF
Una skill per l’elaborazione dei documenti PDF combina l’estrazione di testo e tabelle, la compilazione di moduli e l’unione di più file, organizzando le procedure secondo l’architettura prevista da Anthropic. Nell’esempio pdf-processing, le istruzioni principali sono contenute in SKILL.md, mentre la documentazione supplementare e gli script Python vengono utilizzati soltanto quando necessari.
La struttura della directory è la seguente:
pdf-processing/├── SKILL.md
├── FORMS.md
├── REFERENCE.md
└── scripts/
└── fill_form.py
Il file SKILL.md inizia con i metadati YAML:
---name: pdf-processing
description: Extract text and tables from PDF files, fill forms, merge documents. Use when working with PDF files or when the user mentions PDFs, forms, or document extraction.
---
La descrizione include sia le operazioni supportate sia i riferimenti utilizzabili per riconoscere le richieste pertinenti. Quando l’utente chiede, ad esempio, di estrarre il testo da un documento PDF, l’agente seleziona la skill tramite questi metadati e carica le istruzioni operative.
Le istruzioni Markdown per l’estrazione del testo utilizzano la libreria Python pdfplumber:
# PDF ProcessingQuick start
Use pdfplumber to extract text from PDFs:
```python
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
text = pdf.pages[0].extract_text()
```
Lo script apre document.pdf, accede alla prima pagina ed estrae il testo, assegnandolo alla variabile text. Per PDF multi‑pagina la procedura può essere estesa iterando su pdf.pages.
Le istruzioni principali possono rinviare ad altri documenti mediante collegamenti relativi. Per la compilazione dei moduli, il file SKILL.md contiene il riferimento:
For advanced form filling, see FORMS.md.
Se l’utente richiede soltanto l’estrazione del testo e la produzione di un riassunto, l’agente utilizza la procedura di estrazione senza consultare FORMS.md. Se invece deve compilare un formulario, legge le istruzioni supplementari e invoca scripts/fill_form.py, lo script Python previsto nella struttura.
REFERENCE.md resta disponibile per eventuali informazioni tecniche aggiuntive, come versioni supportate di pdfplumber o limitazioni di licenza.
Prospettive future e impatto sull’ecosistema AI
Con la governance affidata alla AAIF, Agent Skills potrà evolvere in un vero standard industriale, aperto a contributi da parte di università, startup e grandi fornitori di cloud. La trasparenza dei metadati favorisce la verifica della conformità a normative sulla privacy e sulla sicurezza, mentre il modello di progressive disclosure riduce i costi computazionali per gli agenti, rendendo più pratico l’uso di skill complesse anche in ambienti con risorse limitate.
Il coinvolgimento di ingegneri di Google, OpenAI e altre aziende suggerisce che il formato potrà integrarsi con future generazioni di LLM, includendo supporti per:
- Gestione di tool basati su container Docker,
- Interfacce REST e GraphQL per servizi esterni,
- Controlli di accesso basati su OAuth e Zero‑Trust.
Inoltre, la possibilità di dichiarare allowed-tools apre la strada a sandbox di esecuzione più sicure, dove le skill possono invocare software di terze parti senza compromettere l’integrità dell’ambiente dell’agente.
Il risultato atteso è un mercato più dinamico di “competenza come servizio”, dove le organizzazioni potranno acquistare, personalizzare e distribuire skill in modo simile a plugin o librerie open source. Questo approccio dovrebbe accelerare l’adozione di agenti AI in settori tradizionalmente conservatori, come finanza, sanità e pubblica amministrazione, dove la conformità a processi certificati è imprescindibile.
In sintesi, il trasferimento di Agent Skills alla Linux Foundation segna una svolta verso standard aperti, governance condivisa e interoperabilità su larga scala. Con un milione di skill già disponibili e una base di installazioni in crescita, il modello di skill modulari promette di rendere gli agenti AI più adattabili, sicuri e pronti a rispondere alle esigenze operative di un mondo aziendale in rapido cambiamento.