El repositorio de Anthropic que dominó GitHub con 81.000 estrellas

Hay una paradoja en el corazón del software cognitivo moderno: cuanto más capaz es un sistema, más instrucciones necesita para funcionar bien, y cuantas más instrucciones carga desde el inicio de una sesión, peor rinde en muchas de sus tareas. Es como intentar resolver una operación de cálculo con el escritorio cubierto de manuales que no se necesitarán hasta la semana siguiente. El costo es real, medible en tokens y en dinero, y durante años pareció difícil de evitar.

Anthropic encontró la salida en una idea que, en retrospectiva, parece obvia: no cargar nada hasta que sea necesario. El 17 de octubre de 2025, la empresa lanzó su sistema de Skills para Claude, una arquitectura de carpetas especializadas que almacena instrucciones fuera del contexto activo y las convoca de forma dinámica, solo cuando el usuario formula una solicitud que las requiere. El repositorio público en GitHub, licenciado bajo Apache 2.0, acumuló más de 81.000 estrellas en pocos meses: una señal inequívoca de que la comunidad de desarrolladores reconoció algo sustancial detrás de la propuesta.

La lógica de base es sencilla. Cada módulo existe como una carpeta que contiene un archivo central de instrucciones llamado SKILL.md, donde se detalla el procedimiento para ejecutar una tarea específica: elaborar documentos Word, interactuar con repositorios Git, analizar conjuntos de datos estructurados, automatizar pruebas de aplicaciones web. Al iniciarse una sesión, Claude escanea los metadatos de todas las habilidades disponibles, una operación que consume entre 30 y 100 tokens por unidad, manteniendo la ventana de contexto casi despejada. Solo cuando el usuario plantea una solicitud pertinente, el sistema carga las instrucciones completas del módulo correspondiente y, si la tarea demanda plantillas adicionales o scripts ejecutables, los accede en una capa posterior.

La arquitectura de tres capas que resuelve un problema antiguo

Entender la relevancia del diseño requiere contextualizar los enfoques que lo precedieron. Los Assistants de OpenAI cargan todo el contexto de forma persistente desde el inicio de la sesión: aseguran disponibilidad inmediata pero consumen tokens independientemente de la relevancia de cada instrucción en un momento dado. El ajuste fino de modelos incorpora el conocimiento directamente en los pesos del sistema, lo que elimina overhead en ejecución pero hace casi imposible actualizar ese conocimiento sin reentrenar desde cero. La llamada a funciones opera sin estado: resuelve el problema inmediato pero no permite composición ni coordinación entre capacidades distintas.

La propuesta de Anthropic introduce un esquema de divulgación progresiva. Los metadatos de cada habilidad, nombre y descripción, están siempre disponibles con un costo mínimo. Cuando el modelo detecta pertinencia en una solicitud, carga las instrucciones completas del SKILL.md correspondiente, una operación que demanda entre 2.000 y 5.000 tokens según la complejidad del componente. Si la tarea exige recursos adicionales como scripts en Python o documentos de referencia específicos, los accede desde una capa posterior bajo demanda. Esta jerarquía mantiene el catálogo completo de capacidades disponible sin que pese sobre cada sesión, resolviendo el dilema de costo versus disponibilidad que los enfoques anteriores no lograban cerrar.

El sistema no espera que el usuario indique qué habilidad usar; Claude lo decide de manera autónoma. Cuando alguien pide elaborar una presentación de ventas respetando los lineamientos de una marca, el asistente puede activar simultáneamente el módulo de creación de presentaciones y el de directrices de identidad corporativa, coordinando ambos sin intervención manual. Esta orquestación automática distingue al sistema de un repositorio de prompts convencional: el modelo infiere contexto, evalúa pertinencia y convoca el recurso correcto en el instante preciso en que lo necesita. El propio sistema muestra en su interfaz el mensaje "Reading [skill-name]" cada vez que carga un módulo, ofreciendo al usuario visibilidad sobre el proceso.

Un análisis comparativo elaborado por iKangai en octubre de 2025 sintetizó las diferencias clave frente a los competidores. En eficiencia de tokens, la alternativa de Anthropic consume únicamente los metadatos hasta que se activa una habilidad, frente al costo constante de los sistemas que cargan todo desde el inicio. En composabilidad, múltiples módulos se coordinan de forma automática, mientras las alternativas requieren orquestación manual o directamente no la permiten. En portabilidad, el formato abierto de carpetas funciona de manera idéntica en la interfaz web, las herramientas de desarrollo y las llamadas a la API de producción, sin dependencias propietarias que generen ataduras tecnológicas.

Más de 50 habilidades y un ecosistema en expansión

El repositorio público organizó su catálogo inicial en nueve categorías: procesamiento de documentos, herramientas de desarrollo, análisis de datos, operaciones comerciales, comunicación, medios creativos, productividad, gestión de proyectos y seguridad. Matthias Bastian, periodista tecnológico de The Decoder, documentó en diciembre de 2025 que la colección ya superaba los 50 módulos disponibles, con la licencia Apache 2.0 permitiendo que cualquier equipo construya los propios y los integre al ecosistema. Entre las capacidades nativas figuran herramientas para operar con archivos Word, Excel, PowerPoint y PDF directamente desde el entorno del asistente, lo que cubre una fracción significativa de los flujos de trabajo de oficina más comunes.

Para quienes desean construir habilidades a medida, el repositorio incluye "skill-creator", un componente especializado diseñado para generar nuevos módulos a partir de descripciones en lenguaje natural. La instalación en Claude Code se realiza con un único comando de terminal, y las capacidades resultantes quedan disponibles de inmediato tanto en la interfaz web como a través de la API. Tyler Folkman, en un análisis publicado en Substack en octubre de 2025, observó que esta baja fricción de entrada fue decisiva para la adopción acelerada: el sistema puede aprender a aprender, y los equipos pueden empaquetar flujos de trabajo propios, compartirlos como módulos reutilizables y orquestarlos con la misma naturalidad con que se combinan funciones en una biblioteca de código.

La integración con Microsoft 365 amplió el alcance hacia entornos corporativos de una manera que no pasó inadvertida. A través de ella, el asistente puede acceder de manera lectora a SharePoint, OneDrive, Outlook y Teams, sintetizando información dispersa en múltiples plataformas para responder consultas que antes exigían que el usuario localizara manualmente cada fuente. La arquitectura modular hace posible esta operación compuesta porque cada plataforma puede modelarse como una habilidad separada que el sistema coordina según la naturaleza de la solicitud. Empresas como Notion, Canva y Figma también forman parte del directorio de partners, señal de que la lógica de carpetas especializadas se está convirtiendo en un estándar de facto para integrar herramientas en entornos de trabajo basados en modelos de lenguaje.

El estándar abierto que el mercado esperaba

La adopción empresarial no tardó en exigir controles adicionales. Gend, empresa de consultoría tecnológica, documentó en febrero de 2026 la implementación de un sistema de administración centralizada que permite a los equipos de tecnología asignar habilidades a grupos específicos de usuarios, definir quién puede publicar o modificar módulos y mantener un registro auditable de los despliegues. Según sus ingenieros, ese nivel de gobernanza fue el factor determinante para superar las objeciones de seguridad que suelen frenar la adopción de nuevas herramientas en sectores regulados; la capacidad de construir una habilidad una sola vez y desplegarla en cualquier entorno que adopte el estándar reduce la dependencia de un proveedor específico y acelera notablemente los procesos de revisión de cumplimiento.

Los números respaldan el interés. En flujos de trabajo de alto volumen, donde el mismo módulo se reutiliza en cientos de solicitudes, el sistema amortiza rápidamente el costo de la carga inicial. Análisis de empresas que ya operan en producción estiman ahorros del 7% en consumo de tokens a escala: una cifra que en operaciones de diez mil solicitudes mensuales se traduce en reducciones concretas del presupuesto de API. El beneficio se amplifica cuando los módulos incluyen scripts ejecutables, porque una operación de validación o transformación de datos corrida como código Python produce resultados consistentes a una fracción del costo de generarlos como secuencia de salida del modelo. Esta combinación, razonamiento del sistema con ejecución determinística del código, es lo que convierte a los componentes de Skills en algo cualitativamente distinto de un archivo de instrucciones sofisticado.

La especificación abierta tiene implicaciones que van más allá de la eficiencia inmediata. Para equipos que ya trabajan con arquitecturas modulares en el software tradicional, el modelo conceptual resulta intuitivo: no se trata de una novedad disruptiva sino de aplicar a los sistemas de lenguaje un principio que la ingeniería de software lleva décadas refinando. Una habilidad construida para Claude hoy puede, en principio, ejecutarse en cualquier entorno que adopte el mismo formato de carpeta más adelante, lo que reduce el riesgo de quedar atrapado en el ecosistema de un único proveedor. Este tipo de interoperabilidad potencial, aunque todavía incipiente, es precisamente lo que las organizaciones con visión de largo plazo priorizan al evaluar tecnologías de infraestructura.

Lo que comenzó como una solución técnica a un problema de eficiencia terminó por convertirse en algo más cercano a un lenguaje común: una forma acordada de empaquetar, compartir y orquestar conocimiento especializado entre personas y sistemas. El repositorio continúa creciendo con una cadencia que supera las expectativas iniciales de la propia empresa. En un campo donde cada semana emerge alguna novedad que promete redefinirlo todo, pocas innovaciones recientes combinan la simpleza técnica con la profundidad conceptual de este sistema. Las carpetas de instrucciones, al cabo, resultaron ser más transformadoras que muchas arquitecturas que llegaron al mercado con mucha más fanfarria.