Agent Skills pindah ke yayasan netral: arti standar terbuka bagi alat AI

Agen AI menjadi lebih berguna ketika dapat mengikuti prosedur yang berulang, bukan hanya menjawab berdasarkan pengetahuan umum. Pada 22 Oktober 2026, Anthropic mengumumkan bahwa Agent Skills akan disumbangkan kepada Agentic AI Foundation, proyek yang terkait dengan Linux Foundation untuk menyediakan rumah netral bagi infrastruktur agen bersama. Hal ini penting karena Agent Skills bukan sekadar fitur Claude: format ini mengemas instruksi, skrip, referensi, dan aset agar agen yang kompatibel dapat memakai kembali kemampuan yang sama.

Anthropic menyatakan bahwa lebih dari 70 platform agen, termasuk ChatGPT, Cursor, GitHub Copilot, dan VS Code, telah mengintegrasikan standar tersebut. Perusahaan juga menyebut sekitar satu juta skill telah diterbitkan dan hampir 280 juta instalasi tercatat. Angka itu menunjukkan aktivitas ekosistem, bukan jaminan bahwa setiap skill aman atau terawat. Tata kelola dan keamanan kini sama pentingnya dengan kenyamanan.

Apa yang berubah setelah pemindahan

Anthropic memindahkan nama Agent Skills, logo, organisasi GitHub, dan domain agentskills.io ke Agentic AI Foundation. Insinyur dari Anthropic, Google, OpenAI, dan perusahaan lain akan memelihara standar sebagai individu; David Soria Parra dan Mahesh Murag menjadi pemelihara utama. Rencana berikutnya diperkirakan mencakup rilis berversi, proses proposal resmi, serta panduan keamanan bagi pembuat dan pemasang skill.

Ini adalah perubahan tata kelola, bukan janji bahwa semua produk AI akan bekerja dengan cara yang sama. Yayasan dapat memelihara spesifikasi, tetapi setiap klien menentukan cara menemukan skill, meminta izin, memuat berkas, menjalankan skrip, dan melaporkan kegagalan. Bedakan format yang portabel dari kebijakan keamanan aplikasi yang menjalankannya.

Mengapa SKILL.md penting

Inti Agent Skill adalah folder yang berisi SKILL.md. Berkas tersebut memiliki metadata YAML seperti nama dan deskripsi, lalu instruksi Markdown. Folder dapat menyertakan skrip, dokumen referensi, templat, dan aset lain. Format ini menggunakan pengungkapan bertahap: agen menemukan metadata singkat lebih dulu dan hanya memuat instruksi lengkap ketika tugasnya cocok.

Agen umum mungkin dapat menulis teks atau kode, tetapi belum tentu mengetahui daftar pemeriksaan tim keuangan, proses rilis aplikasi seluler, atau aturan repositori tertentu. Skill mengubah pengetahuan prosedural itu menjadi paket berversi yang dapat ditinjau, diperbarui, dan digunakan ulang. Bentuknya lebih mirip manual operasi kecil daripada pelatihan ulang model.

Manfaat utamanya adalah interoperabilitas. Tim dapat menulis satu skill dengan ruang lingkup jelas dan menggunakannya pada beberapa klien yang kompatibel, tanpa menulis ulang instruksi untuk setiap vendor. Pengujian tetap diperlukan karena klien dapat menangani izin, alat, batas konteks, dan akses sistem berkas secara berbeda.

Dampaknya bagi pengguna sehari-hari

Pengguna dapat mengkhususkan agen sesuai kebutuhan. Agen penulisan dapat mengikuti gaya perusahaan, agen pengembangan dapat menjalankan pemeriksaan repositori, agen riset dapat memakai daftar evaluasi sumber, dan agen dukungan dapat mengikuti panduan pemecahan masalah. Model baru tidak perlu dilatih untuk setiap alur, dan mengganti klien tidak langsung menghapus semua prosedur.

Hal ini menambah kriteria baru ketika mencari perangkat lunak. Pertanyaannya bukan hanya model mana yang paling kuat, tetapi klien mana yang mendukung format, kontrol izin, berkas lokal, skrip, dan pengalaman review yang dibutuhkan. Rangkaian alat dapat mencakup klien agen, pengelola sumber, utilitas berkas, konverter dokumen, atau pengelola unduhan. Katalog perangkat lunak BTTC membantu membandingkan alat di sekitar model.

Skill juga dapat dipelihara terpisah dari model. Jika daftar pemeriksaan rilis berubah, tim memperbarui paket lalu meninjau diff. Jika klien berubah, masalah kompatibilitas menjadi lebih mudah terlihat.

Keamanan menjadi bagian dari tahap berikutnya

Skill adalah pengetahuan yang dapat dieksekusi, bukan pengetahuan yang otomatis tepercaya. Folder dapat berisi skrip, meminta agen membaca berkas sensitif, atau menjalankan perintah yang berdampak di luar tugas. Format terbuka memudahkan portabilitas, tetapi juga membuat paket buruk lebih mudah menyebar antaralat.

Sebelum memasang, periksa SKILL.md, skrip, perilaku jaringan, kredensial yang diperlukan, dan akses berkas. Pilih tugas yang sempit daripada paket yang mengaku dapat menyelesaikan semuanya. Uji skill yang tidak dikenal dalam proyek sementara atau sandbox, simpan rahasia produksi di luar workspace, dan tinjau diff setelah setiap perubahan otomatis. Jika klien mendukung daftar izin atau konfirmasi, gunakan untuk perintah shell, jaringan, dan penulisan di luar direktori proyek.

Panduan keamanan dari yayasan netral dapat meningkatkan standar, tetapi spesifikasi saja tidak membuat skrip berbahaya menjadi aman. Implementasi dan peninjauan manusia tetap diperlukan.

Cara menilai dan memasang Agent Skill

Mulailah dari asalnya. Periksa penulis, riwayat repositori, lisensi, dan dokumentasi. Baca semua instruksi, lalu identifikasi berkas yang dibaca atau ditulis, perintah yang dijalankan, dan kredensial yang diminta.

Setelah itu uji alur terkecil yang berguna. Minta agen menjelaskan rencana sebelum mengizinkan perubahan. Gunakan data contoh, catat berkas yang diakses, dan bandingkan hasilnya dengan hasil manual. Skill pengembangan harus melaporkan tes yang dijalankan; skill riset harus memiliki tautan yang dapat diverifikasi; alur berkas dan media memerlukan cadangan serta pemeriksaan hasil yang nyata.

Terakhir, perlakukan skill seperti dependensi perangkat lunak: kunci versi jika memungkinkan, tinjau pembaruan, hapus paket yang tidak dipakai, dan catat penanggung jawab alur penting. Format portabel tidak menghapus kebutuhan pemeliharaan.

Sinyal untuk alat AI generasi berikutnya

Perpindahan Agent Skills ke Agentic AI Foundation menunjukkan bahwa interoperabilitas agen mulai menjadi infrastruktur bersama, bukan hanya pembeda produk. MCP menghubungkan model dengan sistem eksternal; Agent Skills mengemas prosedur dan pengetahuan domain yang dapat digunakan ulang. Arahnya adalah tumpukan agen yang dibangun dari beberapa komponen terbuka.

Hal ini dapat menurunkan biaya berpindah alat dan membantu produk khusus, tetapi juga dapat menciptakan pasar penuh skill yang tidak dirawat, izin yang membingungkan, dan instruksi berulang. Produk yang kuat perlu menggabungkan kompatibilitas luas dengan penemuan yang jelas, sinyal kepercayaan, sandbox, versioning, dan review manusia.

Saat memilih alat, cari alur transparan, pengetahuan yang dapat diekspor, dokumentasi resmi, serta kontrol yang menunjukkan apa yang dapat dibaca atau dijalankan agen. Baca blog teknologi BTTC untuk panduan praktis dan gunakan katalog perangkat lunak untuk melengkapi toolkit.

Kesimpulan

Menjadikan Agent Skills sebagai standar netral yang dikelola komunitas dapat membuat agen AI lebih mudah dipindahkan dan lebih berguna. Manfaatnya bukan peningkatan ajaib pada kecerdasan model, melainkan kemampuan mengemas pengetahuan prosedural sekali lalu menggunakannya kembali di alat yang kompatibel. Risikonya adalah instruksi yang dapat digunakan ulang juga dapat membawa perintah berbahaya atau asumsi yang lemah. Perlakukan skill seperti dependensi, verifikasi perilakunya, dan pertahankan persetujuan manusia untuk pekerjaan sensitif.