Von Stammwissen zu Team-Skills: Strukturiertes Wissen für Ihren AI-Agenten

Jedes Team hat institutionelles Wissen, das in den Köpfen der Leute lebt. Die Deployment-Checkliste, die nur Sarah kennt. Die Datentaxonomie, die in einem Google Doc lebt, das niemand finden kann. Das Incident-Response-Verfahren, das sich jedes Quartal ändert.

RAG-Systeme versuchen dies zu lösen, indem sie Dokumente in kleine Stücke aufteilen und die relevantesten Fragmente abrufen. Das funktioniert für Faktenabfragen — aber es versagt, wenn die AI vollständige, strukturierte Anweisungen braucht, um eine Aufgabe korrekt auszuführen.

Heute starten wir Skills — eine neue Möglichkeit, Ihrem AI-Agenten vollständige, autoritative Dokumente zu geben, die er auf Abruf laden kann.

Skills vs. RAG: Verschiedene Werkzeuge für verschiedene Aufgaben

	RAG (Wissensdatenbanken)	Skills
Dokumentgröße	In 500-Token-Fragmente aufgeteilt	Vollständig geladen (bis zu 50KB)
Abruf	Semantische Ähnlichkeitssuche	Explizit nach Name
Am besten für	Faktenfragen über viele Dokumente	Schritt-für-Schritt-Verfahren
Aufruf	Automatisch (Kontextinjektion)	Auf Abruf (`/skill:name`)
Scope	Konto oder Abteilung	Konto oder Abteilung

Denken Sie an RAG als Suchmaschine und Skills als Bücherregal. Sie suchen, wenn Sie nicht wissen, wo Sie schauen sollen. Sie greifen zu einem Buch, wenn Sie genau wissen, welches Sie brauchen.

Wie Skills funktionieren

Einen Skill erstellen

Ein Skill ist ein Markdown-Dokument mit einem Namen, Titel, Abteilungs-Scope und Tags. Erstellen Sie einen von der Skills-Seite oder über die API:

# Deployment-Pipeline

## Voraussetzungen
- Stellen Sie sicher, dass alle Tests auf dem `main`-Branch bestehen
- Prüfen Sie, dass die Staging-Umgebung gesund ist

## Schritte
1. Einen Release-Branch erstellen: `git checkout -b release/v{version}`
2. Den Build ausführen: `npm run build`
3. Auf Staging deployen: `make deploy-staging`
4. Smoke-Tests ausführen: `npm run e2e:smoke`
5. Wenn Smoke-Tests bestehen, auf Produktion deployen: `make deploy-prod`
6. Den Release taggen: `git tag v{version}`

## Rollback
Wenn nach dem Produktions-Deployment etwas schiefgeht:
1. Auf vorherige Version zurücksetzen: `make rollback`
2. #engineering in Slack benachrichtigen
3. Einen Incident-Report erstellen

Einen Skill in der Konversation verwenden

Rufen Sie einen Skill nach Name im Chat auf:

Sie: /skill:deployment-pipeline Version 2.4.1 auf Produktion deployen

Der Agent lädt das vollständige Deployment-Pipeline-Dokument in seinen Kontext und folgt ihm Schritt für Schritt. Er rät nicht und improvisiert nicht — er hat die vollständigen, autoritativen Anweisungen.

Agent-initiierte Skill-Erkennung

Der Konversationsagent hat auch zwei eingebaute Tools für proaktive Skill-Nutzung:

list_skills — verfügbare Skills für die aktuelle Abteilung entdecken
load_skill — einen Skill nach Name laden, wenn der Agent feststellt, dass er spezialisiertes Wissen braucht

Das bedeutet, Sie können fragen “die neueste Version deployen” und der Agent wird:

Erkennen, dass dies eine Deployment-Aufgabe ist
list_skills aufrufen, um verfügbare Skills zu prüfen
deployment-pipeline finden und laden
Dem dokumentierten Verfahren folgen

Abteilungs-Scoping

Skills sind auf Abteilungen beschränkt, genau wie Recipes und Workflows. Das Deployment-Playbook des Engineering-Teams überfüllt nicht die Skill-Liste des Marketing-Teams. Ein Admin kann kontoweite Skills erstellen, die für alle Abteilungen sichtbar sind.

Praktische Anwendungsfälle

Engineering:

Deployment-Verfahren pro Umgebung
Incident-Response-Runbooks
Code-Review-Checklisten
Architektur-Entscheidungsdokumente

Operations:

Standard Operating Procedures
Anbieter-Onboarding-Checklisten
Meeting-Moderationsleitfäden

Vertrieb:

Discovery-Call-Frameworks
Einwandbehandlungs-Playbooks
Wettbewerbspositionierungsleitfäden

Compliance:

Audit-Vorbereitungs-Checklisten
Datenklassifizierungsverfahren
Regulatorische Berichtsworkflows

Limits und Caching

Skills sind vollständige Dokumente, die in den Konversationskontext injiziert werden, daher erzwingen wir vernünftige Limits:

50KB Maximum pro Skill (~12.000 Token)
100 Skills pro Konto, 50 pro Abteilung
3 Skills gleichzeitig in einem Konversationszug geladen
Skill-Namen werden in Redis gecacht (5-Minuten-TTL), um Firestore-Lesezugriffe bei jeder Nachricht zu vermeiden

Wenn das Laden eines Skills die Konversation über das Kontextlimit des Modells hinaustreiben würde, warnt der Agent Sie und schlägt vor, eine neue Konversation zu starten oder ein Modell mit einem größeren Kontextfenster zu verwenden.

Erste Schritte

Navigieren Sie zu Skills in der Seitenleiste
Klicken Sie auf Skill erstellen
Schreiben Sie Ihren Markdown-Inhalt
Setzen Sie Abteilungs-Scope und Tags
Verwenden Sie /skill:name in jeder Konversation

Skills sind ab Pro-Plänen und höher verfügbar. Erstellen Sie Ihren ersten Skill.