Cómo las habilidades antrópicas cambian las herramientas de los agentes - y cómo crear una habilidad personalizada para Milvus para hacer girar rápidamente la RAG

El uso de herramientas es una parte importante para que un agente funcione. El agente tiene que elegir la herramienta adecuada, decidir cuándo llamarla y formatear las entradas correctamente. Sobre el papel parece sencillo, pero una vez que empiezas a construir sistemas reales, te encuentras con un montón de casos extremos y modos de fallo.

Muchos equipos utilizan definiciones de herramientas del estilo de MCP para organizar esto, pero MCP tiene algunas asperezas. El modelo tiene que razonar sobre todas las herramientas a la vez, y no hay mucha estructura para guiar sus decisiones. Además, cada definición de herramienta tiene que vivir en la ventana de contexto. Algunas de ellas son grandes (el MCP de GitHub tiene unos 26.000 tokens), lo que se come el contexto antes incluso de que el agente empiece a trabajar de verdad.

Anthropic introdujo las habilidades para mejorar esta situación. Las habilidades son más pequeñas, más específicas y más fáciles de cargar bajo demanda. En lugar de volcar todo en el contexto, se empaqueta la lógica del dominio, los flujos de trabajo o los scripts en unidades compactas que el agente puede utilizar sólo cuando sea necesario.

En este artículo, explicaré cómo funcionan las competencias antrópicas y, a continuación, explicaré cómo crear una sencilla competencia en Claude Code que convierta el lenguaje natural en una base de conocimientos respaldada por Milvus: una configuración rápida para RAG sin cableado adicional.

¿Qué son las Habilidades Antrópicas?

Las HabilidadesAntrópicas (o Habilidades de Agente) son carpetas que agrupan las instrucciones, scripts y archivos de referencia que un agente necesita para realizar una tarea específica. Piense en ellas como pequeños paquetes de capacidades autónomas. Una habilidad puede definir cómo generar un informe, ejecutar un análisis o seguir un determinado flujo de trabajo o conjunto de reglas.

La idea clave es que las competencias son modulares y pueden cargarse a demanda. En lugar de introducir enormes definiciones de herramientas en la ventana de contexto, el agente sólo extrae la competencia que necesita. De este modo, se reduce el uso del contexto y se proporciona al modelo una orientación clara sobre qué herramientas existen, cuándo llamarlas y cómo ejecutar cada paso.

El formato es intencionadamente simple, y por eso, ya es compatible o fácilmente adaptable a través de un montón de herramientas para desarrolladores - Claude Code, Cursor, extensiones de VS Code, integraciones de GitHub, configuraciones de estilo Codex, y así sucesivamente.

Una Skill sigue una estructura de carpetas coherente:

skill-name/
├── SKILL.md       # Required: Skill instructions and metadata
├── scripts/         # Optional: helper scripts
├── templates/       # Optional: document templates
└── resources/       # Optional: reference materials

1. SKILL.md (Archivo principal)

Es la guía de ejecución para el agente, el documento que le indica exactamente cómo debe realizar la tarea. Define los metadatos de la habilidad (como el nombre, la descripción y las palabras clave de activación), el flujo de ejecución y la configuración predeterminada. En este archivo, debe describir claramente

• Cuándo debe ejecutarse la Skill: Por ejemplo, desencadenar la Skill cuando la entrada del usuario incluya una frase como "procesar archivos CSV con Python".

• Cómo debe ejecutarse la tarea: Disponga los pasos de ejecución en orden, como por ejemplo: interpretar la solicitud del usuario → llamar a scripts de preprocesamiento del directorio scripts/ → generar el código requerido → formatear la salida utilizando plantillas de templates/.

• Reglas y restricciones: Especifica detalles como convenciones de codificación, formatos de salida y cómo deben tratarse los errores.

2. scripts/ (Guiones de ejecución)

Este directorio contiene scripts preescritos en lenguajes como Python, Shell o Node.js. El agente puede llamar a estos scripts directamente, en lugar de generar el mismo código repetidamente en tiempo de ejecución. Algunos ejemplos típicos son create_collection.py y check_env.py.

3. templates/ (Plantillas de documentos)

Archivos de plantillas reutilizables que el agente puede utilizar para generar contenido personalizado. Algunos ejemplos habituales son las plantillas de informes o las plantillas de configuración.

4. resources/ (Materiales de referencia)

Documentos de referencia que el agente puede consultar durante la ejecución, como documentación de API, especificaciones técnicas o guías de mejores prácticas.

En general, esta estructura refleja cómo se entrega el trabajo a un nuevo compañero de equipo: SKILL.md explica el trabajo, scripts/ proporciona herramientas listas para usar, templates/ define formatos estándar y resources/ proporciona información de fondo. Con todo esto en su sitio, el agente puede ejecutar la tarea de forma fiable y con un mínimo de conjeturas.

Tutorial práctico: Creación de una habilidad personalizada para un sistema RAG impulsado por Milvus

En esta sección, caminaremos a través de la construcción de una Skill personalizada que puede configurar una colección Milvus y ensamblar una tubería RAG completa a partir de instrucciones simples en lenguaje natural. El objetivo es omitir todo el trabajo de configuración habitual: sin diseño manual de esquemas, sin configuración de índices, sin código repetitivo. Usted le dice al agente lo que quiere, y el Skill se encarga de las piezas Milvus por usted.

Visión general del diseño

Requisitos previos

Componente	Requisito
CLI	claude-code
Modelos	GLM 4.7, OpenAI
Contenedor	Docker
Milvus	2.6.8
Plataforma de configuración de modelos	CC-Switch
Gestor de paquetes	npm
Lenguaje de desarrollo	Python

Paso 1: Configuración del entorno

Instalar claude-code

npm install -g @anthropic-ai/claude-code

Instalar CC-Switch

Nota: CC-Switch es una herramienta de cambio de modelos que facilita el cambio entre diferentes APIs de modelos cuando se ejecutan modelos de IA localmente.

Repositorio del proyecto: https://github.com/farion1231/cc-switch

Seleccione Claude y añada una clave API

Compruebe el estado actual

Despliegue e inicie Milvus-Standalone

# Download docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.6.8/milvus-standalone-docker-compose.yml -O docker-compose.yml
# Start Milvus (check port mapping: 19530:19530)
docker-compose up -d
# Verify that the services are running
docker ps | grep milvus
# You should see three containers: milvus-standalone, milvus-etcd, milvus-minio

Configurar la clave API OpenAI

# Add this to ~/.bashrc or ~/.zshrc
OPENAI_API_KEY=your_openai_api_key_here

Paso 2: Crear la habilidad personalizada para Milvus

Crear la Estructura del Directorio

cd ~/.claude/skills/
mkdir -p milvus-skills/example milvus-skills/scripts

Inicializar SKILL.md

Nota: SKILL.md sirve como guía de ejecución del agente. Define lo que hace la Skill y cómo debe ser activada.

name: milvus-collection-builder
description: Create Milvus collections using natural language, supporting both RAG and text search scenarios

Escriba los scripts principales

Tipo de Script	Nombre del archivo	Propósito
Comprobación del entorno	check_env.py	Comprueba la versión de Python, las dependencias requeridas y la conexión Milvus
Análisis de intenciones	intent_parser.py	Convierte peticiones como "construir una base de datos RAG" en una intención estructurada como scene=rag
Creación de colecciones	milvus_builder.py	El constructor central que genera el esquema de la colección y la configuración del índice.
Ingesta de datos	insert_milvus_data.py	Carga documentos, los fragmenta, genera incrustaciones y escribe datos en Milvus.
Ejemplo 1	basic_text_search.py	Demuestra cómo crear un sistema de búsqueda de documentos
Ejemplo 2	rag_knowledge_base.py	Demuestra cómo crear una base de conocimientos RAG completa

Estos scripts muestran cómo convertir una habilidad centrada en Milvus en algo práctico: un sistema de búsqueda de documentos que funciona y una configuración inteligente de preguntas y respuestas (RAG).

Paso 3: Habilitar la habilidad y realizar una prueba

Describa la solicitud en lenguaje natural

"I want to build an RAG system."

Creación del sistema RAG

Insertar datos de muestra

Ejecutar una consulta

Conclusión

En este tutorial, hemos recorrido la construcción de un sistema RAG potenciado por Milvus utilizando una Skill personalizada. El objetivo no era sólo mostrar otra forma de llamar a Milvus, sino mostrar cómo las habilidades pueden convertir lo que normalmente es una configuración de varios pasos y pesada en algo que se puede reutilizar y repetir. En lugar de definir manualmente los esquemas, ajustar los índices o coser el código de flujo de trabajo, la habilidad se encarga de la mayor parte de la repetición de tareas para que pueda centrarse en las partes de RAG que realmente importan.

Esto es sólo el principio. Una canalización RAG completa tiene muchas piezas móviles: preprocesamiento, fragmentación, configuración de búsqueda híbrida, reordenación, evaluación y más. Todas ellas pueden empaquetarse como Skills independientes y componerse en función de su caso de uso. Si su equipo tiene normas internas para las dimensiones de los vectores, los parámetros de los índices, las plantillas de consulta o la lógica de recuperación, las competencias son una forma limpia de codificar ese conocimiento y hacerlo repetible.

Para los nuevos desarrolladores, esto reduce la barrera de entrada - no hay necesidad de aprender cada detalle de Milvus antes de poner algo en marcha. Para los equipos experimentados, reduce la configuración repetida y ayuda a mantener la coherencia de los proyectos en todos los entornos. Las habilidades no reemplazarán el diseño reflexivo del sistema, pero eliminan muchas fricciones innecesarias.

👉 La implementación completa está disponible en el repositorio de código abierto, y puedes explorar más ejemplos creados por la comunidad en el mercado de habilidades.

Permanece atento.

También estamos trabajando en la introducción de Milvus y Zilliz Cloud Skills oficiales que cubren patrones RAG comunes y mejores prácticas de producción. Si tienes ideas o flujos de trabajo específicos que quieres que sean compatibles, únete a nuestro canal de Slack y chatea con nuestros ingenieros. Y si desea orientación para su propia configuración, siempre puede reservar una sesión de Milvus Office Hours.