Kurz gesagt: Ein Skill erledigt eine klar definierte Aufgabe nach festem Ablauf. Ein Agent bekommt ein Ziel, plant die Schritte selbst und entscheidet, welche Skills er dafür einsetzt. Faustregel: zuerst einen Skill bauen, einen Agenten erst dann, wenn wirklich Entscheidungen nötig sind.
Agenten und Skills: zwei Begriffe, ein Missverständnis
Wer sich mit KI-Systemen beschäftigt, stolpert schnell über zwei Begriffe, die oft synonym verwendet werden: Agenten und Skills. Das führt zu unsauberen Architekturen, unnötiger Komplexität und schwer wartbarem Code. Dabei ist die Trennung eigentlich klar - und sie macht den Unterschied zwischen einem Prototyp und einem produktionsreifen KI-System.
In der Praxis zeigt sich immer wieder: Wer zu früh einen Agenten baut, obwohl ein Skill gereicht hätte, zahlt drauf - in Entwicklungszeit, Token-Kosten und Debugging-Aufwand. Wer umgekehrt versucht, komplexe Ziele mit einem einzigen starren Skill abzubilden, baut an den Anforderungen vorbei.
Was ist ein Skill bei KI?
Ein Skill ist eine klar abgegrenzte Fähigkeit mit festem Ein- und Ausgabeprofil. Er erledigt eine definierte Aufgabe - mit klar definiertem Ablauf, wiederverwendbar und testbar - und weiß nichts über den größeren Kontext, in dem er aufgerufen wird.
Das bedeutet: Der Ablauf ist fest vorgegeben, das Verhalten bleibt vorhersehbar - unabhängig davon, ob intern klassischer Code oder ein Sprachmodell zum Einsatz kommt. Was zählt, ist dass Schnittstelle und Zweck klar definiert sind.
Konkrete Beispiele:
- Eine URL analysieren und strukturierte SEO-Daten zurückgeben
- Ein Dokument auf eine bestimmte Länge zusammenfassen
- Eine Postadresse validieren und normalisieren
- Eine Push-Notification über Azure Notification Hubs versenden
- Einen Datenbankdatensatz anhand einer ID laden
Skills sind das Werkzeug. Sie führen aus - ohne zu entscheiden. Genau das macht sie so wertvoll: sie sind schnell, günstig im Betrieb, einfach zu testen und beliebig wiederverwendbar. Ein gut geschriebener Skill kann von verschiedenen Agenten aufgerufen werden, ohne angepasst werden zu müssen.
In modernen KI-Architekturen entsprechen Skills dem, was in MCP-Systemen (Model Context Protocol) als Tools bezeichnet wird: klar definierte Funktionen mit beschriebenem Eingabe/Ausgabe-Verhalten, die ein Sprachmodell gezielt aufrufen kann. Mehr dazu im Artikel GitHub Copilot SDK: KI-Agenten in eigene Apps einbetten.
Achtung, der Begriff ist doppelt belegt. Allgemein meint „Skill“ eine Fähigkeit oder ein Werkzeug, so verwenden wir ihn in diesem Artikel. Anthropic nennt dagegen seine Agent Skills Pakete aus Anleitung, Fachwissen und optional Skripten oder Vorlagen, die das Modell bei Bedarf lädt. Wie das in Claude Code aussieht, zeigt der Abschnitt weiter unten. Gemeinsam ist beiden Bedeutungen: Ein Skill macht eine Aufgabe erledigbar, das Ziel legt er nicht fest.
Was ist ein Agent?
Ein Agent ist eine zielorientierte Einheit, die Entscheidungen trifft. Er bekommt ein Ziel, plant eigenständig die notwendigen Schritte, wertet Zwischenergebnisse aus und orchestriert dafür die passenden Skills.
Konkrete Beispiele:
- Eine vollständige Wettbewerbsanalyse durchführen: mehrere Seiten crawlen, Daten zusammenführen, Muster erkennen, Bericht erstellen
- Einen Support-Fall lösen: Kontext lesen, Wissensbasis befragen, Antwort formulieren, bei Bedarf eskalieren
- Einen Softwarefehler lokalisieren, eine Lösung vorschlagen und einen Pull Request erstellen
- Einen Onboarding-Prozess für einen neuen Kunden koordinieren: Daten prüfen, Systeme anlegen, E-Mails versenden, Status zurückmelden
Agenten sind der Denker. Sie entscheiden, welche Skills wann und in welcher Reihenfolge eingesetzt werden - basierend auf Kontext, Zwischenergebnissen und dem übergeordneten Ziel. Die Qualität des Agenten hängt stark davon ab, wie klar das Ziel formuliert ist und wie gut die verfügbaren Skills definiert sind.
Die entscheidende Frage: Skill oder Agent?
Eine einfache Entscheidungsregel:
| Situation | Empfehlung |
|---|---|
| Aufgabe klar abgegrenzt, Ablauf stabil | Skill |
| Input/Output gut definiert | Skill |
| Wiederverwendbarkeit wichtig | Skill |
| Niedrige Latenz und minimale Kosten nötig | Skill |
| Ziel offen formuliert, mehrere Schritte | Agent |
| Kontext beeinflusst das weitere Vorgehen | Agent |
| Verschiedene Skills müssen kombiniert werden | Agent |
| Entscheidungen oder Priorisierungen notwendig | Agent |
flowchart TD
Q{Ist der Ablauf fest vorgegeben?}
Q -->|"Ja: klare Ein- und Ausgabe,<br/>stabiler Ablauf"| S[Skill]
Q -->|"Nein: offenes Ziel,<br/>mehrere Schritte"| A[Agent]
A -->|orchestriert| S
Faustregel: Bauen Sie zuerst einen Skill - und erst dann einen Agenten, wenn Orchestrierung oder Autonomie notwendig wird.
Sie stehen in einem eigenen Projekt gerade vor genau dieser Entscheidung? Wir helfen bei der Architektur – vom ersten Proof of Concept bis zum produktionsreifen System. Mehr dazu auf unserer Seite KI-Agenten für Unternehmen.
Skill vs. Agent in Claude Code: Skills und Subagents
Besonders greifbar wird der Unterschied in Claude Code, dem KI-Werkzeug von Anthropic für die Softwareentwicklung. Dort sind beide Konzepte einfache Dateien im Projekt – und genau dort zeigt sich, warum die Trennung sinnvoll ist.
Ein Skill ist ein Ordner mit einer Datei SKILL.md, abgelegt unter .claude/skills/<name>/ im Projekt oder unter ~/.claude/skills/ für alle eigenen Projekte. Im Kopf der Datei stehen ein Name und eine Beschreibung, darunter die Anleitung. Claude lädt einen Skill selbstständig, wenn die Beschreibung zur Anfrage passt, oder man ruft ihn direkt mit /name auf. Im Kontext liegt dabei zunächst nur die kurze Beschreibung, der vollständige Inhalt wird erst geladen, wenn der Skill gebraucht wird. Die früheren eigenen Befehle (.claude/commands/) funktionieren inzwischen nach demselben Prinzip.
Ein Subagent ist eine Markdown-Datei unter .claude/agents/. Er arbeitet in einem eigenen Kontextfenster, mit eigenem Systemprompt, eigenen Werkzeugrechten und auf Wunsch einem anderen Modell. Claude delegiert passende Aufgaben anhand der Beschreibung automatisch an ihn oder auf ausdrücklichen Wunsch. Zurück ins Hauptgespräch kommt nur das Ergebnis, nicht jeder Zwischenschritt.
| Skill | Subagent | |
|---|---|---|
| Ablage | .claude/skills/<name>/SKILL.md |
.claude/agents/<name>.md |
| Kontext | wird in das laufende Gespräch geladen | eigenes Kontextfenster |
| Auslöser | passende Beschreibung oder /name |
passende Beschreibung oder ausdrücklicher Auftrag |
| Typischer Einsatz | wiederkehrende Abläufe, Konventionen, Fachwissen | abgeschlossene Teilaufgaben mit viel Zwischenarbeit, etwa Prüfen oder Recherchieren |
Beides lässt sich kombinieren: Ein Subagent kann Skills vorladen und arbeitet dann mit genau dem Fachwissen, das er für seine Aufgabe braucht. Die Faustregel von oben gilt auch hier: Ein fester Ablauf gehört in einen Skill. Ein Subagent lohnt sich, wenn eine Teilaufgabe so viel Zwischenarbeit erzeugt, dass sie das Hauptgespräch unübersichtlich machen würde. Wie das in der Praxis zusammenspielt, zeigen wir an unserer LaTeX-Schreibstube für Claude Code: Ein Skill kennt Vorlage und Regeln, ein Subagent prüft das fertige PDF.
Best Practice: modulare Architektur
Ein häufiger Fehler in der Praxis: ein monolithischer Agent, der alles selbst macht. Das klingt zunächst einfach, wird aber schnell zum Problem - schwer testbar, teuer im Betrieb (jede Aktion kostet Token), fragil bei Änderungen.
Das bewährte Muster sieht anders aus: ein Agent als Orchestrator mit klarem Ziel und mehrere Skills als wiederverwendbare Bausteine mit klaren Schnittstellen.
Beispiel: Ein Analyse-Agent bekommt den Auftrag, die Qualität einer Website zu bewerten. Er ruft nacheinander auf:
- Crawl-Skill: Gibt eine Liste aller Seiten mit Statuscodes zurück
- Meta-Analyse-Skill: Prüft Title, Description und Überschriften je Seite
- Performance-Skill: Misst Ladezeiten
- Reporting-Skill: Erstellt einen strukturierten Bericht aus den Ergebnissen
flowchart TD
A["Analyse-Agent<br/>plant und entscheidet"] --> C[Crawl-Skill]
A --> M[Meta-Analyse-Skill]
A --> P[Performance-Skill]
A --> R[Reporting-Skill]
Jeder Skill ist einzeln testbar, jeder einzeln austauschbar. Der Agent selbst bleibt schlank - er plant und delegiert, anstatt alles selbst zu erledigen.
Dieses Muster lässt sich direkt in .NET umsetzen - mit dem GitHub Copilot SDK als Grundlage und den neuen KI-Erweiterungen in .NET 10.
Kosten und Komplexität im Griff behalten
Ein oft unterschätzter Aspekt: Agenten verursachen mehr Token-Verbrauch als Skills - weil jede Planungs- und Entscheidungsrunde Kontext kostet. Wer unnötig Agenten einsetzt, wo ein Skill genügen würde, zahlt das im laufenden Betrieb.
In unserer täglichen Arbeit mit Copilot und eigenen KI-Systemen achten wir deshalb bewusst darauf, Skills so schlank und präzise wie möglich zu halten - und Agenten nur dort einzusetzen, wo echte Entscheidungslogik gefragt ist. Das senkt die Betriebskosten und erhöht die Zuverlässigkeit.
Manche Entscheidung braucht nicht einmal ein großes Sprachmodell. Für Ja-Nein-Fragen oder die Auswahl aus festen Optionen gibt es inzwischen kleine Entscheidungsmodelle, die schneller, günstiger und berechenbarer antworten. Was sie können und wann klassisches Machine Learning die bessere Wahl ist, zeigt unser Beitrag Decisions API: 2B or not 2B?.
Was das für Ihr Projekt bedeutet
Wenn Sie KI in Ihre Anwendung integrieren möchten, helfen diese Fragen zur Orientierung:
- Was genau soll die KI können? Klar abgegrenzte Aufgaben werden als Skills umgesetzt.
- Was soll die KI entscheiden? Zielorientierte Abläufe mit Entscheidungslogik brauchen einen Agenten.
- Wie viel Autonomie ist gewünscht - und wie viel ist vertretbar? Das definiert den Spielraum des Agenten und notwendige Kontrollmechanismen.
Diese Entscheidungen prägen die gesamte Architektur - und damit Kosten, Wartbarkeit und Erweiterbarkeit des Systems über Jahre.
Weiterlesen
- Plugin, Agent, Skill oder MCP: Wer steckt eigentlich in wem? – die Begriffe im Zusammenhang, inklusive Agent Plugins
- Eigene MCP-Server mit .NET entwickeln – wie aus einem Skill ein aufrufbares Tool wird
- Agent Plugins und Sicherheit – was man installiert, bevor ein Agent damit arbeitet
- Warum KI-Agenten im Unternehmen echte Sandboxes brauchen – was ein Agent darf und was nicht
- KI-Agenten an der eigenen Infrastruktur: So setzen Sie Grenzen – eigene Konten, minimale Rechte und Protokolle, wenn ein Agent an Servern arbeitet
- Decisions API: Entscheidungsmodelle für KI-Agenten – wenn ein Agent nur ja oder nein entscheiden muss
Häufige Fragen
Was ist ein Skill bei KI?
Ein Skill ist eine klar abgegrenzte Fähigkeit mit festem Ein- und Ausgabeprofil, etwa eine Adresse prüfen oder ein Dokument zusammenfassen. Er führt aus, entscheidet aber nicht über das Ziel. In Claude Code ist ein Skill zusätzlich ein konkretes Format: eine Datei SKILL.md mit Anleitung und Fachwissen.
Was ist der Unterschied zwischen Skill und Agent? Ein Skill erledigt eine definierte Aufgabe nach festem Ablauf. Ein Agent bekommt ein Ziel, plant die Schritte selbst und entscheidet, welche Skills er wann einsetzt.
Was ist in Claude Code der Unterschied zwischen Skill und Subagent? Ein Skill wird in das laufende Gespräch geladen und bringt Anleitung und Wissen mit. Ein Subagent arbeitet in einem eigenen Kontextfenster mit eigenem Systemprompt und eigenen Werkzeugrechten und gibt nur sein Ergebnis zurück.
Sind Skills und MCP-Tools dasselbe? In der allgemeinen Bedeutung ja: Ein MCP-Tool ist eine standardisierte Funktion, die ein Modell über das Model Context Protocol aufrufen kann, also eine Form, einen Skill bereitzustellen. Die Agent Skills von Anthropic sind dagegen keine aufrufbaren Funktionen, sondern Anleitungen und Wissen für das Modell.
Lauth IT: KI-Architektur aus der Praxis
Wir entwickeln KI-Agenten und Skills für konkrete Unternehmensanwendungen - in C#/.NET, mit dem GitHub Copilot SDK und auf Basis von MCP-Architekturen. Ob erster Proof of Concept oder produktionsreifes System: Wir helfen Ihnen, die richtige Architektur für Ihren Anwendungsfall zu finden - und umzusetzen.
Mehr dazu auf unserer Leistungsseite KI-Agenten für Unternehmen.
Sie möchten KI strukturiert in Ihre Anwendung einbauen? Sprechen Sie uns an - wir beraten Sie offen und ohne Vendor-Lock-in.
Quellen: Anthropic – Agent Skills (SKILL.md) · Model Context Protocol – offizieller Standard · Anthropic – Claude-Code-Subagents · Anthropic – Skills in Claude Code
