Beobachtetes Signal · 10. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 3/5 · Sentiment: Positiv
Anthropics Agent Skills reduzieren Token-Overhead von MCP-Servern
Anthropic hat mit Agent Skills ein schlankes, Markdown-basiertes Format eingeführt, das den Token-Verbrauch von KI-Agenten drastisch senkt. Das System setzt auf ein dreistufiges Progressive-Loading-Modell bestehend aus Metadaten, Instruktionen und Ressourcen. Während standardmäßige Model Context Protocol (MCP) Setups umfangreiche JSON-Schemas vorab laden (Eager Loading) und damit das Kontextfenster belasten, halten Agent Skills lediglich kompakte Metadaten permanent im Kontext. Detaillierte Anweisungen und Ressourcen werden erst bei konkretem Bedarf nachgeladen. Der Großteil bisheriger MCP-Implementierungen diente prozeduralem Wissen, welches sich durch Skills weitaus effizienter abbilden lässt. MCP bleibt primär für dynamische Live-Datenverbindungen relevant. Entwickler wie Mario Zechner stützen diese Entwicklung und stellen die grundlegende Notwendigkeit komplexer MCP-Architekturen für statische Tool-Definitionen infrage.
Der neue Architekturansatz von Anthropic senkt die Integrations- und Token-Kosten von KI-Agenten signifikant und könnte den Standard für Tool-Schnittstellen nachhaltig verändern.
Marktsignale zu Anthropic in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Anthropic hat das Format Agent Skills auf Basis von Markdown-Dateien mit YAML-Frontmatter vorgestellt.
- Das dreistufige Lademodell unterscheidet zwischen permanent geladenen Metadaten, bedarfsgesteuerten Instruktionen (<5.000 Tokens) und referenzierten Ressourcen.
- Metadaten verursachen lediglich 30–100 Tokens pro Skill, wodurch 100 Skills parallel mit nur 3.000–10.000 Tokens im Kontext gehalten werden können.
- Klassische MCP-Server laden JSON-Schemas vorab (Eager Loading), was bei vier bis fünf Servern bereits 40.000–60.000 Tokens beansprucht.
- Entwickler Mario Zechner argumentiert in einer Analyse ('What if you don't need MCP at all?'), dass MCP weitgehend durch simplere Mechanismen ersetzt werden kann.
Verknüpfte Unternehmen
2 verknüpfte Unternehmen“Anthropic announced Agent Skills on October 16th, and I reckon this is one of those quiet releases that ends up mattering more than the flas...”
“The article references procedural workflows such as "How to interact with Jira."...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
MCP vs. Agent Skills: Entscheidungsrahmen für Context Engineering
Der Artikel analysiert die Unterschiede zwischen dem Model Context Protocol (MCP) und AI Agent Skills (SKILL.md) und liefert einen Entscheidungsrahmen für das Context Engineering. MCP fungiert als offener Standard und Client-Server-JSON-RPC-Bridge, die LLM-basierten Agenten Live-Zugriff auf externe Systeme über Resources, Tools und Prompts gewährt. Im Gegensatz dazu kapseln Agent Skills wiederholbare, statische Prozeduren in Repositories, die bei passenden Tasks via Progressive Disclosure geladen werden. Während MCP für dynamische Echtzeitdaten aus externen Systemen unerlässlich ist, eignen sich Skills primär für standardisierte Prozessvorgaben. Für produktionsreife KI-Agenten empfiehlt sich eine hybride Architektur: MCP liefert den aktuellen Systemstatus („what is true right now“), während Skills konsistente Handlungsabläufe („how to act consistently“) sicherstellen. Der Leitfaden beleuchtet hierbei praxisnahe Trade-offs bezüglich Infrastrukturaufwand, Context Costs und Portabilität.
CLI übertrifft MCP: Skills ergänzen CLI-Architekturen für KI-Agenten
Eine Entwickleranalyse hinterfragt die Debatte über Tool-Calling-Architekturen für KI-Agenten (Model Context Protocol vs. direkte CLI-Aufrufe vs. leichtgewichtige 'Skills'-Dateien). Aktuell gewinnen CLI-basierte Agenten aufgrund höherer Zuverlässigkeit, niedrigerer Token-Kosten und nativer LLM-Vertrautheit mit Unix-Pipelines stark an Dynamik. Ergänzende Skills-Definitionen bieten kompakte Tool-Beschreibungen, während MCP trotz Standardisierungsvorteilen und Updates wie Anthropics 'Progressive Discovery' mit erheblichem Overhead kämpft. Benchmarks von ScaleKit und Smithery zeigen, dass CLI und CLI+Skills signifikant geringere Token-Kosten und höhere Ausfallsicherheit aufweisen als MCP. Zudem verabschieden sich erste Akteure wie Perplexity intern von MCP zugunsten von REST-APIs und CLI-Integrationen. Der Autor resümiert, dass der eigentliche Engpass für agentische Workflows nicht im Übertragungsprotokoll liegt, sondern in der grundsätzlichen Bereitschaft der Plattformen, offene Schnittstellen bereitzustellen.
Tools, MCPs und Skills in der agentischen KI
Dieser Beitrag beleuchtet die Evolution von Function Calling über Model Context Protocols (MCPs) hinweg bis hin zu Skills als drei komplementäre Primitive für agentische KI. Function Calling ermöglicht es Modellen, strukturierte API-Funktionen aufzurufen. MCPs ergänzen dies um dynamische Erkennung, persistente Kontexte sowie ereignisgesteuerte Updates, wodurch Clients Drittanbieter-Funktionen zur Laufzeit nutzen können. Skills bilden eine übergeordnete Wissensebene aus versionierbaren Playbooks, die Modellen vermitteln, wann und wie Tools effektiv eingesetzt werden. Anhand von Beispielen wie JetBrains und Playwright werden Trade-offs bei Sicherheit, Auditierbarkeit und Kuration aufgezeigt. Der dreischichtige Stack treibt den Wandel zu KI-nativem Product Engineering voran, während Fragmentierung und Governance offene Fragen bleiben.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.