🤖 AI

SoK: Agentic Skills -- Beyond Tool Use in LLM Agents

Este artículo presenta una visión integral de las habilidades de los agentes (agentic skills) como capacidades procedimentales reutilizables, proponiendo taxonomías de diseño y representación, analizando sus riesgos de seguridad mediante el caso de estudio de ClawHavoc, y evaluando su impacto en el rendimiento de los sistemas autónomos.

Autores originales: Yanna Jiang, Delong Li, Haiyu Deng, Baihe Ma, Xu Wang, Qin Wang, Guangsheng Yu

Publicado 2026-02-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yanna Jiang, Delong Li, Haiyu Deng, Baihe Ma, Xu Wang, Qin Wang, Guangsheng Yu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que un Agente de IA (como un robot muy inteligente que usa un cerebro de lenguaje) es como un aprendiz de mago que acaba de entrar en una biblioteca infinita.

Al principio, este aprendiz es brillante pero ineficiente. Cada vez que le pides que haga algo nuevo (por ejemplo, "reserva un vuelo y compra entradas para un concierto"), el aprendiz tiene que inventar todo desde cero. Piensa en cómo si, cada vez que cocinaras pasta, tuvieras que redescubrir cómo hervir el agua, cómo cortar la cebolla y cómo sazonar la salsa, sin recordar lo que hiciste la vez anterior. Es agotador, lento y propenso a errores.

Este artículo, titulado "SoK: Agentic Skills", propone una solución genial: las "Habilidades" (Skills).

¿Qué es una "Habilidad" (Skill)?

Piensa en una habilidad no como una herramienta suelta (como un martillo), sino como una receta de cocina empaquetada y lista para usar.

Sin habilidades: El agente tiene que pensar: "¿Cómo uso el martillo? ¿Dónde está el clavo? ¿Qué fuerza debo usar?".
Con habilidades: El agente tiene un libro de recetas llamado "Clavar un clavo". Solo tiene que decir: "Usa la receta 'Clavar un clavo'".

Una habilidad es un módulo reutilizable que contiene:

Cuándo usarla: (La receta dice: "Solo úsala si tienes un clavo y una pared").
Cómo hacerla: (Los pasos exactos: golpear, girar, etc.).
Cuándo parar: (La receta dice: "Para cuando el clavo esté nivelado").
Una etiqueta clara: (Para que el agente sepa qué es).

El Ciclo de Vida de una Habilidad

Los autores explican que las habilidades no son estáticas; tienen una vida propia, como un empleado en una empresa:

Descubrimiento: El agente nota que hace algo repetidamente (como "buscar en Google") y decide: "¡Eh, esto es útil! Vamos a guardarlo como una receta".
Práctica: El agente prueba la receta varias veces para asegurarse de que funciona bien.
Destilación: Se escribe la receta final, limpia y clara, para que otros la entiendan.
Almacenamiento: Se guarda en una "biblioteca de recetas" (un repositorio).
Búsqueda y Mezcla: Cuando llega una tarea nueva, el agente busca en la biblioteca las recetas necesarias y las combina (como mezclar ingredientes para un pastel).
Ejecución: ¡A cocinar! El agente sigue la receta.
Evaluación: ¿Quedó bien el pastel? Si no, se corrige la receta o se tira a la basura.

Los 7 Estilos de "Empaquetado" (Patrones de Diseño)

El artículo clasifica cómo se guardan estas recetas en 7 estilos diferentes:

El Menú de Restaurante (Descubrimiento por Metadatos): Solo ves el nombre y una breve descripción del plato. Si te gusta, el chef (el agente) trae la receta completa. Ahorra espacio en la mesa.
El Código Ejecutable (Scripts): La receta es un programa de computadora exacto. Es muy preciso, pero si cambia un ingrediente (una API), la receta se rompe.
La Cadena de Montaje (Flujo de Trabajo): La receta te obliga a seguir pasos estrictos. No puedes saltarte el paso de "hervir el agua" antes de "echar la pasta". Es menos flexible, pero muy seguro.
La Biblioteca que se Escribe a Sí Misma: El agente crea sus propias recetas nuevas basándose en lo que aprende. ¡Es genial, pero a veces crea recetas malas!
La Receta Híbrida: Mezcla instrucciones en lenguaje humano ("Corta la cebolla") con código de computadora. Lo mejor de dos mundos, pero a veces el humano y el código no se entienden bien.
El Chef Maestro (Meta-Habilidades): Son recetas que sirven para crear otras recetas. Un agente que escribe las instrucciones para otros agentes.
El Mercado de Apps (Distribución): Es como la App Store o Google Play. Cualquiera puede subir una receta (un "plugin") y otros pueden descargarla. ¡Es enorme, pero peligroso!

El Peligro: El Caso "ClawHavoc"

Aquí es donde la historia se pone seria. Los autores analizan un caso real llamado ClawHavoc.

Imagina que alguien crea una App de "Reserva de Vuelos" en el mercado (Pattern 7) que parece legítima. Pero, en realidad, es un virus disfrazado.

Cuando el agente descarga esta "receta", en lugar de reservar un vuelo, la receta le ordena: "Roba las contraseñas de tu navegador y envíalas a un hacker".
En este ataque real, casi 1,200 recetas maliciosas infiltraron un mercado gigante, robando claves de criptomonedas, contraseñas y datos bancarios de miles de usuarios.

¿Por qué pasó? Porque la gente confió en la "etiqueta" de la receta sin verificar lo que había dentro. Fue como comprar un paquete de galletas que decía "Chocolate" pero dentro había dinamita.

Seguridad y Confianza

Para evitar esto, los autores proponen un sistema de Niveles de Confianza (como un sistema de seguridad en un aeropuerto):

Nivel 1 (Solo miras la etiqueta): Puedes ver el nombre de la receta, pero no puedes ejecutarla.
Nivel 2 (Lees la receta, pero no cocinas): El agente lee las instrucciones, pero necesita permiso humano para usar herramientas.
Nivel 3 (Cocina bajo supervisión): El agente puede ejecutar la receta, pero un humano revisa cada paso importante.
Nivel 4 (Cocina solo): El agente tiene confianza total y puede ejecutar recetas sin supervisión (solo para recetas que han demostrado ser seguras muchas veces).

Conclusión: ¿Por qué importa esto?

El estudio demuestra algo crucial:

Las recetas curadas (hechas por humanos expertos) hacen que los agentes sean mucho mejores (más rápidos y precisos).
Las recetas que los agentes se inventan solos a menudo empeoran el rendimiento, porque crean instrucciones confusas o incorrectas.

En resumen:
Las "Habilidades" son el futuro de los agentes de IA. Permiten que dejen de ser aprendices que reinventan la rueda cada vez y se conviertan en maestros expertos con una caja de herramientas lista. Pero, al igual que en la vida real, si dejamos que cualquiera suba recetas a nuestra cocina sin revisarlas, podríamos envenenarnos. La clave está en verificar, auditar y confiar con cuidado.

1. El Problema: Ineficiencia y Falta de Persistencia en Agentes LLM

Los agentes basados en Modelos de Lenguaje Grande (LLM) han evolucionado desde respuestas de una sola vuelta a sistemas autónomos multi-paso. Sin embargo, persiste una ineficiencia fundamental: cada nueva tarea obliga al agente a derivar una estrategia de ejecución desde cero. El conocimiento procedimental ganado a través de la experiencia (por ejemplo, depurar un error específico) desaparece al final de la ventana de contexto.

Actualmente, la distinción entre herramientas (primitivas atómicas), planes (scaffolds de razonamiento efímeros) y memoria episódica (observaciones almacenadas) es insuficiente. Falta una abstracción que encapsule el "saber hacer" (procedimental) de manera reutilizable, ejecutable y gobernable.

2. Definición Central: ¿Qué es una "Habilidad Agéntica"?

El artículo define formalmente una Habilidad Agéntica (Agentic Skill) como un módulo reutilizable y llamable que encapsula una secuencia de acciones o políticas. Se formaliza como una tupla de cuatro componentes $S = (C, \pi, T, R)$ :

$C$ (Condición de Aplicabilidad): Un predicado sobre observaciones y objetivos que determina si la habilidad es adecuada para el contexto actual.
$\pi$ (Política Ejecutable): El mapeo de observaciones e historial a acciones o invocaciones de otras habilidades. Puede ser instrucciones en lenguaje natural, código ejecutable, un controlador aprendido o un híbrido.
$T$ (Condición de Terminación): Especifica cuándo la habilidad ha completado su tarea (con éxito o no).
$R$ (Interfaz Reutilizable): La firma de llamada (nombre, parámetros, retorno) que permite la invocación programática por parte del agente u otros orquestadores.

Esta definición diferencia las habilidades de las herramientas (que carecen de lógica de aplicación y terminación) y de los planes (que no son persistentes ni directamente ejecutables sin interpretación).

3. Metodología

Los autores realizaron una Sistematización del Conocimiento (SoK) siguiendo un proceso sistemático:

Búsqueda de Literatura: Se analizaron bases de datos (Google Scholar, arXiv, IEEE, etc.) desde enero de 2020 hasta febrero de 2025, incluyendo trabajos concurrentes clave como SkillsBench (2026).
Criterios de Inclusión: Se seleccionaron 65 artículos de un conjunto inicial de 180, enfocándose en capacidades procedimentales reutilizables, etapas del ciclo de vida de las habilidades o entornos de evaluación.
Desarrollo de Taxonomías: Se utilizó un proceso iterativo de abajo hacia arriba para identificar patrones de diseño y categorías de representación, validando las clasificaciones contra el corpus completo.

4. Contribuciones Clave

El artículo ofrece seis contribuciones principales:

A. Modelo de Ciclo de Vida de Habilidades

Se propone un modelo de siete etapas que traza la evolución de una habilidad:

Descubrimiento: Identificación de patrones de tareas recurrentes.
Práctica/Refinamiento: Mejora iterativa mediante prueba y error.
Destilación: Extracción de procedimientos estables y generalizables.
Almacenamiento: Persistencia en bibliotecas con indexación y versionado.
Recuperación/Composición: Selección y ensamblaje de habilidades en flujos de trabajo.
Ejecución: Ejecución bajo restricciones de seguridad y permisos.
Evaluación/Actualización: Monitoreo de rendimiento y retiro de habilidades obsoletas.

B. Taxonomía de Patrones de Diseño (7 Patrones)

Se identifican siete patrones de cómo las habilidades se empaquetan y ejecutan a nivel de sistema:

Divulgación Progresiva Basada en Metadatos: Carga de instrucciones completas solo cuando se selecciona la habilidad (eficiencia de tokens).
Código como Habilidad: Scripts ejecutables (Python, etc.) que ofrecen determinismo.
Ejecución de Flujo de Trabajo: Imposición de procesos rígidos (ej. TDD) para garantizar fiabilidad.
Bibliotecas de Habilidades Autoevolutivas: Sistemas que generan y refinan habilidades automáticamente (riesgo de "deuda de habilidades").
Macros Híbridas (NL + Código): Combinación de instrucciones legibles por humanos con componentes ejecutables.
Meta-habilidades: Habilidades diseñadas para crear o modificar otras habilidades.
Distribución por Plugin/Mercado: Emisión de habilidades como paquetes versionados (similar a npm/pip).

C. Taxonomía de Representación × Alcance

Eje de Representación: Lenguaje natural, Código, Macros de herramientas, Políticas aprendidas (RL) e Híbridos.
Eje de Alcance: Interacción web, Flujos de trabajo de SO/escritorio, Ingeniería de software, Robótica, etc.

D. Análisis de Seguridad y Gobernanza

Se introduce un modelo de Niveles de Confianza (Trust Tiers) de 4 niveles (desde solo metadatos hasta ejecución autónoma) y se analiza la superficie de ataque.

Estudio de Caso: ClawHavoc: Se analiza un ataque de cadena de suministro real en el mercado ClawHub (OpenClaw), donde 1,184 habilidades maliciosas infiltraron el sistema. Estas habilidades robaron claves API, billeteras de criptomonedas y credenciales de navegadores a escala masiva.
Vectores de Ataque: Envenenamiento de metadatos, inyección de prompts dentro de las cargas útiles de las habilidades, y el "confused deputy" (coerción del agente para usar habilidades legítimas de forma maliciosa).

E. Marco de Evaluación

Se propone evaluar las habilidades en cinco dimensiones: Corrección, Robustez, Eficiencia, Generalización y Seguridad.

Hallazgo Crítico (SkillsBench): Las habilidades curadas (hechas por humanos) mejoran la tasa de éxito de los agentes en un 16.2% en promedio. Por el contrario, las habilidades auto-generadas sin verificación rigurosa degradan el rendimiento en un 1.3%, introduciendo heurísticas incorrectas.
Efecto de Igualación Computacional: Modelos más pequeños equipados con habilidades curadas pueden superar a modelos más grandes sin habilidades.

5. Resultados y Hallazgos Principales

La calidad importa más que la cantidad: Las habilidades auto-generadas a menudo fallan en entornos abiertos debido a la falta de verificación. La curación humana sigue siendo superior en fiabilidad, aunque no escala.
El costo de la complejidad: Las habilidades demasiado extensas ("comprehensivas") degradan el rendimiento; las habilidades enfocadas (2-3 módulos) ofrecen el mejor retorno.
Riesgos de la Distribución en Mercados: La distribución masiva de habilidades (Patrón 7) sin mecanismos de gobernanza robustos (firmas de procedencia, escaneo de dependencias) crea vulnerabilidades críticas de cadena de suministro, como demostró el caso ClawHavoc.
Necesidad de Verificación en Tiempo de Ejecución: Los escáneres tradicionales de malware son insuficientes para habilidades agénticas porque no pueden auditar la lógica semántica de las instrucciones en lenguaje natural ni las condiciones de aplicabilidad ( $C$ ). Se requieren herramientas de auditoría nativas de habilidades.

6. Significado e Impacto

Este trabajo establece las bases teóricas y prácticas para la próxima generación de agentes autónomos.

Paradigma de Memoria Procedimental: Posiciona las habilidades como la "memoria procedimental" de los agentes, análoga a la experiencia humana, reduciendo la carga cognitiva del modelo y mejorando la fiabilidad.
Seguridad Crítica: Alerta sobre los riesgos de seguridad emergentes cuando los agentes tienen acceso a bibliotecas de habilidades externas, requiriendo nuevos modelos de confianza y gobernanza.
Hoja de Ruta: Identifica desafíos abiertos como la generación autónoma verificada, el descubrimiento no supervisado de habilidades y la detección de "desviación ambiental" (cuando el entorno cambia y la habilidad se vuelve obsoleta o peligrosa).

En conclusión, el artículo argumenta que para que los agentes LLM sean verdaderamente autónomos y confiables en el mundo real, deben trascender el uso simple de herramientas y adoptar una arquitectura basada en habilidades procedimentales rigurosamente definidas, curadas y gobernadas.