¿Alguna vez has sentido que los nuevos términos en el campo de la IA se actualizan más rápido que los modelos de teléfonos?
Ayer apenas entendías "Function Calling", hoy aparece "Skills". Anteayer alguien mencionó "MCP" y antes de que reaccionaras, otro ya hablaba de "Agentes". Cada vez que ves estas palabras, tu primer pensamiento es: ¿Me estoy quedando atrás otra vez?
No entres en pánico. Hoy vamos a desglosar "Claude Skills" con claridad.
Y lo más importante, te contaré cómo se relaciona con conceptos que ya conoces: las funciones y el function calling. Descubrirás que no son tres términos aislados, sino pasos construidos uno sobre otro. Una vez que entiendas estas tres capas, podrás identificar dónde encaja cualquier término nuevo.
El punto de partida
Empecemos con algo familiar: las "funciones" en programación.
Puedes pensar en una función como un "asistente pequeño". Le dices qué hacer (le das una entrada) y te dice el resultado después de terminar (te da una salida). Como un mesero en un restaurante: pides, te sirven, siguiendo un proceso fijo cada vez.
Por ejemplo, un programador escribe una función llamada calculate_tax(ingresos). Le pasas la cifra de ingresos y ella calcula el impuesto a pagar. ¿Necesitas calcularlo de nuevo? Solo vuelve a llamarla. No hay que reescribir la lógica del impuesto cada vez.
El valor de una función se resume en tres palabras: encapsulación, reutilización y estandarización.
Empaqueta una tarea para que cualquiera pueda usarla de la misma manera cada vez. Esto ha sido la herramienta de productividad más básica para los programadores durante décadas.
Pero las funciones tienen una limitación: solo viven en el mundo del código.
Un programador escribe getWeather() en código y se ejecutará al 100%. Pero la gente común no escribe código, y la IA no "ejecuta" este código directamente. Entonces, ¿cómo podemos hacer que la IA use estos "asistentes pequeños"?
El puente
Alrededor de 2023, el concepto de "Function Calling" se volvió popular.
Puedes pensar en él como darle a esa "IA que solo chatea" un teléfono y una lista de contactos.
Antes, si le preguntabas a una IA "¿Qué tiempo hace hoy en Beijing?", o adivinaba a partir de los datos de entrenamiento o decía honestamente "No lo sé" porque no tenía "manos ni pies" para verificarlo realmente.
Con el function calling, las cosas cambiaron.
Los desarrolladores le dicen a la IA por adelantado: "Aquí tienes una lista de contactos con una función llamada get_weather. Marca este número si quieres consultar el clima." Cuando la IA recibe la pregunta, juzga: "Oh, necesito llamar a get_weather para responder esto."
Luego genera un "memo" estándar (llamado JSON) que dice:
{ "function": "get_weather", "arguments": { "city": "Beijing" } }
Este memo es recibido, analizado y ejecutado por un programa externo. El programa externo es el que realmente llama a la estación meteorológica. El resultado se devuelve a la IA, que luego te dice en lenguaje natural: "Hoy hace sol en Beijing, 15 grados."
Aquí hay un punto clave que los principiantes suelen pasar por alto.
Las funciones tradicionales son "deterministas": si un programador escribe getWeather(), se ejecutará.
Pero el function calling de los LLM es "probabilístico": la IA debe juzgar por sí misma si llama a la función. Este juicio se basa en la comprensión, no en reglas. Hay una pequeña posibilidad de que malinterprete la solicitud.
Entonces, la esencia del function calling es: dejar que la IA "haga llamadas", pero ella decide si llamar y a quién llamar.
Esto es un gran salto: la IA ya no es solo una "base de conocimiento"; se convierte en un "actor".
Pero el function calling todavía tiene un problema: es fragmentado y puntual.
Si una tarea requiere llamar a cinco o seis funciones en secuencia con juicios lógicos y referencias a documentos, el simple function calling no es suficiente.
El salto
El 16 de octubre de 2025, Anthropic lanzó una nueva función: Claude Skills.
Puedes pensar en Skills como una combinación de un "manual del empleado" y una "caja de herramientas".
El manual le dice a la IA: "Cuando te encuentres con este tipo de tarea, así es como se hace, paso a paso, y qué herramientas usar en cada paso." La caja de herramientas contiene los scripts y materiales de referencia que necesita.
Específicamente, un Skill es una carpeta que contiene tres cosas:
Primero, el archivo SKILL.md. Son "instrucciones" escritas en lenguaje natural. Le dice a la IA para qué sirve el Skill, cuándo usarlo y las precauciones.
Segundo, scripts. Pueden ser código escrito en Python, JavaScript, etc. Cuando la IA necesita "ensuciarse las manos", ejecuta estos scripts.
Tercero, archivos de recursos. Como documentos de referencia, plantillas o archivos de configuración que la IA puede consultar mientras realiza la tarea.
Podrías preguntar: ¿Cuál es la diferencia fundamental con el function calling?
La diferencia es: El function calling es una "herramienta única", mientras que Skills son una "solución completa".
El function calling es como darte un martillo y un destornillador; tienes que saber cuándo usar cada uno. Skills es como darte un manual de montaje de IKEA que incluye todos los pasos, herramientas y piezas.
También hay un mecanismo importante llamado "divulgación progresiva".
La "memoria de trabajo" de la IA (ventana de contexto) es limitada. Si metes todos los Skills de golpe, la IA se satura. Skills permite que la IA sepa que el manual existe y solo "voltee la página" cuando realmente lo necesite.
Ahora, veamos las tres capas juntas:
De abajo arriba, el nivel de abstracción aumenta. Las funciones son a nivel de código, el function calling es a nivel de interfaz y Skills es a nivel de flujo de trabajo.
Skills pueden contener llamadas a funciones, pero el function calling es solo una parte de Skills.
Aplicación práctica
¿Qué puede hacer realmente Skills? Veamos algunos casos reales.
Primero, mi propio proyecto: x-article-publisher-skill.
Si escribes en Markdown y quieres publicar en X (Twitter) Articles, verás que copiar y pegar pierde todo el formato. Tienes que arreglar manualmente los encabezados, negritas y enlaces, lo que toma de 15 a 20 minutos por artículo.
Las imágenes son aún peores. Tienes que subirlas manualmente y arrastrarlas al lugar correcto. Este Skill soluciona eso.
Analiza tu Markdown, extrae el título y la portada, y calcula un "índice de bloque" para cada imagen. Luego convierte Markdown a HTML enriquecido para un pegado perfecto y usa automatización del navegador (Playwright) para insertar cada imagen en la posición correcta automáticamente.
Lo que tomaba 30 minutos manualmente ahora toma unos minutos totalmente automático. Para los vagos, no tener que mover un dedo es el valor real.
Podrías decir: ¿Esto no es solo un script de automatización?
Sí y no. Un script requiere que recuerdes cómo ejecutarlo. Un Skill incluye esas instrucciones. Solo le dices a la IA "Publica esto en X", y ella sabe qué Skill usar y cómo operarlo.
Este es el valor de la "codificación del conocimiento": convertir "yo sé cómo hacerlo" en "la IA también sabe cómo hacerlo".
Otros escenarios incluyen:
Gestión de reuniones: Un Skill que extrae resúmenes y elementos de acción de las transcripciones y redacta correos de seguimiento.
Análisis de datos: Suelta un CSV, identifica métricas clave y genera un informe con gráficos.
Atención al cliente: Recupera respuestas de una base de conocimiento y las organiza en una respuesta similar a la humana.
Por último, herramientas para desarrolladores.
Hay un Skill llamado skill-creator: un Skill para crear Skills. Describes el flujo de trabajo y él genera el marco del proyecto.
Cómo empezar
Para usar Skills existentes, la forma más fácil es a través del mercado de plugins de Claude Code.
Puedes agregar otros mercados usando /plugin marketplace add anthropics/claude-code.
Una vez instalado, puedes gestionarlos con el comando /plugin.
Para crear los tuyos propios, usa el meta-skill skill-creator. Incluso puedes crear Skills que analicen materiales y dibujen diagramas, como este mapa de relaciones de personajes de Sueño en el Pabellón Rojo:
O las interacciones de los Siete Reinos Combatientes:
Incluso puedes conectar Claude Skills con herramientas externas como NotebookLM para combinar una potente recuperación con tu propia creatividad.
Revisa awesome-claude-skills en GitHub para obtener una lista comunitaria de Skills excelentes.
Personalmente recomiendo el mercado 42plugin del equipo de Yang Zhiping, que incluye calificaciones para ayudarte a evitar plugins de baja calidad.
El punto más importante: Crear un Skill no necesariamente requiere programación.
Las instrucciones en SKILL.md son lenguaje natural. Si tu flujo de trabajo no necesita scripts complejos, el lenguaje natural por sí solo puede lograr mucho.
Resumen
- Las funciones son la base (nivel de código).
- El Function Calling es el puente (nivel de interfaz).
- Claude Skills es el plano (nivel de flujo de trabajo).
Como dicen los analistas de Gartner, el enfoque está pasando de "actualizaciones de modelos" a "implementación de casos de uso". Skills convierte a la IA de un "respondedor" en un "colaborador".
La próxima vez que escuches un nuevo término de IA, pregúntate: ¿En qué capa está? Pensar así hace que los nuevos términos sean mucho menos intimidantes.
¿Ya probaste Claude Skills? ¡Comparte tus flujos de trabajo en los comentarios!
