Você já sentiu que novos termos no campo de IA se atualizam mais rápido que modelos de celular?
Ontem você acabou de entender "Function Calling", hoje aparece "Skills". Anteontem alguém mencionou "MCP" e, antes que você pudesse reagir, outra pessoa já estava falando sobre "Agents". Toda vez que você vê essas palavras, seu primeiro pensamento é: Estou ficando para trás de novo?
Não entre em pânico. Hoje, vamos descomplicar "Claude Skills" de uma vez por todas.
Mais importante ainda, vou te contar como isso se relaciona com conceitos que você já conhece—funções e function calling. Você vai perceber que esses não são três termos isolados, mas sim degraus construídos uns sobre os outros. Assim que você entender essas três camadas, conseguirá avaliar onde qualquer novo termo se encaixa.
O Ponto de Partida
Vamos começar com algo familiar: "funções" na programação.
Você pode pensar em uma função como um "pequeno assistente." Você diz a ela o que fazer (dá uma entrada), e ela te diz o resultado depois de terminar (te dá uma saída). Como um garçom em um restaurante: você pede, ele serve, seguindo um processo fixo toda vez.
Por exemplo, um programador escreve uma função chamada calculate_tax(income). Você insere o valor da renda, e ela calcula o imposto devido. Precisa calcular de novo? É só chamá-la novamente. Não precisa reescrever a lógica do imposto toda vez.
O valor de uma função se resume a três palavras: encapsulamento, reutilização e padronização.
Ela empacota uma tarefa para que qualquer um possa usá-la da mesma forma todas as vezes. Essa tem sido a ferramenta de produtividade mais básica para programadores por décadas.
Mas as funções têm uma limitação—elas só existem no mundo do código.
Um programador escreve getWeather() no código, e ele será 100% executado. Mas pessoas comuns não escrevem código, e a IA não "executa" esse código diretamente. Então, como podemos fazer a IA usar esses "pequenos assistentes"?
A Ponte
Por volta de 2023, o conceito de "Function Calling" se tornou popular.
Você pode pensar nisso como dar àquela "IA que só conversa" um telefone e uma lista de contatos.
Antes, se você perguntasse a uma IA "Qual é a previsão do tempo em São Paulo hoje?", ela ou chutava com base nos dados de treinamento ou dizia honestamente "Não sei" porque não tinha "mãos ou pés" para realmente verificar.
Com o function calling, as coisas mudaram.
Os desenvolvedores dizem à IA com antecedência: "Aqui está uma lista de contatos com uma função chamada get_weather. Ligue para este número se quiser verificar o tempo." Quando a IA recebe a pergunta, ela julga: "Ah, preciso chamar get_weather para responder isso."
Então, ela gera um "memorando" padrão (chamado JSON) que diz:
{ "function": "get_weather", "arguments": { "city": "São Paulo" } }
Este memorando é recebido, analisado e executado por um programa externo. O programa externo é quem realmente chama a estação meteorológica. O resultado é retornado para a IA, que então te diz em português claro: "Hoje está ensolarado em São Paulo, 25 graus."
Aqui tem um ponto de virada importante que os iniciantes muitas vezes ignoram.
As funções tradicionais são "determinísticas"—se um programador escreve getWeather(), ela será executada.
Mas o function calling de LLMs é "probabilístico"—a IA precisa julgar por si mesma se deve chamar a função. Esse julgamento é baseado em compreensão, não em regras. Existe uma pequena chance de ela interpretar mal a solicitação.
Então, a essência do function calling é: permitir que a IA "faça ligações", mas ela decide se liga e para quem ligar.
Este é um salto enorme—a IA não é mais apenas uma "base de conhecimento"; ela se torna um "ator".
Mas o function calling ainda tem um problema: é fragmentado e único.
Se uma tarefa exigir chamar cinco ou seis funções em sequência com julgamentos lógicos e referências a documentos, o function calling simples não é suficiente.
O Salto
Em 16 de outubro de 2025, a Anthropic lançou um novo recurso: Claude Skills.
Você pode pensar nas Skills como uma combinação de um "manual do funcionário" e uma "caixa de ferramentas."
O manual diz à IA: "Quando você encontrar este tipo de tarefa, aqui está como fazê-la, passo a passo, e quais ferramentas usar em cada etapa." A caixa de ferramentas contém os scripts e materiais de referência de que ela precisa.
Especificamente, uma Skill é uma pasta que contém três coisas:
Primeiro, o arquivo SKILL.md. Estas são "instruções" escritas em linguagem natural. Ele diz à IA para que serve a Skill, quando usá-la e quaisquer precauções.
Segundo, scripts. Eles podem ser código escrito em Python, JavaScript, etc. Quando a IA precisa "colocar a mão na massa", ela executa esses scripts.
Terceiro, arquivos de recurso. Como documentos de referência, modelos ou arquivos de configuração que a IA pode consultar enquanto realiza a tarefa.
Você pode perguntar: Qual é a diferença fundamental do function calling?
A diferença é: Function calling é uma "ferramenta única", enquanto Skills são uma "solução completa."
Function calling é como te dar um martelo e uma chave de fenda; você precisa saber quando usar cada um. Skills são como te dar um manual de montagem da IKEA que inclui todos os passos, ferramentas e peças.
Há também um mecanismo importante chamado "divulgação progressiva."
A "memória de trabalho" da IA (janela de contexto) é limitada. Se você colocar todas as Skills de uma vez, a IA fica sobrecarregada. As Skills permitem que a IA saiba que o manual existe e só "vire a página" quando realmente precisar.
Agora, vamos olhar para as três camadas juntas:
De baixo para cima, o nível de abstração aumenta. Funções são nível de código, function calling é nível de interface, e Skills são nível de fluxo de trabalho.
Skills podem conter chamadas de função, mas function calling é apenas uma parte das Skills.
Aplicação Prática
O que as Skills podem realmente fazer? Vamos ver alguns casos reais.
Primeiro, meu próprio projeto: x-article-publisher-skill.
Se você escreve em Markdown e quer publicar no X (Twitter) Articles, vai perceber que copiar e colar perde toda a formatação. Você tem que corrigir manualmente cabeçalhos, texto em negrito e links, o que leva de 15 a 20 minutos por artigo.
Imagens são ainda piores. Você tem que enviá-las manualmente e arrastá-las para o lugar certo. Esta Skill resolve isso.
Ela analisa seu Markdown, extrai o título e a capa, e calcula um "índice de bloco" para cada imagem. Em seguida, converte Markdown em HTML rich text para colagem perfeita e usa automação de navegador (Playwright) para inserir cada imagem na posição correta automaticamente.
O que levava 30 minutos manualmente agora leva alguns minutos totalmente automático. Para pessoas preguiçosas, não ter que levantar um dedo é o verdadeiro valor.
Você pode pensar: Isso não é só um script de automação?
Sim e não. Um script exige que você se lembre de como executá-lo. Uma Skill inclui essas instruções. Você só diz à IA "Publique isso no X", e ela sabe qual Skill usar e como operá-la.
Este é o valor da "codificação do conhecimento"—transformar "eu sei como fazer" em "a IA também sabe como fazer."
Outros cenários incluem:
Gerenciamento de Reuniões: Uma Skill que extrai resumos e itens de ação de transcrições e elabora e-mails de acompanhamento.
Análise de Dados: Jogue um CSV, e ela identifica métricas-chave e gera um relatório com gráficos.
Suporte ao Cliente: Ela recupera respostas de uma base de conhecimento e as organiza em uma resposta com tom humano.
Finalmente, ferramentas para desenvolvedores.
Existe uma Skill chamada skill-creator—uma Skill para criar Skills. Você descreve o fluxo de trabalho, e ela gera a estrutura do projeto para você.
Primeiros Passos
Para usar Skills existentes, a maneira mais fácil é através do mercado de plugins do Claude Code.
Você pode adicionar outros mercados usando /plugin marketplace add anthropics/claude-code.
Depois de instalado, você pode gerenciá-las com o comando /plugin.
Para criar a sua própria, use a meta-skill skill-creator. Você pode até criar Skills que analisam materiais e desenham diagramas, como este mapa de relacionamento de personagens de Sonho da Câmara Vermelha:
Ou as interações dos Sete Reinos Combatentes:
Você pode até conectar o Claude Skills a ferramentas externas como o NotebookLM para combinar uma recuperação poderosa com sua própria criatividade.
Confira awesome-claude-skills no GitHub para uma lista comunitária de Skills excelentes.
Eu pessoalmente recomendo o mercado 42plugin da equipe de Yang Zhiping, que inclui avaliações para ajudar você a evitar plugins de baixa qualidade.
O ponto mais importante: Criar uma Skill não exige necessariamente programação.
As instruções no SKILL.md são em linguagem natural. Se seu fluxo de trabalho não precisar de scripts complexos, apenas a linguagem natural já pode realizar muita coisa.
Resumo
- Funções são a base (nível de código).
- Function Calling é a ponte (nível de interface).
- Claude Skills são o projeto (nível de fluxo de trabalho).
Como dizem os analistas do Gartner, o foco está mudando de "atualizações de modelo" para "implementação de casos de uso." As Skills transformam a IA de uma "respondedora" em uma "colaboradora."
Da próxima vez que ouvir um novo termo de IA, pergunte-se: Em qual camada ele está? Pensar dessa forma torna os novos termos muito menos intimidadores.
Você já experimentou o Claude Skills? Fique à vontade para compartilhar seus fluxos de trabalho nos comentários!
