skills.sh: Das offene Verzeichnis, das KI-Agenten zu Spezialisten macht

KI-Coding-Agenten sind allgegenwärtig: Claude Code, Cursor, GitHub Copilot, Codex, Windsurf, Gemini CLI, die Liste wächst wöchentlich. Allen gemein ist dieselbe Einschränkung. Out of the box wissen sie, wie man Code schreibt, nicht aber, wie Ihr Team Code schreibt. Prozesswissen fehlt: die Schritt-für-Schritt-Workflows, Konventionen und Leitplanken, die aus einem generischen Assistenten einen Spezialisten machen. skills.sh schließt diese Lücke.

Was skills.sh ist

skills.sh ist ein offenes Verzeichnis und Paketmanager für Agent-Skills: wiederverwendbare Markdown-Dateien, die KI-Coding-Agenten prozedurales Wissen vermitteln. Npm für Agentenverhalten trifft es recht gut. Ein Skill teilt dem Agenten mit, was zu tun ist und wie: welche Schritte zu folgen sind, was zu prüfen ist, welche Muster anzuwenden sind, und wann Schluss ist.

Die Installation erfolgt mit einem einzigen Befehl:

`npx skills add <owner/repo>`

Das war es. Der Skill wird ins Projekt installiert, und jeder unterstützte Agent erkennt ihn automatisch. Keine Konfiguration, keine Plugins, keine API-Keys.

Warum Agent-Skills wichtig sind

Ohne Skills beginnt jede Konversation mit einem KI-Agenten bei null. Teststrategie, Commit-Konventionen, Deployment-Prozess: alles muss jedes Mal neu erklärt werden. Skills codieren dieses Wissen einmalig und machen es dauerhaft verfügbar. Der Agent hört auf zu raten und folgt stattdessen dem eigenen Playbook.

Die Zahlen auf skills.sh sprechen für sich: über 90.000 Installationen im gesamten Ökosystem, die Top-Skills mit jeweils Zehntausenden Downloads. Das zeigt, dass Entwickler dieses Muster aktiv übernehmen. Ob Installationen direkt in messbare Qualitätsverbesserungen münden, hängt vom jeweiligen Skill und Anwendungsfall ab.

19 Agenten, ein Skill-Format

Besonders bemerkenswert an skills.sh ist die Breite der Unterstützung. Ein einziger Skill funktioniert mit 19 verschiedenen KI-Agenten:

• Claude Code: Anthropics CLI-Agent
• Cursor: KI-nativer Code-Editor
• GitHub Copilot: Microsofts Coding-Assistent
• Codex: OpenAIs Agent
• Gemini CLI: Googles Terminal-Agent
• Windsurf: Codeiums KI-IDE
• AMP: Sourcegraphs Coding-Agent
• Cline, Roo, Kilo, Goose, Trae, OpenCode und weitere

Einmal schreiben, überall nutzen. Diese agentenübergreifende Kompatibilität macht das Ökosystem tragfähig: kein Vendor-Lock-in auf einen einzelnen Anbieter.

Das Skills-Leaderboard: Womit Entwickler wirklich kämpfen

Das skills.sh-Leaderboard ordnet Skills nach Installationszahl, mit Trending- und Hot-Kategorien. Die Top-Skills zeigen, wo Entwickler beim Einsatz von KI-Agenten am häufigsten an Grenzen stoßen:

Muster in den Top-Skills

Drei Kategorien dominieren:

• Browser-Automatisierung: agent-browser und browser-use belegen Platz 1 und 3. Agenten, die Webseiten navigieren, Formulare ausfüllen und Daten extrahieren können, sind massiv gefragt.
• Workflow-Disziplin: writing-plans, verification-before-completion und finishing-a-development-branch stammen alle aus dem Repository obra/superpowers. Sie erzwingen Struktur: erst planen, dann coden, vor dem Abschluss prüfen, am Ende aufräumen. Diese Skills existieren, weil Agenten diese Schritte ohne explizite Anweisung tendenziell überspringen.
• Meta-Skills: skill-creator von Anthropic selbst bringt Agenten bei, neue Skills zu erstellen. Das Ökosystem bootstrappt sich selbst.

Wichtige Repositories im Überblick

Einige Repositories haben sich als tragende Säulen des Ökosystems etabliert:

anthropics/skills

Anthropics offizielles Skill-Repository. Enthält skill-creator (117.800+ Installationen), den Meta-Skill, der Claude Code beibringt, neue Skills zu entwickeln. Wer Claude Code einsetzt, fängt hier an.

obra/superpowers

Das produktivste Repository im Ökosystem, mit mehreren Top-10-Skills. Im Mittelpunkt steht der Entwickler-Workflow: Planung, Verifikation, Branch-Management, testgetriebene Entwicklung und Code-Review. Der Agent wird wie ein Junior-Entwickler behandelt, der Prozessleitplanken braucht. Die Ergebnisse aus dem eigenen Pipeline sind in Delivery-Reports dokumentiert.

vercel-labs/agent-browser

Mit 142.800+ Installationen der meistinstallierte Skill überhaupt. Er gibt Agenten die Fähigkeit, mit Websites zu interagieren: Seiten navigieren, Formulare ausfüllen, Buttons klicken, Daten extrahieren, Webanwendungen testen. Entwickelt von Vercel Labs.

coreyhaines31/marketingskills

Dieser Beweis, dass Skills nicht nur Entwicklern vorbehalten sind, umfasst pricing-strategy, site-architecture und weitere marketingorientierte Skills. Allein pricing-strategy kommt auf 31.500+ Installationen: Business- und Marketing-Expertise als Agent-Skill ist klar nachgefragt.

Wie Skills technisch funktionieren

Ein Skill ist eine Markdown-Datei mit YAML-Frontmatter. Sie wird ins Projektverzeichnis installiert (typischerweise `.claude/skills/` für Claude Code oder das jeweilige Äquivalent bei anderen Agenten), und der Agent lädt sie bei Bedarf. Der Inhalt eines Skills besteht aus:

• Trigger-Bedingungen: wann der Skill aktiv wird (z.B. 'beim Schreiben von Tests', 'vor einem Commit', 'beim Debuggen')
• Schritt-für-Schritt-Anweisungen: das Verfahren, das der Agent befolgen soll
• Leitplanken: was zu prüfen ist, was zu vermeiden ist, wann Stopp gilt
• Kontext: Hintergrundwissen, das der Agent für gute Entscheidungen braucht

Da Skills schlichte Textdateien im Repository sind, lassen sie sich versionieren, reviewen und teilen. Kein Vendor-Lock-in, keine SaaS-Abhängigkeit, keine laufenden Kosten.

In 5 Minuten loslegen

So starten Sie noch heute mit skills.sh:

• Leaderboard erkunden auf skills.sh, um passende Skills für den eigenen Workflow zu finden
• Mit einem Befehl installieren: `npx skills add obra/superpowers` installiert die gesamte Superpowers-Sammlung
• Agenten starten: die Skills werden automatisch erkannt, keine Konfiguration nötig
• Eigene Skills erstellen: `npx skills add anthropics/skills` holt den skill-creator; anschließend kann der Agent gebeten werden, maßgeschneiderte Skills für die eigenen Team-Workflows zu entwickeln

Der Feedback-Loop ist unmittelbar. Skill installieren, Agenten starten, Unterschied in der Ausgabequalität beobachten. verification-before-completion adressiert einen der häufigsten Fehler aus eigener Erfahrung: der Agent meldet eine Aufgabe als erledigt, obwohl sie es nicht ist.

Anwendungsfälle für Entwicklungsteams

Das Skills-Ökosystem ist deshalb bedeutsam, weil es das Wissenstransfer-Problem löst, das jedes Team beim Einsatz von KI-Agenten kennt. Heute trägt der erfahrene Entwickler das Wissen, wie ein PR strukturiert wird, ein Code-Review abläuft oder ein Produktionsproblem debuggt wird, im Kopf. Beim Einsatz eines KI-Agenten wird dieses Wissen manuell per Prompt übertragen, jedes Mal neu.

Skills formalisieren diesen Transfer. Eine Team-Lead kann die Review-Checkliste, das Deployment-Verfahren oder die Debugging-Methodik als Skill codieren, ihn in alle Team-Projekte installieren, und jeder Agent jedes Teammitglieds folgt demselben Prozess. Institutionelles Wissen, das mit jeder Nutzung an Wert gewinnt.

Der größere Trend

skills.sh ist Teil eines grundlegenden Wandels im Umgang mit KI. Die Branche bewegt sich weg vom Prompting (dem Agenten jedes Mal sagen, was zu tun ist) hin zum Programming (Verhalten codieren, das persistiert). Skills verhalten sich zu KI-Agenten wie Konfigurationsdateien zu Software: deklarativ, portabel und kombinierbar.

Das Ökosystem steckt noch in den Anfängen. Bei über 91.000 Installationen und stetig wachsender Bibliothek entstehen täglich neue Skills. Die wirkungsvollsten sind noch nicht geschrieben: Sie werden von Teams kommen, die ihr einzigartiges Domänenwissen in wiederverwendbare, teilbare Formate gießen.

Intelligentere Agent-Workflows aufbauen

webvise setzt Agent-Skills intensiv im eigenen Entwicklungs-Workflow ein, von automatisiertem Code-Review bis zur Deployment-Verifikation. Wer KI-Agenten in Teamprozesse integrieren oder eigene Automatisierungs-Workflows aufbauen möchte, findet den richtigen Ansprechpartner unter Kontakt. Ziel ist der Übergang vom ad-hoc-Prompting zu strukturierter, wiederholbarer KI-gestützter Entwicklung.