Agent Skills Veranderden Hoe Ik AI-Workflows Bouw
Ik verwijderde zevenenveertig aangepaste prompts op afgelopen dinsdag.
Niet omdat ze slecht waren — sommige kostten me uren om te schrijven, waarbij ik elk randgeval testte, de formulering verfijnde totdat mijn AI-agents daadwerkelijk deden wat ik wilde. Ze werkten. Dat was niet het probleem.
Het probleem was dat ik dezelfde instructies drie verschillende keren had geschreven voor drie verschillende tools. Één versie voor Claude Code. Een andere aangepast voor Cursor. Een derde in elkaar gehackt voor VS Code's Copilot-integratie. En elke keer dat ik één versie verbeterde, raakten de andere twee achter. Ik besteedde meer tijd aan het onderhouden van mijn AI-instructies dan aan het daadwerkelijk bouwen van software.
Toen struikelde ik op agent skills — en ik besefte dat ik dit probleem volledig verkeerd had opgelost.
Wat als er één enkel formaat was voor het leren van AI-agents hoe specifieke taken uit te voeren? Één map, één instructiebestand, en elke grote AI-tool kon het lezen. Geen herschrijvingen. Geen platform-specifieke hacks. Geen kopiëren en plakken tussen tools.
Dat is precies wat agent skills leveren. En na de afgelopen weken mijn hele workflow naar dit formaat te hebben omgezet, kan ik je vertellen — het productiviteitsverschil is niet incrementeel. Het is structureel.
Waarom Mijn Oude Aanpak Me Stil Uren Kostte
Mijn opstelling zag er aan de oppervlakte georganiseerd uit. Ik had een .claude-map met zorgvuldig gecraftte agent-configuraties. Systeemprompts opgeslagen als markdown-bestanden. Aangepaste instructies vastgezet in verschillende AI-tools.
Maar eronder? Chaos.
Wanneer ik wilde dat mijn AI een specifiek API-ontwerppatroon volgde, moest ik die regels afzonderlijk voor elke tool coderen. Claude Code kreeg een CLAUDE.md met de regels. Cursor kreeg zijn eigen .cursorrules-bestand. GitHub Copilot had weer een andere configuratie nodig.
Het ergste was niet de duplicatie. Het was de drift.
Ik zou een bug repareren in mijn Claude Code-instructies — zeg, een ontbrekend randgeval in foutafhandeling — en vergeten de Cursor-versie bij te werken. Dan zou ik twintig minuten besteden aan het debuggen van waarom Cursor API-endpoints genereerde zonder juiste foutresponsen.
Wat Agent Skills Werkelijk Zijn (Geen Buzz, Gewoon Bestanden)
Hier is wat me overrompelde: agent skills zijn geen framework. Het zijn geen bibliotheek die je installeert. Het is geen SaaS-product met een prijspagina.
Het zijn mappen.
Dat is het. Een map met een bestand genaamd skill.md. Daarbinnen schrijf je een naam, een beschrijving en stapsgewijze instructies voor een specifieke taak. De AI leest het. De AI volgt het. Klaar.
mijn-api-skill/
skill.md
reference/
response-format.ts
validation-patterns.md
En hier is wat een minimale skill.md er uitziet:
# API Design Skill
## Description
Builds REST API endpoints following our team's conventions for Next.js applications.
## Instructions
1. Every endpoint must return a consistent response format:
- Success: { success: true, data: T }
- Error: { success: false, error: { code: string, message: string } }
2. Use ZOD for all input validation at the route handler level.
3. Define reusable TypeScript types in a shared types directory.
Wanneer een AI-agent opstart, laadt het niet elk afzonderlijk skillbestand volledig. In plaats daarvan leest het alleen de namen en beschrijvingen — een snelle scan om te begrijpen wat beschikbaar is. Wanneer een gebruikersverzoek overeenkomt met de beschrijving van een skill, dan worden de volledige instructies geladen.
Dit heet progressieve openbaring, en het is hetzelfde patroon gebruikt in goed UI-ontwerp.
De Cross-Platform Belofte (En Of Het Werkelijk Levert)
Dezelfde skill.md-bestand werkt over Claude Code, Cursor, VS Code, GitHub, Goose, Letta, AMP, Open Code, Gemini CLI en Factory. Één bestand. Meerdere platforms. Geen herschrijvingen.
Ik testte het.
Ik nam mijn API-design skill en gebruikte het in drie verschillende contexten achter elkaar:
Claude Code (terminal): Gevraagd een CRUD API te bouwen voor een gebruikersbeheermodule. Het laadde de skill, volgde elke regel.
Cursor (IDE): Zelfde verzoek, ander project. Cursor pakte de skill op uit de projectmap, paste dezelfde conventies toe. De gegenereerde code was structureel identiek aan wat Claude Code produceerde.
VS Code met Copilot: Iets andere integratiepad, maar de skill laadde en de uitvoer volgde mijn regels.
Drie tools. Dezelfde instructies. Consistente uitvoer.
De Mentale Modelwissel: Van Prompts naar Draagbare Skills
Ik dacht vroeger aan AI-aanpassing als prompt-engineering. Schrijf een betere prompt, krijg een beter resultaat.
Agent skills draaien het model om. In plaats van elke AI-tool afzonderlijk aan te passen, maak je een bibliotheek van skills die elke tool kan consumeren. De skills leven in je project, niet in de configuratie van een tool. Ze reizen mee met je codebase. Ze worden version-controlled met git.
Deze verschuiving heeft een samengesteld effect dat ik niet had voorzien. Wanneer skills draagbaar zijn, begin je meer te investeren in het goed schrijven ervan. Je weet dat de moeite zich terugverdient over elke tool die je gebruikt.
Je Eerste Agent Skill Bouwen (Stap voor Stap)
Stap 1: Maak de Skillmap aan
mkdir -p skills/api-design
touch skills/api-design/skill.md
Stap 2: Schrijf de Beschrijving (Dit Is Belangrijker Dan Je Denkt)
# API Design
## Description
Creates REST API endpoints for Next.js applications with consistent response
formats, ZOD input validation, shared TypeScript types, and structured logging.
Use this skill when building any new API route or modifying existing endpoints.
Pro tip: Voeg triggerzinnen toe aan de beschrijving. "Gebruik deze skill wanneer..." vertelt de AI precies wanneer deze te activeren.
Stap 3: Schrijf Kristalheldere Instructies
Wees expliciet. De AI heeft niet de context die een senior developer heeft.
Stap 4: Voeg Referentiebestanden Toe (Optioneel maar Krachtig)
Voeg ondersteunende bestanden toe die de AI kan raadplegen:
// skills/api-design/reference/example-route.ts
import { NextRequest, NextResponse } from 'next/server';
import { CreateUserSchema } from '@/types/api/user';
export async function POST(req: NextRequest) {
const body = await req.json();
const parsed = CreateUserSchema.safeParse(body);
if (!parsed.success) {
return NextResponse.json(
{ success: false, error: { code: 'VALIDATION_ERROR', message: 'Invalid request body' } },
{ status: 400 }
);
}
return NextResponse.json({ success: true, data: {} }, { status: 201 });
}
Stap 5: Test de Skill Over Platforms
Open Claude Code en vraag: "Maak een CRUD API voor het beheren van blogposts." Kijk of het je skill laadt.
Een Skillsbibliotheek Bouwen Die Werkelijk Samenstelt
Eén skill is nuttig. Een bibliotheek van skills die samenwerken? Dat is een vermenigvuldiger die ik niet zag aankomen.
skills/
api-design/
testing-strategy/
database-migrations/
code-review/
documentation/
deployment-checklist/
Hier is waar het interessant wordt — de AI begint ze te combineren.
Wanneer ik Claude Code vraag "bouw een nieuwe functie voor gebruikersbeheer," laadt het niet alleen de API-design skill. Het herkent dat het verzoek meerdere domeinen raakt en laadt de relevante skills in volgorde.
De Eerlijke Waarheid Over Wat Agent Skills (Nog) Niet Kunnen
Contextvensterdruk is reëel. Als je twintig skills geladen hebt en de AI probeert er drie tegelijkertijd te activeren voor een complexe taak, eet je een aanzienlijk deel van je contextvenster aan instructies.
Skillconflicten zijn een echt probleem. Ik had twee skills die allebei het foutafhandelingsformaat wilden dicteren. De AI raakte verward.
Niet alle AI-tools implementeren skills gelijkelijk. Hoewel het formaat standaard is, varieert de kwaliteit van het laden van skills per platform.
Goede skills schrijven kost echte moeite. Een slecht geschreven skill is erger dan geen skill, omdat het de AI zelfverzekerd verkeerde instructies geeft.
Wat Veranderde Na Drie Weken Agent Skills
Tijd besteed aan het onderhouden van AI-instructies: Van ruwweg 3 uur per week naar ongeveer 20 minuten. Een vermindering van 90%.
Consistentie over tools: Vóór skills schatte ik misschien 60% consistentie wanneer hetzelfde verzoek naar verschillende AI-tools ging. Na skills is het dichter bij 90-95%.
Onboarding nieuwe tools: Wanneer ik vorige week een nieuwe AI-tool aan mijn workflow toevoegde, was de insteltijd vrijwel nul.
Code review-tijd op AI-gegenereerde code: Ruwweg 40% gedaald.
De Vierentwintig Uur Uitdaging
Zes maanden geleden onderhield ik afzonderlijke instructies voor elke AI-tool in mijn stack. Vandaag heb ik een draagbare skillsbibliotheek die overal werkt, verbetert met elk project, en minuten kost om uit te breiden.
Hier is wat ik je uitdaag te doen voor morgen om deze tijd: kies één workflow die je herhaalt over AI-tools — code review-regels, API-conventies, testpatronen, documentatienormen — en zet het om in een agent skill. Één skill.md-bestand. Test het in twee verschillende tools.
Je weet binnen een uur of deze aanpak werkt voor je workflow. En als je ervaring ook maar een beetje lijkt op de mijne, zul je de rest van de week besteden aan het omzetten van elke andere workflow.
Laten We Samenwerken
Wil je AI-systemen bouwen, workflows automatiseren of je technische infrastructuur opschalen? Ik help je graag.
- Fiverr (custom builds & integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise-oplossingen): ramlit.com
- ColorPark (design & branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
