Creación y Mejora Autónoma de Habilidades
De la experiencia compleja a la memoria procedimental reutilizable
De herramienta a memoria procedimental
Cómo un agente transforma experiencias complejas en habilidades reutilizables que evolucionan con el uso
En la primera entrega de esta serie —Bucle de Aprendizaje Cerrado— vimos cómo un agente puede observar el resultado de sus propias acciones, identificar qué funcionó y qué debe cambiar, y usar esa evidencia para mejorar. Esta segunda parte profundiza en el mecanismo que hace visible y reutilizable ese aprendizaje: la creación y evolución autónoma de Skills.
Una Skill no es un prompt largo guardado en un cajón. Es un módulo de conocimiento y comportamiento que reúne un objetivo, condiciones de activación, un procedimiento paso a paso, recursos y criterios de validación. Actúa como una pieza specializada que el agente puede descubrir, invocar, combinar, versionar y perfeccionar cuando la evidencia demuestra que debe hacerlo.
Idea central: una Skill no es un dato guardado, es una competencia adquirida — un patrón de acción que el agente reconoce, invoca y refina, tal como lo haría un empleado que gana experiencia en su puesto.
De herramienta a habilidad
La diferencia fundamental entre ejecutar una acción aislada y dominar un tipo de tarea
Una herramienta ejecuta una operación aislada: consultar una API, leer un archivo, hacer una búsqueda. Una Skill, en cambio, organiza varias operaciones dentro de una estrategia orientada a un resultado: decide cuándo usar una herramienta, en qué orden, con qué parámetros y cómo comprobar la respuesta.
Una herramienta responde a «¿qué puedo hacer?»; una Skill responde a «¿cómo resuelvo correctamente este tipo de tarea?».
| Elemento | Función | Ejemplo |
|---|---|---|
| Herramienta | Ejecuta una acción aislada | Consultar el estado de un pedido |
| Skill | Coordina acciones y reglas | Investigar, verificar, clasificar y responder sobre pedidos |
| Memoria episódica | Conserva lo ocurrido | El intento anterior falló por un campo ausente |
| Memoria procedimental | Conserva cómo actuar | Antes de consultar, validar siempre el identificador |
Anatomía de una Skill autónoma
La estructura explícita que evita que la memoria del agente se convierta en un depósito caótico
Para que un agente cree y mantenga Skills sin convertir su memoria en un depósito caótico, cada habilidad necesita una estructura explícita. En Hermes Agent esto se materializa como un archivo SKILL.md con frontmatter YAML, siguiendo el estándar abierto agentskills.io, acompañado opcionalmente de scripts, plantillas y referencias.
references/, scripts/, templates/ y tests/
El archivo principal debe ser conciso y orientar al agente hacia los recursos adecuados: las instrucciones extensas y las operaciones deterministas conviene separarlas en scripts, reduciendo ambigüedad y facilitando el mantenimiento. Este principio se conoce como «progressive disclosure»: el agente recibe primero solo el nombre y la descripción de la Skill —unos 100 tokens— y carga el resto únicamente cuando la tarea la necesita.
Cómo nace una Skill nueva
El pipeline de creación autónoma en cuatro pasos, activado solo cuando existe recurrencia real
La creación autónoma no ocurre en cada tarea — sería ruido, no aprendizaje. El agente estima si existe recurrencia, estabilidad y beneficio esperado antes de sintetizar una nueva habilidad. Entre las señales de oportunidad más comunes están:
Pipeline de creación en cuatro pasos
De la experiencia cruda al módulo reutilizable: detección, abstracción, síntesis y publicación
Detección / Captura
El agente registra objetivo, contexto, acciones, herramientas, resultados y marca la trayectoria como candidata a documentación.
Abstracción
Separa lo específico de la tarea (el dato puntual, el nombre del cliente, la fecha) de lo generalizable (la secuencia de pasos, las condiciones de decisión, los errores típicos).
Síntesis (SKILL.md)
Redacta el documento con frontmatter estructurado y procedimiento paso a paso, siguiendo el estándar agentskills.io.
Publicación y observación
Indexa la Skill en su biblioteca (SQLite + FTS5) como borrador, candidata o versión activa según el riesgo, y mide su desempeño en usos posteriores.
Autonomía ≠ autoaprobación ilimitada: una Skill que solo redacta un resumen puede publicarse con poca fricción; una Skill que modifica registros, envía comunicaciones o toma decisiones sensibles necesita revisión, permisos y controles más estrictos.
Cómo mejora una Skill (no es estática)
El ciclo de evolución continua:
observar → diagnosticar → proponer → probar → comparar → promover o revertir
Crear la Skill es solo la primera mitad del proceso. Su verdadero valor aparece cuando el agente vuelve a usarla, mide el resultado y decide si el documento necesita un ajuste. El ciclo recomendado es: observar → diagnosticar → proponer → probar → comparar → promover o revertir, siempre contra una versión base y nunca contra la impresión subjetiva del último resultado.
| Señal | Pregunta de diagnóstico | Cambio posible |
|---|---|---|
| Error de ejecución | ¿Qué paso o herramienta falló? | Añadir precondición, reintento o ruta alternativa |
| Corrección humana | ¿Qué criterio faltó? | Incorporar regla o ejemplo validado |
| Baja calidad | ¿Qué parte no cumple el estándar? | Modificar plantilla, checklist o validador |
| Alto costo | ¿Qué pasos son innecesarios? | Reordenar tareas o usar una ruta más corta |
| Resultado inconsistente | ¿Qué variable no estaba controlada? | Fijar formato, límites o criterios de decisión |
Un principio importante es la reversibilidad: cada cambio debe poder rastrearse, compararse y deshacerse. La Skill conserva qué cambió, por qué cambió, qué pruebas superó y en qué condiciones se recomienda no aplicarla — igual que el historial de versiones del código de una aplicación.
Anatomía de una mejora real: web-scraping-with-retry
Cómo una Skill evoluciona de v1.0.0 a v1.2.0 tras encontrar fallos en sitios con contenido dinámico
Tomemos una Skill de extracción web. Un agente recibe repetidamente tareas de scraping y descubre que algunos sitios entregan HTML estático mientras otros dependen de JavaScript. Tras fallar tres veces en sitios con contenido dinámico, la propia Skill se actualiza:
---
name: web-scraping-with-retry
version: 1.0.0
success_rate: 0.81
total_executions: 12
trigger_conditions:
- "user requests web scraping"
---
## Anti-Patterns to Avoid
- Never scrape without checking robots.txt---
name: web-scraping-with-retry
version: 1.2.0
success_rate: 0.94
total_executions: 47
trigger_conditions:
- "user requests web scraping"
- "task involves extracting data from websites"
---
## Procedure
### Step 2: Choose Strategy
- Static HTML → use fetch_url
- Dynamic/SPA → use browser_navigate + wait
## Anti-Patterns to Avoid
- Never scrape without checking robots.txt
- Never use fixed sleep() — use element-wait
conditionsEl documento no fue reescrito por un humano: el propio agente identificó el patrón de falla, añadió la rama de decisión «Dynamic/SPA» y documentó el anti-patrón del sleep() fijo como lección aprendida. El campo success_rate pasó de 0.81 a 0.94 y las ejecuciones acumuladas de 12 a 47: la mejora se mide, no se supone.
¿Por qué llamarlo memoria procedimental?
La diferencia fundamental entre recordar qué pasó y recordar cómo actuar
| Memoria episódica | Memoria procedimental | |
|---|---|---|
| ¿Qué guarda? | Hechos y eventos puntuales de una conversación | Un procedimiento probado, generalizable a tareas futuras |
| ¿Dónde vive? | Historial de mensajes / logs de sesión | Archivo SKILL.md versionado en la biblioteca del agente |
| ¿Cómo se usa? | Se recupera para dar contexto («¿qué dijo el usuario?») | Se carga para guiar la ejecución («¿cómo se hace esto?») |
| ¿Mejora con el uso? | No — es un registro estático del pasado | Sí — cada ejecución puede refinar la versión siguiente |
Auto-mejora sin control: el riesgo real
Mecanismos de control, métricas y límites para que la evolución autónoma sea segura y trazable
Una Skill que aprende también puede aprender malas prácticas. La memoria procedimental debe tratarse como código o configuración operativa: necesita control de versiones, revisión, trazabilidad, pruebas y límites. En sistemas con datos personales, financieros o acciones externas, la minimización de permisos y la supervisión humana son parte del diseño, no un añadido.
Métricas para medir la evolución
Lo que no se mide no se mejora: KPIs que convierten el aprendizaje en una métrica de negocio
Tasa de éxito
Proporción de tareas resueltas correctamente (success_rate). El indicador principal de que la Skill funciona.
Tasa de reutilización
Frecuencia con la que la Skill aporta valor en tareas posteriores. Mide si el esfuerzo de documentarla valió la pena.
Correcciones por tarea
Cuánta intervención humana sigue requiriendo la Skill. Una Skill madura debería tender a cero correcciones.
Consistencia
Variación de resultados ante entradas equivalentes. Una buena Skill produce resultados predecibles.
Costo operativo
Tokens, llamadas y tiempo consumido. Cargar una Skill ya escrita debe ser más barato que re-derivar el procedimiento.
Seguridad
Bloqueos correctos y acciones no autorizadas evitadas. La mejora no puede comprometer la seguridad.
Principio: una mejora no es buena solo porque aumente la tasa de éxito en un caso puntual: debe conservar o mejorar seguridad, trazabilidad y comportamiento en casos límite. El objetivo es optimizar el conjunto, no sobreajustar la habilidad a una experiencia concreta.
Por qué esto importa en un caso como FideContable
De la teoría a la práctica: Skills autónomas en un entorno regulatorio real
En una plataforma donde cada agente clona un rol de oficina —contador, técnico comercial, administrador— bajo un marco regulatorio específico (Ley 189-11, DGII, NIIF-PYMES), la creación autónoma de Skills tiene una consecuencia directa: el agente no vuelve a razonar desde cero cada vez que concilia un banco o clasifica un comprobante fiscal. La segunda vez que resuelve el mismo tipo de caso, lo hace con menos pasos, menos tokens y menor probabilidad de error.
Videos Recomendados
Recursos audiovisuales para profundizar en la creación autónoma de habilidades, la memoria procedimental y el ecosistema de Skills en agentes de IA
Hermes Skills: How Agents Learn Repeatable Workflows
Explica cómo Hermes convierte procedimientos repetibles en manuales bajo demanda (SKILL.md) sin saturar cada conversación con instrucciones que no se van a usar, y cómo el agente decide cuándo documentar una nueva habilidad.
Ver VideoTu Agente IA Ahora Tiene Memoria Infinita
Muestra cómo dar memoria de largo plazo a Hermes Agent conectándolo con fuentes externas de conocimiento, complementando la memoria procedimental (Skills) con memoria documental persistente.
Ver VideoCurso de Claude Code (Skills, MCP, SubAgents)
Curso práctico que cubre Skills, servidores MCP y subagentes en Claude Code: útil para entender el estándar SKILL.md desde una implementación distinta a Hermes y comparar enfoques.
Ver VideoSkills Autónomas en Acción
El ciclo completo: de la experiencia a la habilidad reutilizable
De la experiencia aislada a la capacidad permanente
El puente entre una experiencia única y una competencia durable
La creación y mejora autónoma de Skills es el puente entre una experiencia aislada y una capacidad permanente. Cuando un agente transforma una secuencia compleja en un módulo reutilizable, cada nuevo uso puede partir de un punto más avanzado y no repetir los mismos errores.
El resultado no es un agente que se reentrena sin control, sino un agente que aprende de forma operacional: descubre procedimientos, los prueba, mide su utilidad y los evoluciona con trazabilidad. Así se materializa la promesa de «El Agente que Crece Contigo»: crecer no significa actuar sin límites, sino convertirse progresivamente en un colaborador más competente, consistente y gobernable.
Construyamos Skills Autónomas para tu Negocio
Como desarrollador Full Stack especializado en agentes de IA, puedo ayudarte a implementar un sistema de habilidades autónomas con trazabilidad, gobernanza y mejora continua.
Hablemos