FastAPI liefert seit Version 0.133.0 eine offizielle SKILL.md im Package mit. Klingt nach einer kleinen Datei. Ist aber der Anfang einer fundamentalen Verschiebung: Libraries bringen ihren KI-Agenten jetzt selbst bei, wie man mit ihnen arbeitet.
Kurzfassung für den ersten Schluck:
Agent Skills sind standardisierte Anleitungen, die KI-Coding-Agenten sagen, wie sie mit einem bestimmten Tool arbeiten sollen. Bisher hat man die selbst geschrieben oder gehofft, dass das Training ausreicht. Jetzt können Library-Maintainer diese Skills direkt mit ihrer Library ausliefern. Aktuelles Wissen, Best Practices, neue Features — automatisch verfügbar, sobald du die Library updatest.
Das Problem: Dein Agent lebt in der Vergangenheit
Du nutzt Claude Code, Cursor, Copilot oder Codex zum Programmieren. Du sagst: „Bau mir eine FastAPI-App mit Streaming-Responses." Und dein Agent schreibt dir Code, der vor acht Monaten korrekt war — aber die neuen SSE-Features, die yield-basierte Streaming-Syntax oder die Strict Content-Type Checks von heute nicht kennt.
Das ist kein Bug. Das ist ein Strukturproblem. LLMs haben einen Knowledge-Cutoff. Egal wie gut das Modell trainiert ist — es kennt die Welt nur bis zu einem bestimmten Datum. Alles danach ist blinder Fleck.
Für stabile, gut dokumentierte Patterns ist das kein Problem. React Hooks, Express Middleware, Tailwind-Klassen — davon gibt es genug Trainingsdaten. Aber an der Frontier — neue Tools, Major-Version-Wechsel, neue API-Patterns — halluziniert der Agent, verwechselt Versionen und übersieht Breaking Changes.
Die Lösung: Libraries bringen ihr eigenes Wissen mit
Sebastián Ramírez, der Macher hinter FastAPI, hat im Februar 2026 etwas Simples aber Wirkungsvolles gebaut: Eine SKILL.md-Datei, die direkt im FastAPI-Package liegt. Nicht als externe Doku. Nicht als Community-Projekt. Sondern als Teil der Library selbst.
Der Pfad sieht so aus:
Ein Coding-Agent — ob Claude Code, Cursor, Codex oder Gemini CLI — scannt das lokale Environment, findet diese Dateien und lädt sie bei Bedarf. Keine Konfiguration. Kein manuelles Kopieren. Du installierst die Library, der Agent wird schlauer. Du updatest die Library, das Wissen aktualisiert sich mit.
Das klingt banal. Ist es nicht.
Was Agent Skills eigentlich sind
Agent Skills sind ein offener Standard, den Anthropic unter agentskills.io veröffentlicht hat. Im Kern: ein Ordner mit einer SKILL.md-Datei plus optionalen Scripten und Referenzdokumenten.
Die SKILL.md enthält YAML-Frontmatter (Name, Beschreibung) gefolgt von Markdown-Instruktionen. Der Agent entscheidet über die Beschreibung, ob der Skill relevant ist, und lädt bei Bedarf die vollständige Anleitung. Das Prinzip heißt Progressive Disclosure: Metadaten sind immer sichtbar, Details nur bei Aktivierung.
Der Standard ist bewusst minimal gehalten. Die gesamte Spezifikation passt in wenige Bildschirmseiten. Das macht Adoption leicht — und das war genau der Plan. Innerhalb weniger Monate haben Microsoft, OpenAI, GitHub, Cursor, VS Code, Figma und Atlassian den Standard übernommen.
Was Tiangolo anders macht
Agent Skills gab es vorher schon. Der Unterschied bei Tiangolo ist, wo der Skill lebt: nicht in einem externen Repository, nicht in einem Marketplace, nicht in der .cursor/-Config des Users. Sondern im Package selbst.
Das ist der gleiche Verteilungskanal wie der Code. Wenn du pip install fastapi==0.133.1 ausführst, hast du automatisch den Skill der Version 0.133.1. Kein Versionsmismatch. Kein veraltetes Community-Wiki. Die Library-Maintainer — die Leute, die den Code am besten kennen — sind auch die Autoren der Instruktionen.
Tiangolo hat angekündigt, das gleiche Prinzip auf Typer, SQLModel und seine anderen Libraries auszuweiten. TanStack (bekannt für React Query, Router, Table) hat mit @tanstack/intent bereits ein eigenes CLI gebaut, das Library-Skills automatisch generiert, validiert und mit npm-Packages ausliefert.
Wer schon mitmacht
Die Awesome-Listen auf GitHub zählen inzwischen über 500 Skills von offiziellen Entwicklerteams und der Community. Microsoft allein hat 132 Skills für Azure SDKs veröffentlicht — mit automatisierten Tests und einem Wizard zur Installation.
Warum das mehr ist als eine nette Doku-Ergänzung
Drei Gründe, warum Library Agent Skills ein Paradigmenwechsel sind:
1. Wissen reist mit dem Code. Bisher gab es eine fundamentale Trennung: Code wird über Package Manager verteilt, Wissen über das Training des Modells (oder manuell per Prompt). Library Skills vereinen beides im selben Kanal. npm update aktualisiert gleichzeitig den Code und das Wissen darüber.
2. Offizielle Quelle statt Community-Roulette. Wer hat den besten Cursor-Rule für NextJS? Welche .cursorrules-Datei ist aktuell? Welche Community-SKILL.md wurde seit sechs Monaten nicht mehr gepflegt? Library Skills eliminieren dieses Problem. Die Maintainer — die den Code geschrieben haben — schreiben auch die Instruktionen.
3. Agent-agnostisch per Design. Ein SKILL.md funktioniert in Claude Code, Cursor, Copilot, Codex, Gemini CLI, Amp, Goose und jedem anderen Tool, das den Standard unterstützt. Write once, use everywhere. Kein Vendor Lock-in.
Die Kehrseite: Supply Chain Security
Wo es Packages gibt, gibt es Supply-Chain-Angriffe. Ein Security-Audit von Koi Security hat 2.857 Skills untersucht und bei 12% bösartige Inhalte gefunden — Prompt Injection, versteckte Datenexfiltration, Remote Code Execution via Skill-Scripte.
Das Argument der Befürworter: Wer eine Library installiert, führt deren Code ohnehin aus. Der Skill hat nicht mehr Privilegien als die Library selbst. Das stimmt — aber nur teilweise. Ein Skill kann den Agenten instruieren, Dinge zu tun, die über die Library hinausgehen: Dateien lesen, Netzwerk-Requests senden, andere Tools aufrufen.
Die Industrie reagiert: Vercel betreibt mit skills.sh ein Security-Scanning. Grith.ai scannt Skills auf mehreren Ebenen. Und die meisten Coding-Agenten zeigen inzwischen explizite Warnungen vor der Ausführung unbekannter Skills.
Für Library Agent Skills im engeren Sinne — also Skills, die direkt von vertrauenswürdigen Maintainern in bekannten Packages verteilt werden — ist das Risiko deutlich geringer als bei zufälligen Community-Skills aus Marketplaces. Trotzdem: Augen auf.
Was das für Entwickler bedeutet
Kurzfristig: Nichts tun. Einfach Libraries updaten und einen Coding-Agenten nutzen, der Agent Skills unterstützt. Das Wissen fließt automatisch.
Mittelfristig: Prüfe, ob deine Kern-Libraries bereits Skills mitliefern. Wenn nicht, schreib dem Maintainer ein Issue. Je mehr Libraries Skills ausliefern, desto weniger manuelles Prompt-Engineering brauchst du.
Langfristig: Die Vision ist ein generischer Agent-Runtime, der dynamisch Skills lädt — statt dutzende spezialisierte Agenten zu bauen. Nicht mehr „der Coding-Agent", „der Research-Agent", „der Data-Agent", sondern ein Agent, der je nach Aufgabe die passenden Skills aktiviert.
Zeitleiste: Wie schnell das ging
Fazit: Die Library wird zum Lehrer
Es gibt Entwicklungen, die im Moment nach einem kleinen Feature klingen und im Rückblick als Wendepunkt gelten. Library Agent Skills haben das Potenzial, genau so eine Entwicklung zu sein.
Die Idee ist einfach: Wer den Code schreibt, schreibt auch die Anleitung für den Agenten. Wer die Library updatet, updatet das Wissen. Kein Knowledge-Cutoff, kein veraltetes Community-Wiki, kein manuelles Prompt-Engineering.
FastAPI hat vorgemacht, wie das aussieht. TanStack hat gezeigt, wie man es skaliert. Microsoft hat gezeigt, dass es auch für Enterprise funktioniert. Und der offene Standard sorgt dafür, dass es kein Vendor Lock-in gibt.
Die nächste Frage ist nicht ob sich Library Agent Skills durchsetzen. Sondern wie schnell deine Lieblings-Library nachzieht.