Die meisten Agenten-Skills sind heute statisch. Jemand liest die Wahrheit einmal, schreibt sie in eine Markdown-Datei und deployed sie. Prozedur und Fakten werden zusammen im selben Absatz eingefroren. Dann wird die Tabelle veraltet, und der Skill weiß es nicht. Ein Registry, Owner-Feld, Versionsschema, quartalsweiser Review und Linter fügen nur ordentlichere Metadaten zu Wissen hinzu, das immer noch falsch ist.

Was wir schließlich eingestanden haben: Ein statischer Skill ist ein Cache ohne Invalidierungsprotokoll. Er cached ein Retrieval-Ergebnis hinter einer natürlichsprachlichen Aufgabenbeschreibung, ohne Dependency-Tracking, ohne TTL und ohne Möglichkeit zu bemerken, dass eine Quelle verschoben wurde. Deshalb werden Skills veraltet, vermehren sich, widersprechen sich und blähen sich auf.

Die Alternative behält Intent, Prozedur, Output-Vertrag, Guardrails und Scope in einer verfassten Datei. Jeder Fakt wird im Moment der Agenten-Anfrage gegen einen Live-Kontext-Layer aufgelöst. Das Markdown, das das Modell liest, existiert weiterhin — es ist nur ein Build-Artefakt mit der Lebensdauer eines Aufrufs.

RAG mit Metadaten-Filtern bleibt einen Schritt davor stehen: Der Filter ist ein Pro-Query-Argument, das am Call-Site assembliert wird, und die Retrieval-Einheit ist ein Chunk, gerankt nach Similarität. In diesem Modell ist ein Scope eine verfasste Konfiguration, die einmal pro Aufruf in eine einzelne Filter-Klausel kompiliert wird, die von jedem Retrieval-Pfad geteilt und auf dem Weg nach außen auf die Ergebnisse erneut angewendet wird.

MCP-Ressourcen verschieben den Fetch zur Call-Zeit, aber die Auswahl bleibt beim Client-Modell, das bereits wissen muss, welche Ressource es aus einer verfassten Enumeration anfragen soll. Die Veraltung wandert vom Content in den Index dessen, was existiert, und das Modell bezahlt seine eigene Exploration in Roundtrips.

Der tiefere Split ist, was gerankt wird. Chunk-Similarität hat keine Meinung dazu, dass eine Spalte zu einer Tabelle gehört, die zu einem Schema gehört, daher kann sie bei knappen Budget nicht die vollständigen Details einer Tabelle gegen drei Identitätszeilen von Tabellen tauschen. Dieser Tausch ist der Großteil dessen, was der Composer tut.

Dies ist ein anderes Modell für Agentenwissen: dynamisch, live und um aktuellen Kontext herum gebaut statt um eingefrorene Skill-Snapshots.

Schlüssel-Entitäten: Unternehmen: modus, Towards Data Science