Skills, MCPs e subagentes: quando usar cada um

A explosão de terminologias na programação com IA

Com o avanço acelerado das ferramentas de inteligência artificial, a comunidade de desenvolvimento enfrenta um crescimento exponencial de termos e conceitos. Skills, Prompts, Projetos, MCPs, subagentes — a lista continua expandindo, gerando confusão mesmo entre desenvolvedores experientes. O vídeo proposto pelo Rafael Quintanilha, criador do canal QuantBrasil, busca desmistificar esse cenário utilizando o guia oficial da Anthropic como fundação. A proposta central é clara: entender profundamente quando usar cada ferramenta e como estruturar aplicações com IA de forma mais eficiente e econômica em termos de consumo de tokens.

Skills: a ferramenta de Progressive Disclosure

As Skills representam um conceito fundamental na organização de agentes de IA modernos. Diferentemente de outras abordagens, as Skills implementam o conceito de progressive disclosure — revelação progressiva de funcionalidades. Isso significa que um agente começa com um conjunto limitado de capacidades visíveis, e apenas quando necessário, novas skills são ativadas e apresentadas ao modelo de linguagem. Essa estratégia oferece múltiplas vantagens: reduz o contexto inicial enviado para o modelo, economizando tokens preciosos, minimiza distrações e garante que a IA tenha acesso apenas às funcionalidades relevantes para a tarefa atual. O vídeo aprofunda-se em como as Skills funcionam na prática, mostrando exemplos concretos de como implementá-las e os ganhos reais em eficiência que podem ser alcançados.

Prompts: a base tradicional de instrução

Os Prompts continuam sendo o elemento mais fundamental na interação com modelos de IA. Um prompt bem estruturado fornece contexto, define o comportamento esperado e estabelece os limites da resposta que o modelo deve fornecer. O vídeo examina como os prompts se diferenciam das outras abordagens e qual é seu papel específico dentro de um ecossistema maior de ferramentas. Embora pareça elementar, a engenharia de prompts é uma disciplina complexa que influencia diretamente na qualidade das respostas geradas. O conteúdo aborda como prompts podem ser otimizados para economizar tokens e melhorar a clareza das instruções sem perder eficácia.

Projetos: agregação de contexto e escopo

Os Projetos funcionam como agregadores de contexto e escopo, permitindo que desenvolvedores agrupem Skills, prompts e outras recursos sob um guarda-chuva conceitual. Um projeto define o contexto geral de uma aplicação — qual é seu propósito, quais dados ela acessa, quais transformações ela realiza. Essa estrutura oferece isolamento de escopo, ou seja, quando um agente trabalha dentro de um projeto específico, ele possui um conjunto bem definido de recursos e limitações. O vídeo demonstra como Projects facilitam a manutenção de aplicações complexas e como eles se relacionam com outras abstrações, particularmente com Subagentes.

Subagentes: isolamento de contexto para operações especializadas

Os Subagentes representam uma estratégia sofisticada de divisão de trabalho. Em vez de um único agente monolítico que tenta lidar com todas as tarefas, subagentes são instâncias especializadas que cuidam de aspectos específicos de um problema maior. A grande vantagem é o isolamento de contexto: cada subagente recebe apenas as informações relevantes para sua tarefa, evitando poluição contextual. Isso resulta em respostas mais precisas, consumo menor de tokens e melhor rastreabilidade do que cada componente está fazendo. O vídeo compara diretamente Skills com Subagentes, mostrando que Skills são úteis quando o trabalho permanece dentro de um agente, enquanto Subagentes são preferíveis quando diferentes domínios de conhecimento ou tarefas especializadas precisam ser isoladas.

MCPs: protocolo de extensão para capacidades externas

Model Context Protocol (MCP) é uma camada de abstração que permite que agentes de IA se conectem a recursos externos — APIs, bases de dados, serviços web — de maneira padronizada. Os MCPs funcionam como adaptadores que traduzem as necessidades do modelo de linguagem para as interfaces dos sistemas externos. Diferentemente de Skills ou Subagentes que operam dentro da lógica do agente, MCPs são o mecanismo através do qual agentes ganham acesso a informações dinâmicas e operações em sistemas reais. O vídeo explora como MCPs se integram com o ecossistema Anthropic e quando são absolutamente necessários para estender as capacidades de um agente além de seu conhecimento estático.

Matriz comparativa: entender as diferenças práticas

Uma seção especialmente importante do vídeo é a matriz comparativa entre Skills, Prompts, Projetos, Subagentes e MCPs. Essa visão sinóptica ajuda desenvolvedores a tomar decisões rápidas sobre qual ferramenta usar em cada cenário. Skills são ideais para agrupar funcionalidades relacionadas que o agente ativa conforme necessário. Prompts são a base de qualquer interação, estabelecendo o tom e as regras. Projetos agregam recursos e definem escopo. Subagentes são perfeitos quando há especialização clara e necessidade de isolamento contextual. MCPs são fundamentais quando integração com sistemas externos é requerida. O vídeo não apenas lista essas diferenças, mas fornece casos de uso concretos para cada um.

Engenharia de Contexto como filosofia central

Todos esses conceitos convergem para um princípio maior: a Engenharia de Contexto. A ideia central é que o contexto fornecido a um modelo de linguagem deve ser cuidadosamente curado, estruturado e entregue no momento certo. Quanto melhor estruturado o contexto, melhor a resposta; quanto menos tokens desnecessários consumidos, menor o custo e maior a velocidade. O vídeo demonstra que Skills, através do progressive disclosure, MCPs, através da integração com sistemas específicos, e Subagentes, através do isolamento contextual, são todas estratégias para alcançar essa meta comum de eficiência máxima. Compreender essas ferramentas não é sobre memorizar definições, mas sobre absorver uma filosofia de design que coloca a estruturação inteligente do contexto no centro de tudo.