Casi todas las herramientas de programación que usamos están pensadas para una persona: alguien que abre la terminal, lee la ayuda, escribe un comando, mira el resultado y decide el siguiente paso. Skillpipe es lo contrario. Lo construí asumiendo que quien teclea los comandos no es un humano, sino un agente de IA. Y esa decisión lo cambia todo: desde la arquitectura hasta cómo se instala.
En este post te enseño por encima qué es Skillpipe, cómo se instala y, sobre todo, el truco que más me gusta: al arrancar, el CLI instala su propio manual de instrucciones dentro del agente. Nada de profundidad técnica. La idea es que entiendas cómo se diseña un producto para que lo opere una máquina.
Primero: ¿qué es un CLI?
CLI son las siglas de Command Line Interface, interfaz de línea de comandos. Es un programa que no tiene botones ni ventanas: lo usas escribiendo órdenes en la terminal. git, npm o docker son CLIs. Escribes algo como git status, pulsas Enter, y el programa te responde con texto.
¿Por qué un CLI y no una app con interfaz bonita? Porque el texto es el lenguaje universal de las máquinas. Un humano prefiere clicar; un agente prefiere escribir un comando y leer la respuesta. Un CLI bien hecho es, de hecho, la forma más natural de darle manos a un agente: le das un programa que entiende órdenes de texto y devuelve resultados de texto, y ya puede actuar sobre tu sistema.
Esa es la base sobre la que se apoya todo lo demás.
El problema que resuelve Skillpipe
Los agentes modernos como Claude Code aprenden a hacer tareas leyendo skills: documentos en Markdown que les dicen cuándo activarse, qué pasos seguir y qué evitar. No es código que el agente ejecuta; son instrucciones que el agente lee y obedece.
El problema aparece cuando trabajas en varios sitios. Tienes una skill genial en tu portátil, otra versión ligeramente distinta en el ordenador del trabajo, y un compañero tiene una tercera. Las mejoras que haces en una no llegan a las demás. Cada máquina acaba con su propia copia desincronizada.
Skillpipe pone orden con una idea simple: una única fuente de verdad en un repositorio de GitHub. Defines tus skills una vez, las instalas en el agente con un comando, las mantienes actualizadas con otro, y cuando el propio agente quiere mejorar una skill, abre un Pull Request para que un humano lo revise. Es Git, pero para el cerebro de tu agente.
Puedes ver el producto y empezar a usarlo en levanteapp.com/skillpipe.
Cómo se instala y se pone en marcha
El flujo de arranque cabe en cuatro comandos. Esta es la parte que enseño en el vídeo:
npm install -g skillpipe # 1. instalar el CLI
skillpipe init # 2. inicializar el proyecto
skillpipe repo connect https://github.com/tu/skills # 3. conectar tu repo de skills
skillpipe install brand-analysis # 4. instalar una skillEl primero descarga el programa. El tercero conecta tu fuente de verdad. El cuarto copia una skill concreta al agente. Pero el interesante, el que justifica todo el diseño, es el segundo.
El truco: la skill que se instala sola al iniciar
Cuando ejecutas skillpipe init, además de crear la configuración, Skillpipe instala automáticamente una skill llamada skillpipe-cli dentro de tu proyecto.
¿Qué contiene esa skill? El manual de operación del propio CLI: cuándo usar cada comando, en qué orden, qué errores significan qué, qué reglas no romper nunca. Está escrita para una IA, no para una persona.
El efecto es precioso: lo primero que ve un agente al entrar en el proyecto es un documento que le enseña a usar Skillpipe correctamente. No tienes que explicárselo tú. No tiene que adivinar la sintaxis ni leerse la documentación. Abre el proyecto, encuentra la skill, y ya sabe operar la herramienta.
Piénsalo al revés: si el usuario fuera humano, esto no tendría sentido. Una persona leería el README. Pero un agente necesita que las instrucciones estén donde él las busca, en el formato que él consume. Por eso el producto se trae su propio manual y lo deja en la puerta de entrada. Es lo que en el repo llamamos bootstrap: el CLI siembra su propio conocimiento en el agente antes de que este haga nada.
Por qué esto solo tiene sentido para un agente
Hay tres decisiones de diseño que serían raras en una herramienta para humanos y que en cambio son lógicas cuando el usuario es una IA:
1. El manual se autoinstala. Ya lo hemos visto. Un humano lee docs; un agente necesita la skill servida en su carpeta.
2. La validación es paranoica. Antes de instalar cualquier skill, Skillpipe la revisa: comprueba el formato, escanea en busca de claves o secretos filtrados y detecta instrucciones peligrosas. ¿Por qué tanto control? Porque una skill no es un archivo cualquiera: es algo que el agente va a ejecutar con su criterio. Una instrucción destructiva o una API key colada dentro son un riesgo real, así que se filtran antes de que entren.
3. Las mejoras van por Pull Request, nunca directas. Cuando el agente decide que una skill se puede mejorar, no reescribe la fuente de verdad a lo loco. El comando propose crea una rama, hace commit y abre un PR para que un humano lo revise. Le das al agente autonomía para proponer, pero con un freno humano antes de tocar lo importante. Confianza con red de seguridad.
Un poco sobre el proyecto
Skillpipe nació de un picor muy concreto: estaba creando skills para mis agentes y me cansé de copiarlas a mano entre máquinas y proyectos. Quería el flujo que ya tengo con el código (una fuente de verdad en Git, versiones, revisión por PR), pero aplicado a las instrucciones que gobiernan a los agentes.
Lo que terminó siendo es un ejemplo pequeño pero honesto de una idea más grande: si vas a construir software para que lo use un agente, las reglas cambian. El usuario no clica, lee texto. No recuerda la sintaxis entre sesiones, así que se la sirves. No deberías confiarle cambios irreversibles, así que le pones un PR de por medio. El producto deja de optimizar para "que sea cómodo de mirar" y empieza a optimizar para "que sea seguro y claro de operar por una máquina".
Esto es solo el principio de una forma distinta de diseñar herramientas. Cada vez más trabajo lo va a ejecutar un agente, y las herramientas que mejor funcionen serán las que asuman eso desde la primera línea de código, no las que lo añadan como parche al final.
Si estás construyendo para agentes, te dejo la pregunta que me hago yo con cada decisión: ¿esto lo estoy diseñando para una persona que mira, o para una máquina que actúa? La respuesta cambia el producto entero.
¿Quieres probarlo con tu propio agente? Tienes Skillpipe en levanteapp.com/skillpipe.



