Är Agent Skills nya RAG?

Det korta svaret är nej. Men Skills tar över mycket mark som RAG aldrig borde ha behövt täcka.

När Anthropic lanserade Agent Skills hösten 2025 dröjde det inte länge förrän frågan dök upp i varje arkitekturmöte: är det här nya RAG? Frågan är berättigad. RAG har varit standardsvaret i flera år på “hur ger vi AI tillgång till vår organisations kunskap?”. När något nytt dyker upp och utlovar en smartare AI för företaget är det naturligt att undra om det konkurrerar med det man redan byggt.

Det längre svaret är mer intressant — och mer användbart. För att förstå vad Skills faktiskt förändrar behöver vi börja med hur vi hamnade här.

Hur kom vi hit?

Varje steg i utvecklingen av AI-arkitektur har löst en specifik begränsning i det föregående.

Det började med ren prompting — vi instruerade modellen direkt i indata. Men kontextfönstret räckte inte till för stora kunskapsbaser. Sedan kom fine-tuning, där vi tränade om modellen på egen data. Det var dyrt, statiskt och svårt att uppdatera.

RAG löste kunskapsglappet på ett elegant sätt: hämta relevant text vid rätt tillfälle, skicka in i prompten, låt modellen formulera svar. Plötsligt kunde modellen “veta” vad vårt företag visste — utan att behöva tränas om varje vecka.

Men RAG svarade bara på frågor. Det utförde inte handlingar. Så kom verktygsanvändning och MCP — protokoll och mekanismer som gav modellen verb: läs den här databasen, skicka det här mejlet, boka det där mötet. Bra. Men kunskapen om hur verktygen skulle användas blev spridd — i prompter, i dokumentation, ibland bara i utvecklarens huvud.

Agent Skills är svaret på den splittringen. Skills paketerar procedurer — instruktion, mall, kod — i återanvändbara enheter som modellen själv plockar upp när uppgiften matchar.

Varje steg har adresserat en begränsning i det föregående. RAG löste modellen vet inte vad vi vet. Skills löser modellen vet inte hur vi gör.

Vad är RAG, egentligen?

En kort repetition. Retrieval-Augmented Generation fungerar så här: vi delar upp våra dokument — PDF:er, Word-filer, kunskapsartiklar — i mindre stycken och skapar embeddings, matematiska vektorer som representerar mening. De hamnar i en vektordatabas. När en användare ställer en fråga letar vi upp de mest semantiskt liknande styckena och skickar dem till modellen tillsammans med frågan.

Stark sida: faktauppslagning över stora, heterogena innehåll. Klassiskt exempel: “Vad säger vår resepolicy om taxi efter klockan 22?”

Vad är Agent Skills?

En Skill är en mapp. I dess rot ligger en SKILL.md — en markdown-fil med YAML-frontmatter (namn och beskrivning) följt av instruktioner i prosa. Runt om kan ligga Python-skript, Word-, Excel- och PowerPoint-mallar, referensdokument — vad än proceduren behöver.

Modellen plockar upp en Skill när uppgiften matchar dess beskrivning. Den följer instruktionerna och läser eller kör stödfilerna när det behövs.

Det är viktigt att inte sammanblanda Skills med “agentisk AI” i allmänhet. Skills är ett paketeringsformat för procedurer. Tool use, MCP-servrar och planerare är besläktade men distinkta byggblock. Skills är den form vi ger proceduralkunskap så att modellen själv kan hitta och använda den.

Den centrala skillnaden

RAG är vad organisationen vet. Skills är hur organisationen gör.

Aspekt	RAG	Agent Skills
Frågar	Vad vet vi?	Hur gör vi?
Innehåll	Fakta, dokument, policies	Rutiner, checklistor, mallar, skript
Hämtas via	Vektorsökning på likhet	Modellens omdöme om uppgiftsmatchning
Format	Embeddings i vektor-DB	Mapp med SKILL.md + stödfiler
Typiskt exempel	“Vad säger vår resepolicy?”	“Boka resa enligt vår resepolicy”
Stark sida	Snabb fakta-uppslagning	Reproducerbar process-execution
Svag sida	Ingen handling, bara svar	Måste underhållas när rutiner ändras

En metafor som ofta hjälper: tänk på en nyanställd medarbetare. RAG är arkivet i bokhyllan — där hen slår upp en faktauppgift. Skills är personalhandboken bredvid skrivbordet — den hen följer steg för steg när det är dags att göra något.

Varför Skills inte är “RAG i markdown”

Den enskilt viktigaste arkitektoniska innovationen i Skills är progressive disclosure — att information avslöjas i lager.

Det löser ett problem som blivit allt vanligare i takt med att AI-system mognat: prompt-fetma. System-prompter har svällt till väldokumenterade romaner som modellen ska orka läsa, tolka och följa varje gång den anropas. Resultatet blir ofta sämre, inte bättre — modellen tappar fokus när den simultant ska hålla reda på företagets tonalitet, GDPR-rutiner, fakturamallar och kodningskonventioner.

Progressive disclosure fungerar i tre nivåer. Först ligger metadata: namn och beskrivning från varje skill, alltid laddad i kontexten. Det är några rader text per skill. När modellen bedömer att en uppgift matchar en viss skill, laddas dess fulla SKILL.md-innehåll. Och först när skill:ens instruktioner uttryckligen ber om det, läses stödfilerna — skriptet, mallen, referensdokumentet.

Det gör att ett företag kan ha hundratals skills installerade utan att kontextfönstret blir uppblåst. Bara den handfull som är relevanta för stunden tar plats. Det ger token-ekonomi, men också något viktigare: fokus. Ju färre konkurrerande instruktioner i kontexten, desto bättre följer modellen dem. Och en naturlig minsta-privilegium-princip — känsliga rutiner exponeras bara när relevant.

Kontrasten mot RAG är subtil men avgörande. RAG hämtar via vektorlikhet — en ML-pipeline som kan missa när användarens fråga är formulerad annorlunda än källtexten. Skills väljs av modellen själv, som resonerar om vilken procedur som passar.

Progressive disclosure flyttar urvalet från en ML-pipeline till modellens egen omdömesförmåga.

Tillbaka till frågan

Så är Skills nya RAG?

Nej. Men Skills tar tillbaka territorium som RAG egentligen aldrig borde ha behövt täcka.

Under åren har RAG blivit en sopkvast för all sorts kontextinjektion. Företag har stoppat in fakta (där RAG passar perfekt) men också processer, mallar, kodningskonventioner och varumärkesriktlinjer (där RAG passar dåligt).

I en mogen arkitektur flyttar varumärkesriktlinjer och tone of voice från en passivt indexerad PDF till en granska-mot-varumarke-skill som aktivt körs på allt utgående innehåll. Processdokumentation — “så här hanterar vi en kundklagomål” — hörde aldrig hemma som retrieval-objekt utan som en procedur. Mallar och boilerplate ligger i skill-mappen och plockas upp deterministiskt, inte via vektor-likhet. Kodningskonventioner blir en code-review-skill som vet exakt vilka regler som gäller, istället för en RAG som ibland drar fram fel chunk.

Det som däremot förblir RAG-territorium är stora, dynamiska kunskapsbaser — kundregister, produktkatalog, ärendehistorik. Heterogen referensdokumentation där frågorna är öppna. Innehåll där användarens fråga och källtexten är formulerade olika och man behöver semantisk matchning. Data som ändras snabbare än man hinner skriva om en skill.

RAG har varit som ett gemensamt arkiv där alla slänger in sina papper — fakta, manualer, processbeskrivningar, mallar — och hoppas att rätt sak hittas vid rätt tillfälle. Skills är när vi äntligen får en kontorsstruktur: arkivet behåller sina fakta, men processerna flyttar till en handbok bredvid skrivbordet, mallarna till mallmappen, riktlinjerna till en kvalitetsgrupp som granskar innan publicering.

Hur det ser ut i praktiken: Nordfast Försäkring

Tänk dig Nordfast Försäkring, ett mellanstort svenskt försäkringsbolag som vill använda en AI-agent för att stötta sina handläggare. Hur fördelar de innehållet mellan RAG och Skills?

I RAG hamnar försäkringsvillkoren per produkt, regulatoriska dokument som FI:s föreskrifter och försäkringsavtalslagen, historiska skadeärenden för referens, produktblad och kundhandbok. Det är fakta och referenser — saker man slår upp.

Som Skills paketeras däremot rutinerna. skadeanmalan-bil beskriver handläggning steg för steg, inkluderar mallen för utlåtande och ett Python-skript som hämtar reparationskostnader. kvartalsrapport-solvens har checklista, Excel-mall och kod som drar siffror från datalagret. kundonboarding styr KYC-flödet med dokumentkrav. granska-utgaende-kommunikation kontrollerar tonalitet och regulatorisk korrekthet innan publicering.

Det intressanta är samspelet. En handläggare frågar agenten: “Hur hanterar jag en vattenskada där kunden har två överlappande hemförsäkringar?” Agenten matchar mot beskrivningen i skadeanmalan-overlapp och plockar upp den skill:en. Skill:ens instruktioner ber agenten under tiden slå upp exakt formulering om dubbelförsäkring i FAL via RAG. Resultatet: en korrekt, processmässig handläggning där RAG levererar fakta och Skill levererar förlopp.

En Skill är ofta en konsument av RAG, inte ett alternativ till den.

Stringens i varumärket — ett konkret affärsfall

Många organisationer brottas med en specifik utmaning när AI börjar generera kundkommunikation: hur håller vi tonen och budskapet konsekventa över alla kanaler?

Här lyser arbetsfördelningen. RAG fungerar som “Source of Truth” — tone of voice-dokument, grafisk manual, ordlista och historiska kampanjer indexeras och fungerar som passiv referens. Skills står för aktiv granskning. En granska-mot-varumarke-skill kan köras som sista steg innan publicering. Den är inte beroende av att modellen råkar minnas riktlinjerna; den tillämpar dem deterministiskt.

Resultatet är en konsekvent röst oavsett kanal, oavsett vem — eller vilken agent — som producerade innehållet.

RAG ser till att du inte pratar strunt. Skills ser till att du faktiskt får saker gjorda på rätt sätt.

Praktiska implikationer

För den som ska börja bygga finns några frågor värda att tänka igenom tidigt.

Governance. Vem äger skills? Vem äger RAG-innehållet? Olika typer av kunskap har ofta olika ägare i organisationen — IT äger sällan varumärket, marknad äger sällan compliance.

Säkerhet. Skills kan exekvera kod. Det innebär en helt annan riskmodell än passiv RAG. En illa skriven skill kan göra mer skada än ett illa indexerat dokument. Lösningen är sandlådekörning — agenten kör skill:ens kod i en isolerad miljö, typiskt en Docker-container utan tillgång till produktionssystem, så att en felaktig eller illvillig instruktion inte kan röra något känsligt. Det här bör vara en obligatorisk del av arkitekturen från dag ett, inte ett efterhandstillägg.

Underhåll. Skills åldras snabbare än fakta. När en process ändras måste skill:en uppdateras — annars utför agenten gårdagens rutin på dagens uppgift.

Upptäckbarhet. Beskrivningen i skill:ens frontmatter är kritisk. Skriver man dåliga beskrivningar plockas fel skill upp, eller ingen alls. Det är prompt engineering förklätt till metadata.

Vår erfarenhet på Decerno är att kunder ofta börjar med RAG, upptäcker att deras processdokumentation egentligen inte hör hemma där, och behöver hjälp att fördela om innehållet i ett senare skede. Att tänka på fördelningen från början sparar arkitekturskuld.

Det slutgiltiga svaret

Är Agent Skills nya RAG? Nej. Skills är vad RAG aldrig borde ha försökt vara.

Vi har lagt år på att stoppa procedurer, mallar och riktlinjer i en arkitektur som var byggd för faktauppslagning. Nu får varje typ av kunskap ett hem som passar den. RAG behåller arkivet. Skills tar handboken.

Den större förflyttningen är att vi rör oss från generella AI-bottar mot specialiserade agenter. Genom att bygga upp ett internt bibliotek av färdigheter — varje skill en avgränsad expertis — får organisationen en AI som inte bara pratar om sitt arbete utan faktiskt utför det. Och organisationer som ser skillnaden kommer att bygga AI som fungerar i drift, inte bara i demo.