Como transformamos os fluxos de trabalho diários de uma agência em habilidades instaláveis do Claude

Eu administro uma pequena agência de marketing digital. A maioria das semanas se parece com a mesma coisa por dentro: uma auditoria técnica de SEO para um cliente, marcação de esquema para outro, uma revisão de conta de anúncios, um lote de briefs de conteúdo e os relatórios mensais que juntam tudo. Nenhum desses trabalhos é misterioso. Cada um segue um procedimento que refinei ao longo dos anos, fazendo-o errado e depois fazendo-o um pouco menos errado. O problema nunca foi saber o que fazer. O problema era que toda vez que entregava um desses trabalhos a uma IA de propósito geral, eu começava com um prompt vazio e reexplicava todo o procedimento do zero.

Então, tentamos a solução óbvia primeiro: uma grande biblioteca de prompts. Isso não funcionou. Um prompt captura as palavras que você digitou naquele dia, mas não o procedimento por trás delas, e esquece tudo no momento em que o chat termina. Cole o mesmo prompt na próxima semana e o modelo não tem memória dos cinquenta casos extremos que você aprendeu da maneira mais difícil. Esta é a história do que construímos em vez disso, e a distinção entre habilidades, MCP e agentes que finalmente fez tudo se encaixar. Se você construir com Claude ou qualquer modelo compatível com MCP, parte disso pode economizar um desvio.

Por que um pacote de prompts era a forma errada

A percepção que levou muito tempo para alcançarmos: o valor em uma agência não está no prompt, mas no julgamento acumulado. Qual tipo de esquema realmente gera um resultado rico versus qual apenas valida. A ordem em que você executa uma verificação de conta de anúncios para não perder a primeira hora. A maneira específica como um relatório de cliente precisa ser lido para que um proprietário não técnico confie nele. Um prompt é uma instantânea fina disso. O que queríamos era uma maneira de empacotar o julgamento em si, para que o modelo o carregasse sob demanda e se comportasse como alguém que já fez o trabalho cem vezes.

Esse empacotamento tem três formas, e acertá-las é a maior parte da batalha.

Habilidades, MCP e agentes não são a mesma coisa

Aqui está a distinção como a usamos no dia a dia.

Uma habilidade é uma capacidade pronta para uso que faz um trabalho. Na prática, é uma pasta que o modelo carrega quando a tarefa corresponde: instruções mais quaisquer pequenos scripts ou arquivos de referência que o procedimento precisa. Ela carrega o julgamento, não apenas a redação. Pense em "executar uma análise de perfil de backlinks" ou "escrever a política de robôs para crawlers de IA." Um trabalho, feito da maneira que você faria.

Um conector MCP é a parte de encanamento. MCP (o Protocolo de Contexto do Modelo) é como o modelo realmente alcança um serviço externo: uma integração real e robusta a uma API. Uma habilidade pode dizer ao modelo como pensar sobre os dados do Google Search Console. O conector MCP é o que permite que ele leia esses dados. Habilidades são conhecimento, MCP é alcance.

Um agente é um trabalhador especialista que executa um trabalho inteiro do início ao fim. Ele compõe habilidades e conectores MCP, toma decisões entre etapas e devolve um resultado final em vez de uma única resposta. Onde uma habilidade faz uma coisa, um agente possui o resultado.

O erro que cometemos no início foi tentar encaixar os três em um único grande prompt. Uma vez que os separamos, cada parte ficou mais simples e mais fácil de confiar. Uma habilidade que você pode ler e auditar. Um conector que você pode testar isoladamente. Um agente que você pode observar tomando decisões.

Duas habilidades concretas

A taxonomia abstrata é fácil de concordar, então aqui estão duas habilidades reais do que acabamos tendo.

A primeira controla o tráfego de crawlers de IA. Ela decide quais crawlers permitir (GPTBot, ClaudeBot, PerplexityBot, Google-Extended e outros), gera o correspondente robots.txt e ai.txt, e escreve as regras correspondentes do Cloudflare WAF ou nginx. A parte que a torna uma habilidade em vez de um trecho: ela verifica bots por DNS reverso, para que um scraper que simplesmente define seu User-Agent como "GPTBot" não seja aceito. Essa verificação de DNS reverso é exatamente o tipo de detalhe difícil de conquistar que um prompt simples deixa de lado.

A segunda é a otimização de motores de resposta: fazer uma página ser citada por LLMs e aparecer em respostas geradas por IA em vez de apenas nos clássicos links azuis. Não é um truque. É uma lista de verificação de estrutura e evidência que torna uma página fácil para um modelo citar corretamente, aplicada da mesma forma toda vez. Entediante de propósito, que é o ponto.

Estou deliberadamente não anexando números de antes e depois a nenhuma dessas. A versão honesta é que elas codificam um procedimento repetível. O que elas não fazem é garantir uma classificação, e eu desconfiaria de qualquer um que afirmasse o contrário.

O que aprendemos

Uma habilidade é um procedimento, não uma personalidade. Os prompts que liam melhor eram os menos reutilizáveis. Os que funcionavam eram simples, quase monótonos, e descreviam etapas em vez de vibrações. Escreva para a segunda vez que você irá executá-lo, não para a primeira.

Separe conhecimento de alcance. Manter "como pensar sobre os dados" (a habilidade) separada de "como buscar os dados" (o conector MCP) tornou ambos mais fáceis de corrigir. Quando algo quebrava, sabíamos qual metade olhar.

O julgamento é o fosso, e ele só vem do trabalho real. Só conseguimos escrever essas habilidades porque fizemos os trabalhos em sites de clientes reais primeiro. Uma habilidade destilada de trabalho real carrega os casos extremos. Uma habilidade escrita da imaginação carrega confiança e não muito mais.

Nomeie o limite em voz alta. Cada habilidade recebeu uma linha explícita "isso é o que não faz." Essa única linha evitou mais saídas ruins do que qualquer instrução inteligente, porque impediu o modelo de vagar além de sua competência.

Onde isso nos levou

Empacotamos o sistema como forgehouse, porque muitas pessoas pediram para comprar a coisa que usamos em vez de nos contratar para executá-la. São as mesmas habilidades, agentes e conectores que usamos em trabalhos de clientes, não uma demonstração separada. É também por isso que o site se baseia em uma sala de registros de trabalhos entregues em vez de depoimentos: a prova já estava lá, então apenas arquivamos.

Se você quiser explorar a ideia antes de qualquer outra coisa, o conjunto inicial de SEO está no GitHub gratuitamente: github.com/development-candavarci/seo-starter. Clone, leia como uma habilidade é realmente estruturada e roube o que for útil.

A versão curta, se você levar uma coisa: pare de escrever prompts que você irá colar novamente na próxima semana e comece a escrever o procedimento. O modelo não precisa da sua melhor redação. Ele precisa do seu julgamento, em uma forma que ele possa carregar.