KI-SkillsSaubere Daten für Agenten
Erstelle KI-Skills aus deinen besten Quellen.
SkillDiscs verwandelt GitHub-Repos, Fachbücher, Forschungspapiere und Webartikel in saubere Daten-Infrastruktur für Agenten. Quellen werden geparst, strukturiert, vektorisiert und als Wissensbasis, MCP-Quelle, REST-API oder Claude Skill nutzbar — damit Modelle relevante Daten bekommen und präziser arbeiten.
Unterstützte Eingabeformate
PDF-DateienYouTube-VideosDOCX · PPTXText & Notizen
app.skilldiscs.com / library
Human · reading
FyFeynman explanation100%
RqRecall quiz · 8/10—
CmConcept map—
RsRSVP focus mode—
SKILL DISC
AAgent · querying
RsREST searchsyncing
McMCP retrieval—
SkClaude Skill—
ViVector index—
LIVE
Definition
Was ist ein LLM Skill?
Ein LLM Skill ist ein in sich geschlossener Ordner, den ein KI-Agent nur dann lädt, wenn eine Aufgabe ihn braucht: eine SKILL.md mit Name, Beschreibung, Auslöse-Phrasen und dem Verfahren selbst, dazu die Referenzdateien, auf die sie verweist. Die Beschreibung ist das, was das Modell liest, um überhaupt zu entscheiden, ob es den Skill öffnet — ein Skill ist also weniger ein Dokument als ein Verfahren mit einem Auslöser daran.
SkillDiscs baut ihn aus einer Quelle, der du bereits vertraust — einem Repository, einem PDF, einem Buch, einem Vortrag: das beschriebene Verfahren wird extrahiert und in dieses Format gepackt, mit Referenzen zurück auf die Herkunft jedes Teils.
Struktur für KI
Saubere Daten-Infrastruktur für bessere KI-Ausgaben.
Agenten brauchen relevante, strukturierte Daten statt roher PDFs und Prompt-Schnipsel. SkillDiscs parst, kuratiert, vektorisiert und macht jede Disk über Retrieval, API, MCP oder Skill nutzbar.
WissensgraphKonzepte, Beziehungen, Hierarchie
Markdown-Struktursaubere Abschnitte für Prompts
JSON-ElementeÜberschriften, Tabellen, Abbildungen
Retrieval & ZugriffEmbeddings, pgvector, API/MCP
Doku ist live
Die vollständige API- und MCP-Referenz liegt auf docs.skilldiscs.com.
Nutze die Doku für Endpoint-Schemas, MCP-Tools, Redaction-Verhalten, Authentifizierung und Copy-Paste-Beispiele für Agenten.
Agenten brauchen saubere Daten, nicht längere Prompts.
Viele Agenten-Workflows arbeiten mit rohem HTML, chaotischen PDFs oder kopierten Prompt-Fragmenten. Das erhöht Halluzinationen. SkillDiscs bereitet die Quelle zuerst auf: Parsing, Struktur, Konzepte, JSON/Markdown, Vektorindex, Retrieval und Skill-Anweisungen in einer Disk.
Du kuratierst die Quelle. SkillDiscs macht daraus nutzbare Infrastruktur für deinen Agenten.
Fünf Schritte
Wie SkillDiscs einen LLM Skill erstellt
Von einer Quelle, der du vertraust, zu einem Ordner, den dein Agent laden kann.
- 01
Quelle als Disk anlegen
URL einfügen, PDF oder Office-Datei hochladen, YouTube-Link einwerfen oder ein GitHub-Repository verbinden. SkillDiscs zerlegt das in Abschnitte, Kernpunkte und Konzepte — das Original bleibt angehängt.
- 02
SkillDiscs prüft, ob die Disk prozedural ist
Ein Klassifikator entscheidet, ob der Inhalt wirklich ein wiederholbares Verfahren beschreibt. Reines Nachschlagematerial wird als solches markiert, statt in einen Skill gezwängt zu werden, der ohnehin nie sauber auslösen würde.
- 03
Verfahren extrahieren
Schritte, Voraussetzungen und die Passagen, auf denen sie beruhen, werden aus der Disk gezogen. Jeder Teil behält eine Referenz auf den Abschnitt der Quelle, aus dem er stammt.
- 04
Skill-Paket erzeugen
Du bekommst eine SKILL.md mit Name, Beschreibung und Auslöse-Phrasen, dazu die Referenzdateien, auf die das Verfahren zeigt — genau das Ordner-Layout, das Claude und Claude Code direkt laden.
- 05
Auslöser bewerten, dann herunterladen
Der erzeugte Skill wird gegen passende Prompts (soll auslösen) und unpassende Prompts (soll still bleiben) bewertet. Du siehst also vor dem Ausliefern, wie zuverlässig er anspringt. Paket herunterladen, in den Agenten legen, fertig.
Zugriff für Agenten
Eine Disk. Drei Wege für deine KI.
Starte mit einem GitHub-Repo, Fachbuch, Forschungspapier, PDF oder Video. SkillDiscs erstellt daraus eine strukturierte Disk und gibt deinem Agenten drei Wege hinein: Skill-Export, MCP oder REST-API.
REST-API
Bearer-Key-Auth, JSON rein, JSON raus. Drittanbieter-Apps können saubere, strukturierte und vektorindizierte Disk-Daten suchen, listen und abrufen.
MCP-Server
Ein Model-Context-Protocol-Server mit search_knowledge, get_disk und list_disks — gebaut für Claude, Claude Code und andere MCP-Clients.
KI-Skill Export
Exportiere jede Disk als herunterladbares Skill-Bundle (SKILL.md + Referenzen), erstellt aus GitHub-Repos, YouTube-Videos, Forschungspapieren, Fachbüchern, PDFs und Notizen.
Claude
Verbinde Claude oder Claude Code per MCP oder nutze einen generierten Claude Skill. Dein Agent greift auf passende Disk-Stellen zu, statt Kontext in Prompts zu erraten.
Jeder MCP-Client
Claude Desktop, Claude Code, Cursor, Windsurf oder dein eigener MCP-Client — füge den Endpunkt hinzu und deine Disks sind abfragbar.
ChatGPT & Custom GPTs
Richte einen Custom GPT oder OpenAI-Agenten als Tool/Action auf die REST-API. Er bekommt dieselbe Vektorsuche und strukturiertes JSON zurück.
Dein eigener Code
LangChain, LlamaIndex, ein Cronjob oder rohes fetch — es ist nur HTTP + ein Bearer-Key. Überall deploybar.
API-Oberfläche
Alle produktiven Endpoints an einem Ort.
Nutze REST, wenn du ein Tool oder eine App baust. Nutze MCP, wenn dein Agent-Client bereits Model Context Protocol spricht.
POST/api/v1/searchWissen suchenSemantische Sektionssuche über eigene Disks mit relevanten Treffern, Kernaussagen, Quellenkontext und Redaction-Signal.GET/api/v1/disksDisks auflistenFinde eigene und aktiv gespeicherte Disks nach Scope, Kategorie, Tag und Metadaten.GET/api/v1/disks/{id}Eine Disk abrufenHole eine Disk per UUID oder public_id, inklusive Sektionen, Tags, Quell-URL und bedingtem Quelltext.POST/api/v1/disks/batchBatch-AbrufHole bis zu 10 eigene Disks in einer Anfrage, wenn dein Agent die benötigten IDs schon kennt.POST/api/mcpMCP-ServerStreamable-HTTP-MCP-Endpunkt mit search_knowledge, get_disk und list_disks für Claude und andere Clients.
Was du verbinden kannst
Vier sinnvolle Wege, Agenten SkillDiscs-Wissen zu geben.
Dieselbe Disk kann ein portabler Skill werden, eine Claude-Session antreiben, ein Produktfeature stützen oder einen Backend-Workflow füttern.
Claude und Claude Code via MCP
Füge den SkillDiscs-MCP-Endpunkt hinzu. Claude kann deine Bibliothek durchsuchen, eine Disk öffnen und Antworten in deinen gespeicherten Quellen verankern.
MCP-Setup lesenJeder MCP-kompatible Agent
Nutze dieselben Tools aus Cursor, Windsurf, lokalen Agent-Runtimes oder deinem eigenen Streamable-HTTP-MCP-Client.
MCP-Tools ansehenDrittanbieter-Apps und Automationen
Rufe REST-Endpoints aus SaaS-Apps, Workflows, Notebooks oder Backend-Jobs auf, die nutzerbezogenes Wissen abrufen müssen.
REST-Endpoints ansehenKI-Skill Pakete
Exportiere eine Disk als portables Skill-Bundle mit Anweisungen, Triggern und Referenzen aus GitHub, Fachbüchern, Forschungspapieren, PDFs oder Videos.
KI-Skill-Workflows planenWarum SkillDiscs
Warum Agenten mit SkillDiscs präziser arbeiten
SkillDiscs übernimmt die Infrastruktur, die KI braucht, bevor sie gute Antworten liefern kann.
Human-curated statt Web-Rauschen
Jede Disk startet mit einer Quelle, die ein Mensch bewusst ausgewählt hat. Dein Agent arbeitet nicht gegen beliebige Scrapes, sondern gegen Wissen, das jemand für relevant hält.
High-Level Parsing
PDFs, Office-Dateien, Webseiten, YouTube und GitHub-Repos werden in saubere Abschnitte, Tabellen, Figuren, Überschriften und Quellstruktur zerlegt. Kein 60-Seiten-Textklumpen im Kontextfenster.
Vektorindex & Retrieval out of the box
Sektionen und RAG-Chunks werden eingebettet und in pgvector gespeichert. Dein Agent fragt relevante Daten semantisch ab, ohne eine eigene Embedding- oder Vektordatenbank-Pipeline zu bauen.
Wissensbasis, API, MCP, Skill
Dieselbe Disk ist als strukturierte Wissensbasis, REST-API, MCP-Quelle oder Claude Skill nutzbar. Dein Agent bekommt Daten im passenden Format statt losen Prompt-Schnipseln.
Vergleich
LLM Skill vs. RAG, MCP und Prompt-Datei
Vier Wege, einem Modell Wissen zu geben. Sie lösen verschiedene Probleme — und lassen sich kombinieren.
| LLM Skill | RAG-Wissensbasis | MCP-Server | Prompt-Datei | |
|---|---|---|---|---|
| Was es ist | Ein Verfahren, als Dateien gepackt | Ein Korpus, zerteilt und eingebettet | Eine Live-Verbindung zu Daten und Tools | Anweisungen, in den Kontext gesetzt |
| Wo es liegt | Im Skills-Ordner des Agenten | In einem Vektorspeicher | Auf einem Server, mit dem der Client spricht | Im Gespräch |
| Wie das Modell drankommt | Liest die Beschreibung, lädt den Rest bei passender Aufgabe | Wird pro Anfrage per Ähnlichkeit geholt | Wird zur Laufzeit als Tool aufgerufen | Immer da, in jedem Turn |
| Am besten für | Wiederholbares Können: Workflow, Hausstil, Checkliste | Fragen über eine große Textmenge beantworten | Daten, die sich ändern, oder Aktionen, die laufen müssen | Einmalige oder immer geltende Regeln |
| Kosten einer Änderung | Paket neu erzeugen | Geänderte Dokumente neu einbetten | Server neu ausrollen | Bearbeiten und erneut senden |
Sie stapeln sich, statt zu konkurrieren. Ein Skill kann einem Agenten sagen, er soll einen SkillDiscs-MCP-Endpunkt aufrufen — und die Disk dahinter ist dieselbe, aus der die Such-API abruft.
Unter der Haube
Parsing, Vektorindex, Retrieval — fertig für Agenten
SkillDiscs baut die Schichten, die Agenten-Teams sonst selbst bauen müssen: Quelle extrahieren, strukturieren, anreichern, einbetten, speichern und abrufbar machen.
- 01
Extrahieren
Crawl4AI für URLs, strukturierte Parser für Dokumente/Office/PDF, YouTube-Transkripte und GitHub-Extraktion. Ziel: verwertbare Daten statt roher Dateien.
- 02
Anreichern
Zusammenfassungen, Kernaussagen, Konzepte, Wissensgraph, JSON/Markdown-Struktur und Skill-Hinweise machen die Quelle für Menschen und Modelle lesbar.
- 03
Indizieren
Sektionen und RAG-Chunks werden eingebettet und in Postgres + pgvector gespeichert. Dein Agent sucht semantisch, statt Kontext blind in Prompts zu stopfen.
- 04
Ausliefern
REST-API, MCP-Server und Skill-Export liefern den Zugriff. Agenten können die Disk als Wissensbasis, Tool oder Skill verwenden.
Live-Beispiel
Sieh es in Aktion
Ein POST holt deinem Agenten die relevantesten Sektionen aus der gesamten Nutzerbibliothek.
Anfrage
POST https://skilldiscs.com/api/v1/search
Authorization: Bearer sk_live_…
Content-Type: application/json
{
"query": "how does photosynthesis work?",
"limit": 3
}Antwort
{
"results": [
{
"disk_title": "Plant Biology Fundamentals",
"section_index": 4,
"section_text": "Photosynthesis converts light energy ...",
"key_points": [
"Chloroplasts capture sunlight",
"Calvin cycle fixes CO2"
],
"redacted": false,
"similarity": 0.94
}
]
}Gebaut für
Gebaut für diese Workflows
Was auch immer du baust — SkillDiscs ersetzt rohe Scrapes und fragile Prompt-Fragmente durch Parsing, Vektorindex, Retrieval und strukturierte Wissensbasis.
RAG über kuratierte Wissensbank
Dein Support-Bot, interner Copilot oder Research-Assistent bekommt Antworten, die in echtem, eigenem Inhalt verankert sind — nicht in generischen Webdaten.
Per-User-Wissens-Agenten
Der Agent jedes Nutzers sieht nur dessen Bibliothek. RLS-erzwungen. Kein Cross-Tenant-Leaking; perfekt für SaaS-Embedding-Szenarien.
Drop-in-Embedding-Provider
Spar dir die eigene Ingest- + Embedding-Pipeline. Schiebe rohe URLs / PDFs über die Nutzer-App rein, frage die API vom Backend ab.
FAQ
Fragen zu LLM Skills
Was ist ein LLM Skill?
Ein LLM Skill ist ein Ordner, den ein KI-Agent bei Bedarf lädt: eine SKILL.md mit Name, Beschreibung, Auslöse-Phrasen und einem Verfahren, dazu die Referenzdateien, auf die sie zeigt. Das Modell liest die Beschreibung, um die Relevanz zu prüfen, und lädt erst dann den Rest — das Verfahren kostet also nichts, solange es nicht gebraucht wird.
Worin unterscheidet sich ein Skill von einer RAG-Wissensbasis?
Ein Skill trägt ein Verfahren und wird geladen, wenn sein Auslöser zur Aufgabe passt. RAG holt Passagen per semantischer Ähnlichkeit, pro Anfrage. Anders gesagt: Ein Skill beantwortet „wie machen wir das hier", RAG beantwortet „was sagt die Quelle dazu". SkillDiscs erzeugt beides aus derselben Disk — du musst dich nicht vorab entscheiden.
Kann ich einen LLM Skill aus einem GitHub-Repository erstellen?
Ja. Repository verbinden, SkillDiscs macht daraus eine Disk — Struktur, Architektur und ein generiertes Wiki — und extrahiert daraus das Verfahren. PDFs, Office-Dokumente, EPUBs, Webseiten und YouTube-Videos laufen genauso.
Welche Agenten können die erzeugten Skills nutzen?
Das Paket nutzt das Standard-Ordner-Layout für Skills, Claude und Claude Code laden es also direkt. Jeder MCP-fähige Client erreicht dieselbe Disk über den MCP-Endpunkt, und alles, was HTTP kann, nutzt stattdessen die REST-API unter /api/v1.
Behält ein erzeugter Skill die Verbindung zur Quelle?
Ja. Extrahierte Schritte behalten Referenzen auf die Abschnitte der Disk, aus denen sie stammen, und die Disk behält ihre Originalquelle. Ein Agent kann also zeigen, woher ein Schritt kommt, und über die API mehr Kontext aus derselben Disk nachladen.