Het meest bruikbare, direct inzetbare mechanisme is Anthropic's Agent Skills-formaat. Een skill is een map met verplicht een SKILL.md (YAML-frontmatter met naam + beschrijving), plus optioneel scripts/referenties/assets. Claude leest via bash alleen wat nodig is — dit heet progressive disclosure: laag 1 (naam+beschrijving) staat altijd in de systeemprompt, laag 2 (volledige instructies) laadt pas bij een match, laag 3 (scripts/bestanden) alleen als er expliciet naar verwezen wordt. Scripts worden uitgevoerd, hun code komt niet in context — alleen de output.
Bron: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills · https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
Belangrijk: sinds 18 december 2025 is dit een open, platform-onafhankelijke standaard (agentskills.io) — ook gelezen door OpenAI Codex, Cursor, Gemini CLI, Antigravity en Windsurf. Het bestandsformaat is dus letterlijk overdraagbaar. Kanttekening: volledige functionele overdraagbaarheid hangt af van of de doel-agent dezelfde tools (bash, MCP-servers) heeft — een skill die op shell-scripts leunt werkt niet 1-op-1 in een tool zonder shell-toegang.
Bron: https://github.com/anthropics/skills
Er bestaan al skill-marktplaatsen (SkillsMP, ClaudeMarketplaces, AgentSkill.club) met claims van duizenden tot miljoenen skills. Wees hier voorzichtig mee: de cijfers zijn zelf-gerapporteerd, wisselen sterk tussen bronnen (SkillsMP noemt zowel "2M+" als "96.751+" als "26.000+" in verschillende artikelen), en zijn SEO-directories die GitHub-repo's scrapen zonder kwaliteitscontrole.
Bron: https://claudemarketplaces.com/
Voor echte skill-overdracht (niet alleen skill-bestanden delen) bestaat een academisch veld genaamd agent distillation: het nabootsen van complete Thought-Action-Observation-trajecten van een sterke agent naar een kleinere. AgentArk distilleert multi-agent interactiepatronen naar één student-model, generaliserend over taken zonder taakspecifiek ontwerp.
Bron: https://arxiv.org/abs/2602.03955
Puur imiteren (behavior cloning) lijdt aan "compounding errors" door distributieverschil tussen leraar en leerling. Reinforced Distillation (SCoRe) voegt reinforcement learning toe en heeft dit theoretisch (foutgrens van O(H²) naar O(H·ε)) én empirisch onderbouwd — al is dit een niet-onafhankelijk gerepliceerd preprint.
Bron: https://arxiv.org/html/2509.14257v2
Het meest praktische architectuurvoorbeeld blijft Voyager (NVIDIA/Caltech, 2023): een agent die zonder fine-tuning een groeiende bibliotheek van herbruikbare, uitvoerbare code-skills opbouwt, opgehaald via een vector-database op semantische gelijkenis. Let op: Voyager claimt zelf "eerste in Minecraft", niet "eerste ooit" — dat is een aangescherpte claim in het onderzoek die je moet afzwakken.
Bron: https://arxiv.org/abs/2305.16291
Een recent overzichtspaper (SoK: Agentic Skills, feb 2026) definieert een skill als een herbruikbare werkwijze (toepasbaarheidsvoorwaarden, uitvoeringsbeleid, stopcriteria) tegenover een tool als atomaire capability, en beschrijft de volledige levenscyclus (discovery, oefenen, distillatie, opslag, compositie, evaluatie, update) — een bruikbaar raamwerk om je eigen onboarding-proces systematisch te ontwerpen.
Bron: https://arxiv.org/abs/2602.20867
Voor de verre toekomst (echte fine-tuning i.p.v. prompt-only): Skill-to-LoRA traint kleine LoRA-adapters op skill-specifieke synthetische data, bovenop een bevroren basismodel — tokenefficiënter dan steeds het hele SKILL.md laden. Dit is een klein, ongereviewed onderzoek met bescheiden resultaten op een eigen benchmark — interessant, niet productie-klaar.
Bron: https://arxiv.org/html/2606.16769v1
Zep/Graphiti (open-source, Apache 2.0, 20.000+ GitHub-sterren) bouwt een bi-temporele kennisgraaf: elk feit krijgt een geldigheidsvenster (wanneer iets waar was) plus een systeem-tijdstempel (wanneer het binnenkwam). Bij tegenstrijdige nieuwe info wordt het oude feit niet verwijderd maar geïnvalideerd — het blijft historisch bewaard. Sterk bij tijdgebonden en relationele vragen (LongMemEval: 63,8% vs Mem0's 49,0%, cijfer wel uit Zep's eigen paper).
Bron: https://github.com/getzep/graphiti · https://arxiv.org/abs/2501.13956
Letta/MemGPT werkt met drie lagen naar analogie van een OS: Core memory (altijd in context, zoals RAM), Archival memory (externe vectorstore, opgehaald via tool-call) en Recall memory (volledige gesprekshistorie, doorzoekbaar). Cruciaal verschil met klassieke RAG: de agent zelf beslist, via eigen tool-calls, wat het onthoudt en wanneer iets naar archief verplaatst — niet een extern systeem dat vooraf bepaalt wat opgehaald wordt.
Bron: https://kingqiu.github.io/LLMWiki/ai-agent-architecture/entities/letta-ai · https://sureprompts.com/blog/letta-memgpt-walkthrough
Letta ondersteunt ook shared memory blocks: meerdere agents lezen/schrijven hetzelfde blok, direct zichtbaar voor iedereen. Bruikbaar als teamgeheugen tussen je eigen bots (Conductor↔Sjakie-stijl) — maar Letta's docs noemen zelf géén tenant-isolatie-mechanisme. Dat maakt dit met opzet niet geschikt tussen verschillende klant-bots, tenzij je zelf een harde scheiding bouwt.
Bron: https://docs.letta.com/guides/agents/multi-agent-shared-memory/
Mem0 biedt scoping via user_id, agent_id, run_id, app_id. Let op: dit is geen harde technische isolatie maar nullable filtervelden — Mem0's eigen documentatie toont zelfs hoe je met een wildcard-query dwars door scopes heen kan lezen. Het is een filterconventie die de applicatie zelf correct moet toepassen, geen database-level access control.
Bron: https://docs.mem0.ai/platform/features/entity-scoped-memory
Bij multi-tenant vectoropslag zijn er twee patronen: Silo (index per klant — volledige scheiding, maar zwaar: elke extra tenant kost een eigen HNSW-graph in geheugen) versus Pool (gedeelde index met metadata-filter — efficiënter, risicovoller). Onderzoek toont tot 95% cross-tenant-lekkage bij een gedeelde index zonder structurele afdwinging, alleen metadata-filtering.
Bron: https://blaxel.ai/blog/multi-tenant-isolation-ai-agents
Claude Agent SDK heeft een ingebouwde memory tool (bestandsoperaties op een /memories-map, los van het contextvenster) en Claude Code-subagents kunnen een memory-veld met een eigen vaste map krijgen (bv. ~/.claude/agent-memory/<naam>/), met automatisch geladen MEMORY.md — functioneel identiek aan wat Jamal al doet, maar generiek herbruikbaar per binnengebrachte bot.
Bron: https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool
Let op met de brede claim "hybride vector+graph+episodisch is hét dominante productiepatroon in 2026" — dit komt vooral van geheugen-vendors zelf (Zep, Mem0, Letta) die elkaar napraten. Een onafhankelijke academische survey stelt juist dat simpel "context + retrieval" de echte workhorse is in productie, en de hybride architectuur vooral onderzoek/prototype. Wél stevig onderbouwd: lange contextvensters lossen cross-sessie-continuïteit niet op — geheugen en context zijn complementair.
Geen zoekresultaat toont een bestaand, herhaalbaar zelfbedienings- of semi-zelfbedieningsproduct dat letterlijk "breng je eigen bestaande bot binnen, krijg 'm slimmer terug" verkoopt.
Sierra is vendor-geleid: klant betaalt voor Sierra's eigen team dat de agent bouwt/onderhoudt, outcome-based pricing, geen self-serve.
Bron: https://sierra.ai/product
Fin (Intercom) positioneert zich als self-serve, maar binnen Fins eigen platform-ecosysteem — configureren via no-code tools, niet importeren van een externe onbekende bot.
Bron: https://fin.ai/learn/fin-vs-sierra
Wat wél bestaat: "bring your own model/LLM"-producten (kies je onderliggende AI-motor) en losse migratie-consultancy (bureaus die een bestaande chatbot herbouwen naar een agent-architectuur, met parallel draaien vóór cutover als operationeel patroon — bruikbaar als stappenplan, maar dit is verkoopcontent van één bureau, geen industriestandaard).
Conclusie: dit is een oprechte, nog onbezette niche. Geen directe concurrent gevonden — dat is zowel een kans als een risico (misschien is het lastiger/minder gevraagd dan het lijkt).
Empirisch onderzoek op 98.380 agent-skills in het wild vond 157 kwaadaardige skills met 632 kwetsbaarheden — archetypes "Data Thieves" (credential-exfiltratie) en "Agent Hijackers" (instructie-manipulatie).
Bron: https://arxiv.org/abs/2602.06547
Zelfs professionele skill-scanners (Snyk, Cisco, VirusTotal) missen gebundelde testbestanden als uitvoeroppervlak — die draaien met volledige lokale rechten maar staan niet in SKILL.md, dus buiten het dreigingsmodel van de scanner. Automatisch scannen alleen is niet voldoende.
Bron: https://venturebeat.com/security/anthropic-skill-scanners-passed-every-check-malicious-code-test-file
MCP-specifieke risico's: tool poisoning (verborgen instructies in een tool-beschrijving activeren al bij het laden, zonder aanroep) en "rug pulls" (tool-definitie wijzigt stilletjes ná goedkeuring — MCP heeft hier geen ingebouwde detectie voor).
Bron: https://invariantlabs.ai/blog/mcp-security-notification-tool-poisoning-attacks
Verdediging bestaat al: mcp-scan (Invariant Labs/Snyk, open source) doet "tool pinning" — hasht tool-beschrijvingen bij eerste scan, alarmeert bij wijziging.
Bron: https://github.com/invariantlabs-ai/mcp-scan
OWASP MCP Top 10 (nog in beta, v0.1) geeft een concrete checklist: tool poisoning, context injection, command injection, schaduw-MCP-servers, secret-exposure — direct bruikbaar als toetsingskader.
Bron: https://owasp.org/www-project-mcp-top-10/
Extra waarschuwing: onderzoek toont dat systeeminstructies van coding-agents (incl. Claude Code) via aanhoudend doorvragen kunnen worden geëxtraheerd, zelfs als subagents eerst weigeren. Dat legt prioriteitsregels en refusal-logica bloot — precies het soort info dat tegen de eigenaar van een binnengebrachte bot gebruikt zou kunnen worden.
Bron: https://arxiv.org/pdf/2601.21233
*.test.*!) langs de OWASP MCP Top 10-checklist. Gebruik mcp-scan voor tool-pinning zodra MCP-tools worden geaccepteerd.memory-veld-mechanisme (Claude Code ondersteunt dit al native).