Qt har lansert tre agent-skills for C++ og QML i et eget GitHub-repo og som plugin i Claudes marketplace. Skills-en kjører som lag oppå Claude Code eller GitHub Copilot, og er testet mot Sonnet 4.6, GPT 5.4 og Gemini 3.1 Pro.
Den mest interessante er QML Coding Skill, som encoder Qt-fallgruver inn i selve genereringsfasen. Resultatet: Sonnet 4.6 går fra 64 til 75 % suksess på QML100-benchmarken (+11 prosentpoeng). Code Review-skillene kjører først en deterministisk linter med over 60 regler, deretter opptil seks parallelle sub-agenter som hver dekker én kvalitetsdimensjon (minneeierskap, trådsikkerhet, API-navngivning, ytelse).
«Frontier LLMs har blitt bedre til å skrive Qt-kode. Men KI-generert kode har ofte systematiske feil. Med mer kode skrevet av agenter, flytter flaskehalsen seg til kodegjennomgang, særlig i regulerte bransjer.» — Qt Blog
For norske utviklere som bruker Qt i industri, medisinsk utstyr eller bilbransjen er dette et håndfast eksempel på agentic skills som verktøy: små, spesialiserte regelsett som hektes på en stor modell for å øke kvaliteten i et spesifikt domene. Tilsvarende skills kan bygges for hvilket som helst rammeverk med strenge konvensjoner.
Hva bør du gjøre?
- Klon
TheQtCompanyRnD/agent-skillsog test review-skill-en på din egen Qt-kodebase før du stoler på KI-genererte PR-er. - Hvis du vedlikeholder et rammeverk med egne idiomer, studer hvordan Qt har strukturert sub-agentene som domenespesifikke kvalitetslag. Samme mønster fungerer for andre stacks.
- Følg repoet, Qt har annonsert flere skills og MCP-tools i ukene fremover.