谷歌開源“Agent Skill 超級工具箱”，云、庫、引擎、AI全線打通，開發者狂喜

整理｜冬梅

上周五，OpenAI 發布 GPT-5.5 與 DeepSeek 推出 V4 模型幾乎同時上演，大模型市場的競爭正進入白熱化階段。

面對競爭對手的快速迭代，谷歌生態的技術從業者正在積極尋找應對之道——越來越多的人開始借助智能體 Agent 來構建和優化基于谷歌云平臺的應用，從 Firebase、Gemini API 到 BigQuery 和 Google Kubernetes Engine（GKE）。

但值得注意的是，在競爭日益激烈、技術快速演進的背景下，一個關鍵問題變得尤為突出：如何確保模型掌握關于這些技術準確、最新的信息？

在實際開發中，這個問題的棘手程度遠超想象。

開發者往往需要為每個云服務編寫適配器，將 API 調用封裝為智能體可調用的工具函數，然后反復調試模型是否正確調用了工具、傳入了正確參數。更麻煩的是，一旦底層服務 API 發生變化，所有適配器都需要手動更新。這不僅是重復勞動，更是一種隱性的技術債。

為了解決這個問題，谷歌為開發者文檔提供了 Model Context Protocol（MCP）服務器，讓智能體能夠連接到可靠的實時信息源。但隨之而來的，是一個被稱為 “上下文膨脹”（Context Inflation）的新挑戰。

MCP 服務器的核心價值在于為模型提供即時的外部信息。

但它自身也有局限性：當智能體大規模使用 MCP 服務器時，大量上下文信息會被不加區分地加載到模型的上下文窗口中。這種做法帶來兩個嚴重后果：其一，過多的信息會使模型混亂，降低推理質量——這一問題在企業實踐中已被反復驗證，有團隊發現智能體在每次調用時加載 1.5 萬 個 tokens 的指令，幾乎不給實際需要處理的內容留下任何上下文空間；其二，上下文窗口的每一次填充都會轉化為實實在在的 Token 成本，隨著調用量增長，開銷曲線會變得難以忽視。

面對這一困境，業界迫切需要一種更精細的信息供給方式——既能讓智能體獲得所需的專業知識，又不至于被冗余信息淹沒。

這正是 Agent Skills 應運而生的背景。

谷歌官方 Skill 倉庫正式上線

那么，究竟什么是 Agent 的 Skills？

根據官方定義，Skill 是一種 “簡單開放的格式，用于賦予智能體新的能力和專業知識” 。我們可以將其理解為針對特定技術或任務的精簡的、以智能體為中心的文檔。

Skills 的設計哲學可以用兩句話概括：用 Markdown 編寫，保持輕量；按需加載，避免冗余。每一份 Skill 文件可以包含參考文檔、代碼片段和其他資源，智能體僅在需要時才加載相關信息，從而大大降低了上下文信息過載的風險。

從技術定位來看，Skills 占據了一個獨特的位置。它在傳統提示 Prompt 之上——因為 Skills 是可復用的、持久的；比微調（Fine-tuning）更輕——因為它能以業務邏輯的速度迭代；比 RAG（檢索增強生成）更主動——它不是被動的信息檢索，而是主動的專業知識注入；比普通工具（Tools）更豐富——因為它不僅編碼了“做什么”，還編碼了“怎么做”和“為什么這么做”。

在 Google Cloud Next 2026 大會的第一天，谷歌正式宣布推出 Google 官方 Agent Skills 倉庫。

這一消息被認為是本屆大會最具實用價值的發布之一。

項目地址為：github.com/google/skills 。

該代碼庫包含十三項技能，涵蓋谷歌云最核心的服務：AlloyDB、BigQuery、Cloud Run、Cloud SQL、Firebase、Gemini API 和 Google Kubernetes Engine（GKE）。

這些技能幫助智能體理解如何創建、查詢和管理云資源，是 Agent 操作谷歌云基礎設施的能力基礎。

還包括三大架構支柱技能。

• 安全性（Security）：讓智能體理解云安全最佳實踐，包括身份與訪問管理、數據加密和威脅防護

• 可靠性（Reliability）：涵蓋高可用架構設計、容錯機制和災難恢復策略

• 成本優化（Cost Optimization）：指導智能體在架構決策中考慮資源效率與成本控制

這三大支柱技能的重點不在于教會智能體調用某個具體 API，而是讓它理解云系統設計的原則與決策邏輯，從而在更高層面提升應用質量。

此外，倉庫還提供了三項面向常見任務的流程指南：Google Cloud 入門（Onboarding to Google Cloud）、身份驗證（Authenticating to Google Cloud）和網絡可觀測性（Google Cloud Network Observability） 。這些“秘訣”將日常操作拆解為可執行的步驟，讓智能體能夠按照既定流程完成特定工作。

Agent Skill 到底有什么用？

要理解 Agent Skills 的真正價值，不妨回到真實開發場景。

在 2026 年的今天，構建 Agent 的實際情況與演示截然不同：開發者花費大量時間編寫和維護工具適配器——一位構建文檔處理智能體的開發者透露，她用于維護適配器的時間已經超過了構建智能體邏輯本身的時間。

Skills 倉庫正是為了解決這一痛點而生。官方 Skills 經過針對實際模型的測試和優化，谷歌已驗證其能在 Gemini 上可靠運行；同時，Skills 兼容 MCP 標準，可以跨平臺使用，不限于 Vertex AI；當底層云 API 發生變化時，谷歌會負責更新相應技能，開發者無需自行維護；此外，Skills 直接使用開發者已有的 GCP 憑證，無需編寫額外的認證代碼。

在兼容性方面，Skills 展示出極強的跨平臺能力。通過 npx skills install github.com/google/skills 命令，開發者可以將這些技能安裝到多種智能體平臺中，包括 Antigravity、Gemini CLI，以及 Claude Code、Cursor 等第三方智能體工具。

近期發布的 Antigravity 平臺已經深度整合了 Skills 體系，支持通過規則（Rules）、技能（Skills）和工作流（Workflows）三個層級，將通用智能體轉變為專業、穩健且高效的工作伙伴。同時，Gemini CLI 也通過更新內置了對 Skills 的原生支持，讓開發者可以在命令行環境中直接調用專業化技能。

再來看個具體的例子，每個 Skill 都包含：

經過實際模型測試——不僅僅是“這里有一個函數”，而是經過優化的描述，這些描述已由谷歌驗證，可與 Gemini 穩定兼容。兼容 MCP——符合模型上下文協議 (MCP) 標準，因此可跨平臺運行，而不僅限于 Vertex AI。版本控制和維護——當底層云 API 發生變更時，谷歌會更新技能，無需用戶親自動手了。預認證——使用現有的 GCP 憑據，無需自定義授權碼。

例如，BigQuery 技能在實踐中看起來是這樣的：

from google.adk.agents import LlmAgent
from google.skills.gcp import BigQuerySkill, CloudStorageSkill, PubSubSkill


 agent = LlmAgent(
    name="data_pipeline_agent",
    model="gemini-2.5-pro",
    tools=[
        BigQuerySkill(project_id="my-project", dataset_id="analytics"),
        CloudStorageSkill(bucket="my-output-bucket"),
        PubSubSkill(topic="pipeline-results"),
    ]
)

對比一下沒使用該技能時要寫的東西：

Today's reality

 from google.cloud import bigqueryfrom google.cloud import storagefrom google.cloud import pubsub_v1import json

 client = bigquery.Client()storage_client = storage.Client()publisher = pubsub_v1.PublisherClient()

 def run_bigquery_query(query: str, max_rows: int = 1000) -> dict:"""Runs a SQL query against BigQuery and returns results.
Use this tool when you need to query structured data from the data warehouse.
The query should be standard SQL. Results are limited to max_rows rows.
Returns a dict with 'rows' (list of dicts) and 'schema' (list of field names).
If the query fails, returns a dict with 'error' key explaining what went wrong.
"""
try:
    query_job = client.query(query)
    results = query_job.result()
    rows = [dict(row) for row in results][:max_rows]
    schema = [field.name for field in results.schema]
    return {"rows": rows, "schema": schema, "total_rows": len(rows)}
except Exception as e:
    return {"error": str(e)}
def upload_to_storage(filename: str, content: str, content_type: str = "text/plain") -> dict:"""Uploads a file to Cloud Storage.
Use this when you need to save output data or results to persistent storage.
filename is the destination path within the bucket. content is the string content.
Returns dict with 'url' on success or 'error' on failure.
"""
# ... 20 more lines of boilerplate

每個項目可能大概要寫四到十個這樣的工具代碼。而技能庫可以幫你省去所有這些代碼。

事實上，早在谷歌發布這款官方 Agent Skill 庫之前， 谷歌云 AI 總監、Gemini 工程負責人 Addy Osmani 在領英上宣布開源了一款 Agent Skills 庫：為 AI 編碼智能體打造的 19 項工程技能 + 7 條命令，靈感源自 Google 最佳實踐。

項目地址：https://github.com/addyosmani/agent-skills

他在文章中寫道：“我們知道 AI 編碼智能體很強大。但如果任由它們自由發揮，它們就會走捷徑——跳過規格說明、跳過測試、跳過安全審查。它們會更傾向于追求‘完成’而非‘正確’。這就是我構建 Agent Skills 的原因。每一項技能都編碼了資深工程師實際使用的工作流、質量關卡和最佳實踐：編碼前先制定規格、合并前先進行測試、優化前先進行測量。這些內容被打包好，讓你的智能體能夠始終如一地遵循。

完整的生命周期覆蓋：

→ Define（定義）——在寫第一行代碼之前，先打磨想法、撰寫規格說明

→ Plan（規劃）——分解為小而可驗證的任務

→ Build（構建）——增量式實現、上下文工程、清晰的 API 設計、測試驅動開發（TDD）

→ Verify（驗證）——使用 DevTools 進行瀏覽器測試、系統化調試

→ Review（審查）——代碼質量、安全加固、性能優化

→ Ship（交付）——Git 工作流、CI/CD、架構決策記錄（ADR）、發布前檢查清單

這些技能兼容 Claude Code、Cursor、Antigravity，以及任何接受 Markdown 指令的智能體。

Addy Osmani 的這款 Agent Skills 代碼庫把谷歌資深工程師的工作習慣，拆成 20 個可組合的 Skill，約束 AI 每一步都按工程規范干活。

目前，Addy Osmani 的開源項目已經在 Github 上獲得近 2.4 萬 star。

那么，這兩款都出自谷歌的 Agent Skills 代碼庫有何不同，分別解決什么問題？

Osmani 的項目解決的是“如何正確地構建”的問題——它是一套確保智能體編碼行為符合專業標準的通用工程紀律框架。無論你使用哪個云平臺、開發什么類型的軟件，這套技能都能指導你的智能體遵循規格驅動開發、增量式實現、測試優先等專業實踐。

谷歌官方開源的 Agent Skills 倉庫解決的則是“構建什么以及如何操作”的問題——它提供的是針對特定技術棧（Google Cloud）的具體操作知識。當智能體需要創建 BigQuery 數據集、配置 GKE 集群或設計 Cloud Run 服務時，官方技能將提供準確的、經過驗證的指令。

在實際使用中，兩者可以并存于同一個智能體環境中：Osmani 的技能包用于規范智能體的整體開發行為，而 Google 官方技能庫則在智能體需要與 Google Cloud 服務交互時提供精準的操作知識。

這兩個項目的先后出現，印證了 Google 在 Skills 領域的獨特布局策略：既擁抱個人驅動的開源創新，又通過官方倉庫為整個生態提供標準化的知識基礎設施。這種“個人 - 官方”的雙軌模式，或許正是技能成為“智能體工作流公認抽象層”的關鍵一步。

對于開發者而言，這意味著你既可以借助 Osmani 的技能包讓智能體像資深工程師一樣嚴謹工作，又可以借助官方技能倉庫讓智能體準確無誤地操作 Google Cloud 服務——兩者協同，構成了一個既遵守工程紀律又掌握專業知識的人工智能“超級員工”。

https://dev.to/pooja_bhavani/googles-most-important-next-26-announcement-wasnt-gemini-25-ultra-27ff#comments

https://cloud.google.com/blog/topics/developers-practitioners/level-up-your-agents-announcing-googles-official-skills-repository

https://www.linkedin.com/posts/addyosmani_ai-softwareengineering-programming-activity-7446081634577309696-iT-5/

聲明：本文為 InfoQ 翻譯整理，不代表平臺觀點，未經許可禁止轉載。

會議推薦

世界模型的下一個突破在哪？Agent 從 Demo 到工程化還差什么？安全與可信這道坎怎么過？研發體系不重構，還能撐多久？

AICon 上海站 2026，4 大核心專題等你來：世界模型與多模態智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業級研發體系重構。14 個專題全面開放征稿。

誠摯邀請你登臺分享實戰經驗。AICon 2026，期待與你同行。