原文标题：Closing the knowledge gap with agent skills
原文链接：https://developers.googleblog.com/closing-the-knowledge-gap-with-agent-skills/
用 Agent Skills 弥合知识鸿沟
作者：Philipp Schmid（开发者关系工程师）、Mark McDonald（开发者关系工程师）
大语言模型（LLM）拥有固定的知识——它们是在某个特定时间点上训练出来的。而软件工程实践节奏极快、变化频繁，新的库每天都在发布，最佳实践也在快速演进。
这就留下了一道语言模型自身无法填补的知识鸿沟。在 Google DeepMind，我们在几个方面看到了这一问题：我们的模型在训练时并不了解自身，也不一定意识到最佳实践的细微变化（如 thought circulation）或 SDK 的更新。
已有许多解决方案——从网页搜索工具到专用 MCP 服务——但近期，agent skills 作为一种极其轻量但可能非常有效的方式浮现出来，用于弥合这一鸿沟。
虽然作为模型构建者，我们可以实施一些策略，但我们更想探索任何 SDK 维护者都能实现的方案。请继续阅读，了解我们如何构建 Gemini API 开发者 skill 以及它带来的性能提升。
我们构建了什么
为了帮助使用 Gemini API 进行开发的 coding agent，我们构建了一个 skill，它：
- 解释 API 的高层功能集
- 描述各语言当前可用的模型和 SDK
- 演示各 SDK 的基础示例代码
- 列出文档入口（作为信息源）
这是一组基础的原始指令，引导 agent 使用我们最新的模型和 SDK，但同样重要的是——它还引用了文档，鼓励 agent 从信息源获取最新内容。
该 skill 已在 GitHub 上发布，你也可以直接安装到项目中：
# 使用 Vercel skills 安装
npx skills add google-gemini/gemini-skills --skill gemini-api-dev --global
# 使用 Context7 skills 安装
npx ctx7 skills install /google-gemini/gemini-skills gemini-api-devSkill 测试器
我们创建了一个包含 117 个 prompt 的评估工具（evaluation harness），这些 prompt 会生成使用 Gemini SDK 的 Python 或 TypeScript 代码，用于评估 skill 的性能表现。
这些 prompt 覆盖了不同类别的评估，包括 agentic coding 任务、聊天机器人构建、文档处理、流式内容生成，以及一系列特定的 SDK 功能。
我们在两种模式下运行了这些测试：一种是”原始模式”（直接提示模型），另一种是启用 skill 的模式。启用 skill 时，模型会获得与 Gemini CLI 相同的系统指令，以及两个工具：activate_skill 和 fetch_url（用于下载文档）。
如果一个 prompt 使用了我们的旧版 SDK，则视为失败。
Skills 有效——但需要推理能力
顶层结果：
- 最新的 Gemini 3 系列模型在添加
gemini-api-devskill 后取得了优异成绩，尤其是从未启用 skill 时的低基线大幅提升（3.0 Pro 和 Flash 均为 6.8%，3.1 Pro 为 28%）。 - 较早的 2.5 系列模型也有所受益，但远不及新模型。使用具有强推理能力的现代模型确实很重要。
各评估类别表现均良好
对于表现最佳的模型（gemini-3.1-pro-preview），添加 skill 几乎在所有领域都很有效。
SDK Usage 的通过率最低，为 95%。这没有一个突出的原因；失败的 prompt 涵盖了一系列任务，其中包括一些困难或不清晰的请求，但值得注意的是，它们包含了明确请求使用 Gemini 2.0 模型的 prompt。
以下是 SDK Usage 类别中一个在所有模型上都失败的示例：
当我使用 Python API 和 gemini 2.0 flash 模型时，如果输出较长，返回的内容会变成一个输出块数组，而不是完整的一段。我猜它在做某种流式输入。如何关闭这个功能，一次性获取完整输出？
Skill 的局限
这些初步结果相当令人鼓舞，但我们从 Vercel 的研究中了解到，通过 AGENTS.md 进行直接指令有时比使用 skills 更有效，因此我们也在探索其他方式来提供 SDK 的实时知识，例如直接使用 MCP 获取文档。
Skill 的简洁性是一个巨大优势，但目前没有很好的 skill 更新机制，除了要求用户手动更新之外。从长远来看，这可能导致旧的 skill 信息残留在用户的工作区中，弊大于利。
尽管存在这些小问题，我们仍然很期待在工作流中使用 skills。Gemini API skill 还比较新，但我们会在推送模型更新时持续维护它，也会探索不同的改进方向。关注 Mark 和 Phil 以获取我们调优 skill 的最新动态，别忘了试用并给我们反馈！