Bei herkömmlichen LLM-Prompts muss das Modell oft alle potenziellen Anweisungen im Voraus laden. Das kann das Kontextfenster verschwenden und die Leistung beeinträchtigen, da das Modell Schwierigkeiten hat, relevante Informationen zu priorisieren. Die Fähigkeiten von KI-Agenten nutzen die „progressive Offenlegung“. Das ist ein Designmuster, bei dem der KI-Agent nur auf die spezifischen Funktionen zugreift, die für die aktuelle Aufgabe erforderlich sind.

Wenn ein Agent beispielsweise mit der Datenbereinigung beauftragt wird, muss er keine Anweisungen für Sicherheitsprüfungen laden. Der Agent beginnt mit einem minimalen Basis-Prompt und „offenbart“ und lädt die spezifische „Data Cleaner“-Funktion nur dann in seinen Kontext, wenn der Nutzer eine Datenbankabfrage anfordert.

Ein Skill ist im Grunde ein eigenständiges Verzeichnis oder ein Ordner, der die Anweisungen und Assets enthält, die für die Ausführung einer bestimmten Aufgabe erforderlich sind. Die Anweisungen sind in einfacher Sprache verfasst, sodass keine Programmierkenntnisse erforderlich sind. Es basiert auf einer Mischung aus erforderlichen Metadaten und optionalen gebündelten Assets, sodass der Agent alles hat, was er für die Ausführung einer Aufgabe benötigt, ohne unnötigen Overhead. 

Dies ist die obligatorische Kernkomponente einer Skill und enthält die Anweisungen, die der Agent befolgt. 

• YAML-Frontmatter: Diese befindet sich am Anfang der Datei und enthält den Namen und die Beschreibung (maximal 1.024 Zeichen). Der Agent liest beim Start nur diesen Teil, um zu sehen, welche Skills verfügbar sind. Diese Metadaten ermöglichen die progressive Offenlegung.
• Markdown-Text: Dieser enthält die eigentlichen Verfahrensanweisungen, Schritt-für-Schritt-Anleitungen und Beispiele, denen der Agent folgt, sobald die Fähigkeit aktiviert ist.

Sie können Unterverzeichnisse hinzufügen, um Skills leistungsfähiger zu machen. Ein Ordner „scripts/“ kann ausführbaren Code (wie Python oder Bash) enthalten, während „references/“ oder „assets/“ Vorlagen, API-Dokumente oder Schemas speichern können. Der Agent kann diese Skripts ausführen, um deterministische Ausgaben zu erhalten, ohne dass der Code selbst Platz im Kontextfenster einnimmt.

Um die Leistung aufrechtzuerhalten, müssen KI-Agenten ein Gleichgewicht zwischen Funktionsumfang und Reaktionsfähigkeit finden. Der KI-Agent verwendet einen mehrstufigen Ansatz, um nur auf die relevanten Anweisungen für die jeweilige Aufgabe zuzugreifen, anstatt die gesamte Bibliothek der Funktionen auf einmal zu laden. So bleibt der Agent während der gesamten Sitzung schlank und spezialisiert.

1. Erkennung: Beim Start lädt der Agent nur die Metadaten (~100 Tokens pro Skill) in den System-Prompt, um zu wissen, was verfügbar ist.
2. Aktivierung: Wenn eine Aufgabe mit der Beschreibung eines Skills übereinstimmt, verwendet der Agent Bash-Befehle, um die vollständigen SKILL.md-Anweisungen in seinen aktiven Kontext einzulesen.
3. Ausführung: Der Agent folgt dem Workflow und liest selektiv referenzierte Dateien oder führt gebündelte Skripts nur dann aus, wenn die Aufgabe dies erfordert.

Die Umstellung auf Agenten-Skills bedeutet, dass nicht mehr allgemeine Texte, sondern detailliertere, spezifische Prompts geschrieben werden. 

• Prozess vor Prosa: Skills erzwingen deterministische Prüfpunkte und Ausstiegskriterien, anstatt sich auf allgemeine Best-Practice-Essays zu verlassen.
• Token-Effizienz: Skills verbrauchen nur dann das Kontextfenster, wenn sie ausgelöst werden. So können Sie Dutzende von Skills mit minimalem Overhead installieren.
• Plattformübergreifende Interoperabilität: Die Skills basieren auf einer offenen Spezifikation und funktionieren mit Tools wie der Antigravity CLI, der Gemini Enterprise Agent Platform, Claude Code, VS Code, Cursor und anderen benutzerdefinierten CLI-Tools.
• Komponierbarkeit: KI-Agenten können mehrere Skills dynamisch kombinieren, um komplexe, mehrstufige Workflows auszuführen.

Agenten-Skills machen aus einer KI, die bisher nur als allgemeiner Assistent fungierte, eine produktionsreife digitale Arbeitskraft.

Entwicklerteams nutzen Agenten-Skills, um Programmierstandards durchzusetzen. Ein Skill kann beispielsweise einen Styleguide des Unternehmens im Ordner „references/“ und ein Linting-Skript im Ordner „scripts/“ enthalten. Wenn ein Entwickler einen Pull Request einreicht, führt der Agent das Script aus, um nach Fehlern zu suchen, und hinterlässt Kommentare basierend auf dem Styleguide, ohne dass jemand einen komplexen Prompt schreiben muss.

KI-Agenten nutzen Parsing-Fähigkeiten, um strukturierte Daten aus PDFs, Tabellen oder Text zu extrahieren. Der Agent lädt die umfangreichen Parsing-Scripts nur, wenn ein Dokument aktiv verarbeitet wird. So wird viel Platz im Kontextfenster gespart.

Datenanalysten nutzen Fähigkeiten, um sicher mit Datenbanken zu interagieren. Ein Agent lädt den Skill „Datenanalyst“, der das Datenbankschema enthält. So erhält Gemini den Kontext, der für das Schreiben präziser SQL-Abfragen erforderlich ist. Diese werden dann mit einem mitgelieferten Daten-Connector-Script ausgeführt.

DevOps-Teams können einen Skill erstellen, der Sicherheitsrichtlinien für Infrastructure as Code (IaC) bündelt. Vor der Bereitstellung einer Cloud-Umgebung führt der Agent mit dieser Fähigkeit Validierungsskripts für Konfigurationsdateien aus, um sicherzustellen, dass keine offenen Ports oder unverschlüsselten Buckets bereitgestellt werden.

Wissensarbeiter in Unternehmen können Skills erstellen, um sicherzustellen, dass alle für Nutzer sichtbaren Texte den Richtlinien für die Markenstimme entsprechen.

Da Agenten-Skills mit ausführbaren Berechtigungen verknüpft werden können, können sie Ihre Angriffsfläche vergrößern. Sie müssen sie mit derselben Sicherheitsstrenge behandeln wie jede andere Softwareabhängigkeit.

Unternehmensplattformen können dieses Risiko verringern, indem sie Skills vor der Bereitstellung auf Sicherheitslücken wie versteckte Anweisungen oder übermäßige Handlungsfähigkeit prüfen. Durch kryptografisches Signieren können Entwickler dem Skill-Verzeichnis eine digitale Signatur hinzufügen, um die Authentizität zu belegen und sicherzustellen, dass es nicht manipuliert wurde.

Agenten-Skills sind nativ in das Google Cloud AI-Ökosystem eingebunden. Mit der Gemini Enterprise Agent Platform können Sie autonome KI-Agenten mit einem einzigen API-Aufruf verwalten. So können Sie benutzerdefinierte Skills hochladen oder vordefinierte Skills für komplexe Unternehmensworkflows verwenden.

Diese Agenten werden von der Antigravity-Umgebung unterstützt, die eine sichere, isolierte Umgebung für Schlussfolgerungen, Planung und Ausführung bietet. Diese Fähigkeiten arbeiten mit dem Model Context Protocol (MCP) zusammen, um Agenten sicher mit externen Live-Datenquellen zu verbinden. So ist Ihre Einrichtung sowohl sicher als auch prüfbar.

Das Agent Development Kit (ADK) ist das primäre Framework für die Verwendung des offenen Standards für Agenten-Skills mit der Unternehmensinfrastruktur. Mit dem ADK können Sie Skills für Gemini-basierte Agenten bereitstellen, sodass diese gebündelte Python- oder Bash-Scripts in isolierten, geschützten Rechenumgebungen ausführen können.

Das ADK ermöglicht die Authentifizierung von Skills bei Diensten wie BigQuery und Cloud Storage. Gleichzeitig wird jede Skill-Aktivierung und jede Script-Ausführung in Cloud Logging und Cloud Monitoring erfasst, um eine vollständige Prüfbarkeit zu gewährleisten.

Als Ausgangspunkt können Sie das offizielle Repository für Google-Agent-Skills verwenden. Es bietet „Agent-First“-Skill-Pakete für Produkte wie BigQuery, Cloud Run und GKE. Sie können diese verifizierten Funktionen mit Standardbefehlen wie „npx skills add google/skills“ installieren.