Las peticiones tradicionales a LLM suelen obligar al modelo a cargar todas las instrucciones posibles por adelantado, lo que puede desperdiciar espacio en la ventana de contexto y degradar el rendimiento, ya que el modelo tiene dificultades para priorizar la información pertinente. Las habilidades de los agentes usan la "divulgación progresiva", que es un patrón de diseño en el que el agente solo accede a las prestaciones específicas que necesita para la tarea que está realizando en ese momento.

Por ejemplo, si un agente tiene asignada una tarea de limpieza de datos, no necesita cargar instrucciones de auditoría de seguridad. El agente empieza con una petición de base mínima y solo "revela" y carga la habilidad específica "Limpieza de datos" en su contexto cuando el usuario pide una consulta de base de datos.

Una habilidad es, básicamente, un directorio o una carpeta independiente que incluye las instrucciones y los recursos necesarios para realizar una tarea específica, escritos en un lenguaje sencillo para que no se necesite experiencia en programación. Para funcionar, depende de una combinación de metadatos obligatorios y recursos opcionales agrupados, lo que garantiza que el agente tenga todo lo que necesita para realizar una tarea sin sobrecargas innecesarias. 

Este es el componente principal obligatorio de una habilidad y contiene las instrucciones que sigue el agente. 

• Bloque de metadatos inicial de YAML: situado en la parte superior del archivo, contiene el nombre y la descripción (1024 caracteres como máximo). El agente solo lee esta parte al arrancar para ver qué habilidades tiene disponibles. Estos metadatos potencian la divulgación progresiva.
• Cuerpo de Markdown: contiene las instrucciones de procedimiento, la guía paso a paso y los ejemplos que sigue el agente una vez que se activa la habilidad.

Puedes añadir subdirectorios para que las habilidades sean más potentes. Una carpeta scripts/ puede contener código ejecutable (como Python o bash), mientras que references/ o assets/ pueden almacenar plantillas, documentación de las API o esquemas. El agente puede ejecutar estos scripts para obtener resultados deterministas sin que el código ocupe espacio en la ventana de contexto.

Para mantener el rendimiento, los agentes deben equilibrar la variedad de funciones con la capacidad de respuesta. El agente utiliza un enfoque por niveles para acceder solo a las instrucciones pertinentes para la tarea en cuestión, en lugar de cargar toda la biblioteca de prestaciones a la vez. Este proceso garantiza que el agente mantenga su ligereza y especialización durante toda la sesión.

1. Descubrimiento: al iniciarse, el agente carga solo los metadatos (unos 100 tokens por habilidad) a la petición del sistema para saber qué tiene disponible.
2. Activación: cuando una tarea coincide con la descripción de una habilidad, el agente usa comandos de bash para leer las instrucciones completas de SKILL.md en su contexto activo.
3. Ejecución: el agente sigue el flujo de trabajo, leyendo de forma selectiva los archivos de referencia o ejecutando las secuencias de comandos agrupadas solo cuando la tarea lo requiera.

El cambio a las habilidades de agente supone pasar de escribir una prosa general a la implementación obligatoria de instrucciones más granulares y específicas. 

• Proceso en lugar de prosa: las habilidades imponen puntos de control deterministas y criterios de salida en lugar de basarse en ensayos genéricos de prácticas recomendadas.
• Eficiencia de tokens: las habilidades solo consumen la ventana de contexto cuando se activan, lo que te permite instalar decenas de habilidades con una sobrecarga mínima.
• Interoperabilidad multiplataforma: estas habilidades se basan en una especificación abierta y funcionan en distintas herramientas, como Antigravity CLI, Gemini Enterprise Agent Platform, Claude Code, VS Code, Cursor y otras herramientas de CLI personalizadas.
• Componibilidad: los agentes pueden combinar varias habilidades de forma dinámica para completar flujos de trabajo complejos de varios pasos.

Las habilidades de los agentes ayudan a que la IA pase de ser un asistente general a un trabajador digital listo para producción.

Los equipos de ingeniería usan las habilidades de los agentes para implementar obligatoriamente estándares de programación. Por ejemplo, una habilidad puede incluir una guía de estilo de la empresa en su carpeta references/ y un script de ejecución de lint en scripts/. Cuando un desarrollador envía una solicitud de extracción, el agente ejecuta el script para comprobar si hay errores y deja comentarios de revisión basados en la guía de estilo, sin necesidad de que nadie escriba una petición compleja.

Los agentes usan sus habilidades de análisis para extraer datos estructurados de PDF, hojas de cálculo o texto. El agente carga los scripts de análisis complejos solo cuando se está procesando un documento de forma activa, lo que ahorra una gran cantidad de espacio en la ventana de contexto.

Los analistas de datos usan habilidades para interactuar con bases de datos de forma segura. Un agente carga una habilidad de "analista de datos" que contiene el esquema de la base de datos. Esto proporciona el contexto necesario para escribir consultas de SQL precisas, que se ejecutan mediante un script de conector de datos agrupado.

Los equipos de DevOps pueden crear una habilidad que agrupe las políticas de seguridad de infraestructura como código (IaC). Antes de aprovisionar un entorno en la nube, el agente utiliza la habilidad para ejecutar scripts de validación en los archivos de configuración, lo que garantiza que no se desplieguen puertos abiertos ni segmentos sin cifrar.

Los trabajadores del conocimiento de las empresas pueden crear habilidades para asegurarse de que todo el texto que ven los usuarios se ajusta a las directrices de voz de la marca.

Como las habilidades de los agentes se pueden agrupar con privilegios ejecutables, pueden ampliar tu superficie de ataque. Debes tratarlas con el mismo rigor de seguridad que cualquier otra dependencia de software.

Las plataformas empresariales pueden ayudar a mitigar este riesgo analizando las habilidades en busca de vulnerabilidades, como instrucciones ocultas o una capacidad de acción excesiva, antes de implementarlas. La firma criptográfica permite a los desarrolladores adjuntar una firma digital al directorio de habilidades para demostrar su autenticidad y garantizar que no se haya manipulado.

Las habilidades de agente se integran de forma nativa en el ecosistema de IA de Google Cloud. Gemini Enterprise Agent Platform te permite gestionar agentes autónomos con una sola llamada a la API, lo que te permite subir habilidades personalizadas o usar las predefinidas para flujos de trabajo empresariales complejos.

Estos agentes se basan en el sistema Antigravity, que proporciona un entorno seguro y aislado para el razonamiento, la planificación y la ejecución. Estas habilidades funcionan con el Model Context Protocol (MCP) para conectar de forma segura a los agentes con fuentes de datos externas en tiempo real, lo que garantiza que tu configuración sea segura y pueda auditarse.

Agent Development Kit (ADK) es el framework principal para usar el estándar de habilidades de agente abierto con la infraestructura de la empresa. Puedes usar el ADK para desplegar habilidades en agentes basados en Gemini, lo que les permite ejecutar scripts de Python o bash empaquetados en entornos de computación aislados.

El ADK permite que las habilidades se autentiquen mediante servicios como BigQuery y Cloud Storage y garantiza que cada vez que se active una habilidad y se ejecuta un script, esto se capture en Cloud Logging y Cloud Monitoring para que se pueda someter a una auditoría completa.

Para empezar, visita el repositorio oficial de habilidades de agente de Google. Ofrece paquetes de habilidades "centradas en agentes" para productos como BigQuery, Cloud Run y GKE. Puedes instalar estas prestaciones verificadas con comandos estándar como npx skills add google/skills.