Las instrucciones de LLM tradicionales suelen obligar a los modelos a cargar todas las instrucciones potenciales por adelantado, lo que puede desperdiciar la ventana de contexto y afectar el rendimiento, ya que los modelos tienen dificultades para priorizar la información relevante. Las habilidades de agentes usan la "divulgación progresiva", un patrón de diseño en el que el agente solo accede a las capacidades específicas necesarias para la tarea que está realizando en ese momento.

Por ejemplo, si un agente tiene la tarea de limpiar datos, no necesita cargar instrucciones de auditoría de seguridad. El agente comienza con una instrucción base mínima y solo "divulg" y carga la habilidad específica "Limpiador de datos" en su contexto cuando el usuario solicita una consulta de base de datos.

En términos simples, una habilidad es un directorio o carpeta independiente que incluye las instrucciones y los recursos necesarios para realizar una tarea específica, escrita en un lenguaje sencillo para que no se necesite experiencia en programación. Para funcionar, se basa en una combinación de metadatos obligatorios y recursos opcionales empaquetados, lo que garantiza que el agente tenga todo lo que necesita para realizar una tarea sin sobrecarga innecesaria. 

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

• Metadatos iniciales de YAML: Se colocan en la parte superior del archivo y contienen el nombre y la descripción (máximo 1,024 caracteres). El agente solo lee esta parte al inicio para ver qué habilidades están disponibles. Estos metadatos permiten la divulgación progresiva.
• Cuerpo de Markdown: Contiene las instrucciones de procedimiento reales, la guía paso a paso y los ejemplos que sigue el agente una vez que se activa la habilidad.

Puedes agregar 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, documentos de API o esquemas. El agente puede ejecutar estas secuencias de comandos para obtener resultados determinísticos sin que el código ocupe espacio en la ventana de contexto.

Para mantener el rendimiento, los agentes deben equilibrar la riqueza de funciones con la capacidad de respuesta. El agente usa un enfoque por niveles para acceder solo a las instrucciones relevantes para la tarea en cuestión, en lugar de cargar toda la biblioteca de capacidades a la vez. Este proceso garantiza que el agente siga siendo ligero y especializado durante toda la sesión.

1. Descubrimiento: Al inicio, el agente carga solo los metadatos (aprox. 100 tokens por habilidad) en la instrucción del sistema para saber qué está 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, lee de forma selectiva los archivos referenciados o ejecuta los scripts agrupados solo cuando la tarea lo requiere.

El cambio a las habilidades de agentes implica pasar de escribir prosa amplia a aplicar instrucciones más detalladas y específicas. 

• El proceso por encima de la prosa: Las habilidades imponen puntos de control determinísticos y criterios de salida en lugar de depender de 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, que se basan en una especificación abierta, funcionan en herramientas como la CLI de Antigravity, 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 aplicar los estándares de programación. Por ejemplo, una habilidad puede incluir una guía de estilo de la empresa en su carpeta references/ y una secuencia de comandos de análisis con lint en scripts/. Cuando un desarrollador envía una solicitud de extracción, el agente ejecuta la secuencia de comandos para verificar si hay errores y deja comentarios de revisión basados en la guía de estilo, sin necesidad de que alguien escriba una instrucción compleja.

Los agentes usan habilidades de análisis para extraer datos estructurados de archivos PDF, hojas de cálculo o texto. El agente carga las secuencias de comandos de análisis pesadas solo cuando se procesa un documento de forma activa, lo que ahorra grandes cantidades de espacio en la ventana de contexto.

Los analistas de datos usan habilidades para interactuar con las 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 en SQL precisas, y las ejecuta con una secuencia de comandos de conector de datos incluida.

Los equipos de DevOps pueden crear una habilidad que agrupe las políticas de seguridad de infraestructura como código (IaC). Antes de aprovisionar un entorno de nube, el agente usa la habilidad para ejecutar secuencias de comandos de validación en archivos de configuración, lo que garantiza que no se implementen puertos abiertos ni buckets sin encriptar.

Los trabajadores del conocimiento empresarial pueden crear habilidades para garantizar que todo el texto orientado al usuario se alinee con los lineamientos de tono de la marca.

Debido a que las habilidades de los agentes pueden empaquetarse con privilegios ejecutables, pueden expandir tu superficie de ataque. Debes tratarlos 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 agencia excesiva, antes de la implementación. La firma criptográfica permite que los desarrolladores adjunten una firma digital al directorio de habilidades, lo que demuestra la autenticidad y garantiza que no se haya alterado.

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

Estos agentes funcionan con el arnés de Antigravity, que proporciona un entorno seguro de zona de pruebas para el razonamiento, la planificación y la ejecución. Estas habilidades funcionan con el Protocolo de contexto del modelo (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 auditable.

El Kit de desarrollo de agentes (ADK) es el framework principal para usar el estándar de habilidades de agentes abiertos con la infraestructura empresarial. Puedes usar el ADK para implementar habilidades en agentes potenciados por Gemini, lo que les permite ejecutar secuencias de comandos de Python o Bash empaquetadas en entornos de procesamiento aislados y de zona de pruebas.

El ADK permite que las habilidades se autentiquen con servicios como BigQuery y Cloud Storage, a la vez que garantiza que cada activación de habilidad y ejecución de secuencia de comandos se capture en Cloud Logging y Cloud Monitoring para una auditabilidad completa.

Como punto de partida, visita el repositorio oficial de habilidades de agentes de Google. Proporciona paquetes de habilidades "diseñados específicamente para agentes" para productos como BigQuery, Cloud Run y GKE. Puedes instalar estas funciones verificadas con comandos estándar como npx skills add google/skills.