Il prompting LLM tradizionale spesso costringe il modello a caricare in anticipo tutte le potenziali istruzioni, il che può sprecare la finestra contestuale e degradare le prestazioni, poiché il modello fatica a dare priorità alle informazioni pertinenti. Le competenze degli agenti utilizzano la "divulgazione progressiva", un modello di progettazione in cui l'agente accede solo alle funzionalità specifiche richieste per l'attività che sta svolgendo.

Ad esempio, se un agente ha il compito di pulire i dati, non ha bisogno di caricare le istruzioni di controllo della sicurezza. L'agente inizia con un prompt di base minimo e "rivela" e carica la competenza specifica "Data Cleaner" nel suo contesto solo quando l'utente chiede una query di database.

Una skill è essenzialmente una directory o una cartella autonoma che include le istruzioni e gli asset necessari per eseguire un'attività specifica, scritta in un linguaggio semplice, per cui non è necessaria alcuna esperienza di programmazione. Si basa su un mix di metadati obbligatori e asset in bundle facoltativi per funzionare, garantendo che l'agente abbia tutto ciò di cui ha bisogno per eseguire un'attività senza overhead non necessari. 

Questo è il componente principale obbligatorio di una competenza e contiene le istruzioni che l'agente segue. 

• YAML Frontmatter: posizionato nella parte superiore del file, contiene il nome e la descrizione (massimo 1024 caratteri). L'agente legge solo questa parte all'avvio per vedere quali competenze sono disponibili. Questi metadati sono alla base della divulgazione progressiva.
• Corpo Markdown: contiene le istruzioni procedurali effettive, le indicazioni passo passo e gli esempi che l'agente segue una volta attivata la competenza.

Puoi aggiungere sottodirectory per rendere le competenze più efficaci. Una cartella scripts/ può contenere codice eseguibile (come Python o bash), mentre references/ o assets/ possono archiviare modelli, documenti API o schemi. L'agente può eseguire questi script per ottenere output deterministici senza che il codice stesso occupi spazio nella finestra contestuale.

Per mantenere le prestazioni, gli agenti devono trovare un equilibrio tra la ricchezza di funzionalità e la reattività. L'agente utilizza un approccio a livelli per accedere solo alle istruzioni pertinenti per l'attività in questione, anziché caricare l'intera libreria di funzionalità contemporaneamente. Questo processo garantisce che l'agente rimanga leggero e specializzato per tutta la durata della sessione.

1. Rilevamento: all'avvio, l'agente carica solo i metadati (~100 token per competenza) nel prompt di sistema per sapere cosa è disponibile.
2. Attivazione: quando un'attività corrisponde alla descrizione di una skill, l'agente utilizza i comandi bash per leggere le istruzioni SKILL.md complete nel suo contesto attivo.
3. Esecuzione: l'agente segue il flusso di lavoro, leggendo selettivamente i file a cui fa riferimento o eseguendo gli script in bundle solo quando l'attività lo richiede.

Il passaggio alle competenze dell'agente è un cambiamento che porta dalla scrittura di testi generici all'applicazione di prompt più granulari e specifici. 

• Processo rispetto alla prosa: le competenze impongono checkpoint deterministici e criteri di uscita anziché affidarsi a saggi generici sulle best practice.
• Efficienza dei token: le skill consumano la finestra contestuale solo quando vengono attivate, consentendoti di installare decine di skill con un overhead minimo.
• Interoperabilità multipiattaforma: basate su una specifica aperta, queste competenze funzionano su strumenti come Antigravity CLI, Gemini Enterprise Agent Platform, Claude Code, VS Code, Cursor e altri strumenti CLI personalizzati.
• Componibilità: gli agenti possono combinare più competenze in modo dinamico per completare flussi di lavoro complessi in più fasi.

Le competenze dell'agente aiutano a trasformare l'AI da assistente generico a lavoratore digitale pronto per la produzione.

I team di progettazione utilizzano le competenze degli agenti per applicare gli standard di programmazione. Ad esempio, una skill può includere una guida di stile aziendale nella cartella references/ e uno script di linting in scripts/. Quando uno sviluppatore invia una PR, l'agente esegue lo script per verificare la presenza di errori e lascia commenti di revisione basati sulla guida di stile, senza che sia necessario che qualcuno scriva un prompt complesso.

Gli agenti utilizzano le capacità di analisi per estrarre dati strutturati da PDF, fogli di lavoro o testo. L'agente carica gli script di analisi pesanti solo quando un documento viene elaborato attivamente, risparmiando enormi quantità di spazio nella finestra contestuale.

Gli analisti di dati utilizzano le competenze per interagire con i database in modo sicuro. Un agente carica una competenza "Analista di dati" contenente lo schema del database. In questo modo viene fornito il contesto necessario per scrivere query SQL accurate, che vengono eseguite utilizzando uno script di connettore dati integrato.

I team DevOps possono creare una competenza che raggruppa i criteri di sicurezza Infrastructure as Code (IaC). Prima che venga eseguito il provisioning di un ambiente cloud, l'agente utilizza la competenza per eseguire script di convalida sui file di configurazione, assicurandosi che non vengano distribuiti bucket non criptati o porte aperte.

I knowledge worker aziendali possono creare skill per garantire che tutti i testi rivolti agli utenti siano in linea con le linee guida della voce del brand.

Poiché le competenze degli agenti possono essere raggruppate con privilegi eseguibili, possono espandere la superficie di attacco. Devi trattarli con lo stesso rigore in termini di sicurezza di qualsiasi altra dipendenza software.

Le piattaforme aziendali possono contribuire a mitigare questo rischio analizzando le competenze alla ricerca di vulnerabilità, come istruzioni nascoste o eccessiva autonomia, prima del deployment. La firma crittografica consente agli sviluppatori di allegare una firma digitale alla directory delle skill, dimostrando l'autenticità e garantendo che non sia stata manomessa.

Le competenze degli agenti si integrano in modo nativo nell'ecosistema di AI Google Cloud. Gemini Enterprise Agent Platform ti consente di gestire agenti autonomi con una singola chiamata API, permettendoti di caricare competenze personalizzate o utilizzare quelle predefinite per workflow aziendali complessi.

Questi agenti sono basati sull'imbracatura Antigravity, che fornisce un ambiente sandbox sicuro per il ragionamento, la pianificazione e l'esecuzione. Queste competenze funzionano con il Model Context Protocol (MCP) per collegare in modo sicuro gli agenti a origini dati esterne attive, garantendo che la configurazione sia sicura e verificabile.

Agent Development Kit (ADK) è il framework principale per l'utilizzo dello standard aperto per le competenze degli agenti con l'infrastruttura aziendale. Puoi utilizzare l'ADK per eseguire il deployment di competenze su agenti basati su Gemini, consentendo loro di eseguire script Python o bash in bundle all'interno di ambienti di computing isolati e in modalità sandbox.

L'ADK consente alle competenze di autenticarsi con servizi come BigQuery e Cloud Storage, garantendo al contempo che ogni attivazione di competenza ed esecuzione di script venga acquisita in Cloud Logging e Cloud Monitoring per una completa controllabilità.

Per un punto di partenza, visita il repository ufficiale delle competenze degli agenti Google. Fornisce pacchetti di competenze "agent-first" per prodotti come BigQuery, Cloud Run e GKE. Puoi installare queste funzionalità verificate utilizzando comandi standard come npx skills add google/skills.