기존 LLM 프롬프트 작성은 모델이 모든 잠재적 요청 사항을 미리 로드하도록 강제하는 경우가 많으며, 이로 인해 모델이 관련 정보의 우선순위를 지정하는 데 어려움을 겪으면서 컨텍스트 윈도우가 낭비되고 성능이 저하될 수 있습니다. 에이전트 스킬은 에이전트가 현재 수행 중인 작업에 필요한 특정 기능에만 액세스하는 설계 패턴인 '점진적 공개'를 사용합니다.

예를 들어 에이전트가 데이터 정리 작업을 수행하는 경우 보안 감사 지침을 로드할 필요가 없습니다. 에이전트는 최소한의 기본 프롬프트로 시작하며 사용자가 데이터베이스 쿼리를 요청할 때만 특정 '데이터 정리' 스킬을 컨텍스트에 '공개'하고 로드합니다.

스킬은 기본적으로 특정 작업을 수행하는 데 필요한 요청 사항과 애셋이 포함된 독립적인 디렉터리 또는 폴더로, 간단한 언어로 작성되어 코딩 경험이 필요하지 않습니다. 이 도구는 필수 메타데이터와 선택적 번들 애셋을 조합하여 작동하므로 에이전트가 불필요한 오버헤드 없이 작업을 수행하는 데 필요한 모든 것을 갖출 수 있습니다. 

이는 스킬의 필수 핵심 구성요소이며 에이전트가 따르는 지침을 포함합니다. 

• YAML 프런트매터: 파일 상단에 배치되며 이름과 설명(최대 1,024자(영문 기준))이 포함됩니다. 에이전트는 시작 시 이 부분만 읽어 어떤 스킬을 사용할 수 있는지 확인합니다. 이 메타데이터는 점진적 공개를 지원합니다.
• 마크다운 본문: 스킬이 활성화되면 에이전트가 따라야 할 실제 절차적 지침, 단계별 안내, 예시가 포함됩니다.

하위 디렉터리를 추가하여 스킬을 더 강력하게 만들 수 있습니다. scripts/ 폴더에는 실행 가능한 코드(예: Python 또는 bash)를 보관할 수 있으며, references/ 또는 assets/ 폴더에는 템플릿, API 문서 또는 스키마를 저장할 수 있습니다. 에이전트는 이러한 스크립트를 실행하여 코드 자체가 컨텍스트 윈도우에서 공간을 차지하지 않고도 결정론적 출력을 얻을 수 있습니다.

성능을 유지하려면 에이전트는 다양한 기능과 빠른 응답성 사이에서 균형을 맞춰야 합니다. 에이전트는 계층화된 접근 방식을 사용하여 전체 기능 라이브러리를 한 번에 로드하는 대신 당면한 작업과 관련된 요청 사항에만 액세스합니다. 이 프로세스를 통해 에이전트는 세션 전반에서 경량화되고 전문적인 상태를 유지할 수 있습니다.

1. 검색: 에이전트는 시작 시 시스템 프롬프트에 메타데이터(스킬당 약 100개의 토큰)만 로드하여 사용 가능한 스킬을 파악합니다.
2. 활성화: 작업이 스킬의 설명과 일치하면 에이전트는 bash 명령어를 사용하여 전체 SKILL.md 요청 사항을 활성 컨텍스트로 읽습니다.
3. 실행: 에이전트는 워크플로를 따르며, 작업에 필요한 경우에만 참조된 파일을 선택적으로 읽거나 번들 스크립트를 실행합니다.

에이전트 스킬로의 전환은 포괄적인 문장을 작성하는 것에서 더 세분화되고 구체적인 프롬프트를 적용하는 것으로의 변화를 의미합니다. 

• 텍스트보다 프로세스 우선: 스킬은 일반적인 권장사항을 서술한 글에 의존하는 대신 결정론적 체크포인트와 종료 기준을 적용합니다.
• 토큰 효율성: 스킬은 트리거될 때만 컨텍스트 윈도우를 소비하므로 오버헤드를 최소화하면서 수십 개의 스킬을 설치할 수 있습니다.
• 크로스 플랫폼 상호 운용성: 개방형 사양을 기반으로 하는 이러한 스킬은 Antigravity CLI, Gemini Enterprise Agent Platform, Claude Code, VS Code, Cursor 및 기타 커스텀 CLI 도구와 같은 다양한 도구에서 작동합니다.
• 구성 가능성: 에이전트는 여러 스킬을 동적으로 결합하여 복잡한 다단계 워크플로를 완료할 수 있습니다.

에이전트 스킬은 AI를 일반적인 어시스턴트에서 프로덕션에 즉시 사용 가능한 디지털 작업자로 전환하는 데 도움이 됩니다.

엔지니어링팀은 에이전트 스킬을 사용하여 코딩 표준을 적용합니다. 예를 들어 스킬의 references/ 폴더에는 회사 스타일 가이드를, scripts/ 폴더에는 린트 작업 스크립트를 포함할 수 있습니다. 개발자가 PR을 제출하면 에이전트가 스크립트를 실행하여 오류를 확인하고 스타일 가이드에 따라 검토 의견을 남기므로 복잡한 프롬프트를 작성할 필요가 없습니다.

에이전트는 파싱 스킬을 사용하여 PDF, 스프레드시트 또는 텍스트에서 정형 데이터를 추출합니다. 에이전트는 문서가 활발하게 처리되는 경우에만 무거운 파싱 스크립트를 로드하여 컨텍스트 윈도우 공간을 대량으로 절약합니다.

데이터 분석가는 스킬을 사용하여 데이터베이스와 안전하게 상호작용합니다. 에이전트가 데이터베이스 스키마가 포함된 '데이터 분석가' 스킬을 로드합니다. 이를 통해 정확한 SQL 쿼리를 작성하는 데 필요한 컨텍스트를 제공하며, 번들로 제공되는 데이터-커넥터 스크립트를 사용하여 쿼리를 실행합니다.

DevOps팀은 코드형 인프라(IaC) 보안 정책을 번들로 묶는 스킬을 만들 수 있습니다. 클라우드 환경이 프로비저닝되기 전에 에이전트는 스킬을 사용하여 구성 파일에 대해 검증 스크립트를 실행하여 열린 포트나 암호화되지 않은 버킷이 배포되지 않도록 합니다.

엔터프라이즈 지식 노동자는 모든 사용자 대상 문구가 브랜드 보이스 가이드라인에 부합하도록 스킬을 만들 수 있습니다.

에이전트 스킬은 실행 가능한 권한과 함께 패키징될 수 있으므로 공격 표면을 확장할 수 있습니다. 다른 소프트웨어 종속 항목과 동일한 수준의 보안 엄격성을 적용해야 합니다.

엔터프라이즈 플랫폼은 배포 전에 숨겨진 요청 사항 또는 과도한 권한과 같은 취약점에 대해 스킬을 스캔하여 이러한 위험을 완화하는 데 도움이 될 수 있습니다. 암호화 서명을 통해 개발자는 스킬 디렉터리에 디지털 서명을 첨부하여 진위를 증명하고 변조되지 않았음을 보장할 수 있습니다.

에이전트 스킬은 Google Cloud AI 생태계에 기본적으로 통합됩니다. Gemini Enterprise Agent Platform을 사용하면 단일 API 호출로 자율 에이전트를 관리할 수 있으므로 복잡한 엔터프라이즈 워크플로에 커스텀 스킬을 업로드하거나 사전 빌드된 스킬을 사용할 수 있습니다.

이러한 에이전트는 추론, 계획, 실행을 위한 안전한 샌드박스 환경을 제공하는 Antigravity 하네스를 기반으로 합니다. 이러한 스킬은 모델 컨텍스트 프로토콜(MCP)과 연동되어 에이전트를 실시간 외부 데이터 소스에 안전하게 연결하여 설정의 보안과 감사 가능성을 보장합니다.

에이전트 개발 키트(ADK)는 엔터프라이즈 인프라에서 개방형 에이전트 스킬 표준을 사용하기 위한 기본 프레임워크입니다. ADK를 사용하면 Gemini 기반 에이전트에 스킬을 배포하여 격리된 샌드박스 컴퓨팅 환경 내에서 번들로 제공되는 Python 또는 bash 스크립트를 실행할 수 있습니다.

ADK를 사용하면 스킬이 BigQuery 및 Cloud Storage와 같은 서비스에 인증할 수 있으며, 모든 스킬 활성화 및 스크립트 실행이 Cloud Logging 및 Cloud Monitoring에 캡처되어 완전한 감사 가능성을 보장합니다.

시작하려면 공식 Google 에이전트 스킬 저장소를 방문하세요. BigQuery, Cloud Run, GKE와 같은 제품을 위한 '에이전트 중심' 스킬 팩을 제공합니다. npx skills add google/skills와 같은 표준 명령어를 사용하여 이러한 검증된 기능을 설치할 수 있습니다.