Google: промышленный стандарт разработки Agent Skills

Что изменилось

3 августа 2026 Remigiusz Samborski из Google Cloud описал, как команда масштабирует библиотеку Agent Skills без потери качества. Проект стартовал как кросс-функциональный рывок к Google Cloud Next 2026; публичный репозиторий получил широкую реакцию сообщества, после чего к вкладу подключились продуктовые команды Google — не только Cloud.

Чтобы вклад разных команд не размывал опыт агента, Google зафиксировала производственный контур:

1. Единая структура каталогов и метаданных — одинаковая анатомия Skill для разных сервисов Google.
2. Предпочтение удалённым MCP-инструментам — по протоколу MCP вместо прямых вызовов командной строки (CLI) и программного интерфейса (API), когда управляемый удалённый инструмент уже есть; у MCP встроенные авторизация и управление доступом.
3. Обязательные проверки при внесении изменений — автоматические проверки метаданных и структуры (линтеры), проверка ссылок, чеклисты с помощью AI на структуру инструкций и ограждения.
4. Набор оценки качества и шкала баллов для каждого нового Skill — явные тестовые задания и критерии оценки до публичного запуска.
5. Непрерывные проверки — оценка при каждом изменении и еженедельные регрессионные прогоны по библиотеке.
6. Сравнение агента со Skill и без него — по точности и завершению задачи, а также по токенам и времени.
7. Долгосрочный владелец каждого Skill — отдельно от сопровождающих репозиторий; владелец обновляет Skill при смене API и при падении качества в оценках.

Google также подтвердила внутреннюю линейку Skills для команды по работе с разработчиками: Skills для трансформации контента, SEO-оптимизации и регулярной отчётности — не только публичные инструкции для внешних разработчиков.

Публичный экспорт автоматизирован: внутренние активы, данные о владельцах и наборы оценки качества в открытый GitHub не попадают. Значит, снаружи виден результат, а не полный производственный контур — его как раз и раскрыл пост.

Что делать тем, кто работает со Skills

Если вы автор, владелец или оператор Skills — не копируйте бренд Google, перенесите производственный минимум:

1. Зафиксируйте контракт Skill. Один класс задач, обязательные разделы результата, источники данных, правила остановки и запрет финального вывода без обязательных фактов.
2. Вынесите работу с данными в MCP. Skill не должен сам изобретать вызовы API Метрики, Директа или CRM, если есть управляемый MCP-коннектор. Прямой CLI/API — только запасной путь с явной причиной.
3. Соберите набор оценки качества до масштабирования. 10–15 фиксированных заданий, ожидаемые факты, обязательные разделы ответа, критерии «прошёл / не прошёл».
4. Сравнивайте со Skill и без него. Смотрите точность, полноту, ошибки инструментов, токены и время. Допуск — измеримый прирост качества или эффективности, а не более длинный ответ.
5. Назначьте владельца. Кто обновляет Skill при смене API, модели или среды запуска; кто реагирует на падение еженедельного прогона.
6. Встройте проверки в ритм изменений. Автоматическая проверка структуры и ссылок при каждом изменении файла; полный регресс — не реже раза в неделю.

Практический пилот: возьмите один ключевой Skill — например SEO GEO Auditor Pro — и за одну неделю закройте этот контур на минимальном объёме. Пока нет сравнения «до / после» и владельца, Skill остаётся черновиком инструкции, даже если лежит в каталоге.

Что сделать мне в MCP-CHEREMISINA

Для нашей линии Skills и MCP Panel пост Google — не новость «для чтения», а чеклист зрелости каталога.

1. Выбрать пилотный Skill — `seo-geo-auditor-pro`: зафиксировать 10–15 тестовых заданий с ожидаемыми фактами и обязательными разделами отчёта.
2. Снять исходный уровень — прогон без Skill и со Skill: точность, полнота, ошибки MCP, токены, время.
3. Закрепить архитектурное правило в шаблоне Skill и в обучении: если есть управляемый MCP-инструмент, Skill не импровизирует прямой вызов API или командной строки.
4. Назначить владельца на каждый опубликованный Skill в каталоге — кто чинит регресс после смены модели, коннектора или среды запуска агента.
5. Поставить ритм проверок — автозапуск при изменении Skill и еженедельный регресс; критерий допуска в релиз: измеримый прирост, иначе Skill не считается готовым к промышленной эксплуатации.
6. Вшить контур в обучение — на Marketing Skills ученик уходит не только с файлом инструкции, но с черновиком набора оценки качества и правилом владельца.

Пока этот контур не закрыт хотя бы на одном Skill, масштабировать библиотеку рано: растёт объём файлов, а не надёжность результата.