Google łata deficyt wiedzy Gemini. Nowa funkcja drastycznie poprawia skuteczność kodowania

Fundamentem sukcesu modeli językowych w programowaniu jest dostęp do aktualnej dokumentacji. Proces trenowania AI tworzy jednak naturalną barierę: model zna jedynie stan rzeczywistości z momentu zamknięcia zbioru uczącego. Google postanowiło wyeliminować ten problem, wprowadzając „Agent Skill” dla Gemini API. To rozwiązanie pozwala agentom AI na bieżąco korzystać z najnowszych informacji o modelach, zestawach SDK oraz aktualnych wzorcach kodu, co w praktyce eliminuje tzw. lukę wiedzy o własnych komponentach.

Przełomowa skuteczność w testach

Wyniki wdrożenia nowej umiejętności są zaskakująco wysokie, choć nie rozkładają się równomiernie między generacjami. W testach obejmujących 117 zróżnicowanych zadań programistycznych model Gemini 1.5 Pro Preview (notowany w dokumentacji jako 3.1 Pro Preview) odnotował spektakularny wzrost skuteczności – z bazowych 28,2 proc. do aż 96,6 proc. Tak drastyczny skok pokazuje, że problemem w automatyzacji kodu często nie jest brak logiki modelu, lecz operowanie na nieaktualnych danych systemowych.

Rozumowanie kluczem do sukcesu

Analitycy Google zwracają uwagę na istotną korelację między fundamentami architektonicznymi a zdolnością do adaptacji nowych instrukcji. Podczas gdy nowsza seria modeli zyskała na aktualizacji najwięcej, starsze jednostki serii 2.5 odnotowały znacznie skromniejszy progres. Wynika to z faktu, że umiejętne wykorzystanie dostarczonego kontekstu wymaga zaawansowanych zdolności rozumowania. Starsze systemy, mimo dostępu do świeżych danych, nie potrafiły ich zaimplementować tak efektywnie jak ich nowocześniejsi następcy.

Branżowe alternatywy i przyszłość agentów

Choć koncepcja „Skills” została spopularyzowana pod koniec ubiegłego roku przez Anthropic, Google rozwija ją w kierunku większej otwartości. Gigant z Mountain View nie ogranicza się do jednego rozwiązania, badając równolegle integrację z usługami Model Context Protocol (MCP). Co ciekawe, konkurencyjne podejście sugerowane przez Vercel – polegające na stosowaniu plików AGENTS.md z bezpośrednimi instrukcjami – może okazać się równie, o ile nie bardziej skuteczne. Obecnie funkcjonalność Google jest dostępna dla deweloperów w serwisie GitHub, co otwiera drogę do budowy bardziej niezawodnych agentów AI w ekosystemie Google Cloud.