Skills de AI/ML y Agent Platform

La categoría AI/ML es la más grande del catálogo google/skills. Si filtras los 103 SKILL.md del repositorio por el metadata.category del frontmatter, AiAndMachineLearning sale con 18 skills, más que Containers con 16 y que CloudObservabilityAndMonitoring con 13. Y por una vez las dos taxonomías coinciden: la sección AI/ML del README.md lista esas mismas 18 entradas.

Recuerda lo del mapa del catálogo: el nombre del README no siempre es el del directorio, y aquí la divergencia es especialmente fuerte. El directorio manda.

Título en el README	Directorio real
Agent Platform Model Garden Deploy Skill	skills/cloud/agent-platform-deploy
LiveAPI Service Skill	skills/cloud/gemini-live-api
Skill Registry	skills/cloud/agent-platform-skill-registry
Migrating from Gemini API in AI Studio to Agent Platform	skills/cloud/agent-platform-migrate-from-ai-studio
Gemini Enterprise Agent Platform - Managed Agents API Skill	skills/cloud/gemini-agents-api

Una nota de nomenclatura antes de entrar: Agent Platform es el nombre nuevo. El propio gemini-api/SKILL.md lo dice en su primera línea después del frontmatter:

IMPORTANT: Agent Platform (full name Gemini Enterprise Agent Platform) was previously named “Vertex AI” and many web resources use the legacy branding.

Por eso vas a ver mezclados aiplatform.googleapis.com, gcloud ai ..., import vertexai y el paquete nuevo agentplatform dentro del mismo grupo de skills. No es incoherencia del catálogo: es una migración de marca en curso, y el repositorio sigue marcado como under active development.

El ciclo de vida como criterio de agrupación

Cada skill cubre un tramo del recorrido que va desde “quiero llamar a un modelo” hasta “tengo un agente en producción y me están llegando 403”.

flowchart TD
    A[Entrar al ecosistema] --> B[Inferir contra un modelo]
    B --> C[Adaptar el modelo con tuning]
    C --> D[Registrar y servir]
    D --> E[Dar contexto: prompts y RAG]
    E --> F[Medir calidad con evals]
    F --> G[Operar: alertas y troubleshooting]
    G --> F
    B --> H[Construir agentes gestionados]
    H --> E
    I[IA dentro del dato en BigQuery] --> F

Las siete secciones que siguen recorren ese grafo. En cada skill abrimos su SKILL.md y contamos lo que dice de verdad, no lo que sugiere su nombre.

1. Entrar al ecosistema: la migración desde AI Studio

skills/cloud/agent-platform-migrate-from-ai-studio/ es un skill de un solo archivo. Su description fija el escenario:

Guides agents and users through migrating from Gemini API in Google AI Studio to Gemini Enterprise Agent Platform (formerly Vertex AI). Use this skill when moving applications to Google Cloud, to leverage Cloud credits, or to unify inferencing with other Cloud infrastructure (IAM, billing, telemetry).

El corazón del skill es una tabla comparativa entre generativelanguage.googleapis.com (el endpoint de AI Studio) y aiplatform.googleapis.com (el de Agent Platform), fila por fila: audiencia, créditos GCP, privacidad de datos, seguridad e IAM, compliance y SLAs, throughput, ecosistema MLOps y alcance del inferencing. Dos filas condensan la motivación práctica: los créditos y el free trial no se aplican en AI Studio pero sí en Agent Platform, y en AI Studio los datos pueden revisarse para mejorar productos de Google mientras que en Agent Platform prompts y respuestas nunca se usan para entrenar.

Después viene la parte accionable: habilitar la API con gcloud services enable aiplatform.googleapis.com --project="{project_id}", configurar Application Default Credentials y otorgar roles/aiplatform.user tanto a la identidad de usuario como a la service account de la VM. Con un aviso poco obvio: los access scopes legacy de Compute Engine pueden anular los bindings de IAM, así que hay que verificar que la VM tenga el scope cloud-platform.

2. Inferir: un skill genérico y cuatro APIs de Gemini

agent-platform-inference

Es el skill de inferencia de propósito general, y uno de los más grandes del grupo: 726 líneas de SKILL.md más 8 archivos en scripts/. Cubre modelos de primera parte (Gemini), modelos de tercera parte bajo OpenMaaS (Llama, DeepSeek, Qwen y similares) y endpoints personalizados, es decir cualquier modelo detras de un recurso numérico projects/.../endpoints/<id> — Gemini tuneados, modelos OSS auto-desplegados desde Model Garden y modelos custom legacy.

Lo interesante es la matriz de scripts, porque cruza qué modelo con qué SDK: gemini_genai_sdk.py, gemini_openai_sdk.py, gemini_vertexai_sdk.py y sus tres equivalentes openmaas_*. Tres SDKs por dos familias de modelo, más un verify_all.sh que ejecuta todos los ejemplos de golpe para validar el entorno end to end. El SKILL.md también enumera los errores que sabe diagnosticar, y son concretos: 429 Resource Exhausted (DSQ), 400 User Validation y 404 Not Found.

Y una advertencia que se repite en varios skills de esta categoría:

Incomplete Lists: The Model IDs listed in this skill are examples only and may be incomplete or outdated.

gemini-api

Es la guía canónica del Gemini API sobre Agent Platform con el Google Gen AI SDK. Se dispara, según su description, cuando el usuario habla de usar Gemini en entorno enterprise o menciona Vertex AI, Google Cloud o Agent Platform.

Tiene una peculiaridad de frontmatter: es uno de los tres únicos SKILL.md de todo el repositorio que declara un campo compatibility —los otros dos están en skills/ads/—, y el suyo dice Requires active Google Cloud credentials and Agent Platform API enabled. compatibility es un campo opcional del estándar Agent Skills, no una invención de Google ni una convención de un harness concreto; la propia especificación advierte que la mayoría de skills no lo necesitan.

Sus directivas centrales son de higiene de dependencias: usar siempre el Gen AI SDK (google-genai en Python, @google/genai en JS/TS, google.golang.org/genai en Go, com.google.genai:google-genai en Java, Google.GenAI en C#) y no usar google-cloud-aiplatform, @google-cloud/vertexai ni google-generativeai, marcados como deprecados.

Los nueve archivos de references/ reparten las capacidades por tema: text_and_multimodal.md, structured_and_tools.md, media_generation.md, embeddings.md, live_api.md, model_tuning.md, safety.md, bounding_box.md y advanced_features.md.

Es el patrón de progressive disclosure del capítulo 4: el SKILL.md de 251 líneas actúa de índice y el agente carga solo lo que necesita.

gemini-interactions-api

Cubre la Interactions API: la vía stateful y gestionada por servidor para conversaciones multi-turno, ejecución en background, streaming, salida estructurada y function calling. Su SKILL.md es el segundo más largo del grupo con 591 líneas.

Su bloque CRITICAL es de los más prescriptivos del catálogo. Fija un piso de SDK — google-genai >= 2.3.0, porque aunque >= 2.0.0 ya activa el schema de steps, el piso soportado es 2.3.0 — y establece una diferencia de comportamiento que no aparece en la documentación pública de ai.google.dev:

GEAP requires a provisioned agent (no direct base-model calls yet): On Gemini Enterprise Agent Platform (GEAP), direct/base-model calls (model="...") via the Interactions API are not supported yet. You must target a provisioned agent or endpoint with the agent="<AGENT_ID>" parameter instead of model="...".

Ese es el tipo de conocimiento que justifica que exista un skill: copiar el ejemplo de la documentación pública produce código que no funciona aquí.

gemini-agents-api

Si la Interactions API es el plano de ejecución, la Managed Agents API es el plano de control. El SKILL.md lo dice con esas palabras: “The Managed Agents API forms the Control Plane of the platform”.

Es un skill de REST puro, sin scripts: da endpoints, payloads JSON y comandos curl para crear, listar, actualizar y borrar recursos Agent sobre https://aiplatform.googleapis.com/v1beta1/projects/{PROJECT_ID}/locations/{LOCATION}/agents. El payload de creación muestra de qué está hecho un agente gestionado: un base_agent, un system_instruction, una lista de tools —code_execution, filesystem, google_search, url_context— y un base_environment que monta directorios de Cloud Storage en el workspace del contenedor, incluida una ruta /.agent/skills.

Ahí se cierra un círculo interesante: un agente de Agent Platform carga sus skills desde un bucket, con el mismo formato SKILL.md que describe el curso hermano de Agent Skills. Crear el agente es una Long Running Operation, así que el endpoint devuelve un objeto de operación en vez del recurso final.

gemini-live-api

El único skill del grupo cuyo entregable es código generado, no una operación sobre la nube. Su description es explícita:

Generates a Gemini LiveAPI client service class in the user’s chosen programming language.

Genera una clase cliente que se conecta al endpoint WebSocket de Live API y resuelve de una vez streaming bidireccional, autenticación por bearer token vía ADC, reanudación transparente de sesión e intercambio de protos ClientMessage / ServerMessage. Además produce un frontend y un backend de demo para validar texto, audio, video, transcripción e interrupciones.

Sus tres references/ son el contrato del servidor —client_server_messages.md, client_server_messages.proto y session_manager.md— y el skill los trata como material que hay que copiar al directorio de salida del usuario. El paso 2 del flujo pide reconciliar esas copias con la documentación pública antes de generar el cliente, porque el contrato puede haber cambiado. Y hay una restricción de entorno tajante: nunca mutar el Python del sistema del host; todo va a una carpeta de salida que el usuario indica.

3. Adaptar el modelo: tuning y gestión de jobs

Aquí el catálogo separa deliberadamente hacer de vigilar.

agent-platform-tuning es el skill grande: 531 líneas, 5 references/ y 6 scripts/. Cubre el fine-tuning completo de open models y de modelos Gemini, y está organizado como un árbol de decisión de 8 preguntas sobre seis fases numeradas: Phase 0 entorno e IAM, Phase 1 dataset, Phase 2 configuración, Phase 3 ejecución, Phase 4 monitorización, Phase 5 despliegue. Dos reglas suyas valen por todo el skill:

• No recomendar modelos de memoria. El paso de recomendación obliga a leer references/models.md y a proponer solo modelos listados ahí. Si el usuario nombra uno ausente del catálogo, la regla no es negarse y callar: hay que decir que no está soportado para tuning y ofrecer el más cercano de la misma familia y tamaño.
• La location depende de la categoría de modelo. Los open models comparten un conjunto fijo de locations donde global es la recomendada; los modelos Gemini varian por modelo y hoy no aceptan global. Aplicar el conjunto de una categoría a la otra es el error que el skill está escrito para evitar.

Sus scripts cubren lo que el agente no debería improvisar: prepare_dataset.py, calculate_cost.py, list_models.py, tune_open_model.py, monitor_tuning_job.py y cancel_tuning_job.py.

agent-platform-tuning-management es su contrapartida mínima: un solo SKILL.md de 169 líneas, sin recursos. Solo lista, consulta y cancela jobs de tuning con el cliente aiplatform_v1.GenAiTuningServiceClient, y su description delimita el reparto sin ambigüedad: “Don’t use for fine-tuning models (use agent-platform-tuning), deploying models to endpoints (use agent-platform-deploy), or managing serving endpoints (use agent-platform-endpoint-management)“.

4. Registrar y servir: registry, endpoints y deploy

Tres skills, tres responsabilidades que no se solapan.

flowchart LR
    R[agent-platform-model-registry] -->|modelo registrado| D[agent-platform-deploy]
    E[agent-platform-endpoint-management] -->|endpoint creado| D
    D -->|modelo servido| I[agent-platform-inference]

agent-platform-model-registry administra el Model Registry con gcloud ai models list | describe | upload | update | delete, incluido el direccionamiento por versión con la sintaxis ${MODEL_ID}@${VERSION_ID}. Su sección 6 obliga a verificar cualquier model_id contra el catálogo real antes de usarlo:

gcloud ai model-garden models list --model-filter="<model_name_or_query>" --full-resource-name --format=json

agent-platform-endpoint-management crea, lista, describe, actualiza y borra endpoints de serving con gcloud ai endpoints .... Su overview explica por qué existe como paso separado: “You must create an endpoint before you can deploy a model to it”. Y avisa de la dependencia inversa al borrar: todos los modelos deben estar undeployed antes de eliminar el endpoint.

agent-platform-deploy —el que el README llama Model Garden Deploy Skill— es el que efectivamente despliega open models o pesos propios desde Model Garden a un endpoint, consulta el estado de la operación y limpia recursos. Es el skill con las salvaguardas más duras del grupo, por una razón evidente: desplegar cuesta dinero. El bloque de warning obliga a tres cosas antes de ejecutar cualquier deploy: calcular una estimación de coste a partir del --machine-type y del --accelerator-type solicitados, presentarla advirtiendo que es precio de lista y puede diferir de la factura real, y pedir confirmación explícita de que el usuario acepta ese coste.

Trae además un protocolo de recomendación de cinco pasos que prohíbe nombrar un modelo desde memoria: consultar el catálogo vivo con gcloud ai model-garden models list, verificar que el ID exacto es desplegable con gcloud ai model-garden models list-deployment-config y citarlo literal, sin parafrasear a la familia. Por eso los ejemplos usan el placeholder deliberadamente inútil <PUBLISHER>/<FAMILY>@<VERSION-ID>.

Un detalle que solo aparece leyendo el archivo: la verificación de disponibilidad regional se aplica solo a modelos Gemini de primera parte y a adaptadores LoRA, no a open weights, porque el catálogo de Model Garden es global. La sonda es una llamada real a :generateContent cuyo código HTTP se interpreta así: 200 disponible, 404 no disponible —parar y no cambiar de región en silencio—, cualquier otra cosa no concluye nada.

5. Dar contexto: prompts gestionados y RAG Engine

agent-platform-prompt-management trata los prompts como activos versionados de producción, no como strings en el código. Usa vertexai.preview.prompts para crear, listar, recuperar, versionar y borrar prompts gestionados. Sus buenas prácticas: placeholders con dobles llaves en las plantillas, registrar siempre el version_id al actualizar un prompt de producción y fijar el modelo objetivo al crearlo. La recuperación soporta versión explícita:

retrieved_prompt = prompts.get(prompt_id="PROMPT_ID")
# Versions are supported: prompts.get(prompt_id="PROMPT_ID", version_id="2")

agent-platform-rag-engine-management cubre el otro flanco del contexto: corpora de RAG Engine. Lista corpora y ficheros, inspecciona un corpus, recupera contextos con rag.retrieval_query() y genera respuestas grounded pasando un types.Tool con vertex_rag_store a client.models.generate_content(). No sirve para consultas de base de datos —ahí van los skills de SQL o Spanner—, ni para RAG de Google Workspace, ni para otros productos de RAG.

Introduce además un nivel de riesgo propio: el Tier RC, Read-only but consumes Compute Resources. Generar contenido grounded no muta nada pero cuesta, así que exige confirmación interactiva enumerando corpus, modelo y consulta.

6. Medir: el eval flywheel

agent-platform-eval-flywheel es el skill metodológico de la categoría. No administra recursos: enseña el Eval Quality Flywheel, cinco etapas que se ejecutan en orden la primera vez y después se repiten en bucle de la 2 a la 5.

flowchart LR
    S1[1 Prepare Data] --> S2[2 Run Inference]
    S2 --> S3[3 Grade]
    S3 --> S4[4 Analyze Failures]
    S4 --> S5[5 Optimize and Iterate]
    S5 --> S2

Lo más útil del SKILL.md es una tabla titulada Shortcuts that waste time, que lista atajos tentadores y por qué fallan: bajar el umbral de la métrica para que pase esconde fallos reales, saltarse un caso flaky tapa el no determinismo del agente que se corrige con temperature=0, deducir del trace que funciona en vez de ejecutar evaluate() no generaliza, y una sola iteración nunca basta —el skill espera entre 5 y 10 o más—.

Y una regla de honestidad que debería copiarse a cualquier skill de análisis: “Never claim eval results you didn’t read from an actual result object”. Si no se puede producir la evidencia, hay que decirlo, no taparlo.

También corrige dos importaciones plausibles que no lo son: from agentplatform.types import evals revienta con ModuleNotFoundError porque types es un módulo y no un paquete, y from vertexai.evaluation import PointwiseMetric, EvalTask pertenece al SDK superado, cuyas clases aceptan argumentos distintos y fallan con TypeError en vez de con un error de import —que es mucho peor de diagnosticar—.

Sus siete scripts cubren cada etapa: validate_dataset.py antes de la etapa 3, parse_adk_traces.py en la 1 para convertir volcados de sesiones de ADK al esquema canónico, inspect_results.py en las etapas 3 y 4, compare_results.py en la 5 para detectar regresiones, render_html_report.py para el informe y endpoint_evaluation.py / maas_evaluation.py para evaluar contra un endpoint desplegado o contra un modelo Model-as-a-Service por ID.

7. Operar: alertas y troubleshooting

agent-platform-alert-configuration es, en volumen, el skill más cargado de la categoría: 8 archivos en references/ y 18 en scripts/, 26 en total además del SKILL.md. También es el único SKILL.md de todo el repositorio que declara allowed-tools:

allowed-tools: terraform gcloud python

allowed-tools también pertenece al estándar Agent Skills, pero ahí está marcado como experimental y con soporte que varía entre implementaciones de agente; que Google lo use en un solo skill de 103 es coherente con ese estado. No confundirlo con la lista de herramientas que declara un plugin en la Agent Plugins Specification: son capas distintas, y esa segunda la ves en el capítulo 11.

Configura políticas de alerta basadas en métricas OpenTelemetry. Su description deja claro el límite: las alertas de Reliability, Cost, Safety y Security usan métricas OTel genéricas y funcionan en cualquier runtime —Cloud Run, Vertex AI—, mientras que las de Quality dependen de Vertex AI Online Monitors y están atadas a despliegues de Vertex AI. Y el skill no deja el número de políticas al criterio del agente: lo fija.

Tipo	Políticas obligatorias
Reliability	5: latencia, error rate fast burn de 1 hora, error rate slow burn de 3 días, model call error rate y tool call error rate
Quality	3: final response quality, tool use quality y hallucination
Cost	1: rapid token burn rate
Safety	1: high Model Armor safety policy trigger rate
Security	1: high IAM permission denied trigger rate

Cada tipo tiene su archivo de referencia, de reliability_alert_policies.md a security_alert_policies.md. La salida es solo Terraform, y el alerting por SQL con condition_sql exige provider >= 6.0.0. Hay además una regla que evita el error clásico de observabilidad: prohibido fijar la alerta a un agente concreto. Se agrupa por gen_ai_agent_name con PromQL para cubrir dinámicamente todos los agentes del proyecto, salvo petición explícita en contra — mencionar el nombre de un agente no cuenta como pedirlo. Y un tier propio, el Tier B de facturación: crear un Online Monitor implica evaluaciones con LLM y activar telemetría implica exportación a Cloud Trace y Logging; ambos costes hay que advertirlos antes de aprovisionar nada.

agent-platform-troubleshooting cierra el ciclo: diagnostica fallos de Agent Gateway, Agent Registry, Agent Identity, Policies, Model Armor e Identity-Aware Proxy. Sus 6 references/ son fuente única de verdad:

CRITICAL RULE: You MUST ONLY use the reference files located in this skill’s references/ directory. Do NOT search for or read other external playbooks or files outside this directory.

Lo más instructivo es su mandatory pre-flight checklist: reglas que se evalúan antes de cualquier llamada a herramienta y que en varios casos ordenan responder en el turno 0 sin ejecutar nada. La Regla 1 obliga a declinar consultas genéricas de IAM o GCS por estar fuera de alcance. La Regla 2 prohíbe escribir o ejecutar scripts de descubrimiento a medida, porque consumen turnos y provocan timeouts, y redirige a gcloud o a REST. La Regla 3 recomienda consolidar todas las APIs de Google bajo una única entrada googleapis del Agent Registry, con sus 8 interfaces FQDN, en lugar de registrar cada API por separado.

Es un ejemplo directo de algo que ya vimos en el capítulo 4: buena parte de estos skills existe para impedir comportamientos, no solo para habilitarlos.

8. El puente: agent-platform-skill-registry

Con 80 líneas es el SKILL.md más corto del grupo, pero conecta este curso con sus dos hermanos: “Interact with the Gemini Enterprise Agent Platform Skill Registry to create and search for available skills. Use this skill to enable agents to register functionality or discover new capabilities.”

Declara cuatro capacidades y delega cada una a un archivo de references/:

• Skill Discovery (query-skills.md) — buscar, listar, obtener skills concretos e inspeccionar historiales de revisión.
• Skill Lifecycle Management (manage-skills.md) — subir, actualizar o borrar skills.
• Operation Monitoring (monitor-operations.md) — estado de las LRO.
• Generate Skill (generate-skill.md) — andamiar un skill nuevo en local.

La última es la más llamativa: hay un skill de Google que genera skills. Y references/generate-skill.md es honesto sobre su alcance —“This tool serves strictly as a starting point. It generates a foundational draft and requires human intervention to refine the logic, review the architecture, and ensure the final skill meets production-level quality standards.”

Tiene además una directiva rígida: validar el entorno con python3 scripts/validate_env.py antes de cualquier operación, con GCP_PROJECT_ID y GCP_LOCATION obligatorias.

Si te interesa el formato del SKILL.md que se registra ahí, el curso de Agent Skills lo desarma campo por campo; si te interesa cómo se empaqueta y distribuye un conjunto de skills, el de Agent Plugins Spec cubre esa capa, y el capítulo 11 muestra cómo lo hace Google en este mismo repositorio.

9. IA dentro del dato: bigquery-ai-ml

El decimoctavo skill no vive en Agent Platform: vive en SQL. bigquery-ai-ml lleva la inferencia al motor de datos en vez de mover los datos al modelo. Su SKILL.md tiene solo 65 líneas porque es puro índice de 16 references/.

Grupo	Funciones
Generación	AI.GENERATE texto con LLM, AI.GENERATE_TABLE con valores de tabla, AI.GENERATE_EMBEDDING embeddings, AI.AGG agregación y resumen semántico multi-fila
Comprensión	AI.CLASSIFY clasificar texto, AI.IF condiciones semánticas, AI.SCORE puntuar, AI.SIMILARITY similitud, AI.SEARCH búsqueda semántica
Analítica	AI.FORECAST series temporales, AI.DETECT_ANOMALIES anomalías, AI.KEY_DRIVERS drivers clave como TVF, AI.EVALUATE evaluar modelos

A esas trece se suman tres referencias transversales: remote_models.md para trabajar con modelos remotos de Vertex AI, ml_contribution_analysis.md para CONTRIBUTION_ANALYSIS —que a diferencia de las funciones AI.* requiere crear una entidad MODEL— y vector_search.md con buenas prácticas de VECTOR_SEARCH.

Su frontera también está escrita: “Do not use for general BigQuery dataset, table, or job management requests”, terreno de bigquery-basics. Ese reparto lo ves en el capítulo 9.

El patrón transversal: Safety and Confirmation Tiers

Casi todos los SKILL.md de esta categoría abren con la misma sección, marcada (CRITICAL). Es la convención de seguridad más consistente del catálogo, y clasifica cada operación por lo que puede romper.

Tier	Que cubre	Que exige
R — Read-only	list, describe, get	nada, se ejecuta de inmediato
M — Mutating and Reversible	create, update, upload, deploy	confirmación interactiva con el comando literal
D — Destructive and Irreversible	delete, cancel	confirmación tecleada explícita

Dos variantes aparecen solo donde el riesgo es económico y no estructural: el Tier RC de agent-platform-rag-engine-management para generación grounded que consume cómputo, y el Tier B de agent-platform-alert-configuration para acciones que crean recursos facturables.

Y hay una restricción que se repite casi palabra por palabra en todos ellos, la same-turn restriction: nunca ejecutar el comando en el mismo turno en que se presenta la confirmación. agent-platform-tuning-management la califica sin rodeos: “Asking for confirmation and providing the code in a single parallel turn is a severe safety violation.”

En Tier D hay un matiz adicional fácil de pasar por alto: la confirmación se pide antes de cualquier chequeo previo. agent-platform-endpoint-management lo dice literalmente — no ejecutes describe para ver que hay dentro antes de tener la confirmación tecleada.

Los 18 skills de un vistazo

Directorio bajo skills/cloud/	Etapa	Extras
agent-platform-migrate-from-ai-studio	entrada	solo SKILL.md
agent-platform-inference	inferencia	scripts/ 8
gemini-api	inferencia	references/ 9
gemini-interactions-api	inferencia stateful	solo SKILL.md
gemini-agents-api	control plane de agentes	solo SKILL.md
gemini-live-api	streaming bidireccional	references/ 3
agent-platform-tuning	tuning	references/ 5, scripts/ 6
agent-platform-tuning-management	tuning	solo SKILL.md
agent-platform-model-registry	registro	solo SKILL.md
agent-platform-endpoint-management	serving	solo SKILL.md
agent-platform-deploy	serving	references/ 2, scripts/ 1
agent-platform-prompt-management	contexto	references/ 1
agent-platform-rag-engine-management	contexto	solo SKILL.md
agent-platform-eval-flywheel	evaluación	references/ 5, scripts/ 7
agent-platform-alert-configuration	operación	references/ 8, scripts/ 18
agent-platform-troubleshooting	operación	references/ 6
agent-platform-skill-registry	meta	references/ 4, scripts/ 3
bigquery-ai-ml	IA en el dato	references/ 16

La instalación no cambia por categoría. Son los comandos del README, sin variaciones:

# skills.sh
npx skills add google/skills

# Claude Code
claude plugin marketplace add google/skills
claude plugin install <plugin>@google-plugins

# Codex
codex plugin marketplace add google/skills

# Antigravity CLI
agy plugin install https://github.com/google/skills/<plugin-path>

El detalle de cada vía está en el capítulo 2. Y si trabajas con agentes fuera de este catálogo, el README enlaza otros repositorios de skills de Google que lo complementan, en especial el del Agent Development Kit en https://github.com/google/agents-cli, cuyos traces sabe parsear parse_adk_traces.py, además de Genkit en https://github.com/genkit-ai/skills.

Resumen

• La categoría AI/ML son 18 skills, la más grande del catálogo tanto por metadata.category (AiAndMachineLearning) como por la sección AI/ML del README, que por una vez coinciden exactamente.
• Los títulos del README divergen de los directorios en cinco casos; el directorio es siempre el nombre real del skill.
• Agrupados por ciclo de vida: entrada desde AI Studio, inferencia con agent-platform-inference y las cuatro APIs de Gemini, tuning con agent-platform-tuning y su gestor de jobs, serving con model-registry + endpoint-management + deploy, contexto con prompt-management y rag-engine-management, calidad con eval-flywheel, operación con alert-configuration y troubleshooting, más skill-registry como meta-skill y bigquery-ai-ml como IA dentro del dato.
• El patrón transversal son los Safety and Confirmation Tiers R / M / D, con las variantes RC y B para riesgo económico, y la same-turn restriction.
• agent-platform-alert-configuration es el único SKILL.md del repositorio con allowed-tools, y gemini-api uno de los tres únicos con compatibility.
• agent-platform-skill-registry cierra el círculo: hay un skill de Google dedicado a registrar, descubrir y hasta andamiar otros skills.

Siguiente: Skills de infraestructura: GKE, Cloud Run y Firebase