Пользовательские боты долгое время оставались главным способом адаптации языковых моделей под повторяющиеся задачи. В экосистеме Google эту роль выполняли Gems — изолированные профили с фиксированными системными инструкциями и прикрепленными файлами. Однако на практике такая модель создавала больше трения, чем пользы: каждый бот жил в отдельной вкладке, а объединение результатов работы двух ассистентов требовало бесконечного копирования текста между окнами.
В конце сентября 2026 года Google анонсировала масштабный пересмотр этой концепции. На смену статичным ботам приходит система модульных сценариев Gemini Skills. Вместо перехода в отдельный закрытый чат пользователь активирует нужный навык прямо в текущем диалоге с помощью слэш-команд.
Почему изолированные боты устарели
Концепция отдельных кастомных ботов хорошо смотрелась в презентациях, но плохо вписывалась в непрерывный рабочий процесс. Представьте разработчика, который отлаживает сложный модуль: сначала ему нужен ассистент для разбора серверных логов, затем генератор юнит-тестов, а в финале — редактор для оформления технического описания изменений. В архитектуре Gems инженеру приходилось открывать три разных чата, заново передавать контекст ошибки и вручную переносить фрагменты кода.
Gemini Skills устраняют фрагментацию контекста. Навыки становятся сквозными функциями, доступными внутри единого диалогового потока. Достаточно ввести команду вроде /log-parser, затем вызвать /jest-gen и завершить сессию командой /pr-summary. Модель сохраняет всю историю рассуждений и промежуточные артефакты, применяя специфические инструкции навыка к уже существующему контексту задачи.
Кроме того, навыки умеют связываться в цепочки (skill stacking) и применяться непосредственно к содержимому открытой вкладки браузера в Google Chrome — например, для быстрого аудита доступности интерфейса или извлечения тезисов из длинной статьи.
Справочные файлы и память: как навыки хранят стандарты
Ключевым преимуществом Skills стала поддержка постоянных контекстных вложений (Context Attachments). К каждому навыку можно прикрепить эталонные документы: корпоративный стайлгайд, правила верстки, схемы валидации данных или регламенты общения службы поддержки.
Когда пользователь активирует навык, Gemini обращается к этим документам как к приоритетному источнику истины. Это решает проблему стилистических отклонений и галлюцинаций: модели больше не нужно каждый раз напоминать формат ответа или загружать объемные PDF-инструкции в новый чат. Документы один раз связываются с навыком и автоматически учитываются при каждом вызове.
Для обеспечения переносимости Google представила открытый формат спецификации skill.md. Структуру навыка можно экспортировать в виде стандартного Markdown-манифеста с метаданными, что позволяет использовать наработанные инструкции в сторонних терминальных клиентах, редакторах кода и локальных средах без привязки к интерфейсу веб-сервиса.
График вывода Gems и этапы миграции данных
Отказ от старой архитектуры будет проходить поэтапно с сохранением пользовательских наработок:
- 17 ноября 2026 года: автоматическая миграция и отключение Gems стартует для персональных аккаунтов Google.
- 1 марта 2027 года: поддержка устаревших ботов прекращается для корпоративных клиентов Workspace Business, Enterprise и некоммерческих организаций.
- Июнь 2027 года: завершающая волна отключения затронет образовательные учреждения в тарифах Workspace Education.
Все сохраненные конфигурации промптов и прикрепленные файлы будут автоматически сконвертированы в черновики Gemini Skills. Тем не менее пользователям со сложными многостраничными инструкциями рекомендуется заранее проверить перенесенные навыки до даты отключения.
Границы инструмента: шаблон промпта, а не фоновый агент
Важно понимать, что Gemini Skills не превращают нейросеть в автономного агента с собственной виртуальной машиной. Навык не выполняет команды в терминале и не совершает фоновых действий при закрытом браузере. Это оптимизированный, стандартизированный способ управления контекстом и инструкциями в интерактивном диалоге.
Для повседневной инженерной и аналитической работы такой подход дает заметный выигрыш в скорости: вместо десятков разрозненных чатов формируется один управляемый поток, где вызов нужной компетенции занимает ровно одно нажатие клавиши.