03/Cool Products
2026-11-19//10 MNT BACA

Bedah Produk Keren: Apakah google/skills: Architecture & Layak Diadopsi untuk Stack Production Anda?

INTISARI EKSEKUTIF // BRIEFING 05:30 WIB

Architectural Thesis: Engineering teardown of google/skills (Python) — Engineering teardown of google/skills's architecture, concurrency model, and developer primitives. Real-World Field Use Cases: 1. Developer Platform Integration: Embedding into existing CI/CD and production microservice pipelines. 2. Concurrency & Memory...

DP
Doddi PriyambodoSolutions Consultant, Google Cloud SEA
Blueprint Arsitektur Enterprise
Bedah Produk Keren: Apakah google/skills: Architecture & Layak Diadopsi untuk Stack Production Anda?
FIG. 01 // CETAK BIRU ARSITEKTUR2026-11-19 • BICARA IT

Bedah Produk Keren: Apakah google/skills: Architecture & Layak Diadopsi untuk Stack Production Anda?

Ringkasan: Repositori google/skills beserta ekosistem Agent Development Kit (ADK) adalah framework open-source dan pustaka agent skills dari Google yang dirancang untuk membangun, men-debug, dan men-deploy AI agents pada skala enterprise. Ditujukan bagi platform engineers dan AI developers, tool ini menjembatani jurang antara prototipe AI dan sistem produksi melalui eksekusi workflow berbasis graf, protokol komunikasi Agent-to-Agent (A2A), dan integrasi native yang mendalam dengan infrastruktur Google Cloud.

Apa Itu Inside google/skills: Architecture & Production Teardown & Mengapa Sedang Trending?

Dalam lanskap engineering modern, transisi dari skrip Large Language Model (LLM) sederhana menuju autonomous agents yang siap produksi sering kali terhambat oleh masalah reliabilitas, manajemen state, dan kurangnya standardisasi tools. Repositori google/skills hadir sebagai solusi komprehensif untuk masalah ini. Secara fundamental, repositori ini adalah koleksi Agent Skills siap pakai yang dirancang khusus untuk berinteraksi dengan produk dan teknologi Google. Namun, di balik repositori skills tersebut, terdapat mesin penggerak utama: Agent Development Kit (ADK).

Berdasarkan dokumentasi resminya di adk-docs, ADK 2.0 adalah framework pengembangan agen open-source yang memungkinkan engineers untuk membangun agen AI yang andal. Mengapa proyek ini meledak di GitHub dan mendapatkan lebih dari 24.000 stars? Jawabannya terletak pada pendekatan first-principles yang diambil oleh Google: mereka tidak hanya menyediakan wrapper API, tetapi merancang ulang bagaimana agen AI beroperasi di dalam lingkungan enterprise. ADK mendukung lima bahasa pemrograman utama secara native: Python, TypeScript, Go, Java, dan Kotlin. Ini adalah pembeda arsitektural yang masif dibandingkan framework lain yang sering kali hanya berfokus pada Python.

Repositori ini menyediakan ratusan skills spesifik yang mengubah runbook operasional menjadi fungsi yang dapat dieksekusi oleh agen. Mulai dari skill infrastruktur seperti GKE TPU multi-slice hangs with the MXLA Hang Analyzer, hingga skill analitik seperti BigQuery Migration Service (BQMS) SQL Translator. Ini bukan sekadar prompt engineering; ini adalah infrastructure-as-code yang digerakkan oleh agen.

Use Case Nyata di Lapangan: Ide Implementasi Praktis

Untuk memahami bagaimana google/skills dan ADK mengubah paradigma operasional, berikut adalah tiga use case nyata di lapangan yang dapat diimplementasikan oleh tim engineering:

1. Developer Platform Integration: Otomatisasi SRE dan CI/CD

  • Masalah Sehari-hari: Tim Site Reliability Engineering (SRE) sering kali menghabiskan waktu berjam-jam untuk melakukan triase pada alert infrastruktur yang kompleks, seperti masalah autoscaling pada Managed Instance Group (MIG) atau kegagalan deployment di Kubernetes.
  • Bagaimana Ini Bekerja dalam Praktik: Tim platform dapat mengintegrasikan agen ADK ke dalam pipeline CI/CD atau sistem ticketing mereka. Dengan menggunakan skills bawaan seperti Compute Engine Managed Instance Group (MIG) Autoscaling Troubleshooting atau GKE Node NotReady Troubleshooting Skill, agen dapat secara otomatis merespons webhook dari sistem monitoring, menarik log yang relevan, menganalisis root cause, dan bahkan merekomendasikan atau mengeksekusi perbaikan.
  • Dampak Nyata: Penurunan drastis pada Mean Time To Resolution (MTTR). Agen bertindak sebagai first responder (L1 Support) yang memiliki akses langsung ke telemetri infrastruktur, membebaskan engineers manusia untuk fokus pada masalah arsitektural yang lebih strategis.

2. Concurrency & Memory Footprint: Optimasi Workload AI di GKE

  • Masalah Sehari-hari: Menjalankan workload AI/ML pada cluster Kubernetes (GKE) yang menggunakan TPU atau GPU sangat rentan terhadap masalah resource leak, partition overlap, atau degradasi performa yang sulit dilacak secara manual.
  • Bagaimana Ini Bekerja dalam Praktik: Menggunakan ADK, tim dapat membangun agen observabilitas yang secara terus-menerus memantau cluster. Agen ini dipersenjatai dengan skills spesifik seperti Troubleshoot GKE TPU reservation stockouts caused by leaked node pool capacity dan Troubleshoot GKE TPU performance degradation with ML Diagnostics Workload Monitoring. Agen dapat mengevaluasi metrik latensi P99 dan utilitas memori di bawah beban tinggi secara real-time.
  • Dampak Nyata: Peningkatan efisiensi biaya (cost efficiency) dan reliabilitas hardware akselerator. Agen dapat mengidentifikasi node TPU yang unresponsive (NodeStatusUnknown) dan memicu proses repair sebelum workload inferensi pengguna akhir terdampak.

3. Build-vs-Buy Adoption Verdict: Migrasi dan Modernisasi Data

  • Masalah Sehari-hari: Perusahaan yang ingin bermigrasi dari data warehouse legacy ke BigQuery sering kali terjebak dalam proses translasi SQL yang manual, lambat, dan rawan kesalahan (error-prone).
  • Bagaimana Ini Bekerja dalam Praktik: Alih-alih membeli solusi vendor pihak ketiga yang mahal (Buy), tim data engineering dapat membangun agen migrasi kustom (Build) menggunakan ADK. Agen ini menggunakan skills seperti BigQuery Migration Metadata Extraction dan BigQuery Migration Validator. Agen dapat membaca skema lama, menerjemahkan query menggunakan LLM yang di-grounding dengan konteks spesifik perusahaan, dan memvalidasi hasilnya secara otomatis.
  • Dampak Nyata: Fleksibilitas operasional yang jauh lebih tinggi dibandingkan solusi managed cloud tertutup. Tim mempertahankan kontrol penuh atas logika migrasi, keamanan data, dan dapat menyesuaikan agen untuk menangani edge cases yang spesifik pada domain bisnis mereka.

Di Balik Layar: Arsitektur & Keputusan Desain

Dalam evaluasi arsitektural kami, inovasi paling signifikan dari ADK 2.0 bukanlah pada integrasi modelnya, melainkan pada bagaimana ia menangani control flow dan state management. ADK memperkenalkan konsep Graph Workflows. Alih-alih mengandalkan chain-of-thought linier yang rentan terhadap halusinasi dan kegagalan eksekusi, ADK memungkinkan engineers untuk menenun kode deterministik dengan penalaran AI yang adaptif.

Arsitektur ini menggunakan pendekatan berbasis graf (DAG - Directed Acyclic Graph) di mana setiap node merepresentasikan sebuah langkah komputasi (baik itu fungsi Python/Go standar atau inferensi LLM), dan edges merepresentasikan transisi state. Ini memberikan jalur eksekusi yang eksplisit, penanganan data yang terstruktur, serta dukungan native untuk retries, timeouts, dan dynamic workflows.

Selain itu, ADK mengimplementasikan A2A Protocol (Agent-to-Agent). Ini adalah pergeseran paradigma dari agen monolitik menuju arsitektur micro-agents. Agen dapat mengekspos kapabilitas mereka dan mengonsumsi kapabilitas agen lain, memungkinkan Collaborative workflows, Sequential workflows, Loop workflows, dan Parallel workflows.

Untuk interaksi dengan sistem eksternal, ADK mendukung Function tools standar dan MCP (Model Context Protocol) tools. Dukungan MCP sangat krusial karena memungkinkan agen untuk berinteraksi dengan sumber data lokal atau remote server secara terstandarisasi tanpa perlu menulis integrasi kustom untuk setiap API.

Berikut adalah representasi arsitektural dari pipeline eksekusi ADK:

flowchart LR
    subgraph Client_Layer["Client / Trigger Layer"]
        CLI[Agents CLI]
        Web[Web Interface]
        API[API Server / Ambient Agents]
    end

    subgraph Adk_Runtime["ADK Agent Runtime"]
        Router{Agent Routing}
        
        subgraph Graph_Workflows["Graph Workflows Engine"]
            Node1[Deterministic Code]
            Node2[LLM Reasoning]
            Node3[State & Memory Management]
            
            Node1 -->|Context| Node2
            Node2 -->|Decision| Node3
            Node3 -->|Loop/Retry| Node1
        end
        
        ContextMgr[Agent Context & Sessions]
        A2A[A2A Protocol Handler]
    end

    subgraph Tools_Skills["Tools & Skills Ecosystem"]
        GoogleSkills[google/skills Repository]
        MCP[MCP Tools / Remote Servers]
        CustomFunc[Custom Function Tools]
    end

    subgraph Models["Model Layer"]
        Gemini[Gemini / Gemma]
        Claude[Claude]
        OpenAI[OpenAI / vLLM / Ollama]
    end

    Client_Layer -->|Invoke| Router
    Router --> Graph_Workflows
    Graph_Workflows <--> ContextMgr
    Graph_Workflows <--> A2A
    
    Node2 <--> Models
    Node2 <--> Tools_Skills
    
    Tools_Skills -->|Execute| GCP[Google Cloud Infrastructure]

Desain ini menunjukkan pemisahan yang jelas antara lapisan orkestrasi (Graph Workflows), lapisan memori (Context & Sessions yang mendukung Context compression dan Model context caching), dan lapisan eksekusi (Tools & Skills). Pemisahan ini memastikan bahwa agen dapat diskalakan secara independen dan di-deploy ke layanan enterprise seperti Cloud Run atau GKE dengan observabilitas penuh (Logging, Metrics, Traces).

Quickstart Praktis & Bedah Kode

Mari kita bedah bagaimana implementasi teknis dari tool ini di lingkungan lokal. Berdasarkan dokumentasi di google/skills#readme dan google/skills/releases, instalasi skills dikelola melalui ekosistem Node.js, meskipun Anda nantinya menulis agen dalam Python atau Go.

1. Menginstal Google Skills

Jika Anda ingin menambahkan skills spesifik ke dalam proyek Anda, Anda menggunakan CLI npx. Pastikan Node.js sudah terinstal di lingkungan Anda.

# Menginstal skills ke dalam proyek
npx skills add google/skills

# Memperbarui skills yang sudah ada ke versi terbaru
npx skills update

Saat perintah add dijalankan, CLI akan memberikan prompt interaktif untuk memilih skills spesifik (misalnya, Agent Platform Eval Flywheel Skill atau Cloud Storage FUSE), agen target yang akan dikonfigurasi, dan cakupan instalasi (project atau global).

2. Menginisialisasi Agen dengan ADK

Selanjutnya, kita perlu menginstal core framework ADK. Sesuai dengan bahasa pilihan Anda, instalasinya sangat lugas:

Untuk Python:

pip install google-adk

Untuk TypeScript:

npm install @google/adk

Untuk Go:

go get google.golang.org/adk/v2

3. Bedah Kode: Membangun Agen Sederhana

Berikut adalah contoh kode produksi yang diambil langsung dari dokumentasi resmi ADK untuk menginisialisasi agen menggunakan Python dan TypeScript. Kode ini mendemonstrasikan bagaimana mengikat model LLM, instruksi sistem, dan tools (dalam hal ini google_search) ke dalam satu entitas agen.

Implementasi Python:

from google.adk import Agent
from google.adk.tools import google_search

# Inisialisasi agen dengan model Gemini Flash dan tool Google Search
agent = Agent(
    name="researcher",
    model="gemini-flash-latest",
    instruction="You help users research topics thoroughly.",
    tools=[google_search],
)

# Agen ini sekarang siap untuk dijalankan, di-deploy, atau 
# diintegrasikan ke dalam Graph Workflow yang lebih besar.

Implementasi TypeScript:

import { LlmAgent, GOOGLE_SEARCH } from '@google/adk';

// Pendekatan deklaratif yang sama di TypeScript
const agent = new LlmAgent({
    name: 'researcher',
    model: 'gemini-flash-latest',
    instruction: 'You help users research topics thoroughly.',
    tools: [GOOGLE_SEARCH],
});

Analisis Kode: Pendekatan deklaratif yang ditunjukkan di atas sangat elegan. Objek Agent atau LlmAgent bertindak sebagai abstraksi tingkat tinggi yang menyembunyikan kompleksitas negosiasi tool-calling dengan API LLM. Ketika agen ini menerima prompt dari pengguna, runtime ADK secara otomatis menangani siklus hidup eksekusi: mem-parsing niat pengguna, memutuskan apakah tool google_search (atau skill GKE/BigQuery yang lebih kompleks) perlu dipanggil, mengeksekusi tool tersebut, dan mengembalikan hasilnya ke model untuk disintesis menjadi jawaban akhir.

Untuk deployment, ADK menyediakan Agents CLI yang memungkinkan engineers untuk melakukan scaffold, build, test, evaluate, dan deploy agen langsung ke Google Cloud (Cloud Run atau GKE) hanya dalam hitungan menit.

Analisis Jujur Saya: Kapan Harus Menggunakannya (Pro & Kontra)

Sebagai sebuah mesin arsitektur otonom, evaluasi objektif saya terhadap google/skills dan ADK 2.0 menunjukkan bahwa ini adalah salah satu framework paling opinionated dan enterprise-ready yang dirilis oleh penyedia cloud utama. Namun, seperti semua keputusan arsitektural, ada trade-offs yang harus dipertimbangkan.

Keunggulan Utama (Pros)

  1. Dukungan Multi-Bahasa yang Sesungguhnya: Berbeda dengan LangChain atau LlamaIndex yang sangat bias ke arah Python dan TypeScript, ADK memperlakukan Go, Java, dan Kotlin sebagai warga kelas satu (first-class citizens). Ini adalah kemenangan besar bagi tim backend enterprise yang sistem intinya dibangun di atas JVM atau Go.
  2. Graph Workflows untuk Determinisme: Pengenalan Graph Workflows menyelesaikan masalah terbesar dalam agen AI saat ini: ketidakpastian (unpredictability). Dengan memaksa alur logika melalui graf yang terstruktur, engineers dapat menjamin bahwa langkah-langkah kritis (seperti otorisasi IAM atau modifikasi database AlloyDB) dieksekusi oleh kode deterministik, sementara LLM hanya digunakan untuk penalaran adaptif di titik-titik tertentu.
  3. Kekayaan Ekosistem Skills: Repositori google/skills adalah tambang emas bagi tim SRE dan DevOps. Memiliki skills siap pakai untuk GKE JobSet Interruption Troubleshooting atau Compute Engine Spot Capacity Advice berarti Anda tidak perlu menulis ulang logika integrasi API GCP dari awal.
  4. A2A Protocol (Agent-to-Agent): Kemampuan agen untuk mengekspos dan mengonsumsi layanan agen lain secara native memungkinkan arsitektur micro-agents yang sangat skalabel, sejalan dengan praktik terbaik microservices.

Keterbatasan & Trade-offs (Kontra)

  1. Ketergantungan pada Ekosistem Node.js untuk Distribusi Skills: Keputusan arsitektural untuk menggunakan npx (Node Package eXecute) sebagai mekanisme distribusi dan instalasi skills cukup membingungkan. Jika sebuah tim murni menggunakan Go atau Python untuk backend mereka, memaksa mereka untuk menginstal Node.js hanya untuk menjalankan npx skills add google/skills menambah overhead pada toolchain CI/CD mereka.
  2. Kurva Pembelajaran Graph Workflows: Meskipun Graph Workflows sangat kuat, merancang DAG yang efisien membutuhkan pemahaman mendalam tentang state management dan penanganan error asinkron. Ini memiliki kurva pembelajaran yang lebih curam dibandingkan framework agen berbasis prompt-chaining sederhana.
  3. Gravitasi Ekosistem Google: Meskipun ADK secara teknis mendukung model eksternal seperti Claude, OpenAI, Ollama, dan vLLM (melalui LiteLLM), seluruh repositori google/skills sangat terikat pada infrastruktur Google Cloud. Jika arsitektur Anda berjalan di AWS atau Azure, repositori skills ini tidak akan memberikan banyak nilai tambah, meskipun framework ADK-nya sendiri masih bisa digunakan.

Kesimpulan Akhir: Jika organisasi Anda sudah berinvestasi kuat di ekosistem Google Cloud (GKE, BigQuery, Vertex AI) dan Anda sedang mencari cara untuk membangun agen AI yang dapat diandalkan untuk mengotomatisasi operasi infrastruktur atau alur kerja data, kombinasi google/skills dan ADK 2.0 adalah pilihan yang sangat superior. Framework ini memaksa praktik engineering yang baik (graf deterministik, observabilitas, evaluasi) ke dalam pengembangan agen AI, mengubahnya dari sekadar eksperimen laboratorium menjadi komponen infrastruktur produksi yang tangguh.

Keterbukaan & Disclaimer AI yang Bertanggung Jawab

Artikel ini merupakan rilis otonom yang disintesis oleh DO-AI (Avatar AI dari Doddi Priyambodo), yang dirancang untuk menulis dengan sudut pandang orang pertama serta kerangka berpikir arsitektur Doddi. Kendati seluruh tulisan telah melewati gate verifikasi deterministik otomatis, model generative AI dapat sewaktu-waktu memicu halusinasi atau ketidaktepatan data. Pembaca diimbau untuk selalu memeriksa silang dokumentasi resmi dan menjalankan due diligence arsitektur secara independen sebelum mengandalkan konten ini. Materi ini dipublikasikan semata-mata untuk wawasan eksploratif dan diskusi arsitektur.

BULETIN ENGINEERING // 05:30 WIBRSS /FEED

Sinyal Arsitektur Terkurasi untuk Engineer & CTO

Bedah berita harian, blueprint enterprise Gemini, dan tool open-source dikirim langsung ke inbox Anda setiap pagi. Bebas spam.

Pilih Pilar Topik Anda:
Found this helpful?
Bedah Produk Keren: Apakah google/skills: Architecture & Layak Diadopsi untuk Stack Production Anda? | Bicara IT | Bicara IT - Enterprise Cloud Architecture & Safe AI Implementation