1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | agent-platform-tuning-google-skills（SKILL.md 自述名称：“Agent Platform Model Tuning”） | GitHub 仓库 + SKILL.md |
| 作者/维护者 | Google（官方 google/skills 仓库） |
GitHub API |
| 来源链接 | https://github.com/google/skills/tree/main/skills/cloud/agent-platform-tuning | — |
| 许可证 | Apache License 2.0 | GitHub API 实测 |
| GitHub Stars / Forks | 所属仓库 15,243 / 1,192（整仓库口径——google/skills 是 Google 官方发布的多技能合集，星数不代表单个技能自身热度） |
GitHub API 实测（2026-07-26） |
| 最新版本 | 无独立版本号，子目录最近一次提交 2026-06-24 | GitHub commits API 实测 |
| 安装方式 | npx skills add google/skills --skill agent-platform-tuning，或手动复制子目录到对应 agent 的 skills 目录 |
官方 README 实测 |
2. 功能介绍与亮点
该技能教 Agent 在 Google Cloud Agent Platform 上完成大语言模型（开源模型与 Gemini 模型）微调的完整生命周期：
- 决策树式流程引导：从“用户想调开源模型还是 Gemini 模型”开始，逐步经过环境检查、数据集准备、列映射确认、超参数配置、任务提交、监控到部署，每一步都明确写清“下一步该做什么”，避免遗漏关键确认环节
- 环境与权限自动核验：检查
gcloud认证状态、目标项目/区域、所需 IAM 角色（Agent Platform Service Agent、Managed OSS Fine Tuning Service Agent），并要求用户在动手前确认项目与区域无误 - 数据集自动发现与校验：用户未提供数据集时，可在征得同意后搜索用户自己的 GCS 存储桶，或从 Hugging Face 参考目录推荐匹配数据集；上传前用脚本校验 JSONL 结构是否符合微调要求，而非只看文件后缀
- 模型目录约束：推荐模型时强制引用
references/models.md目录，不得推荐目录外的模型（如 Mistral），避免臆造不受支持的选项 - 成本前置预估：
calculate_cost.py在任务提交前给出粗略费用估算，并明确提示该数字为预估、可能与实际账单有出入 - 分级确认后再执行：提交调优任务或部署调优后模型前，必须完整展示命令行参数并等待用户明确确认，不会自动执行产生真实计费的操作
- 随附 5 个可执行脚本（数据准备/成本计算/任务提交/监控/取消）与 4 份参考文档（数据准备指南、模型目录、调优指南、Hugging Face 数据集参考）
3. 适用场景
所属分类：元技能与 Agent 增强
适合已经或计划在 Google Cloud Agent Platform 上微调开源模型（如 Gemma、Llama 系列）或 Gemini 模型的开发者与机器学习工程师，尤其是需要反复“准备数据—微调—评估”迭代、且希望 Agent 按标准化流程操作云资源（而非自由发挥导致格式或参数出错）的团队。
4. 跨 Agent 兼容性
google/skills 仓库通过 npx skills 通用安装器（vercel-labs/skills）分发，该安装器 README 的 Supported Agents 表格逐一列出各 agent 的安装路径：
| Agent | 项目路径 | 全局路径 |
|---|---|---|
| Claude Code | .claude/skills/ |
~/.claude/skills/ |
| Codex | .agents/skills/ |
~/.codex/skills/ |
| OpenClaw | skills/ |
~/.openclaw/skills/ |
| Hermes Agent | .hermes/skills/ |
~/.hermes/skills/ |
四个生态均为原生支持——技能本身是标准 SKILL.md + bash 示例脚本，不依赖 Claude Code 专属机制，配合上表安装路径即可在任一生态中使用。另据 Agent Skills 规范官网（agentskills.io）的客户端列表，Claude Code 与 OpenAI Codex 均被明确列为该规范的官方支持客户端。
5. 推荐理由
模型微调涉及数据格式校验、超参数选择、成本估算、长时间异步任务监控等多个容易出错的环节——本技能把这套流程固化成决策树式对话指南，配合 5 个可执行脚本覆盖从数据准备到部署的完整闭环，对不熟悉 Vertex AI 调优 API 细节的开发者尤其省心；分级确认机制（提交前必须展示完整命令并等待确认）也降低了误触发真实计费任务的风险。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 官方 Google 出品，隶属仓库整体 15,243 stars 的官方技能合集；该数字属整个合集，不代表本技能自身热度——本子目录提交记录均来自 Google 内部自动化发布渠道，外部参与仅有 1 条 dependabot 依赖更新 PR，尚无人工发起的功能性讨论 |
| 可用性 | 8 | 随附完整可运行脚本覆盖数据准备、成本计算、任务提交、监控、取消全流程，另附 4 份参考文档；但需要用户自备 Google Cloud 项目、完成 gcloud 认证与 IAM 授权、搭建 Python 虚拟环境，且调优会产生真实计费，配置门槛略高于开箱即用 |
| 安全性 | 9 | 见下方检查清单 |
| 综合 | 8.0 | 三项均值 |
安全检查清单：
① Shell 命令及权限范围：仅涉及 gcloud/gcloud ai/gcloud storage 标准命令与 Python 脚本执行，权限用途均在正文写明（认证、数据上传、任务提交与监控），无越权动作。
② 联网外发：仅与用户自己的 Google Cloud 项目（GCS 存储桶、Agent Platform 调优服务）通信，数据集上传目标是用户自定的存储桶路径，无隐蔽外发。
③ 凭据处理：使用标准 gcloud auth login / application-default login（OAuth），不额外存储或外传密钥；如使用 Hugging Face 数据集需用户自备 Token，用途在文档中说明。
④ 可疑指令：通读 SKILL.md 全文与随附脚本，未发现隐藏指令、混淆代码或异常数据外发；文中多处“必须先展示命令、等待用户确认后才能提交任务/部署”的强制性表述，是主动的风险控制设计而非可疑行为。
⑤ 作者信誉：Google 官方仓库出品，无造假迹象。
⑥ License：Apache License 2.0，明确清晰。
⑦ 最近维护：子目录最近一次代码提交 2026-06-24，仓库整体持续保持推送更新（2026-07-24 仍有提交）。
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与本技能的差异 |
|---|---|---|
| Hugging Face AutoTrain | 托管型微调服务，针对 Hugging Face Hub 上的开源模型提供图形界面式的一键微调流程 | 训练资源与产出模型托管在 Hugging Face 自己的基础设施上；本技能的调优任务运行在用户自己的 Google Cloud 项目内，微调产出可直接接入同仓库的 agent-platform-deploy 部署为端点，便于与既有 GCP 身份、网络、计费体系集成 |
| Together AI Fine-tuning API | API 驱动的托管微调服务，面向多种主流开源模型提供按任务计费的调优接口 | 以 REST API 为主要交互方式，需要开发者自行编写调用代码；本技能以决策树式对话流程封装了从数据发现、格式校验到任务提交的全过程，并强制在提交前进行成本预估与人工确认，降低了误操作与格式错误的门槛 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。GitHub 仓库层面该子目录已有 1 条 dependabot 自动发起的依赖版本更新 PR，尚无外部开发者提交的功能性 issue 或 PR 讨论。
9. 其他补充
该技能是 google/skills 仓库“Agent Platform”系列的一员，同系列还包含模型部署（agent-platform-deploy）、模型注册管理（agent-platform-model-registry）、评估飞轮（agent-platform-eval-flywheel）、技能注册表管理（agent-platform-skill-registry）等技能，均围绕 Google Cloud 上的 Agent 全生命周期管理展开，可按需组合安装。
10. 安装使用方式
- 通过安装器：
npx skills add google/skills --skill agent-platform-tuning，安装器会将技能放入当前 Agent 对应的 skills 目录（见第 4 章路径表） - 手动安装：克隆或下载
google/skills仓库后，将skills/cloud/agent-platform-tuning/整个目录复制到目标 agent 的 skills 目录下 - 安装后：需先执行
gcloud auth login与gcloud auth application-default login完成认证，并按 SKILL.md 指引创建名为tuning_agent_venv的 Python 虚拟环境安装依赖；无需重启 Agent，可直接在对话中触发（如“帮我微调一个 Gemma 模型”）
11. 注意事项
- 仅覆盖开源模型与 Gemini 模型的调优训练本身，不涉及调优后模型部署到端点（另有 agent-platform-deploy 技能）或已部署端点的日常管理（agent-platform-endpoint-management）
- 调优任务会产生真实的 Google Cloud 计算与存储计费，即使只是预估费用也建议先用小规模数据集试跑
- 每次执行 Python 脚本前都需先激活指定虚拟环境，操作步骤较繁琐，初次使用建议完整阅读 Phase 0 环境搭建部分
- 技能强绑定 Google Cloud Agent Platform 与 Vertex AI 生态的 gcloud CLI、IAM 权限体系，无法直接迁移到其他云厂商的调优服务