如果你是刚接触 Gemma 模型的新手，gemma-skills 会是一个绝佳的起点。这是 Google 官方推出的 AI Agent 技能仓库，包含gemma-dev和gemma-trainer两大核心技能：前者让 AI 编码助手掌握 Gemma 应用开发的最佳实践（模型选型、部署、推理加速），后者赋予它本地微调 Gemma 的能力（SFT、DPO、奖励建模）。安装后，你的 AI Agent 就能像资深工程师一样带你完成从原型到微调部署的完整流程。

什么是 gemma-skills：给 AI Agent 装上"Gemma 官方知识库"

传统的 AI 助手回答 Gemma 相关问题时，可能会推荐过时的模型或不规范的用法。而 gemma-skills 把这些经过 Google 官方验证的最佳实践打包成"技能"，直接注入到你的 AI 编码助手中。

仓库结构非常清晰，两大技能各自独立、各司其职：

两大技能的入口定义分别在 skills/gemma-dev/SKILL.md 和 skills/gemma-trainer/SKILL.md，每个 SKILL.md 就是技能的"说明书"，AI Agent 会根据它自动触发对应能力。

快速上手：3种方式把技能装进你的 AI 助手

gemma-skills 支持主流的 AI 编码助手与技能包管理器，安装只需一条命令：

方式一：Vercel skills CLI

# 交互式浏览并安装 npx skills add google-gemma/gemma-skills --list # 只安装指定技能（以 gemma-dev 为例） npx skills add google-gemma/gemma-skills --skill gemma-dev

方式二：Context7 skills CLI

npx ctx7 skills install /google-gemma/gemma-skills gemma-dev

方式三：Antigravity

agy plugin install https://github.com/google-gemma/gemma-skills

三种方式的完整说明可参考 README.md。装好之后，你只需要用自然语言描述需求（比如"帮我用 Gemma 搭一个聊天界面"），AI Agent 就会自动调用对应技能。

gemma-dev 技能详解：让 AI Agent 成为 Gemma 开发专家

gemma-dev技能解决新手最常见的困惑：该选哪个模型？该用什么工具部署？

🎯 模型选型不再靠猜

技能内置了一份完整的选型指南（skills/gemma-dev/SKILL.md），AI Agent 会根据你的硬件和业务场景推荐精确的模型：

• Gemma 4 大杯（26B A4B / 31B）：支持文本+图像输入，256K 上下文，适合复杂多模态推理；
• Gemma 4 12B：额外支持音频输入，适合笔记本等消费级设备；
• Gemma 4 E2B / E4B：为移动端 NPU 加速而生，支持原生音频处理；
• EmbeddingGemma 2：RAG / 向量检索专用嵌入模型；
• ShieldGemma 2：内容安全审核专用分类器。

核心原则是：不盲目默认最小模型，而是先分析你的领域、硬件约束和输入模态，再给出精准建议。

🚀 四种部署路径都有"官方答案"

针对不同的部署目标，技能都映射了推荐技术栈，并且仓库里附带了可直接参考的示例代码：

其中 gradio-app.py 是一个开箱即用的 Gradio 聊天界面示例，新手可以直接学习它的对话流式输出写法。

⚡ 进阶能力：MTP 推理加速与 QAT 量化

• Multi-Token Prediction（MTP）：Gemma 4 内置的推测解码技术，用轻量"草稿模型"提出候选 token，主模型一次前向验证，在不损失质量的前提下显著提速（skills/gemma-dev/SKILL.md）。
• QAT 量化感知训练：官方提供不同部署引擎的量化模型（llama.cpp 用 GGUF 格式、vLLM/SGLang 用 w4a16 压缩张量），比传统 PTQ 量化质量损失更小（skills/gemma-dev/SKILL.md）。

这些"深水区"知识以前需要自己翻遍官方文档，现在 AI Agent 会主动替你规划。

gemma-trainer 技能详解：在本地硬件微调 Gemma 模型

gemma-trainer技能面向想在本地显卡上微调 Gemma 的开发者，覆盖微调全流程：数据集准备 → 模型训练 → 格式转换 → 端侧部署。

📊 微调方法怎么选？

技能内置了一张清晰的"目标 → 方法"决策表（skills/gemma-trainer/SKILL.md）：

• SFT（监督微调）：教模型新领域知识、任务指令或自定义输出格式——这是大多数新手的起点；
• DPO（直接偏好优化）：对齐模型的语气、风格、安全性，需要先在 SFT 基础上进行；
• 奖励建模（RM）：训练一个给回答质量打分的评估模型。

💾 关键最佳实践（新手最容易踩坑的地方）

1. 优先使用 Unsloth：本地单卡训练省最多 70% 显存、速度提升 2 倍；多卡环境则退回 TRL + PEFT + bitsandbytes 方案；
2. 始终使用 QLoRA（4-bit 量化）：这是让 12B/31B 模型装进消费级显卡的关键；
3. 控制训练上下文长度：虽然 Gemma 4 支持 256K 上下文，但本地训练建议 2048~8192 token，避免显存溢出（OOM）（skills/gemma-trainer/SKILL.md）。

📁 五个即拿即用的资产脚本

gemma-trainer技能附带了一套完整的工具脚本，全部位于 skills/gemma-trainer/assets/：

特别值得一提的是 distill_dataset.py 的"师-生蒸馏"玩法：用 Gemma 4 31B 等教师模型在本地生成高质量回答，再拿去训练 Gemma 4 E2B 这样的轻量学生模型——没有标注数据也不怕。

🔄 训练完成后的最后一公里

技能还覆盖部署环节（skills/gemma-trainer/SKILL.md）：Unsloth 可直接原生导出GGUF格式，方便接入 llama.cpp / LM Studio；小模型则可用LiteRT-LM部署到手机、Web 和 IoT 设备，充分利用 CPU/GPU/NPU 硬件加速。

常见问题速查

Q：我需要很强的显卡才能微调吗？A：技能默认推荐 QLoRA 4-bit 量化 + Unsloth，消费级显卡也能微调 12B 级模型；E2B/E4B 小模型门槛更低。

Q：微调完的模型怎么用到手机上？A：两条路：转 GGUF 用本地推理框架，或转 LiteRT-LM 格式走端侧硬件加速。

Q：技能会推荐过时的模型吗？A：技能要求默认推荐Gemma 4新一代模型，且优先通过 MCP 的search_documentation工具获取最新官方文档（skills/gemma-dev/SKILL.md），保证信息不滞后。

写在最后

gemma-skills 的价值不在于"多"，而在于准：它把 Google 官方的模型选型标准、部署技术栈、微调超参数经验全部固化下来，让 AI Agent 从"泛泛而谈的聊天机器人"变成"懂 Gemma 的实战教练"。

新手建议的使用路径：

1. 安装两个技能（前文三种方式任选其一）；
2. 先用gemma-dev让 Agent 帮你搭一个本地 Demo（Gradio 最快）；
3. 有了业务数据后，用gemma-trainer走完 SFT → 校验数据集 → 部署的完整微调流程。

完整的技能清单参见 README.md，项目采用 Apache-2.0 许可证（plugin.json），可放心用于学习和生产环境。