Gemini Spark: худший среди лучших или скрытая пушка от Google?

Несколько дней мучал Gemini Spark, наверное часов 40 я с ним навозился. Настало время описать свой опыт. Спойлер: первое впечатление было паршивым, но после настройки система раскрылась.

1. Создание скиллов - отвратительно
Гугл не озаботился тем, чтобы сделать навык для создания скиллов под модель. Если у Anthropic есть skill-creator, то здесь его нет. В результате модель создает скиллы исключительно в формате документа SKILL.md. Никакой вложенности, папок, эвалов или README-файлов. По сути, она делает подобие GEM в виде системного промпта, что вообще убивает концепт скиллов.

Главная боль: если у вас был нормальный, развесистый скилл в правильном формате, и вы попросите агента его обновить - он просто снесет все папки и оставит один куцый SKILL.md.

2. Работа со скиллами - требует жесткой настройки
Со сторонними скиллами агент часто тупит, и они требуют адаптации под среду Spark. Из-за эфемерной VM под капотом модель регулярно впадает в лупы - это нужно четко учитывать при проектировании.

- Разделяйте понятия: делайте описания скиллов максимально непересекающимися. Если у вас есть скилл для создания презентаций и скилл для презентаций в вашем личном стиле - Spark начнет цеплять данные из соседа. Четко прорабатывайте фразы-триггеры.
- Добавляйте интерактивность: по умолчанию агент спешит быстрее закрыть задачу и не задает уточняющих вопросов. Если вам нужен диалог, жестко прописывайте это условие в SKILL.md.
- Закладывайте итерации: при разработке скилла сразу рассчитывайте на 2-3 итерации по доработке.

3. Работа с сервисами Google - великолепно
Тут Spark раскрывается на полную. Протестировал на двух реальных задачах:

Кейс 1: Сборка проектной документации и сценариев.
Нужно было сделать док по проекту, куда входила инфа о заказчике, расчеты цены и примерное КП. Я попросил разбить расчеты под два разных сценария на основе расценок из совершенно разных Google Docs и показать эти варианты. Агент предварительно провел ресерч, нашел нужную инфу со ссылками, а затем на базе транскриптов и допданных подготовил таймлайн и другие артефакты. С обоими сценариями он справился отлично: расчеты верные, формулы правильные, оформление корректное, источники указаны точно.

Кейс 2: Создание учебных материалов.
На вход закинул тетрадки NotebookLM, свои мысли + Google Search + YouTube Search. За 3 запроса после первоначального промпта получил готовый к работе документ. В нем были инсайты из тетрадок, учтены мои тезисы, подтянуты релевантные доки и видео.

Единственная проблема: детализация. Все мои дополнительные промпты были в стиле "Распиши этот блок подробнее, потому что...".

4. Создание презентаций - неплохо
Если планируете собирать презы, огромное внимание уделите стилям и референсам. Обязательно зашейте в скилл несколько шаблонов, цветовых сочетаний и правил компоновки слайдов. Без этого на выходе будут дженерик-слайды, забитые голым текстом. Если правила настроены - получается вполне приличный результат.

5. Жирный плюс - лимиты
Что действительно порадовало при очень плотной работе - это лимиты. Мои пятичасовые лимиты редко поднимались выше 20%. Даже когда агент лупился и уходил в бесконечные циклы, лимиты от этого вообще не страдали. Это полноценный рабочий инструмент, который можно гонять в хвост и в гриву, не боясь остаться без доступа в самый нужный момент.

Итог:
По опыту работы в среде Google этот инструмент очень похож на Perplexity Computer. Если при первом знакомстве Spark откровенно не радовал, то после работы напильником по качеству работы его можно поставить чуть ниже Claude. Итого, в среде гугла - лучший, вне ее - худший.

В целом, прямо сейчас это, пожалуй, худший из существующих автономных агентов. Но надо понимать, что это все еще бета. Главная киллер-фича, которая его спасает - бесшовная интеграция с гугл-сервисами и тетрадками NotebookLM. Если Гугл дотюнит базу - будет пушка.

Стоит ли переходить прямо сейчас? Точно нет. Через месяц - возможно.

В следующих постах выложу свои Skill для Spark.

🚀 Влад Корнышев про AI и создание AI-продуктов