google-search Skill 评审报告¶

评估框架: skill-creator 评估日期: 2026-03-12 评估对象: google-search

google-search 是一个把“帮我搜一下”转成可验证搜索流程的 research/search skill，适合用于事实查询、错误调试、官方文档检索、技术比较以及需要来源支撑的公开信息搜集。它最突出的三个亮点是：先做问题分类、证据链定义和模式选择，把搜索从“找链接”提升为“找结论所需证据”；输出里会附带可信度、来源层级、预算状态和可复用查询，让搜索过程本身可复盘、可继续；同时强调执行完整性和降级声明，能明确区分“已验证结论”和“证据不足的部分结果”。

一、评估概览¶

本次评估从实际任务表现和 Token 效费比两个维度对 google-search skill 进行全面评审。设计 3 个递进复杂度的搜索场景（Quick 模式事实查询、Standard 模式错误调试、Deep 模式框架对比），每个场景分别运行 with-skill 和 without-skill 配置，共 3 场景 × 2 配置 = 6 次独立 subagent 运行，对照 27 条 assertion 进行评分。

关键发现：google-search skill 的核心价值是搜索纪律和报告规范，而非搜索内容质量。 基础模型已具备出色的搜索和信息综合能力（答案正确性、来源覆盖、代码示例质量均优），但完全缺乏搜索过程的元数据记录（模式选择、预算控制、证据链追踪、降级声明、可信度标签、可复用查询）。Skill 填补的正是这一"搜索操作纪律"的空白。

二、测试方法¶

2.1 场景设计¶

2.2 执行方式¶

• With-skill 运行先读取 SKILL.md 及相关参考资料（query-patterns、programmer-search-patterns、source-evaluation 等）
• Without-skill 运行不读取任何 skill，按模型默认行为搜索
• 所有运行均可使用 WebSearch 和 WebFetch 工具
• 6 个 subagent 并行运行（with-skill 使用默认模型，without-skill 使用 fast 模型）

2.3 Skill 特征¶

google-search 是一个多文件 skill（1 个 SKILL.md + 6 个参考文件），条件加载设计。

各场景实际加载量：

三、Assertion 通过率¶

3.1 总览¶

3.2 逐项评分明细¶

Eval 1: Go database/sql 默认池大小（Quick 模式）¶

Eval 2: gRPC context deadline exceeded（Standard 模式）¶

Eval 3: Go HTTP 框架对比（Deep 模式）¶

3.3 Without-Skill 失败的 20 条 Assertion 归类¶

注意：与 deep-research 评估类似，所有 20 条失败都是搜索纪律/报告格式失败，不是内容质量失败。Without-skill 在答案正确性、来源覆盖、代码示例方面全部通过。

3.4 与 deep-research skill 的对比¶

google-search 的 assertion delta 更大，因为它要求的不仅是报告模板（deep-research 的 7-section），还包括搜索过程的元数据（模式、预算、证据链、降级级别、可复用查询、精确查询策略）。基础模型连这些概念都不产出。

四、逐维度对比分析¶

4.1 Output Contract（8 字段）¶

实际价值： - Degradation level 在 Eval 3 中展现了最高价值——With-skill 诚实声明为 "Partial"（TechEmpower 数据来自第三方解读、无命名公司生产案例），而 Without-skill 直接给出结论不标注不确定性 - Evidence chain status 让读者能追踪 "哪些证据已满足、哪些缺失"，避免把片面数据当完整结论 - Reusable queries 赋予读者"继续搜索"的能力——5 条精心设计的 Google 查询比一个答案更有持久价值

4.2 搜索策略纪律¶

4.3 Confidence + Source-Tier 标签¶

Eval 3 的 With-skill 输出为 14 个关键数字全部标注了双标签：

| Fiber real-world RPS | ~36,000 | May 2024 | Medium | Primary (independent benchmark) |
| Fiber JSON RPS (TechEmpower R23) | ~735,000 | March 2025 | Low | Third-party interpretation of Official |

区分了 "Medium confidence from Primary source" 和 "Low confidence from Third-party interpretation"，让读者知道 TechEmpower 数据经过第三方转述因此可信度降级。Without-skill 的 Eval 3 引用了 16 个来源和大量数字，但没有任何数字标注可信度或来源层级。

4.4 诚实降级（Honest Degradation）¶

Eval 3 的 With-skill 输出最能展现此机制：

Degradation Level: Partial — Strong benchmark data and ecosystem analysis available. However: TechEmpower Round 23 Go-specific per-framework numbers could not be directly verified from TechEmpower's own site... Large-scale production experience reports... were not found from named companies with disclosed architectures.

这段降级声明明确告知读者两个具体不确定性，避免读者把对比结论当作完全确认的事实。Without-skill 的 Eval 3 同样没找到命名公司案例，但没有声明这一局限。

4.5 内容质量对比¶

关键结论： 与 deep-research skill 的评估发现一致——基础模型在内容维度已经非常出色，Skill 的增量完全在搜索纪律和报告元数据上。

五、Token 效费比分析¶

5.1 Skill 体积¶

5.2 Token 换取的质量提升¶

5.3 Token 分段效费比¶

5.4 高杠杆 vs 低杠杆指令¶

高杠杆（~1,050 tokens → 18 条 assertion 差值）： - Output Contract 8 字段定义（~300 tok → 6 条） - Confidence + Source-tier 双标签规则（~200 tok → 3 条） - Reusable Queries 要求（~100 tok → 3 条） - Evidence Chain Gate（~300 tok → 3 条） - Source Assessment 要求（~150 tok → 3 条）

中杠杆（~5,150 tokens → 2 条直接 + 间接贡献）： - query-patterns.md（~1,800 tok → 2 条 + 搜索质量间接） - programmer-search-patterns.md（~1,500 tok → 间接） - source-evaluation.md（~1,400 tok → 间接） - 其他 Gates（~450 tok → 间接）

低杠杆（~800 tokens → 0 条直接差值）： - Worked Examples（~500 tok） - Anti-Examples（~300 tok）

5.5 与其他 Skill 的效费比对比¶

google-search 在绝对通过率提升上最高（+74.1%），但 SKILL.md 层面的单位效费比（~42 tok/1%）与 yt-dlp-downloader（~43）和 tdd-workflow（~45）相当。典型加载效费比（~105 tok/1%）因参考文件较多而偏高。

六、与基础模型能力的边界分析¶

6.1 基础模型已具备的能力（Skill 无增量）¶

6.2 基础模型的能力缺口（Skill 填补）¶

核心发现：基础模型的"搜索结果→答案"能力很强，但"搜索过程可审计性"和"结论可信度标注"为零。google-search skill 的价值集中在后两者。

七、综合评分¶

7.1 分维度评分¶

7.2 加权总分¶

Token 效费比评分偏低（7.0/10）反映了参考文件较多导致典型加载量（~7,800 tok）较高的现实，尽管 SKILL.md 本身的效费比（~42 tok/1%）与同级 skill 相当。

八、评估材料¶