Claude Code vs. Gemini CLI: Agent-færdigheders portabilitet i 2026

Sammenligningen mellem Claude Code og Gemini CLI har ændret sig fundamentalt. Længe centrerede diskussionen sig om kontekstvinduets størrelse og hvilken agent, der havde de bedste native kapabiliteter. Men to nylige ændringer har gjort den debat forældet. For det første understøtter begge agenter nu den samme åbne standard for færdigheder. For det andet er Gemini CLI ikke længere et forbrugerrettet værktøj for individuelle udviklere.

Det omformulerer hele spørgsmålet om Claude Code vs. Gemini CLI. Fokus er ikke længere på de proprietære funktioner i hver 'harness', men på selve færdighedernes portabilitet. Hvad kræver det for en færdighed at fungere pålideligt på enhver platform, der understøtter standarden? Og hvad fortæller vores testdata – fra kørsel af 2116 færdigheder i et Claude Code-miljø – os om, hvorfor de fejler?

Det fælles fundament: Agent Skills-standarden

Før vi sammenligner de forskellige 'harnesses', er det afgørende at forstå, hvad de har til fælles. Spørgsmålet "virker færdigheder i gemini cli" har et simpelt, direkte svar: ja. Dette skyldes, at både Claude Code og Gemini CLI, sammen med en voksende liste af andre klienter som Codex, Cursor og OpenCode, har adopteret det åbne Agent Skills-format.

Formatet, oprindeligt udviklet af Anthropic og nu vedligeholdt som en åben standard på agentskills.io, definerer en færdighed som en selvstændig mappe. Kernen er en SKILL.md-fil, der indeholder YAML frontmatter til metadata (som name og description) og en markdown-body med instruktioner til agenten. Denne mappe kan valgfrit inkludere sine egne ressourcer, såsom scripts i en scripts/-mappe eller referencedokumenter i references/.

Denne fælles standard betyder, at en færdighed skrevet til Claude Code i princippet bør kunne læses af Gemini CLI, og omvendt. Selve færdigheden er portabel. Forskellen opstår i, hvordan hver agent-'harness' opdager, indlæser og eksekverer den.

Harness-mekanik: Hvordan Claude og Gemini kører færdigheder

Selvom færdighedsformatet er det samme, adskiller de operationelle mekanismer i Claude Code og Gemini CLI sig på afgørende punkter. Disse forskelle påvirker, hvordan færdigheder administreres, hvordan de indlæses i kontekst, og hvordan de interagerer med agentens sikkerhedsmodel.

Eksekvering af færdigheder i Claude Code

Claude Code leder efter færdigheder to primære steder: en global mappe på ~/.claude/skills/<name>/SKILL.md for personlige færdigheder, og en projektspecifik mappe på .claude/skills/<name>/SKILL.md. Den opdager også færdigheder i indlejrede .claude/skills/-mapper, mens den gennemgår et projekt.

Når en opgave udløser en færdighed, gengiver Claude Code hele SKILL.md-filen i samtalen som en enkelt besked. Denne kontekst bibeholdes for resten af sessionen; filen genlæses ikke i efterfølgende ture. Dette er en simpel, filbaseret tilgang. Frontmatter i SKILL.md giver også en vis kontrol over agentens værktøjssæt under færdighedens eksekvering. Nøglen allowed-tools kan forhåndsgodkende specifikke værktøjer for den tur, der påkalder færdigheden, mens disallowed-tools midlertidigt kan fjerne værktøjer fra agentens rækkevidde, mens færdigheden er aktiv.

Eksekvering af færdigheder i Gemini CLI

Gemini CLI bruger et mere struktureret, flerniveaus opdagelsessystem og en to-trins indlæsningsproces. Den søger efter færdigheder i en specifik rækkefølge af præcedens: indbyggede færdigheder, udvidelsesfærdigheder, brugerfærdigheder (~/.gemini/skills/ eller aliaset ~/.agents/skills/) og til sidst arbejdsområdefærdigheder (.gemini/skills/ eller dets alias .agents/skills/).

I modsætning til Claude Code indlæser Gemini CLI ikke hele færdigheden med det samme. Ved starten af en session injicerer den kun name og description for hver aktiveret færdighed i system-prompten. Dette holder den indledende kontekst slank. Først når modellen vurderer, at en opgave matcher en færdighed, kalder den activate_skill-værktøjet. Dette udløser en samtykke-prompt til brugeren, som specificerer færdighedens navn, dens formål og den mappesti, den vil få adgang til. Efter brugerens godkendelse tilføjes hele SKILL.md-bodyen og dens mappestruktur til samtalehistorikken, og færdighedens mappe føjes til agentens liste over tilladte filstier.

Dette system administreres via et dedikeret sæt kommandoer, som gemini skills install <git-url-or-dir> --consent og /skills link <path> --scope user|workspace.

Her er en opsummering af de vigtigste forskelle:

Funktion	Claude Code	Gemini CLI
Færdighedssti	~/.claude/skills/, .claude/skills/	~/.gemini/skills/, .gemini/skills/ (plus .agents/skills/ alias)
Aktivering	Hele SKILL.md injiceres ved første brug, bibeholdes	Navn/Beskrivelse i system-prompt; SKILL.md injiceres ved aktivering
Brugersamtykke	Implicit ved installation/placering	Eksplicit prompt ved første aktivering pr. session
Administration	Filsystem-operationer	CLI-kommandoer (gemini skills ..., /skills ...)

Den virkelige historie for 2026: Gemini CLI er ikke længere et forbrugerværktøj

Den tekniske sammenligning er nu stort set akademisk for de fleste udviklere. Den 19. maj 2026 annoncerede Google, at de overgår fra Gemini CLI til et nyt værktøj kaldet Antigravity CLI. Fra den 18. juni 2026 ophørte Gemini CLI og de tilhørende Gemini Code Assist IDE-udvidelser med at betjene anmodninger for individuelle Google AI Pro- og Ultra-abonnenter samt gratis-niveauet (som tidligere var 60 anmodninger/minut og 1.000/dag).

Servicen fortsætter for erhvervskunder med Gemini Code Assist Standard- og Enterprise-licenser og for dem, der bruger Gemini API via direkte fakturering. gemini-cli-repositoryet forbliver offentligt under en Apache-2.0-licens og er stadig i aktiv udvikling.

Afgørende er det, at Google har udtalt, at de centrale agent-teknologier – Agent Skills, Hooks, Subagents og Extensions – vil blive overført til Antigravity CLI, som beskrives som en omskrivning i Go for ydeevnens skyld. Annonceringen adresserede ikke licensen for Antigravity CLI. Den ændring forandrer, hvad det overhovedet vil sige at vælge mellem Claude Code eller Gemini CLI i 2026. For en individuel udvikler uden en enterprise-licens eller direkte API-fakturering er det ikke længere et valg mellem to forbrugerværktøjer. Den praktiske bekymring er, om investeringen i at opbygge et personligt bibliotek af færdigheder vil være portabel til fremtidige agent-'harnesses'.

Kontekstvindue vs. Færdighedsdybde

Der er blevet talt meget om Geminis annoncerede 1M token kontekstvindue. Selvom konfigurationer med stor kontekst findes på begge sider, misser man pointen ved at fiksere på antallet af tokens. Kontekststørrelse og færdighedsdybde løser forskellige klasser af problemer.

Et massivt kontekstvindue er kraftfuldt til opgaver, der kræver en holistisk forståelse af en stor kodebase. Det giver agenten mulighed for at holde mere af dit repository i sin umiddelbare opmærksomhed, hvilket kan være uvurderligt for kompleks refaktorering eller analyse. Det løser dog ikke problemet med handling.

Et 1M token-vindue kan ikke installere en manglende binær fil. Det kan ikke provisionere en API-nøgle. Det kan ikke rette en SKILL.md-fil, der er skrevet for vagt til at blive udløst pålideligt. Disse er problemer med færdighedsdybde – en agents evne til at udføre en præcis, gentagelig, miljøbevidst opgave. Det er domænet for en velskrevet færdighed, og dens succes afhænger ofte mindre af kontekstvinduets størrelse og mere af det miljø, den kører i.

Hvad vores data viser om fejl i færdigheder (på enhver platform)

Dette bringer os til kernen af problemet: hvorfor fejler færdigheder? Hos SkillProof installerer og kører vi færdigheder for at publicere en ærlig dom. Af de 2116 færdigheder, vi har testet, består 1307 (62%), 704 er markeret som "Virker med opsætning" – de udfører opgaven, men kun efter konfiguration, som opslaget skal specificere – og 105 får en 'fejler'-dom: nogle kørte og efterlod dig værre stillet end uden nogen færdighed, andre kunne slet ikke køre.

For at være helt klar: vi kører disse tests udelukkende i en Claude Code-harness. Vi har aldrig kørt en færdighed på Gemini CLI eller Antigravity CLI, og vi fremsætter ingen påstande om deres succesrater. Hele vores proces er detaljeret i vores metodologi.

Hvores data om, hvorfor færdigheder fejler, er dog stadig yderst relevant for enhver 'harness'. Vi scannede testnoterne for hver færdighed, der ikke bestod rent. Resultaterne er sigende.

Af de 704 færdigheder, der krævede opsætning:

• 195 nævnte en manglende CLI eller binær fil.
• 99 var afhængige af, at en separat MCP-server var konfigureret og kørte.
• 92 krævede en API-nøgle eller anden akkreditering.
• 64 krævede en betalt konto eller et abonnement.

Af de 105 færdigheder, der fik en 'fejler'-dom:

• 27 involverede en manglende CLI eller binær fil.
• 12 var afhængige af en MCP-server.
• 10 krævede en betalt konto.
• 7 krævede en API-nøgle.

Disse er tællinger fra en nøgleordsscanning af vores egne testnoter, ikke en udtømmende taksonomi af årsager, og kategorierne overlapper: en enkelt færdighed kan kræve både en CLI og en nøgle. Men mønsteret er svært at overse. Den altoverskyggende årsag til, at en færdighed underpræsterer, er en afhængighed af det eksterne miljø. En færdighed, der kræver en binær fil, du ikke har installeret, vil fejle, uanset om du kører den via Claude Code eller Gemini CLI. En færdighed, der har brug for en API-nøgle, vil ikke fungere uden en, uanset agentens kontekstvindue.

Casestudier: Hvor færdigheder består og fejler

At se på specifikke eksempler gør dette tydeligt. Forskellen mellem en færdighed, der består, og en, der kræver opsætning, har ofte intet at gøre med agentens 'harness'.

• Sync Agent Instructions: Denne coding-færdighed bestod vores tests. Dens formål er at synkronisere instruktioner på tværs af CLAUDE.md-, GEMINI.md- og AGENTS.md-filer. Den virker, fordi den ikke har nogen eksterne afhængigheder; den bruger kun basale shell-kommandoer som cp, git diff og git add. Dens logik er fuldt ud portabel. Værdien, den tilførte i forhold til en naiv baseline, var dens præcision – den stagede korrekt destinationsfilerne via git add, mens kildefilen forblev unstaged.

• AI Multimodal: Denne data-færdighed fik dommen "Virker med opsætning". Dens scripts er rene og bruger det officielle google-genai Python SDK. Den kræver dog, at dette SDK er installeret og, vigtigere, en aktiv GEMINI_API_KEY i miljøet. Vi kunne ikke provisionere en nøgle til testen, så dens output blev aldrig målt. Dette er en Gemini-drevet færdighed, der fejler af en årsag, som ville blokere den lige så effektivt inde i selve Gemini CLI.

• Amazon Alexa QA: Et andet "Virker med opsætning"-eksempel. Denne seo-færdighed illustrerer problemet med skjulte afhængigheder. Dens instruktioner nævner aldrig, at den stiltiende kræver et separat browser-act-cli-værktøj, som skal installeres via uv tool install browser-act-cli. Den kræver også en aktiv, logget-ind Amazon-konto. Dette fejl-mønster er fuldstændig uafhængigt af agenten.

• AI Search Hub: Denne beståede data-færdighed er et eksempel på et værktøj, der bare virker. Vi kørte dens dokumenterede kommando, og den returnerede et korrekt svar i første forsøg. Baseline – den samme model uden færdigheden – tog tre forsøg og producerede nul resultater.

At sammenligne Gemini CLI vs. Claude Code til kodning er derfor mindre et spørgsmål om de to værktøjer end om de færdigheder, du kører på dem. En fælles standard er et reelt skridt fremad, men som vores data viser, afhænger portabilitet af, om en færdighed er ærlig omkring, hvad den har brug for fra maskinen under den.

Relateret læsning: vi kørte det samme portabilitetsspørgsmål op imod OpenAI's agent i Claude Code vs Codex CLI, og dækkede, hvordan instruktionsfiler adskiller sig fra færdigheder i AGENTS.md vs Claude Skills.

Dette er det problem, SkillProof blev bygget til at løse. Vi installerer hver færdighed, kører den på reelt arbejde og publicerer dommen – inklusiv fejlene. Det fulde katalog med 2116 testede færdigheder er gratis at gennemse; hvis du hellere vil starte med en kortliste, sælger vi også rollebaserede pakker med ti færdigheder for $10 stykket.