Gemini Docs MCP: Nu bliver coding-agenter bedre, fordi de kan slå op undervejs

Google lancerede 1. april en lille nyhed med ret store konsekvenser for udviklere, der bruger AI-agenter til kodearbejde: Gemini API Docs MCP og Agent Skills. Det lyder måske som endnu et lag værktøjer oven på en allerede travl AI-stak, men pointen er faktisk mere interessant end det. Google forsøger ikke bare at gøre modellen bedre. De forsøger at gøre agenten mindre glemsom og mindre forældet.

Det er en vigtig forskel. Mange udviklere har allerede opdaget, at coding-agenter er imponerende gode til at komme i gang, men irriterende upræcise, når de rammer ny dokumentation, ændrede SDK’er eller helt nye API-mønstre. Resultatet er, at agenten skriver næsten rigtig kode, som så alligevel skal reddes manuelt. Med Gemini Docs MCP prøver Google at flytte det problem fra prompten til infrastrukturen.

Hvad er Gemini Docs MCP egentlig?

MCP står for Model Context Protocol. Ideen er enkel: i stedet for at bede modellen om at huske alting fra sin træning, giver man agenten adgang til opdateret dokumentation i det øjeblik, den arbejder. I Googles løsning peger man sin coding-agent mod en offentlig MCP-server på https://gemini-api-docs-mcp.dev, så agenten kan slå aktuelle API-definitioner, SDK-information og kodeeksempler op undervejs.

Google skriver også, at deres supplerende Agent Skills lægger best practices, anbefalede mønstre og ressource-links ind som en slags arbejdshukommelse for agenten. Det er vigtigt, fordi dokumentation alene ikke altid er nok. En agent skal ikke kun vide, hvad et endpoint hedder. Den skal også vide, hvilket SDK der er det rigtige i dag, hvilke modeller der bør vælges, og hvilke integrationsmønstre der er forældede.

Det interessante her er altså kombinationen: MCP leverer friske fakta, mens skills leverer rammerne for, hvordan de fakta skal bruges. Ifølge Google gav kombinationen en 96,3 procent pass rate på deres evalsæt og 63 procent færre tokens per korrekt svar end almindelig prompting uden denne ekstra kontekst. Det er ikke bare en marginal forbedring. Det er et tegn på, at runtime-kontekst nu er ved at blive lige så vigtig som selve modellen.

Hvorfor betyder det noget i praksis for udviklere?

Hvis du allerede bruger coding-agenter i værktøjer som Cursor, Claude Code eller Codex, kender du mønsteret: Først får du et hurtigt og næsten magisk første udkast. Derefter opdager du, at agenten foreslår et gammelt bibliotekskald, en forkert parameter eller et eksempel, der matcher en ældre SDK-version. Problemet er sjældent ren intelligens. Problemet er forældet kontekst.

Det er netop derfor, denne nyhed er mere praktisk end den lyder. Gemini Docs MCP peger på en ny arbejdsform, hvor udviklerens vigtigste opgave ikke kun er at skrive gode prompts, men at koble agenten på de rigtige kilder. Når det lykkes, flytter AI-assistenten sig fra at være en hurtig tekstgenerator til at blive en reel arbejdsstation med adgang til frisk viden.

Det ændrer mindst tre ting i workflowet:

Mindre prompt-håndværk: I stedet for at kopiere lange dokumentationsuddrag ind i prompten kan du lade agenten hente dem selv.
Mindre copy-paste fra docs til chat: Dokumentation bliver en live datakilde, ikke noget udvikleren manuelt skal transportere rundt.
Mere stabil team-praksis: Best practices kan pakkes som skills, så teamet ikke skal genopfinde samme regler i hver ny samtale.

Set fra en arkitekt- eller teamlead-vinkel er det måske den vigtigste del. Når en agent kan kobles til officiel dokumentation og et sæt interne eller officielle skills, bliver den langt nemmere at styre. Det samme princip kan nemlig bruges uden for Google-universet: på interne API’er, sikkerhedsregler, kodekonventioner og migrationsguider. Den store læring er ikke kun, at Google har forbedret Gemini. Det er, at AI-agenter bliver markant bedre, når vi giver dem struktureret adgang til det, organisationen faktisk ved.

Det her er også en besked til resten af markedet

Google positionerer det her som Gemini-specifikt, men budskabet rækker længere. Hele markedet bevæger sig i retning af agentiske værktøjer, hvor modellen alene ikke er nok. Vi ser allerede samme udvikling i værktøjer, der prøver at gøre agenten mere handlende, mere vedvarende og bedre forbundet til omgivelserne. Jeg skrev for nylig om både Cursor 3 som agent-orkestrator og om, hvordan OpenAI Codex er ved at blive en egentlig arbejdsflade. Googles nye MCP- og skills-greb passer direkte ind i samme tendens.

Derfor er den mest interessante konsekvens heller ikke, om Gemini nu er lidt bedre til kode end i sidste uge. Det spændende er, at Google gør selve forbindelsen mellem agent og dokumentation til et produkt. Når den kobling først bliver normaliseret, bliver det svært at acceptere coding-agenter, der arbejder i blinde. Om et år vil det sandsynligvis virke gammeldags at bruge en agent, som kun svarer ud fra træningsdata og ikke fra de systemer, den faktisk skal bygge imod.

For udviklere betyder det en ret enkel prioritet: Brug mindre tid på at jagte den perfekte universelle prompt, og brug mere tid på at sikre, at agenten har adgang til de rigtige kilder, regler og værktøjer. Det er præcis dér, Gemini Docs MCP rammer noget vigtigt. Nyheden er ikke bare endnu et AI-launch. Det er et tegn på, at næste fase i AI-kodning bliver styret af bedre kontekst, ikke kun større modeller.