🎯 О чём этот конспект: Разбор глубокой стратегии работы с AI-агентами (Claude Code, Cursor, OpenClaw). В центре внимания — отказ от перегруженных системных файлов в пользу «прогрессивного раскрытия» через навыки (Skills) и методика рекурсивного обучения агента на реальных рабочих процессах.

👤 Кому будет полезно: Вайбкодерам и разработчикам, которые хотят выжать максимум из Claude/GPT, перестать тратить токены впустую и научить AI выполнять сложные, специфичные для бизнеса задачи без ошибок.

✨ Что получите: Вы научитесь создавать самосовершенствующиеся файлы навыков (.md), которые экономят до 90% контекстного окна и позволяют агенту выполнять многоступенчатые задачи (например, сложную аналитику или специфичный рефакторинг) с 100% точностью.

1. Отказ от тяжелых системных файлов (agent.md / claude.md)

Контекст: Большинство пользователей совершают ошибку, записывая все инструкции, правила оформления кода и стек технологий в файлы типа agent.md или claude.md. Эти файлы добавляются в контекст при каждом запросе. Если ваш файл занимает 1000 строк (~7000 токенов), вы сжигаете их на каждом шаге диалога. Современные модели (Claude 3.5 Opus/Sonnet, GPT-4o) уже достаточно умны: они сами видят, что вы используете React или TypeScript, просто анализируя файлы проекта. Избыточный контекст не только стоит денег, но и делает модель «глупее», так как фокус внимания размывается.

Выгода: Экономия тысяч токенов за сессию и повышение точности ответов за счет чистого контекстного окна.

Как применить:

• Шаг 1: Очистка — Удалите из системных файлов общеизвестную информацию (описание библиотек, стандартные правила форматирования).
• Шаг 2: Оценка необходимости — Оставляйте в agent.md только проприетарную информацию, которая критически важна для каждого сообщения (например, специфический API-ключ или уникальный внутренний стандарт безопасности).
• Шаг 3: Переход на Skills — Всё, что касается конкретных рабочих процессов (деплой, генерация отчетов, рефакторинг), вынесите в отдельные файлы навыков.

Результат: Легкий и быстрый контекст, где модель сфокусирована только на текущей задаче.

2. Прогрессивное раскрытие через навыки (Skills)

Контекст: Навык (Skill) — это .md файл, структура которого позволяет агенту «видеть» только название и описание до тех пор, пока он ему не понадобится. Это называется прогрессивным раскрытием. Вместо того чтобы скармливать агенту 1000 строк инструкций по аналитике YouTube, вы даете ему «зацепку» в 50 токенов. Агент обращается к полному содержанию файла только тогда, когда понимает, что задача соответствует описанию навыка.

Выгода: Возможность иметь библиотеку из 50+ сложных навыков без риска переполнить контекстное окно.

Как применить:

• Шаг 1: Создание структуры — Создайте файл code-structure.md (или аналогичный).
• Шаг 2: Оптимизация заголовка — Напишите четкое имя и описание в начале файла. Только они попадут в первичный контекст.
• Шаг 3: Наполнение — Внесите подробные инструкции под заголовком.

Пример структуры навыка:

# Название: Code Structure Skill
# Описание: Используй этот навык, когда нужно отрефакторить код, устранить дублирование логики или привести структуру файлов к стандарту проекта.
 
[Далее идет подробный код, правила, примеры — это будет загружено только при вызове навыка]

Результат: Агент потребляет ~50 токенов вместо ~1000, пока не возникнет реальная потребность в инструменте.

3. Рекурсивное создание навыков (Метод «Обучение сотрудника»)

Контекст: Нельзя просто попросить AI «напиши навык для анализа спонсоров». Он создаст общую «заглушку», которая будет ошибаться. Правильный подход — относиться к агенту как к новому сотруднику. Сначала вы проходите путь вручную вместе с ним, фиксируете ошибки, исправляете их, и только когда процесс отлажен («успешный прогон»), вы кристаллизуете этот опыт в файл навыка.

Выгода: 100% попадание в результат при выполнении сложных бизнес-процессов.

Как применить:

• Шаг 1: Ручная итерация — Дайте задачу и ведите агента по шагам. Если он не проверил Trustpilot спонсора — скажите ему: «Проверь Trustpilot, вот ссылка».
• Шаг 2: Анализ ошибок — Если агент выдает ошибку API или неверный формат, спросите его: Почему ты ошибся? Какой код ошибки?. Получив ответ, заставьте его исправить это в текущей сессии.
• Шаг 3: Кристаллизация — После успешного выполнения задачи дайте промпт:

Ты только что успешно выполнил [название задачи]. Проанализируй наши шаги, учти ошибки, которые мы исправили, и создай файл навыка (skill.md), чтобы в следующий раз ты мог выполнить это идеально с первого раза.

• Шаг 4: Рекурсивное обновление — Каждый раз, когда агент ошибается при использовании навыка, повторяйте цикл и просите его обновить файл навыка.

Результат: Самосовершенствующаяся база знаний, адаптированная под ваш уникальный стиль и задачи.

4. Масштабирование через суб-агентов (Scaling for Productivity)

Контекст: Не стоит начинать с 15 суб-агентов только потому, что это выглядит круто. Эффективное масштабирование идет от одного «главного» агента. Суб-агенты должны появляться только тогда, когда у вас накопилось достаточно навыков для конкретной области (например, маркетинг, финансы или бэкенд).

Выгода: Высокая производительность системы без путаницы в ролях и конфликтов инструкций.

Как применить:

• Шаг 1: Накопление базы — Работайте с одним агентом, пока не создадите 3-5 стабильных навыков для одной сферы.
• Шаг 2: Выделение роли — Создайте суб-агента (например, Marketing Agent) и передайте ему эти специфические навыки.
• Шаг 3: Иерархия — Используйте главного агента как менеджера, который делегирует задачи суб-агентам, обладающим узкими навыками.

Результат: Система, которая растет вместе с вашим бизнесом, а не просто потребляет ресурсы.

FAQ

В: Почему нельзя просто скачать готовые наборы навыков (Skills) из маркетплейсов?

О: Это опасно с точки зрения безопасности (возможные инъекции кода) и неэффективно. Навык работает идеально только тогда, когда он прошел через «контекст успешного выполнения» именно в вашем проекте. Лучше изучить чужой навык, показать его своему AI и попросить адаптировать под ваш воркфлоу.

В: Как понять, что пора переносить инструкцию из чата в файл навыка?

О: Если вы повторили одну и ту же инструкцию или исправили одну и ту же ошибку более 3 раз — это сигнал к созданию skill.md. Навык — это «затвердевший» опыт успешного решения проблемы.

В: Влияет ли количество файлов навыков на производительность AI?

О: Если использовать метод «название + описание», то влияние минимально. Агент просто сканирует список заголовков. Однако если у вас будут сотни навыков, даже их заголовки начнут занимать место. Держите только то, что реально используете.

В: Что делать, если агент игнорирует существующий навык?

О: Проверьте описание (Description) в начале файла навыка. Оно должно содержать ключевые слова, которые вы используете в запросах. Если вы просите «сделай отчет», а в навыке написано «анализ данных», агент может не связать эти сущности. Сделайте описание более явным.

В: Нужно ли прописывать в навыках используемый стек (например, Next.js, Tailwind)?

О: Обычно нет. Современные модели извлекают это из файлов package.json или структуры папок. Прописывайте стек только если у вас очень специфическая, нестандартная конфигурация, которую AI не может распознать самостоятельно.

Конспект создан на основе видео «How to build AI Agents (The Right Way)» канала Greg Isenberg. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/S_oN3vlzpMw