🎯 О чём этот конспект: Разбор глубокой философии работы с AI-агентами (Claude Code, OpenClaw, Cursor) от Росса Майка. Видео объясняет, почему стандартные файлы инструкций (agent.md) часто бесполезны, и как правильно обучать агентов через рекурсивное создание навыков (Skills) на основе реального опыта.

👤 Кому будет полезно: Вайбкодерам, разработчикам и предпринимателям, которые хотят автоматизировать сложные бизнес-процессы (анализ спонсоров, отчетность, кодинг) и перестать тратить токены впустую.

✨ Что получите: Методику «прогрессивного раскрытия» контекста, которая делает AI-агента умнее, дешевле в эксплуатации и точнее в выполнении специфических задач вашего бизнеса.

1. Отказ от перегруженных инструкций (95% людей не нужен agent.md)

Контекст: Многие пользователи пытаются впихнуть всю информацию о проекте, стек технологий и правила форматирования в файлы agent.md или claud.md. Автор утверждает, что современные модели (Claude 3.5 Sonnet/Opus, GPT-4o) уже достаточно умны, чтобы понять контекст из кода или пары вводных фраз. Избыточные инструкции в каждом запросе «съедают» контекстное окно и делают модель глупее по мере накопления истории чата.

Тайминг: [01:17], [02:54], [19:30]

Выгода: Экономия тысяч токенов на каждом шаге и сохранение «остроты ума» модели за счет чистого контекстного окна.

Как применить:

• Шаг 1: Удалите очевидное — Перестаньте писать в инструкциях «используй React» или «пиши на TypeScript». Агент увидит это в package.json или по расширению файлов.
• Шаг 2: Оставьте только проприетарное — В общем файле инструкций держите только то, чего нет в коде: уникальные бизнес-логики или специфические методологии вашей компании.
• Шаг 3: Перейдите на Skills — Всё, что касается конкретных рабочих процессов (workflows), выносите в отдельные файлы навыков.

Результат: Чистое контекстное окно, где модель фокусируется на задаче, а не на чтении 1000 строк правил в каждом сообщении.

2. Методика рекурсивного создания навыков (Recursive Skill Building)

Контекст: Главная ошибка — создавать файл навыка (skill.md) до того, как вы прогнали задачу вручную вместе с AI. Агенты — это «новые сотрудники», им нужно показать пример успешного выполнения. Автор предлагает сначала пройти путь «за руку» с моделью, исправляя ошибки в реальном времени, и только потом фиксировать этот опыт в файл.

Тайминг: [05:08], [07:11], [12:44]

Выгода: 100% точность выполнения сложных задач (например, сбор аналитики из 8 источников) после 5-6 итераций обучения.

Как применить:

• Шаг 1: Идентификация воркфлоу — Определите повторяющуюся задачу (например, «Анализ входящих писем от спонсоров»).
• Шаг 2: Ручное обучение — Дайте задачу агенту. Когда он ошибется (например, не проверит Trustpilot), скажите: «Ты ошибся. Проверь Trustpilot, Twitter и объем инвестиций. Если 2 из 3 пунктов плохие — отклоняй».
• Шаг 3: Фиксация успеха — После успешного прогона скажи агенту:

Проанализируй наш текущий диалог и успешное выполнение задачи. 
На основе этого создай файл skill.md, который описывает этот процесс пошагово, 
чтобы в будущем ты мог повторить это идеально.

• Шаг 4: Итерация при ошибке — Если в будущем навык даст сбой, спросите агента: «Почему ты ошибся? Какую ошибку выдал API?». Получив ответ, скомандуйте: «Обнови файл skill.md, добавив обработку этой ошибки, чтобы она не повторялась».

Результат: Самосовершенствующийся агент, который с каждым разом работает стабильнее.

3. Прогрессивное раскрытие контекста (Progressive Disclosure)

Контекст: В отличие от agent.md, который грузится в контекст целиком, файлы навыков (skills) работают иначе. В основное контекстное окно попадает только Название и Описание навыка. Модель видит список доступных инструментов и «подгружает» подробную инструкцию только тогда, когда понимает, что этот навык нужен для текущей задачи.

Тайминг: [02:12], [03:17], [18:20]

Выгода: Снижение потребления токенов в 15-20 раз (с 900+ до 50 токенов на проверку наличия навыка).

Как применить:

• Шаг 1: Структурируйте файл навыка — Создавайте .md файлы с четким заголовком и кратким описанием в первой строке.
• Шаг 2: Используйте триггерные описания — Пишите описание так, чтобы AI легко сопоставил его с запросом пользователя.
• Пример структуры навыка:

# Название: Структурирование кода (Code Structure)
# Описание: Используй этот навык, когда нужно отрефакторить код, убрать дублирование логики или привести файлы к стандарту архитектуры проекта.
 
[Далее идет подробная инструкция на 100+ строк, которую AI прочитает только при вызове]

Результат: Агент имеет доступ к сотням навыков, не перегружая свою «оперативную память».

4. Масштабирование через субагентов (Scaling for Productivity)

Контекст: Не стоит плодить десятки субагентов сразу. Автор рекомендует начинать с одного «главного» агента и выделять субагентов только тогда, когда воркфлоу в конкретной области (маркетинг, бизнес, личное) стал стабильным и оброс проверенными навыками.

Тайминг: [08:48], [09:28], [15:50]

Выгода: Управляемая система, где один «менеджер» эффективно делегирует задачи узкоспециализированным «сотрудникам».

Как применить:

• Шаг 1: Старт с одного — Настройте одного агента на выполнение всех задач.
• Шаг 2: Выделение департамента — Когда у вас накопилось 5-10 навыков по маркетингу, создайте субагента MarketingAgent.
• Шаг 3: Передача навыков — Перенесите соответствующие skill.md в область видимости субагента.

Результат: Система, построенная на реальной продуктивности, а не на «красивых схемах», которые не работают.

FAQ

В: Почему мой агент постоянно ошибается, хотя я написал подробную инструкцию? О: Скорее всего, вы дали ему теорию без практики. Попробуйте метод из Инсайта №2: пройдите задачу вместе с ним пошагово, исправляя его действия в чате, а затем попросите его самого обновить инструкцию на основе этого опыта.

В: В чем разница между навыком (Skill) и обычным промптом? О: Навык — это структурированный файл, который агент вызывает только по необходимости (прогрессивное раскрытие). Обычный промпт или системная инструкция висят в контексте постоянно, тратя ресурсы и «замыливая» внимание модели.

В: Нужно ли скачивать готовые библиотеки навыков из интернета? О: Автор не рекомендует этого делать. Во-первых, это риск безопасности (инъекции). Во-вторых, чужой навык не учитывает ваш специфический вкус и воркфлоу. Лучше использовать чужие навыки как референс, но обучать своего агента самостоятельно.

В: Как понять, что пора создавать субагента? О: Когда ваш основной агент начинает путаться в разноплановых задачах или когда контекстное окно слишком быстро забивается из-за обилия разнородных навыков. Субагент — это способ изолировать контекст (например, только для задач маркетинга).

В: Какие модели лучше всего подходят для такой работы? О: Автор выделяет Claude 3.5 Opus (как лучшего дизайнера и логика) и GPT-4o (сильна в бэкенде). Однако подчеркивает, что при правильной обвязке (harness) и контексте обе модели показывают выдающиеся результаты.

Ресурсы и ссылки

• Claude Code — новый CLI-инструмент от Anthropic для работы с кодом — упомянут в видео
• OpenClaw — open-source фреймворк для создания AI-агентов — упомянут в видео
• Cursor — AI-редактор кода — упомянут в видео
• Paperclip — популярный инструмент/агент, который автор советует изучать, но строить свое — упомянут в видео
• OpenAI Tokenizer — инструмент для подсчета токенов — https://platform.openai.com/tokenizer

Конспект создан на основе видео «Ross Mike: How to Build Better AI Agents» канала Greg Isenberg. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/S_oN3vlzpMw