🎯 О чём этот конспект: Разбор эволюции AI-агентов от простых чат-ботов до «Харнесов» (Harness) — универсальных систем с набором инструментов. Автор объясняет концепцию «скиллов» (Skills) как легковесной альтернативы MCP-серверам и показывает, как объединение инструментов с пользовательскими данными и циклами самообучения создает новую форму памяти для ИИ.
👤 Кому будет полезно: Вайбкодерам, AI-инженерам, разработчикам на Cursor/Claude Code и всем, кто хочет автоматизировать сложные жизненные и рабочие процессы (от медицины до HR) с помощью агентов.
✨ Что получите: Понимание архитектуры современных агентов, готовую структуру «скилла» для своих проектов и методику построения бесконечных циклов выполнения задач без потери контекста.
1. Эволюция агентов: Путь к Харнесам и Луп-инженерии
Контекст: Развитие ИИ прошло путь от простых текстовых ответов (GPT-3) до сложных мультиагентных систем. Сначала были ReAct-агенты (вызов функций), затем сложные графы (LangGraph) и «строительные леса» (Scaffolding). Однако современный тренд — упрощение. Вместо переусложненных графов индустрия пришла к «Харнесам» — универсальным агентам, которые имеют минимальный, но мощный набор инструментов для работы с файлами и консолью. Сейчас мы входим в эпоху «Луп-инженерии» (Loop Engineering), где фокус смещается с написания промптов на проектирование циклов работы агента.
Тайминг: , ,
Выгода: Переход к Харнесам позволяет решать 90% задач разработки без проектирования сложных логических схем, полагаясь на способность модели самой планировать шаги в рамках файловой системы.
Как применить:
- Шаг 1: Осознание роли Харнеса — Инструмент: Claude Code / Cursor] — Перестаньте строить сложные цепочки промптов. Дайте агенту доступ к файлам и терминалу.
- Шаг 2: Переход к Луп-инженерии — Инструмент: Bash/Python] — Оберните вызов агента в цикл, который проверяет результат (например, через тесты или линтеры) и перезапускает агента до победного конца.
Результат: Агент становится автономным исполнителем, способным работать часами над одной задачей без вашего участия.
2. Анатомия Харнеса: Минимальный набор для выживания
Контекст: Харнес (Harness) — это «упряжка», которая связывает мощь LLM с инструментами и пространством данных. Автор выделил «ядро» инструментов, которых достаточно для решения практически любой технической задачи. Важно не перегружать модель: лимит современных LLM — около 30-40 инструментов, после чего они начинают путаться и быстро съедать контекст.
Тайминг: ,
Выгода: Экономия контекста и повышение точности выполнения команд за счет использования только необходимых системных утилит.
Как применить:
- Шаг 1: Настройка базовых тулов — Убедитесь, что ваш агент имеет следующие возможности:
- Чтение/редактирование/запись файлов.
- Выполнение Bash-команд.
- Поиск по файлам (grep).
- Управление списком задач (todo-list).
- Шаг 2: Управление контекстом — Реализуйте механизм суммаризации или запуска субагентов для длинных задач, чтобы не передавать всю историю правок в каждый новый запрос.
Результат: Стабильная работа агента в рамках сложной кодовой базы.
3. Скиллы (Skills) против MCP: Почему папки лучше серверов
Контекст: MCP (Model Context Protocol) — мощный стандарт, но он тяжеловесен и может быстро забивать контекст описаниями функций. Автор предлагает альтернативу — «Скиллы». Скилл — это просто директория с файлом skill.md и набором скриптов. Главная фишка — двухэтапная загрузка: в системный промпт попадает только краткое описание, а подробная инструкция читается агентом только тогда, когда он решит активировать этот скилл.
Тайминг: , ,
Выгода: Возможность иметь сотни инструментов (скиллов) без деградации модели и перерасхода токенов.
Как применить:
- Шаг 1: Создание структуры скилла — Создайте папку
skills/my-task/и разместите там файлы:
# skill.md (Длинное описание)
Инструкция: Как именно выполнять задачу, какие скрипты запускать,
какие бизнес-правила соблюдать (может занимать страницы текста).- Шаг 2: Регистрация скилла — Добавьте в основной конфиг агента только одну строку:
Skill: [Название] - [Краткое описание в 1 предложение]Результат: Агент «знает» о существовании навыка, но не тратит на него контекст, пока он не нужен.
4. Скиллы + Данные + Git = Новая память агента
Контекст: Самый мощный инсайт доклада: скилл должен содержать не только код, но и данные пользователя (артефакты, историю, базу знаний). Хранение скиллов в Git-репозиториях позволяет разным агентам (Cursor дома, бот в Telegram в дороге) работать над одной задачей, используя общую «память». Git решает проблему коллизий, а современные агенты уже умеют сами фиксить Merge Conflicts.
Тайминг: ,
Выгода: Бесшовная работа между устройствами и сохранение прогресса в долгосрочных проектах.
Как применить:
- Шаг 1: Инициализация Git-памяти — Сделайте каждый скилл отдельным репозиторием или подмодулем.
- Шаг 2: Правило синхронизации — Пропишите в
skill.mdжесткое правило:
1. Перед началом работы: git pull
2. После выполнения задачи: git add . && git commit -m "update" && git pushРезультат: Агент всегда работает с актуальными данными и оставляет след своей работы для других систем.
5. Агентные циклы: Inner, Outer и Meta Loops
Контекст: Чтобы агент работал днями и не «глупел», его нужно помещать в иерархию циклов.
- Inner Loop (ReAct): выполнение конкретных шагов внутри одной сессии.
- Outer Loop (Real-f Loop): бесконечный перезапуск агента с очисткой контекста, но сохранением файлов.
- Meta Loop: полная зачистка данных и запуск «с нуля» для поиска альтернативных путей решения (борьба со «схлопыванием» идей).
Тайминг: , ,
Выгода: Решение задач, которые не влезают в контекст, и кратный рост метрик (в примере автора — рост успеха в 11 раз за выходные).
Как применить:
- Шаг 1: Настройка Outer Loop — Используйте простой Bash-скрипт для перезапуска:
while true; do
claude-code --task "Продолжай улучшать метрику в файле benchmark.txt"
sleep 5
done- Шаг 2: Внедрение Backpressure — Добавьте в цикл проверку тестами. Если тесты упали — агент должен откатить изменения (git checkout).
Результат: Автономная «фабрика» по улучшению кода или анализу данных, работающая 24/7.
Скиллы как новая память агентов: ответы на частые вопросы
В: В чем главное отличие Скилла от обычного системного промпта? О: Скилл — это модульность и экономия контекста. В системный промпт идет только короткий «маячок», а вся тяжелая логика и инструкции подгружаются агентом динамически только при необходимости.
В: Можно ли доверять агенту медицинские данные (ДНК)? О: Автор использует это для личных инсайтов (биохакинга), подчеркивая, что модели вроде Claude 3.5 Sonnet отлично справляются с анализом научных данных и даже могут использовать инструменты типа AlphaFold для моделирования белков. Но это не заменяет врача.
В: Как бороться с тем, что агент «тупеет» при долгой работе? О: Использовать Outer Loop (перезапуск). Это очищает оперативную память (контекст) модели, заставляя её заново взглянуть на наработанные файлы в «смарт-зоне» (начале контекстного окна), где она наиболее эффективна.
В: Что такое «схлопывание» (collapse) агента? О: Это ситуация, когда модель зацикливается на одном способе решения или выдает однотипные ответы (как один и тот же анекдот разными словами). Лечится через Meta Loop — запуск процесса с чистого листа без доступа к предыдущим черновикам.
В: Какие инструменты нужны для создания своего Харнеса? О: Достаточно Node.js/Python и доступа к API (Anthropic/OpenAI). В качестве готовых решений автор рекомендует Claude Code, Cursor или OpenClaw.
Скиллы как новая память агентов: инструменты и ссылки из видео
- Claude Code — CLI-агент от Anthropic —
упомянут в видео - Hermes (Гермес) — Агентская система, построенная вокруг скиллов —
упомянут в видео - AlphaFold — Система предсказания структуры белков от Google DeepMind —
упомянут в видео - Aueent (от Андрея Карпатого) — Репозиторий с идеей автономного агента-разработчика —
упомянут в видео - MCP (Model Context Protocol) — Протокол для подключения инструментов к LLM —
упомянут в видео
Конспект создан на основе видео «Скиллы как новая память агентов» канала Константин Панфилов. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/a-NIeMB-Hj8
