AI-агенты, навыки и Claude Code: как это работает на практике
Мы разобрали три блока свежего контента по теме AI-агентов — суммарно около 67 минут материала на английском и русском. Один блок — обзорный, про то, что такое агенты и как они устроены. Второй — про AI-навыки (skills), новый стандарт работы с ИИ, который за полгода распространился от Anthropic до Google и Figma. Третий — детальный технический гайд по Claude Code для разработчиков.
Аудитория у этих материалов разная: от маркетолога без технического бэкграунда до разработчика с 15-летним стажем. Но центральная идея одна — ИИ перестаёт быть просто чат-ботом, которому задают вопросы. Он становится агентом, который сам планирует, действует и проверяет результат. И чтобы это работало на вас, нужно понять архитектуру: три уровня, на которых всё держится.
Главный вывод: разница между «просто пользоваться ChatGPT» и «работать с AI-агентом» — не в интерфейсе, а в том, кто принимает решения в цепочке действий.
Три уровня: LLM, воркфлоу и агент
Разберём по пунктам, потому что путаница здесь стоит дорого.
Уровень первый — большая языковая модель
ChatGPT, Claude, Gemini в базовом режиме работают по одной схеме: вы пишете запрос — модель выдаёт ответ. Всё. У этой схемы два жёстких ограничения:
- Модель не знает ничего о вас лично, если вы сами это не настроили
- Модель пассивна — она ждёт вопроса и ничего не делает сама
Классический пример: спросите ChatGPT «когда у меня вечеринка?» — он не ответит. Нет доступа к календарю. Написать приглашение на вечеринку — справится. Знать, когда она, — нет.
Уровень второй — воркфлоу
Воркфлоу — это заранее прописанный маршрут для модели. Вы подключаете внешние сервисы (Google Календарь, погоду через API, базу данных), выстраиваете логику: сначала проверь это, потом сделай то. Модель идёт по этому маршруту.
Ключевое: за воркфлоу всегда стоит человек. Он прописал логику, он принимает решения о том, как она устроена. Если результат не устраивает — человек заходит в настройки и меняет промпт вручную.
Реальный пример, который встречается в практике: ссылки на новости собираются в Google Таблицы → ChatGPT пересказывает → по промпту пишет посты для Telegram и Instagram → всё запускается автоматически в 8 утра. Это воркфлоу. Если текст для Telegram не нравится — нужно вручную лезть в блок и менять промпт.
Даже если воркфлоу состоит из ста шагов — это всё равно воркфлоу, а не агент. Потому что человек принял все ключевые решения заранее.
Здесь же живёт термин RAG (Retrieval-Augmented Generation). Звучит страшно, суть простая: модель сначала ищет нужную информацию, а потом отвечает. Это часть воркфлоу, не отдельная магия.
Уровень третий — агент
Агент отличается от воркфлоу одним: человека в цепочке принятия решений нет. Агент сам рассуждает, как организовать работу, сам действует, сам проверяет результат и дорабатывает его в цикле.
Схема называется ReAct — Reason + Act (рассуждать + действовать). Агент сначала думает, как решить задачу, потом действует, потом снова думает — и так до получения нужного результата. Он может подключить вторую языковую модель, которая будет проверять работу первой: написать → проверить → переписать → снова проверить.
Пример из реальных демо: агент ищет серого волка на видео ночью. Сначала рассуждает — волк, четыре лапы, серый цвет, ночное освещение. Потом просматривает файлы, находит нужный фрагмент, выделяет и показывает. Раньше это делал человек вручную.
Человек участвует только в двух точках: поставить цель и оценить финальный результат.
Агент — это не «умный чат-бот». Это система, которая сама планирует, действует и итерирует. Без вас.
AI-навыки: что это и почему это важно сейчас
Пока одни разбираются, чем агент отличается от воркфлоу, в индустрии уже произошло кое-что важное. В декабре 2025 года Anthropic опубликовал открытую спецификацию AI-навыков (skills). Следом тот же формат приняли OpenAI, GitHub Copilot, Cursor, Gemini и Codex. За полгода опубликовано более 60 тысяч навыков. Google выпустила коллекцию для работы с документами и почтой, Figma — для дизайна, Vercel — для веб-разработки.
Это не маркетинг. Два главных конкурента — Anthropic и OpenAI — договорились об одном формате. Такое случается редко.
Что такое навык технически
Навык (skill) — это текстовый файл в формате Markdown с пошаговой инструкцией для агента. Рецепт, если угодно. Талантливый повар готовит на интуиции — результат нестабилен. Рецепт с температурой и последовательностью шагов даёт стабильный результат каждый раз.
Аналогия точная: когда нужно подать налоговую декларацию, вы наймёте не математического гения, который будет разбираться с нуля, а опытного бухгалтера, который заполнил тысячу таких деклараций. Навыки превращают агента в этого бухгалтера.
Зачем навыки, если есть системный промпт
Предыдущий подход — загружать все инструкции в системный промпт проекта — работал, но имел предел. Всё содержимое загружалось в память агента целиком, даже если для текущей задачи нужна одна страница из двадцати. При большом объёме агент начинал «пропускать» информацию из середины файла.
Навыки решают это иначе: агент видит только заголовки всех установленных навыков. Это занимает минимум памяти. Когда приходит задача — агент анализирует заголовки, определяет подходящий навык и загружает только его целиком. Остальные не трогает.
Схема работы: 1. Агент видит заголовки всех навыков 2. Получает задачу 3. Определяет нужный навык 4. Загружает его полностью 5. Выполняет задачу шаг за шагом
Где навыки живут в разных инструментах
В Claude (веб-версия и десктоп) навыки хранятся в облаке на серверах Anthropic — доступны с любого устройства через аккаунт. В Claude Code (терминальный инструмент для разработчиков) навыки хранятся локально в виде папки, вызываются через /название_навыка. В Codex от OpenAI — через вкладку «Навыки», вызов через $$ + название.
Как создать навык за 5 минут
Встроенный Skill Creator — мета-навык, доступный в Claude и Codex. Вы описываете задачу словами, AI генерирует готовый файл с заголовком, описанием и пошаговыми инструкциями. Черновик готов примерно за пять минут.
Но черновик — это черновик. Первая версия будет работать «на очень средне» без ваших нюансов и личного опыта. Доработка обязательна.
Второй способ — более качественный, но требует времени: 1. Возьмите реальную задачу 2. Решите её с агентом шаг за шагом, как делали бы сами 3. Редактируйте результат, указывайте на нюансы 4. Когда результат устраивает — попросите агента описать весь пройденный процесс 5. Это и есть ваш навык
Важное предупреждение: навыки из открытых GitHub-репозиториев могут содержать вредоносный код — инструкции, которые передают данные третьим лицам или выполняют скрытые команды. Перед установкой любого стороннего навыка — попросите агента проверить его содержимое на потенциально опасные команды.
Claude Code: агентная разработка для тех, кто понимает код
Это отдельный разговор — про инструмент, который живёт в терминале и предназначен для разработчиков. Не для маркетологов и не для HR. Для тех, кто пишет код и хочет делегировать часть работы агенту, сохранив контроль над качеством.
Деньги и тарифы
Бесплатной версии нет. Пробного периода нет.
- Pro, $20/месяц — ограниченное использование с Claude 3.5 Sonnet. В рамках 5-часового цикла доступно от 10 до 40 «промтов» (каждый промт — это целый рабочий флоу, не одно сообщение)
- Max, $100/месяц — практически неограниченное использование с Sonnet, работать весь день без перерывов
- $200/месяц — для большинства задач избыточно
Через API работать не стоит — расходы растут неуправляемо. Подписка предсказуемее.
CLAUDE.md — центральный элемент
Файл CLAUDE.md — это документация проекта, которую агент читает при каждом запросе. Архитектура, команды запуска, стиль кода, API-контракты, правила безопасности, примеры, антипаттерны. Создаётся командой /init.
Здесь есть баланс: чем больше CLAUDE.md — тем больше токенов расходуется при каждом запросе. Чем меньше — тем меньше пользы. Нужно найти середину: только то, что действительно влияет на результат.
Управление контекстом — ключевой навык
Контекст — это память агента в рамках сессии. Когда он заполняется, качество ответов падает. Инструменты управления:
/context— показывает текущее использование: сколько токенов занимают системный промпт, инструменты, файлы памяти, накопленные сообщения/compact— вручную сжимает контекст, создавая краткое резюме сессии/clear,/reset,/new— полностью очищают контекст при переходе к несвязанной задаче
Частая ошибка: начать большую новую фичу, когда контекст почти заполнен. Автокомпакт сработает в середине реализации — и качество результата упадёт. Лучше сделать /compact вручную заблаговременно.
Режимы работы
- Plan Mode (Shift+Tab) — агент сначала составляет план, задаёт уточняющие вопросы, не приступая к коду. Для сложных задач — обязательно
- Accept All Edits (Shift+Tab повторно) — автоматическое принятие всех изменений без подтверждения
- Thinking Mode (Tab) — глубокое мышление, лучше качество решений, больше токенов
Субагенты и кастомные команды
Субагенты — специализированные мини-агенты с отдельным контекстом. Каждый заточен под конкретную задачу: код-ревью, написание тестов, генерация документации, проверка безопасности. Создаются через /agents → create new agent, хранятся как Markdown-файлы в .claude/agents.
Реальный пример: субагент Code Reviewer при запросе на код-ревью выявляет несоответствие именования (camelCase вместо snake_case в Prisma), неэффективные SQL-запросы в цикле, захардкоженные названия моделей, отсутствие rate limiting, дублирование кода, проблемы безопасности. Всё это — без дополнительных инструкций, просто потому что агент описан достаточно конкретно.
Кастомные команды — файлы в .claude/commands/, вызываются через /имя_команды. Одна команда запускает сложный многошаговый процесс. Поддерживают аргументы.
Интеграция с GitHub
Claude Code использует утилиту gh (GitHub CLI) для автоматического создания коммитов, пушей и pull request'ов. Агент сам формирует описание коммита, выполняет пуш, запускает git-хуки и создаёт PR с детальным описанием фичи. Требует предварительной авторизации gh.
Важно: делайте git commit после каждого значимого изменения. Если агент сделает что-то некорректное — откатиться без коммита будет сложно.
Практический раздел: что делать прямо сейчас
Если вы не разработчик
Шаг 1. Определитесь с инструментом — Claude или Codex. Оба поддерживают навыки в одном формате, принципиальной разницы нет.
Шаг 2. Зайдите в официальный каталог навыков — репозиторий Anthropic на GitHub или репозиторий OpenAI. Посмотрите, как выглядят готовые навыки. Это даст понимание структуры.
Шаг 3. Выберите одну повторяющуюся задачу из своей работы. Еженедельный отчёт по шаблону. Контент-план. Проверка текста перед публикацией. Анализ конкурентов по своей методике. Любой процесс, который вы можете объяснить словами.
Шаг 4. Запустите Skill Creator, опишите задачу. Получите черновик. Прочитайте его — добавьте личные нюансы, примеры из реального опыта, уточните критерии.
Шаг 5. Протестируйте на реальной задаче. Скорректируйте. Повторите.
Шаг 6. Постепенно расширяйте библиотеку навыков. Смотрите готовые коллекции, пока они бесплатны — это временно.
Одно ограничение, которое не обойти автоматизацией: нужно уметь описать свой процесс чёткими шагами. Если процесс строится на интуиции — сначала разложите её на конкретные критерии. Без этого агент не сработает как надо.
Если вы разработчик
Шаг 1. Оформите подписку Pro ($20) или Max ($100) на Anthropic. Установите Claude Code через npm.
Шаг 2. Перейдите в папку с проектом, запустите claude, выполните /init. Внимательно прочитайте созданный CLAUDE.md — дополните вручную: правила именования, архитектурные решения, запрещённые паттерны.
Шаг 3. Настройте разрешения через /permissions. Выберите модель через /model. Добавьте ключевые правила проекта в память через /memory.
Шаг 4. Для первой реальной задачи используйте Plan Mode (Shift+Tab). Опишите задачу, ответьте на уточняющие вопросы, согласуйте план. Только потом запускайте реализацию.
Шаг 5. После выполнения — git status, код-ревью, коммит. Следите за контекстом через /context. При заполнении более 90% — /compact вручную.
Шаг 6. Создайте субагента для код-ревью. Опишите его конкретно: что проверяет, какие инструменты использует, какие — нет.
Шаг 7. Авторизуйте gh, проверьте автоматическое создание PR на тестовой задаче.
Что мы заметили: где материалы сходятся, а где расходятся
Где полное совпадение
Все три источника сходятся в одном: ИИ не заменяет человека, а меняет точку его участия. В воркфлоу человек принимает все решения о логике. В агентной системе — только ставит цель и оценивает финал. Но убрать человека полностью пока не получается нигде.
Второй общий тезис: качество на входе определяет качество на выходе. Нечёткая задача → нечёткий результат. Это работает на всех трёх уровнях — от базового LLM до Claude Code с субагентами.
Где подходы расходятся
Подход А (более обзорный, нетехнический) рисует оптимистичную картину: агенты уже здесь, навыки становятся новым стандартом, маркетплейсы растут, скоро всё будет платным — торопитесь. Акцент на возможностях и скорости адаптации.
Подход Б (более осторожный, аналитический) прямо говорит: универсальных агентов нет. Презентации крупных компаний — это демонстрации, а не массовые продукты. ChatGPT-агент от OpenAI, который умеет бронировать столики и отели, — почти никто этим реально не пользуется. Агенты хорошо работают на точечных задачах, не на всём сразу.
Подход В (технический, для разработчиков) вообще не говорит про «революцию» — он говорит про конкретные инструменты, тарифы, команды и ошибки. Здесь самый трезвый взгляд: Claude Code помогает, но код-ревью никто не отменял. Знание технологий по-прежнему обязательно.
Наш взгляд: подход Б и В ближе к реальности. Агенты работают — но на конкретных, хорошо описанных задачах. Чем точнее описание, тем лучше результат. Чем абстрактнее цель — тем выше вероятность разочарования.
Технический нюанс про контекст
Все три материала так или иначе касаются проблемы контекстного окна — но с разных сторон. Навыки решают её на уровне архитектуры: агент загружает только нужный файл, не всё сразу. Claude Code решает её операционно: /compact, /clear, субагенты с отдельным контекстом. Это одна и та же проблема — просто на разных масштабах.
Итог
Три уровня — LLM, воркфлоу, агент — это не просто классификация. Это карта, по которой стоит двигаться последовательно. Пропустить уровень воркфлоу и сразу прыгнуть к «агенту» — значит не понимать, где именно ломается автоматизация и почему.
Навыки — это не тренд, который пройдёт. Единый стандарт, принятый конкурентами, живёт долго. Если вы делаете одно и то же каждую неделю — у вас уже есть материал для первого навыка. Осталось его описать. Для разработчиков Claude Code — это реальный инструмент с реальной ценой и реальными ограничениями, которые нужно знать до того, как вы потратите токены на задачу с переполненным контекстом.
Начните с одного навыка или одной задачи в Plan Mode. Посмотрите, что получится. Это займёт меньше времени, чем дочитать следующий обзор про «будущее AI».