Нейросети 2026: выбор модели, скилы и чанкинг для RAG

Мы в ZUB-AI просмотрели три свежих материала про нейросети и решили собрать из них практический разбор для тех, кто использует AI не ради развлечения, а как рабочий инструмент. Один материал — прикладной тест четырёх моделей на реальных задачах. Второй — глубокое погружение в технологию Agent Skills от Anthropic. Третий — инженерный разбор чанкинга для RAG-систем.

Разброс тем большой, и это не случайно. Кто-то из вас пишет тексты и сценарии через чат, кто-то строит агентов под свои процессы, а кто-то дошёл до уровня, где нужно нарезать документы на фрагменты для векторного поиска. Мы прошли по всем трём уровням абстракции — от бытового использования до кишок RAG-пайплайна.

Главный вывод одним предложением: универсальной «лучшей нейросети» не существует ни на уровне выбора модели, ни на уровне архитектуры — выигрывает тот, кто подбирает инструмент и настройку под конкретную задачу.

Почему одна модель не закрывает все задачи

В свежих разборах прослеживается тезис, который многие игнорируют: люди ищут одну нейросеть «на всё» и разочаровываются. Практика показывает обратное — под разные типы работы стабильно выигрывают разные модели.

▶ 02:58

Мы изучили сравнительный тест четырёх популярных языковых моделей на 2026 год — ChatGPT (в версии GPT-5), Grok, DeepSeek и Яндекс Алиса. Тестирование шло на бесплатных версиях, без подписки. Это важная деталь. Результат в таком формате применим для широкой аудитории, а не только для тех, кто платит по 20 долларов в месяц.

Восемь тестов, реальные задачи: создание поста, анализ аудитории, сценарий reels, план недели, работа с документами, извлечение данных из ссылок, визуал и чувство юмора. По каждому — баллы.

Финальная таблица получилась такой:

• Grok — 12 баллов (первое место)
• ChatGPT (GPT-5) — 10 баллов
• Яндекс Алиса — 8 баллов
• DeepSeek — 7 баллов

▶ 10:14

Grok формально победил. Но если посмотреть на распределение баллов по задачам, картина интереснее: победа Grok сложилась в основном за счёт визуала и креатива. На текстах и структурных задачах лидировал ChatGPT.

Где какая модель реально сильна

Разберём по пунктам, чтобы не гадать.

ChatGPT (GPT-5) — тексты, структура, аналитика. В тесте на анализ целевой аудитории он выдал не просто описание сегментов, а конкретику плюс предложил следующие шаги. Та же история со сценарием reels — чёткая структура с крючком в начале и призывом к действию в конце. Модель стабильно оформляет результат так, что его можно забирать и использовать без переделок.

Grok — визуал, видео, детальные сравнения. Он чаще других оформляет ответы удобными таблицами. На тесте с планом недели напомнил про отдых и оформил всё табличкой. На визуале сделал художественное фото без артефактов и — ключевой момент — умеет генерировать видео прямо в чате на бесплатном тарифе. Для сравнения техники выдал целый доклад с цифрами. Минус заметен на постах: в тесте с Telegram-постом он выдал текст на уровне статьи, явно не зная нормы длины для площадки.

Яндекс Алиса — бесплатная и доступная альтернатива без обходных путей. Не заблокирована в России, работает свободно. На визуале нарисовала качественную студийную фотографию — с правильными пальцами, без артефактов. Умеет оживлять фото (в приложении). При этом на плане недели забила работой все семь дней, включая выходные, что говорит о слабоватом «понимании» человеческого контекста.

DeepSeek — самый доступный, но не самый сильный. Работает бесплатно, без регистрации. Неожиданно хорошо показал себя на прикладной работе с документом: загрузили PDF книги, попросили краткий пересказ — и он реально пересказал сюжет, тогда как остальные ушли в историю создания произведения. Но рисовать он не умеет вообще и сразу об этом сообщает.

Что важно знать про ограничения

Три наблюдения, которые стоит держать в голове.

Первое: бесплатность не равна качеству. DeepSeek и Алиса бесплатны, но не всегда обгоняют платные модели. На платном тарифе ChatGPT в тесте с документом сразу нашёл нужную главу без проблем — на бесплатном промахивался.

Второе: анализ ссылок на YouTube слабый у всех четырёх. Причина — многослойная структура платформы. Модели выдают только общие данные: название канала, число подписчиков. Внутрь ролика не заходят. Если вы рассчитывали автоматически вытаскивать смысл из видео по ссылке — пока не работает нормально ни у кого.

Третье: перевод и анализ англоязычных статей работает отлично. Все модели корректно перевели иностранную статью и выдали тезисы на русском. Это снимает языковой барьер — доступ к англоязычной аналитике открывается тем, кто не читает по-английски. Для трейдинга это прямая польза: разборы стратегий, документация, исследования.

Agent Skills: перестаём объяснять одно и то же в каждом чате

Тест моделей — это про выбор инструмента. Но есть уровень выше — как заставить нейросеть работать по вашим правилам без повторных объяснений. Здесь на сцену выходит технология Agent Skills.

Суть простая. Skills («навыки агентов») — это открытый формат от Anthropic, который поддерживает большинство современных ИИ-инструментов. Вы один раз описываете повторяющийся процесс в виде инструкций, и агент дальше следует им автоматически при подходящих задачах.

Знакомая боль? Открываешь новый чат — и заново объясняешь модели требования, особенности, формат. Агент не помнит предыдущий контекст. Скилы это лечат.

Как устроен скил изнутри

А вот тут начинается конкретика, которая многих удивляет своей простотой.

▶ 03:25

Минимальный скил — это папка с одним файлом skill.md, написанным обычным человеческим языком. Всё остальное опционально. Никакого кода для базового варианта не нужно.

Файл skill.md — это Markdown. Пишется на русском или английском (английский предпочтительнее). В начале файла идёт блок метаданных, обособленный тремя дефисами сверху и снизу.

Ключевые поля метаданных:

• description — обязательное и самое важное. Именно по нему нейросеть решает, применять скил или нет. Плохое описание — скил не подхватится.
• license — необязательное, для условий использования при публикации.
• allowed-tools — необязательное, экспериментальное. Разрешённые инструменты (bash-команды и прочее). Поддерживается по-разному в разных программах.
• metadata — необязательное. Произвольные пары «ключ-значение» для версионирования, автора, версии. На поведение агента не влияет.

Имя скила пишется в kebab-case — строчные буквы, слова через дефис. Имя должно совпадать с именем папки.

Скилы против правил — не путайте

Часто их смешивают. Разница принципиальная.

Правила (rules) — короткие глобальные ограничения. Скилы — объёмные пошаговые процессы.

Правила поддерживаются в основном инструментами для разработки — Cursor, Claude Code, Antigravity, Codex. У них четыре режима загрузки в контекст: всегда, по description, по расширению файла и вручную.

▶ 11:21

Скилы работают шире. Их подхватывают и инструменты разработки, и классические интерфейсы для обычных пользователей — например, десктопный Claude, где правила вообще не поддерживаются. У скилов только один режим загрузки — по description.

Проще так: если вам нужно задать стиль кода, запрет или обязательное действие — это правило. Если нужно описать процесс из десяти шагов — это скил.

Главный трюк — экономия контекста

Вот что делает скилы по-настоящему умными.

Когда вы отправляете запрос, в контекст сначала попадают только имя и описание скила — примерно 50–100 токенов. Всё. Если задача совпала с описанием, нейросеть читает полный skill.md. Если не совпала — полное содержимое не грузится.

Сравните с MCP-серверами, которые занимают много контекста постоянно, и их приходится отключать вручную. Скилы так не забивают окно. У вас может быть двадцать скилов, а в контекст подтянется только релевантный.

Рекомендация из практики — держать skill.md в пределах 500 строк. Лишнее выносить в отдельную папку References и ссылаться на неё. В папке скила помимо главного файла могут лежать подпапки с референсами, ассетами (шаблоны, изображения) и скриптами. Вложенность не ограничена в пределах разумного.

Где хранить скилы

Три варианта, и от выбора зависит зона действия.

• Папка .agents (в корне проекта или в пользовательской папке) — универсальное место, скил виден сразу во всех инструментах.
• Папка конкретного инструмента (.claude, .cursor) — скил только для этой программы, внутри создаётся подпапка skills.
• Скил в папке проекта работает только в проекте. Скил в пользовательской папке — во всех проектах.

При конфликте одинаковых имён приоритет у скила из папки проекта.

Что Anthropic уже встроил

Anthropic сам первым внедрил в Claude четыре скила — для работы с Excel (XLSX), PowerPoint, Word (DocX) и PDF. Они лежат в открытом доступе в репозитории на GitHub. Скил XLSX, например, содержит skill.md, файл лицензии и папку scripts с Python-кодом.

Среди других примеров скилов, которые встречаются в практике:

• code-reviewer — анализ и проверка кода
• csv-analyzer — разбор CSV со статистикой и таблицами
• git-analyzer — анализ репозитория, коммитов, генерация отчётов по истории
• skill-creator — официальный скил Anthropic, который создаёт и тестирует другие скилы
• mcp-server-generator — создание MCP-серверов для работы с внешними API
• commit-formatter — форматирование коммитов (типы feat, fix, docs; максимум 72 символа в первой строке; повелительное наклонение)

Как правильно писать скилы

Лучшие практики, которые прослеживаются в разборах:

• Наполняйте скил реальными знаниями, а не выдумкой. Можно попросить нейросеть создать скил на основе уже проделанного процесса.
• Указывайте то, чего агент не знает — специфику ваших процессов, а не общеизвестное.
• Фиксируйте неочевидные детали. Классический пример: поле называется user_id в базе, но uid в авторизации. Агент об этом не догадается — скажите ему прямо.
• Используйте чеклисты в Markdown.
• Описывайте шаги, а не правила. Правила пишутся в rules.
• Повторяющиеся операции оформляйте скриптом.
• Первая версия почти наверняка будет неидеальной. Создание скила — итеративный процесс.

Как оценить качество скила? Запустите один и тот же тестовый промпт со скилом и без него. Сравните результаты по конкретным критериям: файл создан, график отображается, у осей есть подписи. При включённом резонинге можно посмотреть логику размышлений агента и понять, где скил недожал.

Требования к скриптам внутри скилов

Если вы кладёте в скил Python-скрипт, соблюдайте четыре правила:

1. Скрипт работает без остановок и не задаёт вопросов в процессе. Иначе агент зависнет или прервёт выполнение.
2. Обрабатывает ошибки и выдаёт понятные сообщения — чтобы нейросеть понимала, что не сработало.
3. Выдаёт результат в структурированном формате: JSON, XML, CSV.
4. Переиспользуемый — повторный запуск ничего не ломает.

Создание скила на практике

В Claude Desktop путь такой: Customise → вкладка Skills. Если вкладки нет — обновите Claude. Скилы включаются и выключаются переключателем, включённые применяются автоматически при совпадении с описанием.

Дальше жмёте «плюсик» и выбираете: создать скил с Claude, написать инструкции самому или загрузить готовый. При выборе «создать с Claude» открывается чат с промптом на базе skill-creator. Claude задаёт наводящие вопросы — для кого объяснение, какие диаграммы нужны, на каком языке результат — предлагает тестовый пример и генерирует результат. Готовый скил добавляется кнопкой «скопировать скил».

В Cursor путь короче: шестерёнка → Settings → вкладка Rules, Skills, Sub Agents → заголовок Skills → кнопка New.

Чанкинг для RAG: этап, который ломает половину систем

Третий уровень — для тех, кто строит собственные RAG-системы (Retrieval-Augmented Generation). Это когда модель отвечает не из своей памяти, а достаёт релевантные фрагменты из вашей базы документов и опирается на них.

И вот здесь есть недооценённая деталь — чанкинг. Разбиение текста на фрагменты для векторного поиска. Материал, который мы разобрали, подаёт тему прямо: понимают её единицы, а зависит от неё качество всей системы.

Логика такая. От размера и способа нарезки зависит, насколько хорошо сохраняется контекст и насколько осмысленными получаются векторные представления — embeddings. Нарезал плохо — смысл размывается, поиск выдаёт мусор, модель отвечает не по делу.

Четыре стратегии от простого к сложному

▶ 01:47

Fixed-size chunking with overlap — фрагменты фиксированного размера с перекрытием. Самый базовый метод. Текст режется на блоки одинакового размера, а соседние блоки частично накладываются друг на друга, чтобы не терять детали на границах. На схемах фигурирует число 500 — судя по контексту, это параметр размера или перекрытия, но точная единица измерения не была озвучена явно.

Проблема этого метода ставится прямо: «А как насчёт качества чанков?» Просто нарезать — мало. Неправильный размер размывает или теряет смысл, и embeddings становятся бесполезными.

▶ 09:32

Structure-aware chunking — разбиение с учётом структуры документа. К каждому фрагменту прикрепляются метаданные: номер страницы, название раздела, документ. Это сохраняет смысловой контекст и даёт возможность фильтровать при поиске. Для структурированных документов — методичек, отчётов, документации — заметно лучше фиксированной нарезки.

Parent-child + sliding window — родитель-потомок плюс скользящее окно. Комбинированный метод. Идея — находить точный маленький фрагмент, но отдавать модели более широкий родительский контекст. Сочетает метаданные с точным и быстрым поиском. То есть поиск идёт по мелким фрагментам (точность), а в LLM уходит родительский блок (полнота).

Semantic chunking + propositions — семантическое разбиение и пропозиции. Самый умный из показанных подходов. Текст режется по смыслу, а не по формальным границам длины. Отдельные смысловые утверждения (propositions) выделяются как самостоятельные единицы. Дороже в реализации, но лучше держит связность.

Как выбирать метод под данные

По нашим наблюдениям, выбор зависит от типа документов:

• Структурированные документы с чёткими разделами → structure-aware с метаданными
• Требуется смысловая связность и качество ответов → semantic chunking
• Нужна и точность поиска, и широкий контекст в ответе → parent-child + sliding window
• Быстрый прототип, простые тексты → fixed-size с перекрытием как стартовая точка

Метаданные (страница, раздел, документ) полезны не только для качества, но и для фильтрации в векторной базе. Можно ограничить поиск конкретным разделом — это ускоряет и уточняет выдачу.

Практический раздел: что делать прямо сейчас

Собрали чек-лист по трём уровням. Начните с того, который соответствует вашей задаче.

Если вы работаете с контентом и текстами:

1. Тексты, посты, сценарии, аналитику ЦА — гоняйте через ChatGPT. Он держит структуру и предлагает следующие шаги.
2. Визуал, видео, детальные сравнения — берите Grok. Видео на бесплатном тарифе прямо в чате.
3. Нужна бесплатная модель без обходных путей — Алиса. Плюс оживление фото в приложении.
4. Не рассчитывайте на автоматический разбор YouTube-ссылок — пока не работает нормально ни у кого.
5. Загружайте англоязычные статьи и документацию — модели переводят и вытаскивают тезисы. Языковой барьер снят.

Если вы автоматизируете свои процессы:

1. Выпишите процесс, который повторяете в каждом чате. Это кандидат на скил.
2. Создайте папку с файлом skill.md. Начните с обязательного поля description — от него зависит, подхватится ли скил.
3. Наполните скил реальными знаниями и неочевидными деталями вашего проекта. Общеизвестное не пишите.
4. Держите файл до 500 строк, лишнее выносите в References.
5. Протестируйте: один промпт со скилом и без. Сравните по конкретным критериям.
6. Не гонитесь за идеалом с первого раза — дорабатывайте итеративно.

Если вы строите RAG-систему:

1. Не берите fixed-size как финальное решение — это только старт.
2. Прикрепляйте метаданные (страница, раздел, документ) к чанкам — выиграете и на качестве, и на фильтрации.
3. Для точности внедряйте parent-child: ищите по мелким фрагментам, отдавайте в модель родительский контекст.
4. Проверяйте embeddings — если чанк слишком большой или рваный, смысл размывается.
5. Под смысловые задачи смотрите в сторону semantic chunking.

Что мы заметили

Три материала, три уровня — но общая линия читается ясно.

Первое: везде побеждает специализация, а не универсальность. В тесте моделей нет одного победителя на все задачи — Grok силён в визуале, ChatGPT в текстах. В скилах та же философия: один скил на один процесс, а не гигантская инструкция на всё сразу. В чанкинге — разные методы под разные типы данных. Кто пытается натянуть одно решение на всё, проигрывает тому, кто разложил задачи по инструментам.

Второе: мы увидели два подхода к работе с AI. Подход А — потребительский: открыл чат, задал вопрос, забрал результат. Быстро, доступно, подходит большинству. Подход Б — инженерный: настроил скилы, построил пайплайн, автоматизировал повторяемое. Дольше на входе, но экономит часы потом. Материалы не спорят между собой — они описывают разные этапы зрелости пользователя. Начинать логично с А, а по мере роста задач переходить к Б.

Третье: экономия контекста — сквозная тема. В скилах контекст экономят через подгрузку только описания. В чанкинге для RAG борются за то, чтобы в контекст модели попадал релевантный фрагмент, а не свалка текста. Разными словами про одно: контекстное окно — ограниченный ресурс, и выигрывает тот, кто грузит в него только нужное.

Где подходы расходятся. По доступности взгляды разные. Более консервативный взгляд — брать бесплатные и незаблокированные модели (Алиса, DeepSeek), потому что они всегда под рукой. Более требовательный — платить за подписку, потому что на платном тарифе результат стабильно выше (та же история с поиском главы в документе). Единого ответа нет: зависит от того, насколько критична для вас точность и как часто вы упираетесь в потолок бесплатной версии.

Куда двигаться дальше

Если свести всё к одной мысли — перестаньте искать «лучшую нейросеть». Её нет. Есть набор инструментов, каждый под свою задачу, и есть слои настройки поверх них — от простого промпта до скилов и RAG-пайплайна.

Начните с малого. Возьмите один процесс, который вы гоняете через чат каждую неделю, и превратите его в скил. Один файл skill.md, честное описание в поле description, реальные знания внутри. Проверьте разницу «со скилом и без». Скорее всего, вы удивитесь, сколько времени высвободится — и захотите оформить второй, третий, десятый. С этого и начинается переход от потребления AI к его настройке под себя.