До того, как вокруг этого разгорелся ажиотаж Протокол контекста модели (MCP) Когда страсти немного улеглись, компания Anthropic вытащила из рукава еще один хит: Навыки агентаЭто развитие событий заставляет нас переосмыслить фундаментальную архитектуру систем искусственного интеллекта.

Мы отходим от простой дихотомии «это агент или инструмент?» и переходим к более тонкому пониманию. Агенты — это полноценные сущности, принимающие решения, с системными подсказками, доступом к инструментам, базовыми моделями (Claude, ChatGPT и т. д.) и агентными циклами, позволяющими им организовывать рабочие процессы и управлять состоянием. В отличие от них, новые навыки агентов представляют собой модульные, декларативные наборы экспертных знаний — организованные процедурные знания, упакованные в многократно используемые модули, которые агенты постепенно загружают по мере необходимости.

Это поднимает интересный и фундаментальный архитектурный вопрос: что должно быть агентом, а что — навыком? Этот выбор имеет реальные последствия для управления областью действия, надежности контекстного окна, расширяемости и оцениваемости. Ответ заключается не в выборе одного из вариантов. Он заключается в агенты с навыками.

Почему агенты не могут масштабироваться, используя только подсказки

Первые агентные системы сталкивались с предсказуемыми препятствиями. Команды создавали специализированных агентов для каждого варианта использования: агента службы поддержки клиентов, агента-программиста, агента-исследователя. Когда этим агентам требовались новые возможности, разработчики обновляли системные подсказки или создавали совершенно нового агента. Это работает для простых задач, но быстро становится неуправляемым в больших масштабах.

Эта закономерность повторялась во всех организациях: новый частный случай требовал незамедлительных изменений, которые иногда решали проблему, но часто вызывали регрессию в других областях. Агентам не хватало механизмов для обучения на основе выполнения или переноса знаний между контекстами. Окна контекста раздувались все более сложными инструкциями или противоречиями, из-за чего агенты отвлекались, путались или не могли рассуждать о противоречивой информации.

Раньше мы все вместе считали, что агенты будут выглядеть совершенно по-разному в разных областях в зависимости от подсказок и используемых инструментов. Но на самом деле взаимосвязь между моделью и агентом гораздо универсальнее, чем мы думали. Это открытие натолкнуло нас на идею другой модели: универсальный агент, оснащенный библиотекой специализированных возможностей.

Почему агентам нужны навыки

Навыки позволяют нам развивать экспертные знания в предметной области без изменения архитектуры. Они носят преимущественно декларативный характер, то есть эксперты в предметной области могут добавлять новые возможности, не изменяя логику агента. Команда безопасности может упаковать свои рабочие процессы обеспечения соответствия требованиям в навык. Команда инженеров данных может закодировать свои лучшие практики ETL. Эти изменения не требуют вмешательства в основную систему запросов или цикл принятия решений агента.

Когда агенты сталкиваются с новыми сценариями, навыки обеспечивают четкую границу ответственности. Команды могут обновлять навык для одной области, не рискуя регрессией в другой. Навыки могут иметь версии, тестироваться изолированно и улучшаться на основе телеметрии, и все это без уязвимости, свойственной разработке системных подсказок.

Навыки позволяют прогрессивная загрузка, которая постепенно вводит ресурсы для решения проблемы раздувания контекста. Любой, кто использует агенты, вероятно, сталкивался с тем, что происходит, когда контекстные окна раздуваются, и исследования, проведенные в 2025 году, показали, что перегрузка контекстных окон приводит к неожиданным сбоям.

Прогрессивная загрузка решает эту проблему: во время выполнения агенты видят только метаданные навыков (название и описание). Полный контент загружается только тогда, когда агент определяет, что навык актуален для текущей задачи. Это означает, что объем контекста, включенного в навыки, может быть фактически неограниченным без ущерба для способности агента к рассуждению.

Когда создавать агента или навык

Итак, как же принять решение? Используйте следующее сравнение, чтобы помочь вам в выборе архитектурных решений:

Многие существующие агенты — по сути, структурированные подсказки с доступом к инструментам — могут быть преобразованы в навыки с минимальными изменениями. Но в некоторых случаях действительно необходимы контроль, управление областью действия и возможность оценки, которые обеспечивают полноценные агенты.

Реальный пример: миграция через ClickHouse.

Мы столкнулись именно с этим архитектурным решением во время строительства. clickhouse.buildClickHouse — это агентный помощник для разработчиков, помогающий им переносить аналитические задачи из PostgreSQL в ClickHouse. Наш интерфейс командной строки (CLI) первоначально предоставлял четыре специализированных агента: сканер, идентифицирующий аналитические запросы в кодовых базах, миграционную машину данных для настройки ClickPipes, миграционную машину кода, добавляющую интерфейсы ClickHouse с сохранением обратной совместимости, и агент контроля качества для проверки изменений.

Область применения была намеренно узкой: запросы к PostgreSQL и кодовые базы на TypeScript. Эта специфичность обеспечивала высокую производительность агентов, но ограничивала их применимость. Когда Anthropic выпустила Agent Skills в октябре 2025 года, мы увидели возможность расширить область применения за пределы этой узкой сферы без ущерба для качества.

Внедрение Skills позволяет нам поддерживать другие источники обработки онлайн-транзакций (OLTP), такие как MySQL и MongoDB, кодовые базы Python и Java, а также более гибкие рабочие процессы контроля качества без переписывания основных агентов. Разработчики клиентских приложений могут создавать Skills для своих предметных областей (Golang, Java, Python), не затрагивая логику оркестрации агентов. Мы можем строить оценки на основе конкретных навыков и улучшать их изолированно.

Агентам нужна лицензия, чтобы обладать необходимыми навыками.

Будущее ИИ-агент Речь идёт не о выборе между агентами и навыками. Речь идёт об агентах, обладающих необходимыми навыками в нужное время; агентах, если хотите, с «лицензией на навыки». Агенты координируют работу, поддерживают объём задач и обеспечивают качество посредством оценок. Навыки объединяют экспертные знания, защищают контекстные окна и позволяют экспертам в предметной области вносить свой вклад.

Эта архитектура уже меняет производственные системы, такие как clickhouse.build, и, поскольку навыки становятся открытым стандартом наряду с MCP, она имеет все шансы стать основным путем для создания масштабируемых и поддерживаемых систем искусственного интеллекта.