@claudedev

Skills - Лучшие навыки для Claude Code (Гайд и обучение)

2026-04-26T12:24:26.435Z

Skills в Claude Code быстро стали главным способом расширить возможности агента. Причина понятна: их легко создавать, легко передавать другим, и они гибко подстраиваются под любой рабочий процесс.

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper

Именно эта гибкость создаёт проблему. Когда можно сделать что угодно — непонятно, что делать в первую очередь. Какие скиллы реально работают? Как написать скилл, который будет вести себя предсказуемо? Когда имеет смысл делиться им с командой?

В Anthropic накопились ответы на эти вопросы — не теоретические, а из живой практики. Сейчас там в работе сотни скиллов, и они образуют вполне конкретные паттерны. Скиллы, которые чётко попадают в одну категорию, работают хорошо. Те, что размываются между несколькими, порождают путаницу.

Прежде чем разбирать типы — одно важное уточнение. Распространённое заблуждение: «скилл — это просто markdown-файл». На самом деле скилл — это папка. Внутри могут быть скрипты, ассеты, данные, конфигурации хуков. Агент может их обнаруживать, изучать и использовать. Самые интересные скиллы эксплуатируют именно эту структуру, а не просто кладут текст в SKILL.md.

Что такое Claude Code skills и чем они отличаются от промптов

Скилл — это файл SKILL.md, который лежит в папке .claude/skills/ вашего проекта или в ~/.claude/skills/ на уровне машины. Внутри — набор инструкций, шаблонов и контекста, которые Claude загружает ровно тогда, когда задача совпадает с описанием скилла.

Вот что важно понять про архитектуру загрузки. При запуске Claude Code сканирует все доступные скиллы и читает только их имя и описание — примерно 100 токенов на скилл. Если задача совпадает, загружаются полные инструкции (до 5 тысяч токенов). Если не совпадает — ничего не грузится, контекстное окно не засоряется. Это принцип progressive disclosure, и он объясняет, почему можно держать десятки скиллов без ущерба для скорости и качества ответов.

Из этого следует практический вывод: описание скилла — критически важная деталь. Размытое описание активирует скилл непредсказуемо. Точное описание с конкретными триггерными фразами — активирует стабильно. Если ваш кастомный скилл почему-то не срабатывает, первое, что стоит проверить — формулировку description в frontmatter.

Есть принципиальная разница между двумя типами скиллов, которую стоит понять перед тем, как начинать что-то устанавливать:

Capability Uplift — скиллы, которые дают Claude способность делать то, чего он раньше не мог. Парсить JavaScript-сайты через Firecrawl, управлять браузером через headless-инстанс, запускать Playwright-тесты в реальной среде. Без скилла этого просто нет. С ним — есть.

Encoded Preference — скиллы, которые учат Claude делать то, что он и так умеет, но именно вашим способом. Формат коммитов в вашей команде, шаблон ревью PR, соглашения по именованию в вашем проекте. Claude и без них напишет коммит-сообщение, но без скилла будет угадывать формат каждый раз заново.

Скиллы работают по открытому стандарту Agent Skills, и это важно: один и тот же SKILL.md работает в Claude Code, Cursor, Gemini CLI, Codex CLI и Antigravity IDE без каких-либо изменений.

Встроенные скиллы

Claude Code поставляется с набором bundled skills — они доступны сразу, без установки. Многие разработчики ими не пользуются, потому что просто не знают о существовании.

/simplify — автоматическое code review перед мержем

Это, пожалуй, самый недооцениваемый встроенный скилл. После того как вы написали фичу или починили баг, вы запускаете /simplify — и Claude спаунит три параллельных агента, каждый из которых смотрит на изменённые файлы с отдельного угла: переиспользование кода, качество, эффективность. Потом результаты агрегируются, и фиксы применяются автоматически.

На практике это выглядит так: вы потратили 3 часа на реализацию, голова уже не свежая — и именно тут /simplify стабильно находит 3–5 вещей, которые вы не заметили. Неиспользуемые импорты, лишние итерации, условия, которые можно свернуть, логика, которая дублируется в двух местах.

Его можно фокусировать:

/simplify focus on error handling

/simplify check for unnecessary dependencies

/simplify look at the database query patterns

Важно понимать, чем /simplify не является: это не линтер и не форматтер. Он не проверяет кавычки и отступы — он думает о структуре, дизайне и логике.

/batch — параллельные миграции на 30 агентов

Вы хотите переименовать все API-эндпоинты с camelCase на snake_case. Или добавить валидацию инпутов во все 47 методов сервисного слоя. Или мигрировать с Solid на React по всему src/. Руками — это несколько дней с неизбежными расхождениями. С /batch — Claude сам разбивает задачу на до 30 независимых единиц, спаунит агента на каждую в изолированном git worktree, запускает тесты и открывает PR на каждую часть.

/batch migrate src/ from Solid to React

/batch rename all API endpoints from camelCase to snake_case

/batch add input validation to all service layer methods

Ключевое условие: задача должна быть параллелизуемой. /batch отлично работает для повторяющихся механических изменений. Он не подходит для архитектурного рефакторинга, где нужен единый последовательный план — там нужен другой подход.

/debug — структурированный разбор ошибок

Встроенный скилл для отладки. Он не просто ищет причину ошибки — он проводит систематическое исследование: гипотезы, проверка, причина, фикс, объяснение. Полезен особенно тогда, когда ошибка неочевидная и вы уже час в ней.

/loop — итеративное улучшение до критерия

Скилл для задач, где нужно крутить цикл «реализация → проверка → правки» до тех пор, пока результат не удовлетворит заданному критерию. Удобно для задач с нечётким выходом, где «готово» определяется качеством, а не просто фактом выполнения.

Топ сторонних скиллов

frontend-design — уйти от «фиолетового градиента на белом»

Официальный скилл от Anthropic, больше 277 тысяч установок на март 2026. Решает специфическую проблему: попросите любой LLM сделать лендинг без контекста — вы получите Inter, фиолетовый градиент, белый фон, минимальную анимацию. Это не ошибка, это статистический центр дизайн-решений, на которых обучена модель.

Скилл даёт Claude дизайн-систему и философию до того, как тот напишет первую строчку кода. В результате получаются компоненты с осознанной типографикой, нетривиальной цветовой палитрой и анимациями, которые работают на смысл, а не просто присутствуют.

Разница между «без скилла» и «с ним» — это разница между чем-то узнаваемо AI-generated и чем-то, что выглядит так, будто его ревьюил старший дизайнер.

browser-use — Claude с глазами на реальном вебе

Без этого скилла Claude слеп к живым веб-страницам. Он может написать скрапер, но не может его запустить. Скилл browser-use подключает Claude к headless-браузеру: агент открывает URL, кликает элементы, заполняет формы, извлекает контент с JavaScript-рендеренных страниц, делает скриншоты.

Пример:

/browser-use Check that the signup flow on our staging environment

works end-to-end and screenshot any errors

Агент действительно открывает страницы, читает их и синтезирует — не из обучающих данных, а из живого веба прямо сейчас.

Firecrawl — веб-скрапинг, спроектированный для агентов

Для задач парсинга данных в масштабе. Обычные инструменты разваливаются на JavaScript-сайтах или возвращают грязный HTML. Firecrawl CLI изначально спроектирован для ИИ-агентов: пишет результаты в файлы, а не сваливает всё в контекст, автоматически обрабатывает JavaScript-рендеринг, предоставляет команды, которые соответствуют тому, как агенты думают о задачах.

Shannon — пен-тест как часть деплоя

Автономный скилл для тестирования безопасности. Запускает реальные эксплойты против веб-приложений, работает в Docker, покрывает 50+ типов уязвимостей по пяти категориям OWASP. Используется на dev и staging-окружениях до деплоя в прод. Стоит около $50 за полный пентест.

software-architecture — Clean Architecture и SOLID без ручного напоминания

Скилл от сообщества. Реализует паттерны проектирования, принципы Clean Architecture, SOLID, лучшие практики дизайна ПО — автоматически, когда Claude видит задачу архитектурного характера. Вместо того чтобы каждый раз писать в промпте «соблюдай SOLID», вы ставите скилл один раз.

test-driven-development — TDD из коробки

Активируется перед написанием любой реализации. Структурирует рабочий процесс по классическому циклу: сначала тест, потом код. Полезно для команд, где TDD — это соглашение, но не все его соблюдают.

Скиллы vs MCP: что когда использовать

Вопрос, который часто возникает у разработчиков, начинающих работать с экосистемой. Разница принципиальная:

Скиллы — это портативная экспертиза. Инструкции и плейбуки, которые нужны Claude для конкретного класса задач. Они переносятся между проектами и инструментами, хранятся как текстовые файлы, не требуют запущенного процесса.

MCP-серверы — это запущенные процессы, которые предоставляют Claude инструменты: доступ к API, базам данных, внешним сервисам. Они сложнее в настройке, требуют инфраструктуры, но открывают возможности, недоступные через промпты.

Комбинированный подход: скилл может создавать MCP-сервер. Есть специальный скилл mcp-builder, который помогает построить качественную MCP-интеграцию под конкретную задачу.

Где брать скиллы и как их устанавливать

Экосистема выросла быстро: официальный репозиторий Anthropic, verified third-party, тысячи community-скиллов. Крупнейшая коллекция — Antigravity Awesome Skills: больше 1234 скиллов, 22 тысячи GitHub stars на март 2026, один установочный NPX-команд.

Скиллы также можно писать самостоятельно. Простой ориентир: если вы вставляете один и тот же кусок промпта снова и снова — пора делать скилл. Создайте папку в .claude/skills/название/, положите внутрь SKILL.md с frontmatter (имя, описание, инструкции) — и Claude начнёт подхватывать его автоматически. Вспомогательные скрипты кладите рядом в папку scripts/.

Установка готовых скиллов:

# Официальный скилл от Anthropic

npx skills add anthropics/claude-code —skill frontend-design

# Из маркетплейса в интерфейсе

/plugin marketplace add anthropics/skills

# Из локальной директории

/plugin add /path/to/skill-directory

Скиллы могут запускать код на вашей машине. Перед установкой читайте SKILL.md — особенно если работаете в продакшне. Проверяйте скиллы так же, как проверяете сторонние пакеты.Доступность: скиллы доступны на планах Pro, Max, Team и Enterprise. На Free tier скиллов нет. Точный список функций по планам стоит проверять на claude.ai/pricing — условия периодически меняются.

Skills для Claude Code: огромный гайд от инженера Anthropic (Гайд и обучение Claude Code)

2026-04-26T12:21:22.275Z

Skills стали одной из самых популярных точек расширения в Claude Code. Они гибкие, их легко создавать и распространять.

Но эта гибкость усложняет понимание. Что работает лучше всего. Какие skills стоит делать? Как написать хороший skill? Когда имеет смысл делиться ими с другими?

Мы в Anthropic активно используем skills в Claude Code — сейчас у нас их сотни в работе. Ниже — уроки, которые мы извлекли из этого опыта.

Что такое skills?

Если вы только начинаете, рекомендую прочитать документацию или посмотреть наш новый курс на Skilljar по Agent Skills. Дальше в тексте предполагается базовое знакомство с темой.

Частое заблуждение: skills — это «просто markdown-файлы». На самом деле самое интересное в них то, что это не просто текстовые файлы. Это папки, которые могут содержать скрипты, ассеты, данные и т.д. Агент может их обнаруживать, исследовать и использовать.

В Claude Code у skills также есть множество опций конфигурации, включая регистрацию динамических hooks. Самые интересные skills используют эти опции и структуру папок нестандартно.

Типы skills

Проанализировав все наши skills, мы заметили, что они группируются в несколько повторяющихся категорий. Лучшие skills чётко попадают в одну из них; те, что размываются между несколькими, обычно вызывают путаницу. Это не исчерпывающий список, но он помогает оценить, чего вам может не хватать в организации.

1. Справочники по библиотекам и API

Skills, которые объясняют, как правильно использовать библиотеку, CLI или SDK. Могут относиться как к внутренним библиотекам, так и к публичным, с которыми у Claude Code бывают трудности. Обычно содержат папку с примерами кода и список типичных ошибок.

Примеры: billing-lib (ваша внутренняя библиотека биллинга: крайние случаи, подводные камни), internal-platform-cli (все подкоманды вашего CLI с примерами), frontend-design (улучшение работы Claude с вашей дизайн-системой).

2. Верификация продукта

Skills, описывающие, как тестировать и проверять работоспособность кода. Часто используются в связке с внешними инструментами вроде Playwright, tmux и т.д.

Верификационные skills крайне полезны для контроля корректности. Может быть оправдано выделить инженера на неделю, чтобы довести их до совершенства.

Полезные техники: запись видео выходных данных Claude для визуальной проверки, программные assertions на каждом шаге. Для этого в skill обычно включают набор скриптов.

Примеры: signup-flow-driver (прогон signup → подтверждение email → онбординг в headless-браузере с assertions на каждом шаге), checkout-verifier (прогон UI оплаты с тестовыми картами Stripe, проверка состояния инвойса), tmux-cli-driver (интерактивное тестирование CLI, где нужен TTY).

3. Получение и анализ данных

Skills, подключающиеся к вашим стекам данных и мониторинга. Могут содержать библиотеки для получения данных с учётными данными, идентификаторы дашбордов, инструкции по типичным рабочим процессам.

Примеры: funnel-query (какие события нужно соединить, чтобы увидеть signup → активацию → оплату, плюс таблица с каноническим user_id), cohort-compare (сравнение retention/конверсии двух когорт с отметкой статистически значимых отклонений), grafana (UID источников данных, имена кластеров, таблица соответствия проблем и дашбордов).

4. Бизнес-процессы и командная автоматизация

Skills, автоматизирующие повторяющиеся рабочие процессы. Обычно это достаточно простые инструкции, но они могут зависеть от других skills или MCP. Для таких skills полезно сохранять результаты прошлых запусков в лог-файлах — это помогает модели быть последовательной и учитывать предыдущий контекст.

Примеры: standup-post (агрегирует данные из трекера задач, GitHub-активности и Slack → форматированный стендап, только изменения), create-ticket (применяет схему: допустимые enum-значения, обязательные поля, плюс пост-действия: пинг ревьюера, ссылка в Slack), weekly-recap (объединённые PR + закрытые тикеты + деплои → форматированный итог недели).

5. Шаблоны и скаффолдинг кода

Skills для генерации фреймворк-бойлерплейта под конкретную функцию в кодовой базе. Их можно комбинировать с компонуемыми скриптами. Особенно полезны, когда скаффолдинг включает требования на естественном языке, которые нельзя покрыть одним кодом.

Примеры: new-workflow (скаффолдинг нового сервиса/воркфлоу/хендлера с аннотациями), new-migration (шаблон файла миграции и типичные ошибки), create-app (новое внутреннее приложение с предварительно настроенными авторизацией, логированием и конфигурацией деплоя).

6. Качество кода и код-ревью

Skills, обеспечивающие качество кода в организации и помогающие с ревью. Могут включать детерминированные скрипты или инструменты для максимальной надёжности. Их можно запускать автоматически через hooks или в GitHub Actions.

Примеры: adversarial-review (запускает подагента для критики «свежим взглядом», применяет исправления, итерирует, пока замечания не деградируют до мелочей), code-style (обеспечивает стиль кода, особенно тот, который Claude по умолчанию соблюдает плохо), testing-practices (инструкции по написанию тестов и выбору того, что тестировать).

7. CI/CD и деплой

Skills для получения, отправки и развёртывания кода. Могут ссылаться на другие skills для сбора данных.

Примеры: babysit-pr (мониторит PR → повторяет flaky CI → решает merge-конфликты → включает auto-merge), deploy-service (сборка → smoke-тест → постепенный переход трафика с сравнением error rate → автоматический откат при регрессии), cherry-pick-prod (изолированный worktree → cherry-pick → разрешение конфликтов → PR по шаблону).

8. Ранбуки

Skills, которые принимают симптом (тред в Slack, алерт, сигнатура ошибки), проводят расследование с помощью нескольких инструментов и формируют структурированный отчёт.

Примеры: service-debugging (сопоставляет симптомы с инструментами и паттернами запросов для ваших самых нагруженных сервисов), oncall-runner (получает алерт → проверяет типичных подозреваемых → формирует отчёт), log-correlator (по request ID подтягивает совпадающие логи из всех систем, которые могли обработать запрос).

9. Инфраструктурные операции

Skills для рутинных задач обслуживания и операционных процедур. Некоторые из них включают деструктивные действия, которым полезны предохранители. Упрощают следование лучшим практикам при критических операциях.

Примеры: resource-orphans (находит осиротевшие pods/volumes → публикует в Slack → период ожидания → подтверждение пользователя → каскадная очистка), dependency-management (ваш внутренний процесс одобрения зависимостей), cost-investigation (почему вырос счёт за storage/egress — с конкретными бакетами и паттернами запросов).

Советы по созданию skills

Определившись с типом skill, возникает следующий логичный вопрос: "А как его написать?". Вот лучшие практики, к которым мы пришли.

Мы также недавно выпустили Skill Creator для упрощения создания skills в Claude Code.

Не пишите очевидное

Claude Code много знает о вашей кодовой базе, а Claude в целом хорошо разбирается в коде, включая многие стандартные подходы. Если ваш skill в первую очередь про знания, сфокусируйтесь на информации, которая выводит Claude за рамки привычного мышления.

Хороший пример — skill frontend design. Его создал один из инженеров Anthropic, итеративно работая с пользователями над улучшением дизайн-вкуса Claude, чтобы избежать классических паттернов вроде шрифта Inter и фиолетовых градиентов.

Соберите раздел «подводные камни»

Самый ценный контент в любом skill — раздел с типичными ошибками (Gotchas). Он должен формироваться на основе реальных проблем, с которыми Claude сталкивается при использовании вашего skill. В идеале вы будете обновлять skill со временем, добавляя новые.

Используйте файловую систему и постепенное раскрытие информации

Skill — это папка, а не просто markdown-файл. Воспринимайте всю файловую систему как инструмент context engineering и постепенного раскрытия. Укажите Claude, какие файлы есть в вашем skill, и он прочитает их в подходящий момент.

Простейшая форма — ссылки на другие markdown-файлы. Например, детальные сигнатуры функций и примеры использования можно вынести в references/api.md. Другой пример: если конечный результат — markdown-файл, можно включить шаблон в assets/ для копирования.

Папки со справочниками, скриптами и примерами помогают Claude работать эффективнее.

Не загоняйте Claude в жёсткие рамки

Claude обычно старается следовать инструкциям, и поскольку skills многократно переиспользуются, слишком конкретные указания бывают вредны. Давайте Claude нужную информацию, но оставляйте гибкость для адаптации к ситуации.

Продумайте начальную настройку

Некоторым skills нужен контекст от пользователя на старте. Например, skill для публикации стендапа в Slack должен знать, в какой канал отправлять.

Хороший паттерн — хранить настройки в config.json внутри директории skill. Если конфиг не заполнен, агент спросит пользователя.

Если нужно показать структурированные вопросы с вариантами ответов, можно указать Claude использовать инструмент AskUserQuestion.

Поле description — для модели

При старте сессии Claude Code собирает список всех доступных skills с их описаниями. По этому списку Claude решает: «есть ли skill для этого запроса?» Поле description — это не резюме. Это описание условий, при которых skill должен срабатывать.

Память и хранение данных

Некоторые skills могут иметь форму памяти, сохраняя данные внутри себя. Это может быть что угодно — от append-only текстового лога или JSON-файлов до SQLite-базы.

Например, skill standup-post может вести standups.log со всеми опубликованными стендапами, и при следующем запуске Claude прочитает свою историю и определит, что изменилось со вчерашнего дня.

Данные в директории skill могут быть удалены при обновлении, поэтому лучше хранить их в стабильной папке. Сейчас мы предоставляем ${CLAUDE_PLUGIN_DATA} как стабильную директорию для каждого плагина.

Храните скрипты и генерируйте код

Один из самых мощных инструментов для Claude — код. Скрипты и библиотеки позволяют Claude тратить свои шаги на композицию — решать, что делать дальше, а не воссоздавать бойлерплейт.

Например, в data science skill может быть библиотека функций для получения данных из вашего event source.

Для сложного анализа можно дать Claude набор хелперов, и он будет генерировать скрипты на лету, компонуя эти функции для промптов вроде «Что произошло во вторник?»

Хуки по требованию

Skills могут включать hooks, которые активируются только при вызове skill и действуют до конца сессии. Используйте это для опционных hooks, которые не нужны постоянно, но иногда крайне полезны.

Примеры: /careful — блокирует rm -rf, DROP TABLE, force-push, kubectl delete через PreToolUse matcher на Bash (нужен только при работе с продом — держать постоянно включённым было бы невыносимо), /freeze — блокирует любые Edit/Write вне указанной директории (полезно при отладке, когда хочется добавить логи, но не исправлять случайно что-то лишнее).

Распространение skills

Одно из главных преимуществ skills — возможность делиться ими с командой.

Два основных способа: закоммитить skills в репозиторий (в ./.claude/skills) или создать плагин и использовать маркетплейс плагинов Claude Code, где пользователи могут загружать и устанавливать плагины (подробнее в документации).

Для небольших команд, работающих с немногими репозиториями, коммит skills в репо работает хорошо. Но каждый закоммиченный skill немного увеличивает контекст модели. При масштабировании внутренний маркетплейс плагинов позволяет распространять skills и давать команде выбор, что устанавливать.

Управление маркетплейсом

Как решить, какие skills попадают в маркетплейс? Как их предлагать?

У нас нет централизованной команды для таких решений. Мы находим полезные skills органически. Если у вас есть skill, который хотите предложить коллегам, загрузите его в sandbox-папку на GitHub и поделитесь ссылкой в Slack или на форумах.

Когда skill набирает популярность (это решает автор skill), можно создать PR для переноса в маркетплейс.

Предупреждение: создать плохие или дублирующие skills довольно легко, поэтому какой-то механизм курирования перед релизом важен.

Композиция skills

Иногда skills зависят друг от друга. Например, skill загрузки файлов и skill генерации CSV, который создаёт CSV и загружает его. Управление зависимостями пока не встроено в маркетплейсы и skills, но можно ссылаться на другие skills по имени — модель вызовет их, если они установлены.

Измерение skills

Для оценки использования skills мы применяем PreToolUse hook, который логирует использование skills внутри компании (пример кода). Такой подход позволяет находить популярные skills или те, которые срабатывают реже ожидаемого.

Заключение

Skills — мощный и гибкий инструмент для агентов, но мы все ещё на раннем этапе и вместе разбираемся, как их лучше использовать.

Воспринимайте этот текст скорее как набор работающих советов, а не как окончательное руководство. Лучший способ разобраться в skills — начать, экспериментировать и смотреть, что подходит вам. Большинство наших skills начинались с нескольких строк и одного «подводного камня», а улучшались потому, что люди дополняли их по мере того, как Claude натыкался на новые граничные случаи.

ВАЙБКОДИНГ - Почему одни программисты теряют работу, а другие зарабатывают больше

2026-04-26T12:07:33.450Z

Жёсткая реальность: что происходит с рынком труда

Декабрь 2025 года. Шон, программист с 20-летним стажем, получил 800 отказов на собеседованиях и теперь работает курьером в DoorDash. Это не страшилка — это реальная история, одна из тысяч.

«Количество вакансий разработчиков упало на 70% по сравнению с пиком трёхлетней давности. Один разработчик с AI-инструментом теперь делает работу целой команды.»

Что происходит? Vibe coding — термин, который ввёл Андрей Карпаты (сооснователь OpenAI, бывший глава AI в Tesla) в феврале 2025 года. Слово стало «Словом года» по версии Collins Dictionary.

Суть простая: вы описываете задачу на человеческом языке, AI генерирует код, вы принимаете его без глубокого понимания. «Полностью отдайтесь вайбу, примите экспоненты и забудьте, что код вообще существует» — так описал это Карпаты.

Тревожная статистика

84% разработчиков используют AI-инструменты — рост с 76% год назад
41% всего кода в мире — AI-generated или AI-assisted
25% стартапов Y Combinator (Winter 2025) имеют 95% AI-generated кодовую базу
30% разработчиков признаются, что боятся быть заменёнными

Но самое интересное: Anthropic — создатели Claude — в декабре 2025 признали, что 27% работы в их компании выполняет AI. И сотрудники жалуются, что теряют навыки.

«70% времени теперь уходит на проверку и редактирование кода вместо написания. Мы боимся, что разучимся программировать.»

Vibe Coding Hangover: тёмная сторона AI-кодинга

В сентябре 2025 года Fast Company опубликовал статью о «vibe coding hangover» — массовом похмелье от AI-кодинга. Senior-разработчики описывают «адскую разработку» при работе с AI-generated кодом.

Уязвимости

40% AI-generated SQL-запросов содержат SQL-инъекции. AI часто реализует проверки на клиенте вместо сервера.

Выгорание

«Инженеры выгорают. Организации ожидают, что senior-разработчики будут ревьюить vibe-coded фичи, которые не работают.»

Технический долг

Первоначальный прирост скорости нивелируется растущим техническим долгом. Код невозможно поддерживать.

Потеря навыков

Когда вы делегируете задачи AI, вы лишаетесь микро-побед, которые развивают мышление. Это не про синтаксис — про идеи.

Реальная история: удаление продакшн-базы

Пользователь Replit сообщил: «Replit врал весь день. Он создавал фейковые данные, фейковые отчёты и врал о unit-тестах». Итог — удалённая продакшн-база данных.

Исследование METR: AI делает разработчиков... медленнее?

Удивительное открытие: опытные разработчики с AI-инструментами работают на 19% медленнее, чем без них. Но самое интересное — после работы они всё равно думали, что AI ускорил их на 20%.

Парадокс продуктивности

Вот что показывают исследования Faros AI:

AI-инструменты повышают output разработчика, но не продуктивность компании
Внедрение AI связано с +9% багов на разработчика
+154% к среднему размеру PR
4x рост копипасты кода — впервые в истории «copy/paste» превышает «moved»

Кто выигрывает от AI-революции

При всех проблемах, рынок AI-кодинга растёт экспоненциально:

Кто зарабатывает больше?

Разработчики, которые понимают и AI, и бизнес-логику. Проектируют системы, где AI — инструмент, а не замена.

Умеют получать от AI то, что нужно. Понимают ограничения моделей и знают, как их обходить.

Ревьюят AI-код, находят уязвимости, исправляют галлюцинации. 46% разработчиков не доверяют AI-коду — и нужны те, кто проверит.

Освоили Cursor, Claude Code, научились комбинировать инструменты. Делают за день то, что команда делала за неделю.

«126% больше проектов в неделю завершают пользователи GitHub Copilot по сравнению с теми, кто пишет вручную.»

Claude Opus 4.5: новый лидер AI-кодинга

24 ноября 2025 — Anthropic выпустил Claude Opus 4.5, который сразу стал лидером бенчмарков:

Что нового в Opus 4.5

$5/$25 за миллион токенов (было $15/$75). Anthropic делает ставку на объём.

Контролируйте глубину: low для быстрых ответов, high для сложного анализа. Medium даёт качество Sonnet при 76% меньше токенов.

Автоматическое сжатие контекста — беседы больше не прерываются. Claude сохраняет важное.

Создание редактируемого плана перед выполнением. Вы контролируете, что будет сделано.

Claude vs GPT-5.1: краткое сравнение

Claude Opus 4.5: Лучший в кодинге (80.9%), в 3 раза дешевле, MCP-интеграции
GPT-5.1-Codex-Max: Миллионы токенов контекста (compaction), поддержка Windows

Cursor 2.1: IDE, которая изменила всё

Cursor достиг $1B годовой выручки в ноябре 2025 года и привлёк $2.3B в Series D. Компании вроде NVIDIA, Salesforce и PwC уже используют его.

Параллельные агенты — до 8 агентов одновременно через git worktrees
Cloud agents — работают в облаке, не требуют постоянного подключения
Встроенный браузер — агент тестирует UI и итерирует

AI Code Reviews — находит баги в ваших изменениях
Instant Grep — мгновенный поиск по проекту
Debug Mode — воспроизведение и исправление сложных багов

Visual Editor — drag & drop редактирование UI прямо в IDE
Голосовое управление — управляйте агентом голосом
Browser capabilities — агент делает скриншоты и дебажит UI

Cursor vs Copilot vs Windsurf

Лучший агентный режим, параллельные сессии, cloud agents. $20/мес.

Стабильный, бесплатный tier, интеграция с GitHub. $10/мес.

Мощный Cascade, но ограничен в России из-за санкций.

Как не потерять работу: пошаговый план

Базируясь на исследованиях и реальных историях, вот конкретный план:

Используйте AI как усилитель, а не замену мозга. Всегда понимайте код, который принимаете. Если LLM написал весь код, но вы его проверили и поняли — это не vibe coding.

Начните с бесплатных tier: Cursor Hobby, GitHub Copilot Free. Изучите Claude Code с Plan Mode. Эти навыки = ваше конкурентное преимущество.

40% AI-кода содержит уязвимости. Учитесь находить SQL-инъекции, проблемы с аутентификацией, клиентские проверки. Это навык, который будет всё более ценным.

Сбор требований, понимание бизнес-контекста, архитектурные решения, коммуникация — всё, что AI не может делать хорошо. Программирование — это не только код.

Регулярно пишите код без AI. Решайте алгоритмические задачи. Иначе через год обнаружите, что разучились программировать — как сотрудники Anthropic.

Терминальные ИИ агенты - CLAUDE, CODEX, GEMINI

2026-04-26T12:05:58.389Z

Представьте: вы сидите в терминале, пишете claude "переделай всю авторизацию на JWT" — и уходите пить кофе. Возвращаетесь — агент уже изучил 47 файлов, создал миграции, обновил тесты и ждёт вашего одобрения.

Это не фантазия. Это терминальные AI-агенты — новый класс инструментов, которые работают как опытный напарник, а не как тупой автокомплит.

Вопрос только один: какого «напарника» выбрать?

Что такое терминальные AI-агенты? (и почему это не очередной чат-бот)

Помните фильм «Железный человек»? Джарвис — это не просто голосовой помощник. Он анализирует данные, управляет системами, принимает решения. Терминальные AI-агенты — это Джарвис для программистов.

Старый подход: автокомплит

Как автозамена в телефоне. Предлагает слова, пока вы печатаете. Полезно, но вы всё равно делаете 99% работы сами.

Новый подход: агенты

Как опытный стажёр. Вы даёте задачу — он изучает проект, задаёт уточняющие вопросы, делает работу, показывает результат.

Что умеют терминальные агенты?

Исследуют кодовую базу

Сами находят нужные файлы, понимают архитектуру, видят связи между компонентами.

Редактируют файлы

Вносят изменения в несколько файлов одновременно, сохраняя консистентность.

Выполняют команды

Запускают тесты, устанавливают зависимости, деплоят — всё через терминал.

Общаются с вами

Задают уточняющие вопросы, объясняют свои решения, предлагают альтернативы.

Главное отличие от чат-ботов

ChatGPT или Claude в браузере — это разговор. Вы спрашиваете, получаете ответ, копируете код руками. Терминальный агент — это действие. Он сам читает ваши файлы, сам их меняет, сам проверяет результат. Вы только одобряете или отклоняете.

Claude Code: «Шерлок Холмс» среди агентов

Claude Code — это терминальный агент от Anthropic, создателей Claude. Если представить агентов как детективов, Claude Code — это Шерлок Холмс: дедуктивное мышление, глубокий анализ, внимание к деталям.

«Claude Code завершил задачу за 1 час 17 минут с полной автономией. Gemini CLI потребовалось ручное вмешательство и несколько перезапусков.»

Ключевые особенности

72.7% на SWE-bench Verified

Лидер среди всех терминальных агентов. Решает реальные баги из open-source проектов лучше конкурентов.

Plan Mode

Перед выполнением показывает план действий. Вы можете отредактировать его до того, как агент начнёт работу.

Checkpoints (откаты)

Сохраняет состояние проекта. Если что-то пошло не так — мгновенный откат к предыдущей версии.

MCP-интеграции

Подключайте внешние инструменты через Model Context Protocol: базы данных, API, документацию.

Расширения для IDE

Нативная интеграция с VS Code, Cursor, Windsurf и JetBrains. Работайте там, где удобно.

Доступные модели

Claude Opus 4.5

Флагман. 80.9% SWE-bench. Лучший для сложных задач, рефакторинга, архитектуры.

Claude Sonnet 4.5

Баланс цена/качество. 72.7% SWE-bench. Отлично для ежедневных задач.

Сильные стороны

Лучшее качество кода среди агентов
Глубокое понимание контекста проекта
Plan Mode для контроля
Откаты через Checkpoints
Работает в России

Слабые стороны

Требует подписку от $20/мес
Лимиты на запросы в Pro-плане
Нет Windows-поддержки (только WSL)

Установка

npm install -g @anthropic-ai/claude-code

Требуется: Claude Pro ($20/мес) или Max ($100-200/мес) подписка, либо API-ключ.

Codex CLI: «Швейцарский нож» от OpenAI

Codex CLI — терминальный агент от OpenAI, работающий на GPT-5. Если Claude — Шерлок, то Codex — это швейцарский армейский нож: универсальный, мультимодальный, везде доступный.

Уникальные возможности

Мультимодальность

Прикрепляйте скриншоты, диаграммы, макеты дизайна. Codex понимает изображения и генерирует код по ним.

Облачный + локальный

Единый агент работает везде: терминал, IDE, облако ChatGPT, мобильное приложение. Состояние синхронизируется.

Веб-поиск

Агент сам ищет актуальную документацию в интернете, если не знает ответ.

Режимы безопасности

Три уровня: read-only (только чтение), auto (автоматический в рамках проекта), full (полный доступ).

Доступные модели

GPT-5-Codex

Основная модель. 69.1% SWE-bench. Используется по умолчанию.

codex-mini-latest

Быстрая и дешёвая. Для простых задач и экспериментов.

Сильные стороны

Понимает скриншоты и диаграммы
Синхронизация между устройствами
Дешевле Claude по API
Встроенный веб-поиск
Экосистема OpenAI

Слабые стороны

Уступает Claude в качестве кода
19 место на Terminal-Bench
Требует ChatGPT Plus ($20/мес)

Установка

npm install -g @openai/codex
# или
brew install --cask codex

Требуется: ChatGPT Plus ($20/мес) или Pro ($200/мес) подписка.

Gemini CLI: бесплатный гигант с 1M токенов контекста

Gemini CLI — open-source агент от Google. Главное преимущество? Он бесплатный. Полностью. С контекстным окном в 1 миллион токенов — это как дать агенту прочитать весь ваш проект целиком.

Бесплатно: 60 запросов/мин, 1000 запросов/день

Для личного использования с Google-аккаунтом. Доступ к Gemini 2.5 Pro с контекстом 1M токенов.

Уникальные возможности

1 000 000 токенов контекста

Загрузите весь проект — сотни файлов — и агент увидит всё. Идеально для масштабных рефакторингов.

Open Source

Полностью открытый код. Можете форкнуть, модифицировать, запустить на своём сервере.

GEMINI.md

Аналог CLAUDE.md — файл с инструкциями для агента. Настройте поведение под свой проект.

Gemini 3 Flash

Новая модель (декабрь 2025): в 3 раза быстрее Gemini 2.5 Pro при меньшей стоимости.

Сильные стороны

Бесплатно для большинства задач
Огромный контекст (1M токенов)
Open Source
Отличен для больших рефакторингов
Интеграция с Google Cloud

Слабые стороны

63.8% SWE-bench — ниже конкурентов
Менее автономный, требует «подталкивания»
Медленнее Claude в сложных задачах

Установка

npm install -g @anthropic-ai/gemini-cli
# Авторизация через Google-аккаунт
gemini auth login

Бесплатно с Google-аккаунтом. Платные планы для увеличения лимитов.

Copilot CLI: GitHub в вашем терминале

Copilot CLI — самый молодой из четвёрки. Его суперсила: нативная интеграция с GitHub. Issues, PR, Actions — всё доступно голосом прямо из терминала.

Уникальные возможности

/delegate — отправка в облако

Напишите /delegate "добавь тесты" — агент создаст ветку, сделает работу в облаке и откроет PR для ревью.

Кастомные агенты (Agent Skills)

Создавайте «персоны» агентов под свои задачи: агент для ревью, агент для тестов, агент для документации.

Доступ к Issues и PR

«Покажи открытые баги» или «Создай PR из текущих изменений» — всё через естественный язык.

Выбор моделей

В Pro+ доступны Claude Opus 4, GPT-5 и другие модели. Переключайтесь под задачу.

Early Preview

Copilot CLI вышел в публичную бету только в сентябре 2025. Он активно развивается, но пока уступает конкурентам по функционалу. Нет поддержки изображений (в отличие от Codex), меньше автономности (в отличие от Claude).

Сильные стороны

Лучшая интеграция с GitHub
/delegate для фоновой работы
Доступ к разным моделям (Pro+)
Самый дешёвый Pro ($10/мес)
Кастомные агенты

Слабые стороны

Early preview — баги и ограничения
Нет поддержки изображений
Менее автономный
Ограниченный лимит запросов

Установка

npm install -g @github/copilot
# Авторизация через GitHub
copilot auth login

Требуется: Copilot Pro ($10/мес), Pro+ ($39/мес) или Business ($19/user/мес).

Сравнительная таблица

Цены и тарифы (декабрь 2025)

Claude Code

Codex CLI

Gemini CLI

Copilot CLI

Кому что подходит?

Claude Code

Для профессионалов, которым важно качество

Senior-разработчики
Сложные рефакторинги
Критичные проекты
Когда цена ошибки высока

Codex CLI

Для визуальных задач и экосистемы OpenAI

Работа с макетами и дизайном
Уже используете ChatGPT Plus
Нужна синхронизация устройств
Frontend-разработка

Gemini CLI

Для экономных и работы с большими проектами

Студенты и начинающие
Огромные кодовые базы
Эксперименты и обучение
Когда бюджет ограничен

Copilot CLI

Для GitHub-центричных воркфлоу

Open Source контрибьюторы
Работа с Issues и PR
Команды на GitHub
Нужен /delegate

Не можете выбрать? Вот простой алгоритм:

Бюджет = $0? → Gemini CLI
Нужно лучшее качество? → Claude Code
Работаете с дизайном/скриншотами? → Codex CLI
Живёте в GitHub? → Copilot CLI
Не знаете? → Начните с Gemini CLI (бесплатно), потом попробуйте Claude Code

AI AGENT SKILLS - Учим агента делать нашу работу (гайд и обучение Claude Code)

2026-04-26T12:02:48.795Z

Что Такое Skills Простыми Словами

Давайте начнём с аналогии. Представьте, что вы — владелец небольшой компании, и вам нужен помощник. Вы нашли умного человека (это наш ИИ-агент). Он отлично говорит, быстро думает и готов работать 24/7.

Но есть проблема: он не знает, как устроена ваша компания. Он не знает, где лежат документы, как отвечать клиентам, какую CRM вы используете и как в ней создавать сделки.

Skill — это инструкция + инструменты для конкретной задачи

Вместо того чтобы каждый раз объяснять агенту «открой CRM, найди контакт, создай сделку, заполни поля...», вы один раз описываете этот процесс в Skill. После этого достаточно сказать: «Создай сделку для Иванова на 50 000 рублей» — и агент всё сделает сам.

Аналогия с сотрудником

Без Skills

Новый сотрудник. Каждый раз вы объясняете: «Открой такую-то программу, нажми туда, введи это...». Долго и утомительно. А если вас нет рядом — он теряется.

С Skills

Вы дали сотруднику папку с должностными инструкциями, шаблонами и примерами. Он открывает нужную инструкцию, следует ей и делает работу. Вам не нужно стоять над душой.

Skills — это набор таких «должностных инструкций» для ИИ-агента. Каждый Skill описывает:

Когда использовать — при каких запросах активируется
Какие инструменты нужны — API, базы данных, файлы
Пошаговый процесс — что делать и в каком порядке
Примеры — образцы правильного выполнения
Обработка ошибок — что делать, если что-то пошло не так

Как Работают Skills Под Капотом

Когда вы даёте агенту задачу, происходит следующее:

1. Анализ запроса

Агент смотрит на вашу задачу и список доступных Skills. По описанию каждого Skill он понимает, какой подходит.

2. Загрузка инструкций

Агент «читает» выбранный Skill — получает пошаговый план, шаблоны и примеры выполнения.

3. Выполнение

Следуя инструкциям, агент вызывает нужные инструменты (API, поиск, работа с файлами) и выполняет задачу.

Пример: Skill для работы с CRM

Допустим, у вас есть Skill «Bitrix24-агент». Когда вы говорите: «Создай задачу для Петрова: позвонить клиенту завтра в 10:00», агент:

Распознаёт, что это задача для CRM (Bitrix24)
Загружает Skill с инструкциями по API Bitrix24
Находит контакт «Петров» в системе
Создаёт задачу с нужной датой и временем
Привязывает задачу к контакту
Подтверждает: «Задача создана, ID: 12345»

Почему это важно?

Без Skill агент не знает, как работать с вашей CRM. Он может знать, что Bitrix24 существует, но не знает API вашей компании, структуру данных и бизнес-логику. Skill даёт ему эти знания.

Формат SKILL.md — Почему Это Круче Обычного API

SKILL.md — это открытый формат описания навыков для ИИ-агентов, разработанный в рамках проекта AgentSkills. Что делает его особенным?

Обычный API vs SKILL.md

Структура SKILL.md

Файл SKILL.md состоит из двух частей:

Метаданные (YAML)

Название, описание, требования к окружению (какие программы и API-ключи нужны). Это «паспорт» навыка — по нему система понимает, можно ли его использовать.

Инструкции (Markdown)

Полное руководство для агента: триггеры, пошаговый план, шаблоны ответов, примеры использования. Написано человеческим языком — агент «читает» это как инструкцию.

Почему Markdown?

Markdown — это простой формат текста с разметкой. Он понятен и человеку, и машине. Вы можете открыть SKILL.md в любом текстовом редакторе и прочитать его как обычную инструкцию. Не нужно быть программистом.

Пример реального SKILL.md

Вот упрощённый пример Skill для создания постов в Telegram из YouTube-видео:

youtube-to-telegram (фрагмент)

Когда использовать: Пользователь прислал ссылку на YouTube-видео и хочет пост для Telegram.

Шаги:

Получи транскрипцию видео
Выдели главные тезисы (3-5 пунктов)
Сформируй пост по шаблону: эмодзи + заголовок + тезисы + ссылка
Предложи 3 варианта заголовка

Шаблон поста: 🎬 [Заголовок]\n\n• Тезис 1\n• Тезис 2\n• Тезис 3\n\n🔗 [Ссылка]

Агент читает эту инструкцию и точно знает, что делать. Без SKILL.md ему пришлось бы каждый раз получать детальные указания от вас.

Сравнение Платформ: Кто Как Делает

Разные платформы по-разному подходят к навыкам агентов. Давайте сравним основные подходы простыми словами.

OpenClaw (SKILL.md)

Полные инструкции: что, когда, как. Агент получает «руководство сотрудника», а не просто список команд.

Anthropic MCP

Стандарт подключения инструментов (как USB). Описывает «что можно сделать», но не «как и когда».

OpenAI Function Calling

Описание функций в формате JSON. Модель сама решает, какую функцию вызвать по названию и параметрам.

Детальное сравнение

Главный вывод

SKILL.md — единственный формат, который содержит не только «что можно сделать», но и «как, когда и в каком порядке». Это ближе к руководству для сотрудника, чем к техническому API.

Практические Примеры: Что Может Делать Агент с Skills

Давайте посмотрим на реальные сценарии использования Skills в работе.

Bitrix24 Агент

Работа с клиентской базой

Создание лидов и сделок
Поиск контактов по имени/телефону
Постановка задач сотрудникам
Генерация отчётов по воронке

YouTube → Пост

Создание контента из видео

Расшифровка видео
Выделение ключевых тезисов
Генерация поста для Telegram
Создание превью-картинки

Блог-статья

Полный цикл создания статьи

Исследование темы
Написание SEO-текста
Генерация картинки
Публикация и индексация

Пример диалога с агентом

Вы: Проанализируй последний созвон с клиентом и создай задачу по итогам

Агент: Нашёл запись звонка с ООО «Вектор» от 26.02.2026 (14 минут). Анализирую...

Агент: Основные договорённости:

Клиент хочет демо продукта до конца недели
Интересует интеграция с 1С
Бюджет: 200-300 тыс. рублей

Агент: Создал задачу в Bitrix24: «Провести демо для ООО Вектор» (срок: 28.02.2026). Добавил заметки в карточку клиента.

Обратите внимание: агент сам нашёл запись, проанализировал, извлёк суть и создал задачу. Всё благодаря тому, что у него есть Skills для работы с записями звонков и CRM.

Как Применять Skills в Бизнесе

Skills превращают ИИ-агента из «умной болталки» в реального помощника. Вот где это работает лучше всего:

Продажи

Skills: CRM-интеграция, квалификация лидов, создание КП, follow-up письма. Результат: менеджер тратит время на общение с клиентами, а не на рутину в CRM.

Поддержка клиентов

Skills: база знаний, тикетная система, эскалация. Результат: 80% вопросов решаются автоматически, сложные кейсы передаются людям.

Маркетинг

Skills: создание контента, работа с соцсетями, аналитика. Результат: в 3-5 раз больше контента при том же размере команды.

Операции

Skills: документооборот, отчёты, интеграция между системами. Результат: данные перетекают между системами автоматически, без ручного копирования.

ROI: Когда это окупается

С чего начать?

Найдите одну повторяющуюся задачу, которая отнимает 1+ час в день. Например: обработка заявок с сайта, ответы на типовые вопросы, создание отчётов. Автоматизируйте её одним Skill — и оцените результат.

Как Начать Использовать Skills

Есть несколько путей — от простого к сложному.

Вариант 1: Готовые Skills

На маркетплейсе ClawHub доступны сотни готовых Skills. Установка — одной командой:

openclaw skill install bitrix24-agent

После этого агент сразу умеет работать с Bitrix24. Вам нужно только добавить API-ключ.

Вариант 2: Создать свой Skill

Если готового решения нет — создайте своё. Для этого не нужно программирование:

Создайте папку с названием навыка: my-skill/
Создайте файл SKILL.md внутри
Опишите: когда использовать, какие шаги, примеры
Положите папку в ~/.openclaw/skills/

Вариант 3: Заказать под ключ

Если задача сложная или нужна интеграция с вашими системами — мы поможем. Создадим Skills под ваши процессы, настроим агента и обучим команду.

Claude Code - что это, зачем юзать в работе, команды, скиллы, агенты

2026-04-26T12:00:10.756Z

Что Такое Claude Code

Claude Code — это CLI-инструмент от Anthropic, который работает прямо в терминале. Он умеет редактировать файлы, запускать команды, искать по кодовой базе, создавать коммиты и pull-реквесты. По сути, это полноценный AI-разработчик, живущий в вашем терминале.

Но его настоящая сила — в расширяемости. Claude Code поддерживает четыре механизма, которые превращают его из простого чата в платформу:

Commands — 30+ встроенных slash-команд для управления сессией, настройками и инструментами
Skills — кастомные команды с инструкциями, которые вы пишете сами
Agents — изолированные субагенты со своим контекстным окном для параллельных задач
MCP — подключение любых внешних инструментов через открытый протокол

Claude Code — не просто чат в терминале

Это расширяемая платформа: вы можете добавлять свои команды, создавать агентов под конкретные задачи и подключать любые внешние инструменты.

Давайте разберём каждый из этих механизмов подробно — с конкретными примерами файлов и конфигов.

30+ Встроенных Команд

Все команды в Claude Code начинаются с /. Они управляют сессией, настройками, инструментами и аналитикой. Вот полный список, сгруппированный по категориям.

Навигация и сессии

Настройки

Разработка

Аналитика

Утилиты

Специальные префиксы

Помимо slash-команд, Claude Code поддерживает два специальных префикса:

!command — выполнить bash-команду напрямую, без подтверждения. Например: !git status
@path — автодополнение путей к файлам. Начните вводить @src/ и Claude Code предложит файлы

Совет: команда /compact

Команда /compact — спасение при длинных сессиях. Она сжимает историю, освобождая контекстное окно. Можно указать фокус: /compact сосредоточься на тестах — и Claude запомнит только релевантное.

Создание Своих Skills

Skills — это кастомные slash-команды с инструкциями. Вы создаёте файл SKILL.md в специальной директории, и он становится доступен как команда в Claude Code.

Где размещать Skills

Есть три варианта расположения файлов:

~/.claude/skills/my-skill/SKILL.md — пользовательский Skill, доступен во всех проектах
.claude/skills/my-skill/SKILL.md — проектный Skill, хранится в репозитории
.claude/commands/my-command.md — старый формат (продолжает работать)

Формат SKILL.md

Файл состоит из YAML-frontmatter (метаданные) и Markdown-инструкций:

---
name: my-skill
description: Краткое описание навыка
allowed-tools: Read, Grep, Glob, Bash
argument-hint: "[аргумент]"
---

Здесь идут инструкции для Claude.
Что делать, в каком порядке, какие проверки выполнить.

Ключевые поля frontmatter:

name — имя команды (вызывается как /name)
description — описание, по которому Claude понимает, когда использовать
allowed-tools — список разрешённых инструментов
argument-hint — подсказка по аргументам
context: fork — запуск в изолированном субагенте
disable-model-invocation: true — только ручной вызов через /name

Пример 1: YouTube-видео — полный пайплайн от видео до публикации

Реальный Skill, который автоматизирует полный цикл обработки YouTube-видео. Говоришь «новое видео на ютюбе» — и агент сам находит видео, скачивает расшифровку, генерирует названия, обложку, описание, пост в Telegram и рассылку:

---
name: youtube-video
description: "Полный пайплайн от YouTube-видео до публикации.
  Автоматически находит видео, расшифровывает, генерирует
  3 названия, обложку, описание, пост в канал, рассылку —
  и публикует на YouTube."
---

# YouTube Video — 10-шаговый пайплайн

## Триггеры
- "новое видео", "видео на ютюбе", "опубликовал видео"
- Или вставка готовой расшифровки → пропускаем шаги 0-1

## Пайплайн
0. Найти последнее видео → youtube_api.py
1. Скачать расшифровку → get_transcripts.py
2. Анализ: тема, ЦА, таймкоды, эмоциональные пики
3. 3 названия A/B/C (вопрос / провокация / число+результат)
4. Описание YouTube (SEO в первых 2 строках, таймкоды)
5. Промпт для обложки → generate_image.py
6. Генерация обложки + сжатие для YouTube (<2MB)
6.5. Автопубликация: название + описание + теги + обложка
7. Пост в TG-канал
8. Рассылка подписчикам
9. Карточка публикации → "Всё на YouTube. Что поправить?"

Один Skill заменяет часовую ручную работу. Claude находит видео через YouTube API, расшифровывает его, генерирует все артефакты и публикует через update_video.py — даже обложку загружает автоматически.

Пример 2: Диаграмма — GraphTB → промпт → картинка

Skill для генерации технических диаграмм. Сначала описывает структуру в текстовом формате GraphTB, потом превращает в промпт для Gemini:

---
name: diagram
description: "Генерация технических диаграмм через GraphTB → Gemini.
  Сначала описываем структуру текстом, затем превращаем в промпт."
---

# Diagram — 3-шаговый пайплайн

1. **GraphTB** — описать диаграмму текстом:
   - Узлы (имя, тип, цвет, иконка)
   - Связи (откуда → куда, стиль)
   - Зоны (где на картинке)
   - Группы (визуальные контейнеры)

2. **Промпт** — преобразовать GraphTB в 6-частный промпт
   по системе из SYSTEM_PROMPT.md

3. **Генерация** — generate_image.py --skill diagram

Полная инструкция: /root/projects/ai-skills/diagram/PIPELINE.md

Формат GraphTB гарантирует, что ни один элемент не потеряется при преобразовании в промпт. Вы описываете узлы таблицей, а Claude сам строит из этого 6-частный промпт с HEX-цветами, зонами и стилями.

Пример 3: Статья в блог — от тренда до публикации

---
name: blog-article
description: "SEO-статья на aibot.direct: ресёрч → PHP → OG → git → Google ping"
---

# Пайплайн (11 шагов)

1. Анализ трендов → analyzer.py (Google Trends + Yandex Wordstat)
2. Ресёрч из первоисточников (5-8 авторитетных источников)
3. План: slug, структура, FAQ, теги, related
4. PHP-файл статьи (AIDA, Schema.org, 3 CTA)
5. OG-картинка 1200x630 → Puppeteer
6. Blog index → добавить в массив $blog_articles
7. .htaccess → RewriteRule
8. Проверка: curl, canonical, Schema.org, мобилка
9. Git push
10. Google sitemap ping
11. Пост в TG-канал (после одобрения)

Эта самая статья, которую вы сейчас читаете, была создана именно так — через Skill blog-article. От идеи до публикации на сайте за один запрос.

Лимит контекста для Skills

Skills имеют лимит контекста — 2% от окна модели. Не пишите огромные инструкции в один SKILL.md — лучше разбейте на несколько файлов и ссылайтесь на них.

Субагенты: Делегируй Задачи

Субагенты — это изолированные AI-помощники со своим контекстным окном. Основной Claude может порождать их для конкретных задач, не загромождая свой собственный контекст.

Где размещать файлы агентов

.claude/agents/my-agent.md — проектный агент, доступен всей команде через Git
~/.claude/agents/my-agent.md — пользовательский агент, доступен во всех проектах

Встроенные агенты

Explore (Haiku)

Быстрый агент только для чтения. Ищет по коду, читает файлы, собирает контекст. Не может ничего менять.

Plan

Агент для планирования. Собирает контекст, анализирует кодовую базу и формирует план действий.

General-purpose

Универсальный агент со всеми инструментами. Для сложных задач, требующих полного доступа.

Пример 1: Исследователь — только чтение, никаких правок

Агент, который собирает информацию из веба и кодовой базы, но не может ничего менять. Идеален для подготовки к написанию статей или анализа конкурентов:

---
name: researcher
description: Исследует кодовую базу и собирает факты. Только читает.
tools: Read, Glob, Grep, Bash, WebSearch, WebFetch
model: sonnet
---

Ты — исследователь. Собирай факты, читай документацию,
ищи в вебе. Ты НЕ можешь редактировать файлы.

Возвращай структурированный отчёт:
- Найденные факты с источниками
- Конфликты между источниками
- Зависимости между компонентами

Мы используем этого агента для ресёрча перед каждой статьёй. Он параллельно ищет в 5-8 источниках, читает официальную документацию и возвращает структурированный отчёт — всё это в изолированном контексте, не забивая основной разговор.

Пример 2: Кодер — пишет код строго по плану

---
name: coder
description: Пишет код строго по плану. Не принимает решений сам.
tools: Read, Glob, Grep, Edit, Write, Bash
model: sonnet
---

Ты — исполнитель. Пишешь код по переданным инструкциям.
НЕ принимай архитектурных решений самостоятельно.
Если что-то неясно — верни вопрос, а не угадывай.

Связка «исследователь + кодер» — это разделение ответственности. Основной Claude анализирует ресёрч, принимает решения и даёт кодеру точные инструкции. Кодер не принимает архитектурных решений — только реализует.

Ключевые поля файла агента:

tools — whitelist разрешённых инструментов (агент не сможет использовать другие)
model — выбор модели (haiku дешевле для простых задач, opus для сложных)
maxTurns — ограничение количества ходов (защита от зацикливания)
permissionMode — уровень доступа к системе
memory — тип памяти (user или project)
isolation: worktree — изоляция в отдельной рабочей директории Git

Skills vs Субагенты: в чём разница

MCP: Подключение Внешних Инструментов

Model Context Protocol (MCP) — открытый стандарт для подключения внешних инструментов к AI-моделям. Через MCP Claude Code может работать с базами данных, API, файловыми системами и любыми другими сервисами.

Типы транспорта

stdio — локальный процесс. MCP-сервер запускается как дочерний процесс и общается через stdin/stdout
http — HTTP-сервер. Рекомендуемый способ для удалённых сервисов

Управление MCP-серверами

# Добавить HTTP-сервер
claude mcp add --transport http github https://api.github.com/mcp

# Добавить локальный stdio-сервер
claude mcp add --transport stdio my-db -- python3 db-server.py

# Посмотреть список
claude mcp list

# Внутри Claude Code
/mcp

Конфигурация .mcp.json

MCP-серверы можно настроить через файл .mcp.json в корне проекта. Вот реальный пример — подключение Singularity (таск-менеджер) как MCP-сервер:

{
  "mcpServers": {
    "singularity": {
      "command": "node",
      "args": [
        "./mcp-servers/singularity-mcp/mcp.js",
        "--baseUrl", "https://api.singularity-app.com",
        "--accessToken", "${SINGULARITY_TOKEN}"
      ]
    }
  }
}

После подключения Claude может создавать задачи, управлять проектами и отслеживать финансы — всё через естественный язык. Скажите «создай задачу на завтра: позвонить клиенту» — и задача появится в Singularity.

Вот более сложный пример с несколькими серверами:

{
  "mcpServers": {
    "singularity": {
      "command": "node",
      "args": ["./mcp-servers/singularity-mcp/mcp.js"]
    },
    "github": {
      "type": "http",
      "url": "https://api.github.com/mcp",
      "headers": {
        "Authorization": "Bearer ${GITHUB_TOKEN}"
      }
    }
  }
}

Секреты передаются через переменные окружения (${GITHUB_TOKEN}), а не хардкодятся. Это безопасный подход.

MCP-серверы, которые предоставляют промпты, автоматически становятся slash-командами. Например, если GitHub MCP-сервер имеет промпт list_prs, он будет доступен как /mcp__github__list_prs.

Claude Code как MCP-сервер

Claude Code сам может работать как MCP-сервер: claude mcp serve. Это позволяет подключить его к Claude Desktop или другим AI-инструментам, которые поддерживают MCP.

Как Всё Связано

Commands, Skills, Agents и MCP — это не отдельные системы, а уровни одной архитектуры. Каждый следующий уровень расширяет предыдущий.

Commands (встроенные)

30+ встроенных команд для управления сессией, настройками и инструментами. Фундамент, на котором строится всё остальное. Расширяются через Skills.

Skills (кастомные команды)

Ваши собственные slash-команды с инструкциями. Могут запускать субагентов через context: fork. Превращают Claude Code в инструмент под ваш проект.

Agents (субагенты)

Изолированные помощники со своим контекстным окном. Могут использовать MCP-инструменты. Подходят для параллельных задач и специализированных ролей.

MCP (внешние инструменты)

Открытый протокол подключения любых сервисов. Доступен и основному сеансу, и субагентам. Превращает Claude Code в хаб для всех ваших инструментов.

Пример из нашей практики: вы пишете «новое видео на ютюбе» — активируется Skill youtube-video (уровень Skills). Он запускает агента-исследователя для анализа расшифровки (уровень Agents). Агент использует YouTube API для поиска видео (уровень MCP). Затем другой агент генерирует обложку через Gemini, а основной Claude публикует всё на YouTube. Все четыре уровня — в одной команде.

Практические Примеры

Вот три реальных сценария из нашей работы — не теория, а то, что действительно работает каждый день.

Пример 1: «Новое видео на ютюбе» → полная публикация за 5 минут

Вы загрузили видео на YouTube и пишете агенту: «новое видео на ютюбе». Дальше всё автоматически:

Шаги 0-1: Находим и расшифровываем

YouTube API находит последнее видео. Скрипт get_transcripts.py скачивает субтитры (или Whisper расшифровывает аудио, если субтитров нет).

Шаги 2-4: Анализ и текст

Claude анализирует расшифровку, генерирует 3 названия A/B/C с обоснованием, описание с таймкодами и хештегами.

Шаги 5-6.5: Обложка и публикация

Генерируется обложка через Gemini (с коллажем-референсом лица), сжимается до <2MB, загружается на YouTube вместе с названием и описанием — через API, без ручных действий.

Шаги 7-9: Контент + карточка

Генерируется пост в Telegram-канал и рассылка подписчикам. Всё собирается в карточку публикации: «Всё на YouTube. Что поправить?»

Раньше этот процесс занимал час ручной работы: придумать название, написать описание, сделать обложку в Figma, загрузить, написать пост. Теперь — одна фраза и 5 минут ожидания.

Пример 2: Параллельные агенты для статьи в блог

Когда нужна статья (например, эта), основной Claude запускает несколько агентов параллельно:

# Запускаются одновременно:

Агент researcher (Sonnet) → ищет в вебе, читает документацию,
  собирает 12 разделов фактов из 6 официальных источников

Агент explorer (Sonnet) → читает blog/index.php, шаблоны статей,
  CSS, htaccess — чтобы знать точный формат публикации

# Когда оба вернулись:

Агент coder (Sonnet) → пишет PHP-файл статьи (1400+ строк)
  по точным инструкциям от основного Claude

# Основной Claude:
→ Генерирует OG-картинку через Puppeteer
→ Добавляет в blog/index.php
→ Добавляет RewriteRule в .htaccess
→ git push → Google ping

Ключевой момент: агенты работают параллельно. Пока researcher ищет в вебе, explorer изучает кодовую базу. Основной Claude ждёт обоих, анализирует результаты и только потом даёт точные инструкции кодеру. Разделение ролей = качественный результат.

Пример 3: Skill + MCP + Агент = полная автоматизация

Самая мощная комбинация — когда все три уровня работают вместе:

Реальная цепочка

1. Пользователь пишет: «создай задачу: написать статью про Claude Code»

2. MCP-сервер Singularity создаёт задачу в таск-менеджере

3. Skill blog-article запускает 11-шаговый пайплайн

4. Внутри пайплайна запускаются параллельные агенты (researcher + explorer)

5. Агент coder пишет PHP-файл

6. Основной Claude публикует, пушит в Git и помечает задачу выполненной

Весь путь от «создай задачу» до опубликованной статьи — одна сессия.

Это не теоретический пример — именно так была написана и опубликована эта статья. 10 скиллов, десятки агентов, MCP-интеграции. Все работают вместе через единый интерфейс Claude Code.

Make, n8n, zapier - сравнение платформ автоматизации

2026-04-26T11:58:29.882Z

Что такое платформа автоматизации — и зачем она нужна

Каждый раз, когда клиент заполняет форму на сайте, вы вручную копируете данные в CRM, создаёте задачу и отправляете письмо. Час в день, неделя в месяц. Платформы автоматизации убирают этот ручной труд: вы один раз настраиваете сценарий — «когда X, делай Y» — и дальше всё работает само.

Три самых популярных инструмента сегодня — Zapier, Make и n8n. Они работают по одному принципу, но занимают разные ниши. И если вы в России, у двух из трёх есть серьёзные ограничения.

⚠️ Актуально для бизнеса в России

Zapier заблокирован с сентября 2024 года. Make и Zapier — облачные сервисы на зарубежных серверах: данные, которые через них проходят, уходят за пределы России. Это противоречит требованиям 152-ФЗ о персональных данных. n8n — единственная из трёх, которую можно развернуть на своём сервере в России.

Make и Zapier: кратко о главном

Zapier — американский сервис, пионер рынка. 8 000+ интеграций, простейший интерфейс, используют 3 миллиона бизнесов. Идеален для быстрой настройки без технических знаний. Минус: недоступен из России с сентября 2024 года и работает только в облаке — ваши данные на серверах американской компании.

Make (бывший Integromat) — европейская платформа из Чехии. 3 000+ интеграций, визуальный холст для сложных сценариев, в 1.5–2 раза дешевле Zapier. Доступен из России. Но — тоже только облако, данные на зарубежных серверах.

Оба инструмента хороши для простых и средних задач. Маркетологам, HR-специалистам, операционным менеджерам без технического бэкграунда — подойдут. Но если у вас российский бизнес с персональными данными клиентов, вопрос хранения данных становится критичным. И здесь картина меняется кардинально.

n8n — почему это другой уровень

n8n (произносится «n-eight-n») — open source платформа автоматизации из Германии. Звучит как ещё один зарубежный облачный сервис, но это принципиально другая история. Главное отличие: n8n можно поставить на свой сервер. Ваш сервер — ваши правила.

Это как разница между съёмной квартирой и своей. В съёмной (Zapier/Make) вы живёте по правилам хозяина: он может в любой день сказать «съезжайте» (как Zapier это сделал для России), повысить аренду или посмотреть, что у вас в шкафу. В своей — полный контроль.

Self-hosted бесплатно

Community Edition — полный функционал на вашем сервере без ограничений по количеству автоматизаций и запусков. Платите только за VPS.

AI и LangChain нативно

Поддержка LangChain, векторных БД, RAG-агентов. Подключаете OpenAI, Claude, Яндекс GPT или локальные модели через Ollama.

Полный код везде

JavaScript и Python прямо в любом месте воркфлоу. Никаких ограничений «только на Enterprise».

Как считаются тарифы n8n

n8n считает выполнения — один полный запуск сценария, сколько бы шагов в нём ни было. У Zapier каждый шаг — отдельная задача. Это значит, что при сложных многошаговых сценариях n8n выходит в разы дешевле.

Self-hosted — главная «фишка» n8n. Вы не зависите ни от одного внешнего сервиса: платформа работает пока работает ваш сервер. Никаких внезапных блокировок, повышений цен, утечек данных через чужое облако.

Реальная экономика

При 1000 заявок в месяц с 4 шагами автоматизации: Zapier — ~$35–40/мес (превышение лимита), Make — $10.59/мес, n8n self-hosted — ~$5/мес (только VPS). При росте до 10 000 заявок разница становится ещё драматичнее: Zapier $150+, Make $30+, n8n — те же $5–10.

Вопрос для России: где хранятся данные

Это не абстрактный вопрос. Закон 152-ФЗ «О персональных данных» требует, чтобы первичные базы данных с персональными данными российских граждан хранились на серверах в России. Многие бизнесы об этом не задумываются — до первой проверки.

Посмотрим на три платформы с этой точки зрения:

Zapier ❌

Американская компания, серверы в США. Недоступен из России с сентября 2024 года. Данные клиентов — на американских серверах. Нарушение 152-ФЗ + физически недоступен.

Make ⚠️

Чешская компания, серверы в Европе. Технически работает из России. Но данные клиентов, которые проходят через автоматизации, оседают на европейских серверах. При обработке персональных данных — потенциальный риск по 152-ФЗ.

n8n Self-Hosted ✅

Платформа на вашем сервере — хоть на Beget, хоть на Timeweb, хоть во внутреннем контуре. Данные не покидают Россию вообще. Полное соответствие 152-ФЗ. И при этом бесплатно.

Понятно, что не каждая автоматизация работает с персональными данными — можно уведомлять о новых заказах или публиковать посты в соцсети. Для таких задач любая платформа подойдёт. Но как только через неё проходят имена, телефоны, email-адреса клиентов — вопрос хранения становится юридически важным.

Л.И.С.А. — готовая n8n-платформа для русскоязычного рынка

Разобравшись в преимуществах n8n, возникает логичный вопрос: а нельзя ли взять готовое решение на его основе, не настраивая всё с нуля? Можно. Это проект Л.И.С.А. — Локальная Интеллектуальная Система Автоматизации.

Л.И.С.А. — open source проект, построенный специально для тех, кто хочет получить всю мощь n8n и Ollama без часов настройки. Это не платный сервис — это инструмент, который отдаётся бесплатно русскоязычному комьюнити.

Что входит в Л.И.С.А.

n8n для автоматизации + Ollama для локальных AI-моделей + готовые воркфлоу + RAG (поиск по вашим документам) + Supabase для хранения данных. Всё это устанавливается одним скриптом за 15 минут на любой VPS.

Установка за 15 минут

Один скрипт разворачивает весь стек: n8n + Ollama + Supabase + SSL-сертификаты. Пошаговая инструкция на сайте — справится любой.

Локальная AI без API-расходов

Ollama запускает языковые модели прямо на сервере. Никаких платежей за токены — модель работает столько, сколько нужно.

RAG по вашим документам

Загрузите документы компании — и AI будет отвечать на вопросы именно по вашим данным, не придумывая. Всё локально, ничего не утекает.

Сравнение Make, n8n и Zapier: полная таблица

Кому что подходит

Если вы в России — ваш выбор по факту между Make и n8n. Zapier недоступен, и это уже снимает один вопрос.

Выбирайте Make если...

Нужно быстро настроить автоматизацию без технических знаний. Задачи несложные: уведомления, синхронизация CRM, маркетинговые интеграции. Через автоматизации не проходят персональные данные клиентов. Бюджет ограничен, но на облако.

Выбирайте n8n если...

Нужен полный контроль над данными (152-ФЗ, внутренние данные компании). Хотите строить AI-агентов и работать с LangChain. Важна экономия при больших объёмах. Есть базовые технические знания или время их освоить. Или хотите стартовать сразу с готовым стеком через Л.И.С.А.

Совет новичку

Если не знаете с чего начать с n8n — начните с Л.И.С.А. Там всё уже настроено: берёте VPS, запускаете один скрипт — и получаете готовую платформу с визуальным редактором, AI и базой данных. Пошаговая инструкция на сайте занимает 15 минут даже для тех, кто никогда не работал с серверами.

RAG-бот на основе базы данных

2026-04-26T11:56:45.335Z

Что такое RAG простыми словами

Представьте, что вы сдаёте экзамен. Есть два варианта: отвечать только по памяти — или открыть шпаргалку с конкретными фактами прямо перед ответом. Первый вариант ненадёжен: можно перепутать или додумать. Второй — точный: отвечаешь строго по тому, что написано.

Именно так работает RAG (Retrieval-Augmented Generation) — технология, которая добавляет языковой модели «шпаргалку» из ваших документов.

Суть в двух предложениях

Перед тем как ответить, RAG-система находит самые релевантные фрагменты из вашей базы знаний. Потом ИИ формулирует ответ на основе этих фрагментов — а не выдумывает из головы.

Это решает главную проблему ИИ-ботов — галлюцинации. Обычная языковая модель не знает, что творится у вас в компании: какие у вас цены, какие условия договора, какие регламенты. Она начинает фантазировать. RAG-бот этого не делает: если информации в базе нет — он честно скажет «не нашёл», вместо того чтобы сочинить что-то похожее на правду.

Термин появился в 2020 году в исследовании Facebook AI (Meta). Сегодня RAG — промышленный стандарт для любого бота, который должен работать с корпоративными знаниями: документами, регламентами, прайсами, базами клиентов.

Как работает RAG-бот изнутри

Процесс делится на два этапа: индексация (подготовка базы) и поиск + генерация (когда пользователь задаёт вопрос).

Этап 1: Индексация документов

Когда вы загружаете документ в RAG-систему, происходит следующее:

Нарезка на фрагменты (чанкинг) — документ режется на небольшие куски по 200–500 токенов. Слишком большой чанк плохо ищется, слишком маленький — теряет контекст.
Векторизация (embedding) — каждый фрагмент превращается в числовой вектор с помощью модели embeddings. Похожие по смыслу тексты получают похожие векторы.
Хранение в векторной базе — векторы сохраняются (PostgreSQL + pgvector, Pinecone, Weaviate и т.д.) вместе с исходным текстом.

Этап 2: Поиск и ответ

Когда пользователь задаёт вопрос:

Вопрос тоже векторизируется — превращается в числовой вектор той же моделью.
Векторный поиск — система находит N самых «близких» фрагментов по математическому сходству векторов.
Формирование контекста — найденные фрагменты вставляются в промпт к LLM вместе с вопросом.
Генерация ответа — языковая модель формулирует ответ, опираясь на переданный контекст.

Продвинутый режим: RAG + SQL

Для таблиц и баз данных векторный поиск работает плохо. Умные RAG-агенты умеют сами выбирать: если вопрос про «найди все дома до 5 млн с тремя комнатами» — используется SQL-запрос. Если вопрос смысловой («расскажи про преимущества этого объекта») — векторный поиск. Такой подход показан в туториале ниже.

Где применяют RAG-ботов

RAG-боты используются везде, где нужно отвечать на вопросы по конкретным данным, а не в общем.

🏢 Корпоративная база знаний

HR-бот, который отвечает по регламентам и политикам компании. Сотрудник спрашивает «сколько дней отпуска?» — бот находит нужный абзац в PDF и отвечает точно, не по памяти.

🛒 Поддержка клиентов

Бот знает все ваши товары, условия доставки и возврата. Ищет ответ в базе товаров и FAQ, а не выдумывает. Снижает нагрузку на операторов на 60–80%.

🏠 Недвижимость

Загружаете каталог объектов в CSV — и бот умеет искать по параметрам: «двухэтажные дома с видом на реку до 20 млн». Комбинирует векторный поиск с SQL-фильтрацией.

⚖️ Юридические документы

Анализ договоров и регламентов. Юрист загружает договор и задаёт вопросы: «есть ли пункт про форс-мажор?», «какой срок расторжения?». Бот находит нужные места мгновенно.

📚 Обучение и онбординг

Новый сотрудник задаёт вопросы по внутренним инструкциям — бот отвечает по актуальным документам компании, а не по устаревшим скриптам, вшитым три года назад.

💊 Медицина и страхование

Поиск по нормативным актам, справочникам препаратов, условиям страховых полисов. RAG гарантирует точность там, где галлюцинация может причинить реальный вред.

RAG-бот vs обычный чат-бот

Когда RAG не нужен

Если ваш бот ведёт простые диалоги по скриптам («выбери тему» → «вот ответ»), RAG избыточен. Он нужен тогда, когда вопросы непредсказуемы и ответы должны браться из конкретных источников.

Видео: RAG-агент за 0 рублей на n8n и Л.И.С.А.

Я записал пошаговый туториал — полный цикл от нуля до работающего RAG-агента. Показываю как загрузить текстовый документ и CSV-таблицу, настроить векторный поиск и SQL-запросы, и задавать боту вопросы в чате.

Стек полностью self-hosted и бесплатный: n8n как оркестратор, PostgreSQL + pgvector как векторная база, Ollama для локальных embeddings, OpenRouter для подключения любой LLM.

Autropic обновила Skill Creator - гайд и обучение Claude Code

2026-04-26T11:54:56.406Z

Зачем Тестировать Навыки ИИ-агента

Вы написали навык (Skill) для своего AI-агента. Он отвечает клиентам, создаёт отчёты, обрабатывает заявки. Кажется, всё работает. Но откуда вы знаете, что он делает это правильно?

Вот реальная проблема: исследование ETH Zurich показало, что инструкции, написанные разработчиками для AI-агентов, улучшают качество работы всего на 4%. А некоторые инструкции даже ухудшают результат на 3%, при этом увеличивая затраты на 20%.

Проблема не в инструкциях, а в отсутствии проверки

Когда вы пишете навык без обратной связи, вы добавляете туда вещи, которые агент и так знает, смешанные с инструкциями, которые его путают. Результат: непредсказуемое поведение. Это как давать сотруднику инструкцию, которую никто ни разу не проверял на практике.

Аналогия: медицинский экзамен

Представьте, что вы нанимаете врача. Он показывает диплом — отлично. Но вы хотите убедиться, что он действительно умеет ставить диагнозы. Что делаете? Даёте ему тестовые случаи: «Вот симптомы, какой диагноз?» И проверяете ответы.

Exactly — именно это теперь делает Skill Creator для AI-навыков. Вы создаёте «экзаменационные билеты», агент их «сдаёт», а система автоматически проверяет результаты.

Что Конкретно Обновилось

Anthropic обновила свой инструмент Skill Creator — это встроенный навык в Claude Code, который помогает создавать другие навыки. Раньше он умел только писать черновики. Теперь он умеет тестировать, сравнивать и улучшать.

Автоматические тесты

Создаёте набор тестовых запросов с ожидаемыми результатами. Система сама запускает навык и проверяет, справился ли он.

A/B-сравнение версий

Написали новую версию навыка? Запустите обе на одних тестах и увидите, какая работает лучше. Объективно, с цифрами.

Оптимизация триггеров

Специальный инструмент анализирует описание навыка и улучшает его, чтобы навык активировался точно тогда, когда нужно.

Главное изменение одной строкой

Раньше: «Я написал навык и надеюсь, что он работает». Теперь: «Я написал навык и знаю, что он работает — вот результаты тестов».

Что ещё обновилось в Claude Code (март 2026)

Обновление Skill Creator — часть большого обновления Claude Code. Вот что ещё появилось:

Команда /loop — для повторяющихся задач по расписанию. Навыки теперь могут работать автоматически, без вашего участия.
Переменная ${CLAUDE_SKILL_DIR} — навыки теперь легко находят свои файлы, не зависят от расположения на диске.
Claude API Skill — готовый навык для работы с API Anthropic. Помогает строить приложения с использованием Claude.
Рекомендация по стилю — Anthropic советует не писать «ВСЕГДА» и «НИКОГДА» в навыках. Вместо жёстких правил — объяснять логику, почему нужно делать именно так.

Как Работает Тестирование Навыков

Тестирование навыка — это как устроить экзамен для сотрудника. Вы готовите задания, он их выполняет, а система проверяет ответы. Только всё происходит автоматически.

Шаг 1: Создаёте тестовый сценарий

Описываете ситуацию, которую навык должен уметь обрабатывать. Например, для навыка «Проверка JavaScript-кода»:

Пример тестового сценария

Запрос: «Проверь этот обработчик заказов на Express — есть ли проблемы?»

Что должен найти агент:

Входные данные не проверяются (валидация отсутствует)
Асинхронные вызовы внутри forEach не ожидаются
Сравнение через == вместо === (нестрогое сравнение)
Ошибки логируются через console.log (ненадёжно)
Функция validateOrder объявлена, но нигде не вызывается

Шаг 2: Система запускает навык

Специальные суб-агенты работают параллельно:

Шаг 3: Получаете результат

Система генерирует HTML-отчёт, в котором видно:

Процент прохождения — сколько критериев из тестов навык выполнил
Сравнение «с навыком» vs «без навыка» — насколько навык реально улучшает работу агента
Проблемные места — где навык ошибается и почему

Зачем сравнивать «с навыком» и «без»?

Иногда навык не даёт улучшений — модель и так справляется. Или, что хуже, навык ухудшает результат. Сравнение показывает реальную пользу навыка. Если разницы нет — значит, навык нужно переписать или убрать лишнее.

Четыре Режима Skill Creator

Обновлённый Skill Creator работает в четырёх режимах. Это как четыре инструмента в одном — для каждого этапа работы с навыком.

🔨 Create — Создание

Вы описываете, что должен уметь навык. Skill Creator задаёт уточняющие вопросы, пишет черновик SKILL.md и создаёт первые тестовые сценарии. Как собеседование при найме: «Расскажите, что должен уметь этот сотрудник?»

📝 Eval — Тестирование

Запускает навык на тестовых запросах и проверяет результаты по критериям. Показывает, какие задачи навык решает хорошо, а где ошибается. Как аттестация: «Давайте проверим, как сотрудник справляется».

🔧 Improve — Улучшение

На основе результатов тестов переписывает навык: исправляет ошибки, добавляет недостающие инструкции, убирает лишнее. Цикл «тест → улучшение → тест» повторяется до нужного качества.

📊 Benchmark — Замер

Сравнивает версии навыка между собой или с работой агента без навыка. Показывает конкретные цифры: «Версия 2 справляется на 15% лучше». Как финальный экзамен перед допуском к работе.

Цикл улучшения

На практике работа выглядит так:

Create — написали навык
Eval — прогнали тесты, увидели 70% прохождения
Improve — доработали инструкции
Eval — снова тесты, теперь 85%
Improve — ещё раз доработали
Benchmark — финальное сравнение: навык v3 на 40% лучше, чем без навыка

Это как итеративная доработка продукта: выпустил → получил обратную связь → улучшил → повторил.

Реальные Результаты: Кто Уже Тестирует Навыки

Тестирование навыков — не теория. Крупные компании уже используют этот подход и публикуют результаты.

Cisco — Software Security

Навык для написания безопасного кода. Проверяет 23 категории уязвимостей.

Общая оценка: 84%
Улучшение в 1.78 раза
Агент почти вдвое чаще пишет безопасный код

ElevenLabs — Text-to-Speech

Навык для работы с API озвучки текста.

Общая оценка: 93%
Улучшение в 1.32 раза
На 32% чаще правильно использует API

Hugging Face — Tool Builder

Навык для создания инструментов через API Hugging Face.

Общая оценка: 81%
Улучшение в 1.63 раза
На 63% точнее работает с API

Почему цифры важны

Без тестов вопрос «хороший ли навык?» — это мнение. С тестами — это факт. Cisco может сказать: «Наш навык делает код безопаснее на 78%». Не «кажется, что работает лучше», а измеримый результат.

Интересное наблюдение

Когда разработчики Tessl протестировали навык для проверки JavaScript-кода на модели Claude Opus 4.6, оказалось, что результат с навыком и без навыка был одинаковый — 100%. Модель и так находила все ошибки.

Это не баг, а фича: тест показал, что навык нужно усложнить. Нет смысла учить агента тому, что он и так знает. Лучше сосредоточить навык на том, где модель действительно ошибается.

Что Это Значит Для Бизнеса

Если вы не разработчик и не планируете сами создавать навыки — вот почему это обновление важно для вас.

1. AI-агенты становятся надёжнее

Когда навыки тестируются, вы можете доверять им больше. Это как разница между «мы наняли человека с улицы» и «мы наняли человека, который прошёл три этапа собеседования и тестовое задание».

2. Можно измерить пользу

До этого обновления нельзя было объективно сказать, насколько навык улучшает работу агента. Теперь можно. Benchmark покажет: «С этим навыком агент обрабатывает заявки на 40% точнее». Это уже бизнес-метрика, которую можно показать руководству.

3. Навыки — это программное обеспечение

Смена парадигмы

Раньше навык воспринимался как «текстовый файлик с подсказками». Теперь Anthropic явно говорит: навык — это софт, который нужно тестировать, версионировать и поддерживать. Как любую программу в вашей компании.

4. Появляется рынок проверенных навыков

На маркетплейсах (ClawHub, Tessl Registry) появляются навыки с результатами тестирования. Вы видите: навык от Cisco — 84% прохождения, улучшение 1.78x. Навык от неизвестного автора — без тестов. Какой выберете?

Как Начать Тестировать Свои Навыки

Если у вас уже есть AI-агент с навыками (или вы только думаете об этом), вот практический план:

Шаг 1: Определите, что тестировать

Начните с навыков, которые влияют на деньги или клиентов:

Ответы клиентам в чат-боте
Обработка заявок и лидов
Генерация документов (коммерческих предложений, договоров)
Работа с CRM (создание сделок, задач)

Шаг 2: Создайте тестовые сценарии

Для каждого навыка напишите 5-10 типичных ситуаций. Не абстрактные, а из реальной практики:

Плохой тест

«Клиент спрашивает о продукте. Агент должен ответить правильно.»

Слишком расплывчато — как проверить «правильно»?

Хороший тест

«Клиент спрашивает: Сколько стоит подписка на год?» Агент должен: 1) Назвать цену 5000₽/мес. 2) Упомянуть скидку за год. 3) Дать ссылку на оплату.»

Шаг 3: Запустите и итерируйте

В Claude Code скажите: «Протестируй мой навык [название]». Skill Creator создаст тесты, запустит их и покажет результат. Если навык не проходит какие-то проверки — доработайте его и повторите.

Совет: начните с малого

Не пытайтесь сразу протестировать все навыки. Выберите один самый важный, создайте для него 5 тестов, добейтесь 90%+ прохождения. Потом переходите к следующему. Качество важнее количества.

Шаг 4: Мониторьте регулярно

Модели обновляются каждые несколько недель. То, что работало на Claude Sonnet 4.5, может сломаться на Sonnet 4.6. Запускайте тесты после каждого обновления модели — это займёт пару минут, но сэкономит часы отладки.

Что такое Claude Opus (Claude Code гайд и обучение)

2026-04-26T11:52:57.914Z

Claude Opus 4.7 — новейшая версия флагманской модели Anthropic. Общедоступность наступила 16 апреля 2026 года, через 70 дней после Opus 4.6. Anthropic держит ритм быстрых инкрементов вместо редких «мегарелизов».

Что это в двух предложениях

Claude Opus 4.7 — это AI, который впервые реально можно «отпустить» на сложную инженерную задачу и не сидеть над ним. Модель сама выбирает инструменты, восстанавливается после ошибок API, доводит работу до конца. По сравнению с 4.6 ошибок при вызове инструментов стало в 3 раза меньше.

SWE-bench Pro: 64,3%

Главный бенчмарк по реальному программированию. Лучший результат среди всех frontier-моделей: GPT-5.4 — 57,7%, Gemini 3.1 Pro — 54,2%.

1 миллион токенов

Контекст около 750 страниц текста. Модель сама отслеживает оставшийся бюджет токенов и приоритизирует работу внутри task budgets.

Зрение 3,75 МП

Картинки до 2576 px по длинной стороне — в 3 раза больше прошлых Claude. Читает мелкий шрифт в договорах и техдиаграммах без галлюцинаций.

Что такое SWE-bench Pro

Это бенчмарк, где AI-модель должна решить реальную задачу из open-source репозитория: прочитать код, понять баг, написать фикс, пройти тесты. «Pro»-версия построена так, чтобы модель не могла «вспомнить» решение из обучающих данных.

Anthropic сделала SWE-bench Pro ключевым бенчмарком после того, как OpenAI признала: обычный SWE-bench Verified «засорен» — модели видели эти задачи при обучении.

Главное: Скачок в Агентном Кодинге

Anthropic открыто целит 4.7 в одну главную задачу — автономная работа с кодом. Это когда модель не пишет одну функцию, а разруливает задачу на 10+ шагов: читает репозиторий, планирует, правит несколько файлов, запускает тесты, исправляет ошибки.

Цифры по бенчмаркам

Ключевая формулировка Anthropic

«Opus 4.7 на низком усилии ≈ Opus 4.6 на среднем».

При тех же деньгах и той же скорости вы получаете ту же глубину рассуждений, что раньше требовала явного «extended thinking». Для продакшена это значит — экономия токенов без потери качества.

Implicit-need tests: что это и почему важно

Opus 4.7 — первая модель Claude, которая проходит implicit-need tests. В таких тестах модели не говорят, какие инструменты использовать — она должна сама догадаться из контекста. Это фундамент для реально автономных агентов, где сценарий не прописан заранее.

Adaptive Thinking и Новый Уровень xhigh

В Opus 4.6 режим «extended thinking» включался отдельным параметром API. В 4.7 это работает по умолчанию и адаптивно: модель сама решает, сколько думать.

Простой запрос

«Что такое API?» — ответ за секунду. Модель не тратит токены на внутренние рассуждения, потому что задача тривиальная.

Сложный запрос

«Отрефактори вот этот модуль и не сломай тесты» — несколько минут внутренних рассуждений, полный план, проверка, потом ответ. Без явного включения режима.

Уровень xhigh

В API появился новый уровень усилия — xhigh, между high и max. В Claude Code он стоит дефолтом для всех тарифов. Anthropic считает, что большинству реальных задач по коду полезно думать именно на этом уровне — достаточно глубоко, но без максимального бюджета на размышления.

Task budgets — public beta

На длинных задачах теперь можно явно задать бюджет токенов. Модель отслеживает оставшийся бюджет и приоритизирует работу, а не резко останавливается при исчерпании квоты. Для продакшн-агентов, работающих часами, это снимает главную головную боль — предсказуемую стоимость.

Зрение 2K и Работа с Документами

Opus 4.7 принимает изображения до 2576 px по длинной стороне (около 3,75 мегапикселя). В три раза больше прошлых Claude. Для бизнеса это не про «распознать котиков», а про реальные задачи:

Договоры и КП от поставщиков — модель читает мелкий шрифт без потерь
Финансовые отчёты и таблицы — понимает структуру сложных сеток
Технические диаграммы и архитектурные схемы — узнаёт компоненты и связи
Скриншоты дашбордов и CRM — извлекает данные без отдельного OCR-слоя

Цифры, которые впечатляют

XBOW — платформа автономных пентест-агентов — назвала этот прирост «устранением главного болевого момента»: раньше агент не мог надёжно читать скриншоты экранов, теперь может.

Opus 4.7 против GPT-5.4 и Gemini 3.1 Pro

В апреле 2026 года три главных frontier-модели — Claude Opus 4.7, OpenAI GPT-5.4 и Google Gemini 3.1 Pro. Разобрали, где каждая сильнее.

Claude Opus 4.7

Берите для: автономных AI-агентов, сложных кодинг-задач, legal и finance анализа, длинных многошаговых workflow, задач, где важна надёжность.

Цена: $5 / $25 за 1M токенов. Контекст: 1M.

GPT-5.4

Берите для: креативного контента и текстов, математики, голосовых интерфейсов, интеграций с ChatGPT-экосистемой.

Цена: около $1,25 / $10 за 1M. Контекст: 400k.

Gemini 3.1 Pro

Берите для: очень длинных документов (2M контекст), нативного multimodal с видео и аудио, массовой генерации, задач в Google-стеке.

Цена: $2 / $12 за 1M. Контекст: 2M.

Паритет на абстрактном рассуждении

GPQA Diamond (graduate-level reasoning): Opus 4.7 — 94,2%, GPT-5.4 — 94,4%, Gemini 3.1 Pro — 94,3%. Разница в пределах статистической погрешности. Frontier-модели эту задачу «закрыли», конкуренция ушла в прикладные бенчмарки.

Что Это Значит Для Бизнеса

Мы в AIBot.Direct смотрим на каждый релиз через один вопрос: «На каких задачах клиенту теперь можно отдать работу AI, а не держать человека?». По Opus 4.7 ответ такой.

Продакшн-боты с длинным сценарием

Раньше: на 10-м шаге агент уходил в галлюцинацию, роняя цепочку.

С Opus 4.7: ошибок в 3 раза меньше, устойчивость к падениям API — боты стабильно держат сложные сценарии обработки заявок, интеграций, возвратов.

Разбор входящих документов

Раньше: секретарь вручную заносил счета от поставщиков в 1С.

С Opus 4.7: бот принимает PDF/скан, извлекает реквизиты, сумму, позиции, кладёт в учётку. Зрение 2K читает даже плохие сканы.

Внутренние AI-ассистенты над кодом

Раньше: AI писал функции, но не мог взять задачу из Jira и «докрутить».

С Opus 4.7: можно отдавать задачи уровня «добавь фичу в легаси-сервис, не сломай тесты» — модель доводит до конца.

Legal-автоматизация

Раньше: юрист вычитывал 50 договоров за неделю.

С Opus 4.7: 90,9% на BigLaw Bench, корректно различает уступку прав и change-of-control — первая Claude-модель, которую реально можно пускать на legal review.

Вывод для владельца бизнеса

Если у вас есть процесс, где человек делает 10+ шагов с данными из нескольких систем — именно этот процесс сейчас можно автоматизировать на Opus 4.7. Раньше нужно было резать на мелкие блоки и склеивать руками, теперь — нет.

Миграция с Opus 4.6: Три Нюанса

Если у вас уже работает что-то на Claude 4.6, переход на 4.7 — это замена идентификатора модели в коде: claude-opus-4-6 → claude-opus-4-7. Но учтите три момента.

1. Новый токенизатор

Тот же текст теперь весит в 1,0–1,35 раза больше токенов. Anthropic рекомендует измерять расход на реальном трафике, а не применять единый множитель. На кодинг-задачах баланс остаётся в плюсе — модель думает эффективнее.

2. Буквальное следование инструкциям

Opus 4.7 понимает инструкции буквально. «Будь кратким» теперь значит «минимум слов», а не «с маркированными списками». Старые промпты, которые полагались на «мягкое игнорирование» части указаний, могут выдавать неожиданные результаты. Их стоит перечитать.

3. Больше размышлений на поздних шагах агентов

В агентных сценариях модель думает глубже на финальных шагах. Это повышает надёжность сложных workflow, но генерирует чуть больше output-токенов. Для длинных цепочек используйте task budgets.

Цены и Как Начать

Claude Opus 4.7 доступен четырьмя способами: напрямую через Anthropic API, Amazon Bedrock, Google Vertex AI и Microsoft Foundry. В веб-интерфейсе — claude.ai для Pro/Team-подписчиков.

Как сэкономить на API

Prompt Caching — системные промпты и большие документы кешируются, экономия до 90%.
Batch API — для фоновых задач (анализ логов, массовая классификация) — скидка 50%.
Sonnet 4.6 для рутины. Opus 4.7 — только там, где нужен флагман. Разница в цене — в 5 раз.
Task budgets — для длинных агентов, чтобы не улетала стоимость.