Ваш ИИ-агент тратит ваши деньги впустую

Современные модели ИИ, такие как Claude Opus 4.6 и GPT 5.4, представляют собой вершину вычислительного интеллекта. Opus 4.6 от Anthropic, выпущенный в феврале 2026 года, обладает окном контекста в 1 миллион токенов и превосходно справляется со сложными агентными задачами, демонстрируя изощренное рассуждение. Это не просто инкрементальные обновления; это надежные, высокопроизводительные системы, разработанные для сложного решения проблем и работы с долгосрочной перспективой. Тем не менее, многих пользователей мучает озадачивающий парадокс: модели высшего уровня часто дают разочаровывающе посредственные результаты, часто впустую расходуя значительные вычислительные ресурсы.

Проблема редко заключается в самой базовой модели. Как подчеркивает эксперт по ИИ Ras Mic, текущие модели «исключительно хороши», способны распознавать сложные паттерны и выполнять запутанные инструкции. Критическим отличием, таким образом, становится обвязка и контекст, которые пользователи строят вокруг них. Эта окружающая архитектура определяет, выдает ли модель качественный результат или просто «ерунду», превращая мощный ИИ в дорогостоящий, неэффективный инструмент.

Это несоответствие вызывает широкое разочарование пользователей, приводя к значительным финансовым потерям. Разработчики и обычные пользователи инвестируют в передовой ИИ, только чтобы столкнуться с агентами, которые выдают общие, неверные или крайне неэффективные результаты. Среди распространенных виновников — многословные файлы `agent.md` или `cloud.md`, которые загружаются в контекст при каждом шаге, сжигая тысячи токенов и ухудшая производительность по мере заполнения окна контекста. Обещание интеллектуальной автоматизации уступает место циклу избыточных запросов, растущих затрат и снижающейся отдачи.

Выход за рамки этой неэффективности требует фундаментального изменения стратегии. Вместо грубых инструкций и раздутых токенами файлов `agent.md` — которые, по мнению Ras Mic, 95% пользователей могут полностью пропустить, что стоит 944+ токенов за ход — акцент должен сместиться на элегантные, эффективные рабочие процессы. Это включает понимание сложной механики окна контекста и использование передовых методов, таких как пользовательские Навыки (Skills), которые стоят примерно 53 токена за ход, для целенаправленного, токеноэффективного взаимодействия, прекращая цикл потраченных впустую токенов и открывая подлинную производительность.

Эффективность ИИ-агента зависит от его окна контекста, по сути, кратковременной памяти модели для любой данной задачи. Этот критически важный компонент определяет объем информации, к которой ИИ может получить доступ и обработать для выполнения действия.

Это окно не пустое; это динамический стек информации. Оно состоит из нескольких элементов, загруженных в активную память модели: - Базовый системный промпт, направляющий основное поведение ИИ. - Файлы агента, такие как `agent.md` или `cloud.md`, предназначенные для предоставления конкретных инструкций. - Пользовательские навыки, разработанные для специализированных рабочих процессов. - Интегрированные инструменты и соответствующая кодовая база. - Текущий разговор с пользователем, включая все предыдущие шаги.

Ras Mic, эксперт по механике ИИ-агентов, утверждает, что файлы `agent.md` часто оказываются избыточными для 95% пользователей. Эти файлы потребляют значительное количество токенов, загружаясь при каждом шаге и ухудшая производительность по мере ненужного заполнения окна.

Каждая часть информации, от одного символа до целой кодовой базы, преобразуется в токены — фундаментальные единицы данных, которые обрабатывает ИИ. Модели, такие как Claude Opus 4.6 и GPT 5.4, обладают впечатляющими окнами контекста, часто около 250 000 токенов. Однако эта емкость имеет жесткое ограничение.

Как только агент достигает своего лимита токенов, он прибегает к уплотнению, суммируя старую информацию, чтобы освободить место для новых данных. Этот процесс неизбежно приводит к резкому снижению производительности и качества вывода, подобно тому, как человек с трудом вспоминает детали из сильно сокращенной памяти.

Освоение производительности агента и оптимизация расхода токенов требуют глубокого понимания анатомии этого окна контекста. Стратегическое управление тем, что попадает в эту память, в частности, за счет использования прогрессивного раскрытия через пользовательские skills (которые стоят примерно 53 токена за ход по сравнению с 944+ для эквивалентных файлов `agent.md`), становится первостепенным для стабильного, высококачественного вывода ИИ.

Общепринятая мудрость диктует создание обширных файлов `agent.md` или `claude.md`, полагая, что эти подробные инструкции имеют решающее значение для производительности агента. Однако эта распространенная практика часто оказывается контрпродуктивной, излишне потребляя ресурсы и препятствуя эффективности. Ras Mic, эксперт по оптимизации AI-агентов, оспаривает это утверждение, заявляя, что 95% пользователей могут — и должны — полностью отказаться от этих больших контекстных файлов.

Современные большие языковые модели, такие как Claude Opus 4.6 и GPT 5.4, исключительно способны; они выводят контекст непосредственно из кодовой базы и текущего разговора. Сообщать агенту, что проект использует React, становится излишним, когда модель уже имеет файлы React в своем окне контекста. Она обладает врожденным интеллектом, чтобы понимать среду разработки без явных, повторяющихся инструкций. Это позволяет использовать «супер, супер минимальный» подход к построению контекста, значительно упрощая настройку агента. Для получения более глубоких сведений о передовых моделях Anthropic и их возможностях, включая Claude Opus, обратитесь к их официальному объявлению: Introducing Claude 3: Opus, Sonnet, Haiku.

Основная ловушка слишком большого файла `agent.md` заключается в механизме его загрузки. Агенты загружают эти целые файлы в свое окно контекста на каждом ходу, сжигая тысячи токенов без необходимости. Пользовательский skill, напротив, стоит примерно 53 токена за ход, в то время как эквивалентный файл `agent.md` может потреблять до 944 токенов за то же взаимодействие. Это приводит к значительной потере токенов и снижению производительности, поскольку окно контекста быстро заполняется.

Итак, когда эти файлы уместны? Оставшиеся 5% случаев использования включают высокоспецифичные, проприетарные методологии компании или уникальные рабочие процессы, которые агент не может вывести только из кода или разговора. Эти сценарии требуют постоянных, не подлежащих обсуждению инструкций, таких как соблюдение сложных внутренних протоколов соответствия или специализированных процедур обработки данных. В этих случаях компактный, точно определенный файл `.md` все еще может служить жизненно важной цели. В противном случае доверьтесь интеллекту модели и отбросьте лишнее.

Отказ от этих раздутых файлов `agent.md` открывает превосходную альтернативу: Skills. Эти специализированные, модульные наборы инструкций значительно оптимизируют работу вашего AI-агента, превращая управление токенами из недостатка в стратегическое преимущество. Skills представляют собой фундаментальный сдвиг парадигмы в дизайне агентов, отходя от статических, постоянно активных директив, которые перегружают окно контекста. Они позволяют агентам получать доступ к обширным возможностям без постоянных накладных расходов.

В основе эффективности Skills лежит принцип прогрессивного раскрытия информации. Вместо того чтобы встраивать целые руководства по эксплуатации в каждый виток разговора, в активном окне контекста агента находится только краткое название навыка и его краткое описание высокого уровня. Например, навык может быть описан как «анализ финансовых отчетов» или «создание маркетингового текста для социальных сетей», предоставляя агенту достаточно информации для понимания его цели. Этот крошечный объем токенов поддерживает рабочую память компактной и сфокусированной.

Вот как разворачивается рабочий процесс: агент AI, будь то на базе Claude Opus или GPT-5.4, сначала сканирует список доступных названий навыков и их описаний. Он использует свои передовые возможности рассуждения, чтобы определить, релевантен ли конкретный навык текущей задаче. Для маркетингового агента, если пользователь запрашивает публикацию в социальных сетях, навык «создание маркетингового текста» становится немедленно актуальным. Только после выявления четкой потребности агент динамически загружает полные, подробные инструкции для этого конкретного навыка в свой контекст, выполняя необходимые действия.

Рассмотрим резкий контраст в потреблении токенов, критически важный фактор как для стоимости, так и для производительности. Типичный, хорошо разработанный навык, с его названием и описанием, занимает всего 53 токена в окне контекста за каждый ход. Это минимальное вложение позволяет иметь обширную библиотеку потенциальных действий быть «наготове». Эквивалентный файл `agent.md`, однако, наполненный общими инструкциями, условной логикой для нескольких сценариев и определениями инструментов, поглощает более 944 токенов за ход. Эта ошеломляющая разница означает тысячи токенов, сэкономленных в течение длительного разговора или сложной, многоэтапной задачи.

Этот токеноэффективный подход не только сокращает операционные расходы, но и значительно повышает производительность и надежность агента. Предотвращая преждевременное заполнение окна контекста нерелевантной информацией, агенты поддерживают более высокую точность рассуждений и снижают вероятность «сжатия контекста», когда старая, потенциально важная информация суммируется или отбрасывается. Прогрессивное раскрытие информации с помощью Skills гарантирует, что ваш агент работает с максимальной точностью, получая доступ к специализированным знаниям только тогда, когда это действительно необходимо, предоставляя точные результаты без чрезмерного налога на токены.

Многие пользователи, стремящиеся использовать передовые возможности AI, инстинктивно определяют сложный рабочий процесс и немедленно пытаются с нуля написать для него исчерпывающий файл навыка. Этот традиционный подход, напоминающий предварительное программирование жесткого скрипта, часто приводит к неэффективному циклу проб и ошибок, сжигая ценные токены и генерируя непоследовательные результаты, поскольку теоретические инструкции неизбежно упускают нюансы реального выполнения. Такое предварительное авторство предполагает идеальное предвидение, недостаток, который быстро становится очевидным, когда агент сталкивается с непредвиденными крайними случаями.

Рас Мик, эксперт в области агентного AI, отстаивает радикально иную стратегию: Метод Co-Pilot. Эта итеративная, практическая методология превращает разработку навыков из одиночной задачи кодирования в совместный процесс обучения с самим AI. Вместо того чтобы диктовать инструкции, вы направляете агента через процесс, позволяя ему учиться, а затем документировать свой собственный успешный путь.

Методология Mic предлагает пятиэтапный план для развития надежных, практических навыков: - Во-первых, определите конкретный рабочий процесс, который агент должен освоить, будь то проверка электронных писем спонсоров или создание аналитических отчетов. - Затем выполните весь рабочий процесс вручную, **шаг за шагом, *вместе* с агентом, относясь к нему как к очень способному, но необученному ученику. - Крайне важно активно исправлять любые ошибки, уточнять подсказки и направлять агента к успешным микро-действиям в реальном времени. - Только после полного и безупречного выполнения всего рабочего процесса наступает ключевой заключительный этап. - Поручите агенту создать навык на основе этого успешного контекста взаимодействия**, эффективно самодокументируя свой собственный проверенный процесс.

Представьте обучение нового сотрудника: вы бы не просто дали ему толстое, теоретическое руководство и не ожидали немедленного, идеального выполнения. Вместо этого вы бы сидели рядом с ним, направляя его в задачах, предлагая немедленную обратную связь и позволяя ему учиться на практике. Только после того, как он продемонстрирует мастерство, вы задокументируете отработанный, проверенный процесс для будущего использования. Этот человеко-ориентированный подход — это именно то, что Co-Pilot Method применяет к AI-агентам, способствуя органическому обучению до формализации знаний.

Этот итеративный подход «обучения на практике» гарантирует, что навыки агента — это не абстрактные, теоретические конструкции, а надежные инструкции, построенные на проверенном, реальном выполнении. Такие навыки по своей природе более устойчивы к пограничным случаям и значительно более эффективны с точки зрения токенов, потому что они фиксируют точную последовательность успешных действий и решений. Создавая навыки *вместе* с вашим агентом, а не *для* него, вы выходите за рамки простого обучения и переходите к подлинной, контекстно-ориентированной компетенции, напрямую решая проблему расточительного использования токенов, присущую спекулятивным файлам `agent.md`.

Ras Mic, ведущий специалист в области разработки AI-агентов, столкнулся с распространенной проблемой при создании агента для проверки электронных писем спонсоров. Его первоначальная попытка, основанная на расплывчатом запросе, привела к тому, что агент одобрял каждого входящего спонсора. Основная проблема заключалась в фундаментальном отсутствии определенных критериев отклонения в контексте агента, что приводило к неизбирательному принятию.

Без явных инструкций о том, что представляет собой неподходящий партнер или как оценивать потенциальные конфликты интересов, агент по умолчанию проявлял положительную предвзятость. Эта распространенная ловушка подчеркивает, как даже мощные модели, такие как Claude Opus 4.6 или GPT 5.4, требуют точных ограничений и негативных условий для эффективной работы и предотвращения «некачественного» вывода.

Затем Mic применил Co-Pilot Method, отказавшись от традиционного подхода предварительного написания сложного, статического файла навыков. Вместо этого он интерактивно направлял агента через процесс проверки спонсоров шаг за шагом. Этот совместный, итеративный подход позволил агенту учиться непосредственно на его реальном рабочем процессе, улавливая нюансы принятия решений.

Он начал с того, что заставил агента тщательно исследовать гипотетического спонсора, поручив ему извлечь соответствующие данные из различных внешних источников. Затем он работал с агентом над определением детальных критериев как для желательных, так и для нежелательных партнеров, формулируя конкретные данные, «красные флаги» и соображения соответствия бренду. Наконец, они установили четкий, стандартизированный формат вывода для его рекомендаций, обеспечивая согласованность. Для получения дополнительной информации о структурировании задач агента, особенно с расширенными функциями, обратитесь к Tool use for Claude.

Этот совместный процесс завершился созданием высоконадежного skill, который мог автономно проверять входящие электронные письма спонсоров. Мик далее совершенствовал этот skill посредством рекурсивной обратной связи, рассматривая каждую неправильную классификацию или пограничный случай как возможность. Он передавал сбои обратно агенту, побуждая его обновлять skill file и учиться на своих ошибках.

После нескольких итераций этого цикла доработки агент теперь работает с замечательной точностью, автономно выполняя задачу, которая ранее занимала часы ручного труда. Конечный skill эффективно превратил трудоемкий, подверженный ошибкам ручной процесс в автоматизированный генератор аналитических данных, демонстрируя значительный прирост эффективности, возможный при интерактивном обучении агентов для создания надежных skills.

Даже самые тщательно разработанные skills, предназначенные для оптимизации производительности AI-агентов и эффективности токенов, неизбежно столкнутся с пограничными случаями. Новые форматы данных, неожиданные пользовательские вводы или непредвиденные сложности рабочего процесса могут привести к сбоям агента, вызывая ошибки или субоптимальные результаты. Это не просто ошибки; они представляют собой критические, реальные возможности для обучения.

Представляем Recursive Refinement Loop — мощную методологию, которая превращает сбои агентов в надежные, самосовершенствующиеся функции. Этот процесс рассматривает каждую ошибку не как дефект, который нужно исправлять извне, а как бесценную обратную связь, которую агент использует для улучшения своих собственных возможностей. Он внедряет цикл непрерывного улучшения, кардинально меняя подход к созданию устойчивых AI-систем.

Это итеративное усовершенствование следует точной трехэтапной последовательности, ставя агента во главе его собственной эволюции: - Во-первых, определите конкретную ошибку или отклонение от желаемого результата. Точно укажите момент и причину сбоя, предоставив конкретный контекст. - Во-вторых, предложите агенту проанализировать свой собственный сбой. Поручите ему объяснить, *почему* он произошел, и, что крайне важно, предложить логическое исправление или дополнительную инструкцию для предотвращения повторения этой конкретной ошибки. - В-третьих, прикажите агенту обновить свой собственный skill file непосредственно с помощью вновь предложенной логики. Это прямое изменение жестко кодирует извлеченный урок в его операционные руководства, делая агента глубоко самокорректирующимся и адаптивным.

Рас Мик наглядно продемонстрировал этот принцип с помощью своего генератора отчетов аналитики YouTube. Изначально агент испытывал трудности с присущей изменчивостью разнообразных входных данных и форматов отчетов, часто выдавая непоследовательные или неполные результаты. В течение пяти строгих итераций Recursive Refinement Loop он систематически возвращал каждый уникальный сбой в процесс обучения агента.

Каждый раз агент тщательно диагностировал свои недостатки, формулировал точные решения и обновлял свои внутренние инструкции в skill file. Этот дисциплинированный, итеративный подход превратил ранее подверженную сбоям систему в безупречный data aggregator. Теперь агент выполняет сложные отчеты по восьми различным источникам данных примерно за десять минут, постоянно предоставляя точные и всеобъемлющие аналитические данные без вмешательства человека.

Разработчики часто спешат развернуть сложные многоагентные системы с первого дня, соблазненные привлекательностью замысловатых архитектур. Эта распространенная ошибка отдает приоритет кажущейся сложности над ощутимым результатом, часто приводя к раздуванию токенов и неэффективным рабочим процессам до того, как будет сгенерирована какая-либо реальная ценность. Рас Мик, однако, отстаивает более прагматичный подход, подчеркивая фундаментальную стратегию, которая отдает приоритет эффективности.

Вместо немедленной архитектурной сложности, Ras Mic выступает за начало с одного мощного универсального агента. Этот основной агент справляется с широким кругом задач — от всестороннего скрининга электронной почты до детального анализа электронных таблиц и глубоких исследований — без ненужных накладных расходов на специализированные, преждевременные аналоги. Цель остается прежней: создание надежного, высокопроизводительного ядра, прежде чем рассматривать любое расширение.

Сосредоточьте усилия на тщательном создании всеобъемлющей библиотеки надежных навыков для этого основного агента. Каждый навык, отточенный в ходе итеративных «циклов рекурсивного уточнения», как было подробно описано ранее, становится точным, токеноэффективным инструментом, доведенным до совершенства. Эта стратегия гарантирует, что универсальный агент освоит свои основные рабочие процессы, постоянно обеспечивая высококачественные, предсказуемые результаты, которые минимизируют потери токенов и максимизируют точность.

Масштабирование происходит только после того, как основные рабочие процессы универсального агента будут усовершенствованы, а его библиотека навыков будет зрелой. Вводите специализированных подагентов — для отдельных областей, таких как маркетинг, развитие бизнеса или личные задачи — стратегически, когда возникают конкретные, сложные потребности. Это взвешенное, ориентированное на производительность расширение позволяет избежать ловушек преждевременной сложности, гарантируя, что каждый новый компонент служит проверенной, эффективной цели, а не просто способствует созданию круто выглядящей, но неэффективной системы. Приоритизируйте подлинную полезность над архитектурным шиком.

Агентский ИИ — это не далекое обещание; это непосредственная реальность с моделями, такими как Claude Opus 4.6 и GPT-5.4. Эти передовые системы демонстрируют беспрецедентную автономию и рассуждение, выходя за рамки простого ответа на запросы и по-настоящему организуя сложные задачи. Однако их мощь по-прежнему зависит от качества их операционной структуры.

Тщательно подобранная библиотека навыков становится незаменимой основой для использования этих автономных моделей. Вместо попыток запихнуть каждую потенциальную инструкцию в один монолитный файл контекста, этот модульный подход предоставляет агентам точный, доступный по требованию набор инструментов. Это позволяет ИИ динамически получать доступ к специализированным возможностям, значительно повышая эффективность и сокращая потери токенов, связанные с раздутыми файлами `agent.md`.

Выводы из инцидентов, таких как утечка кода Claude, еще раз подчеркивают эту необходимость, раскрывая глубокую, скрытую сложность оркестровки агентов профессионального уровня. Эти просочившиеся системные подсказки продемонстрировали, как даже ведущие разработчики ИИ полагаются на высокоструктурированные, модульные компоненты для эффективного управления своими агентами. Для более глубокого понимания этих разработок изучите Claude 3 Opus and the frontier of AI agents.

Разработка надежной методологии формирования навыков, основанной на прогрессивном раскрытии и рекурсивном уточнении, таким образом, не является просто временным решением. Это фундаментальная дисциплина для всех, кто серьезно относится к работе с ИИ в ближайшие годы. Освоение этого подхода гарантирует, что агенты смогут масштабироваться для достижения истинной производительности, а не рухнут под тяжестью плохо управляемого контекста.

Истинный потенциал вашего ИИ-агента раскрывается не за счет массивных файлов `agent.md` или сложных многоагентных настроек с первого дня. Вместо этого он заключается в дисциплинированном подходе к управлению контекстом и развитию навыков. Освоение этой методологии превращает ИИ из новинки, тратящей токены, в мощный инструмент повышения производительности.

Предпримите эти конкретные шаги, чтобы революционизировать ваш рабочий процесс агентов:

• 1Оптимизируйте контекст: Откажитесь от файлов `agent.md`, раздувающих количество токенов. Используйте врожденный интеллект моделей, таких как Claude Opus 4.6 и GPT-5.4, доверяя им выводить контекст из кодовой базы и разговора.
• 2Используйте прогрессивное раскрытие: Применяйте навыки (Skills) как основной метод расширения возможностей агента. Только имя и описание навыка находятся в активном контексте, полные инструкции загружаются только при необходимости, что значительно сокращает потребление токенов.
• 3Создавайте навыки в стиле Co-Pilot: Не пытайтесь писать файлы навыков с нуля. Вместо этого определите повторяющуюся задачу и выполните ее шаг за шагом с вашим агентом. После успешного выполнения поручите агенту инкапсулировать этот рабочий процесс в новый навык.
• 4Рекурсивно совершенствуйте: Рассматривайте каждую ошибку агента как возможность для улучшения. Передавайте ошибку агенту, позволяя ему диагностировать проблему и обновлять файл навыка для будущей устойчивости. Этот рекурсивный цикл совершенствования постоянно укрепляет возможности вашего агента.
• 5Масштабируйте для продуктивности: Сопротивляйтесь желанию немедленно создавать разветвленные многоагентные системы. Начните с одного агента, сосредоточившись на создании надежной библиотеки высокоэффективных навыков для его основных задач. Расширяйтесь только после достижения стабильной и надежной производительности.

На этой неделе определите один повторяющийся рабочий процесс в вашей профессиональной или личной жизни. Это может быть составление рутинных электронных писем, подведение итогов совещаний или организация данных. Примените метод Co-Pilot: выполните эту задачу с вашим агентом в живом разговоре, документируя каждый шаг. После завершения попросите агента написать навык для вас.

Это практическое упражнение не только принесет вам ваш первый пользовательский навык, но и заложит основополагающие принципы эффективного агентного ИИ. Освоив этот бережливый, итеративный подход, вы выйдете за рамки простого взаимодействия, чтобы раскрыть глубокие преимущества в производительности, которые действительно обещает агентное будущее, основанное на моделях, таких как Claude Opus 4.6 и GPT-5.4.

В чем основная проблема использования ИИ-агентов людьми сегодня?

Большинство пользователей перегружают контекстное окно ИИ ненужной информацией, такой как длинные файлы agent.md. Это тратит токены, ухудшает производительность и приводит к плохим результатам.

Что такое 'навыки' ИИ и почему они более эффективны?

Навыки — это самодостаточные инструкции для агента. Они используют 'прогрессивное раскрытие', что означает, что только имя и описание находятся в контекстном окне до тех пор, пока они не понадобятся, экономя тысячи токенов за ход по сравнению с другими методами.

Какой лучший способ создать новый навык ИИ?

Вместо того чтобы писать навык с нуля, вы должны сначала пройти задачу шаг за шагом с ИИ-агентом. Как только вы достигнете успешного результата, попросите агента написать навык на основе этого проверенного разговора.

Нужно ли мне использовать файлы agent.md или claude.md?

По словам эксперта Ras Mic, 95% пользователей не нуждаются в этих файлах. Их следует использовать только для конфиденциальной информации, которая должна быть упомянута в каждом взаимодействии с агентом.