# Дэвид Ондрей: «Удалите 90% ваших агентских навыков прямо сейчас» Источник: https://www.youtube.com/watch?v=45-qbcAeUbM Канал: David Ondrej Опубликовано: 09.11.2026 --- Бурный рост популярности автономных ИИ-агентов для разработки привел к появлению сотен публичных библиотек с готовыми «навыками» (skills), которые разработчики массово добавляют в свои конфигурации. Однако слепое копирование чужих инструкций не делает ИИ эффективнее: напротив, оно засоряет контекстное окно моделей, приводит к перерасходу токенов и снижает общую производительность системы. Автор платформы Cloudroom Дэвид Ондрей делится практическим руководством по ревизии рабочего окружения и объясняет, почему узкоспециализированные собственные сценарии эффективнее любых вирусных пакетов. ## Контекстная перегрузка: почему слепое копирование чужих навыков вредит агентам ### Ложная экспертиза вирусных репозиториев В сообществах разработчиков стало нормой каждую неделю клонировать новые каталоги навыков для Claude Code, Cursor или Codex, рассчитывая мгновенно повысить качество кодогенерации. Особой популярностью пользуются пакеты, якобы созданные ведущими исследователями индустрии, например Андреем Карпатым. Однако большинство подобных подборок — не более чем спекулятивный маркетинг сторонних энтузиастов, реконструировавших чужие рабочие процессы на основе обрывков постов в Twitter. Применение чужого инструментария без понимания внутренней специфики не делает пользователя экспертом, а лишь создает иллюзию автоматизации. ### Токеномика и проблема лимитов Навык агента представляет собой регламентированную цепочку промптов (workflow), оформленную в виде файла `skill.md`. Архитектура стандарта, изначально предложенного Anthropic, устроена так, что общее краткое описание (description) каждого установленного навыка загружается в системный контекст модели при каждом запросе, тогда как полное тело (body) вызывается лишь при совпадении триггера. Когда у разработчика установлено 100–200 сторонних навыков, их описания начинают конкурировать за контекст: * Системный промпт раздувается до сотен лишних токенов на каждую итерацию. * Расплывчатые описания чужих скриптов провоцируют ложные срабатывания, заставляя агента вызывать тяжеловесные тела инструкций без реальной необходимости. * Разработчик исчерпывает дорогостоящие тарифные лимиты (например, подписки на Codex за $200) в разы быстрее, вынужденно прибегая к агрессивной компрессии контекста (`/compact`). Рабочие процессы конкретного инженера уникальны: проблемы архитектуры, стек, соглашения о коде и специфика бизнеса не совпадают с шаблонами публичных авторов. Следовательно, до 80–90% установленных извне навыков являются чистым балластом. ## Архитектура навыков: открытые стандарты и скрытые уязвимости ### Стандартизация директорий: `.agent/skills` против `.claude/skills` Формат агентских навыков стал общепринятым стандартом индустрии относительно недавно. Изначально привязанный к экосистеме Anthropic (`.claude/skills`), подход быстро эволюционировал в открытый стандарт с универсальной директорией `.agent/skills`. Современные среды исполнения кода (harnesses) поддерживают единый каталог вызова команд, однако универсализация несет в себе не только удобство, но и риски безопасности. ### Угроза Prompt Injection в стороннем коде Загрузка файлов конфигурации от непроверенных авторов с небольшим числом подписчиков в социальных сетях сопоставима с запуском недоверенных бинарных файлов. Внедрение скрытых промпт-инъекций (Prompt Injection) в тело навыка позволяет: * Незаметно передать конфиденциальные исходные коды проекта на внешний сервер. * Переопределить системные правила безопасности модели. * Эксплуатировать уязвимости локальных и недорогих моделей с открытым исходным кодом, которые менее устойчивы к состязательным атакам, чем передовые проприетарные нейросети. Исключение составляют верифицированные инструменты от крупных технологических компаний. В качестве примера легитимного внешнего навыка приводится аудит безопасности от Cloudflare (Security Audit Skill), запускаемый разово в изолированной облачной песочнице для глубинного анализа кодовой базы. Параллельно для предотвращения утечек и уязвимостей в коде, генерируемом агентами, применяются специализированные ИИ-инструменты анализа пул-реквестов, такие как CodeRabbit, отслеживающие сквозные пути данных от эндпоинтов до критических компонентов. ## Процедура чистки: аудит и удаление неиспользуемых скриптов ### Промпт для автоматической ревизии сессий Вместо ручного перебора каталогов для очистки системы рекомендуется задействовать саму фронтирную модель (Claude Opus 3.5/5.5 или флагманские модели линейки GPT с высоким уровнем reasoning). Методика проста: разработчик направляет агенту снимок директории навыков или список установленных файлов и запускает анализ истории локальных сессий (Hermes, Pi, Codex, Claude Code). Модель выявляет частоту фактического обращения к каждому инструменту за последний месяц. ```text Проанализируй мои последние сессии разработки и сопоставь их с установленными навыками в .agent/skills. Выдели 10 наименее используемых навыков, покажи, сколько токенов они занимают в базовом описании, и сформируй список на удаление тех, которые ни разу не активировались за последние 30 дней. ``` Удаление неактивных файлов безопасно: развитие нейросетей позволяет при необходимости сгенерировать точный узкоспециализированный скрипт за несколько секунд прямо в диалоге. ## Пять базовых навыков: минималистичный рабочий набор Отказ от сотен публичных скриптов компенсируется созданием нескольких высокоточных инструментов, закрывающих рутинные потребности повседневной разработки. ### 1. Кросс-модельный аудит (GPT Review) Флагманские модели Anthropic (семейство Opus) демонстрируют выдающиеся результаты в архитектуре и написании кода, однако склонны воспроизводить собственные системные слепые зоны. Навык `gpt-review` запускает фонового субагента на базе альтернативной фронтирной модели (например, флагманов OpenAI линейки GPT/Astra) для независимой верификации внесенных диффов. Кросс-проверка двумя принципиально разными моделями отсекает до 95% архитектурных недочетов и скрытых багов перед коммитом. ### 2. Универсальная интеграция данных (Deep API) Современные модели ограничены датой среза обучающей выборки (knowledge cutoff), а встроенные механизмы веб-поиска в инструментах вроде Claude Code часто работают медленно из-за корпоративных ограничений безопасности. Навык `deep-api` объединяет внешние сервисы поиска, парсинга репозиториев GitHub, Twitter и технической документации в единый легковесный интерфейс, избавляя от необходимости поддерживать отдельные учетные записи в Firecrawl или Apify. ### 3. Фиксация контекста (State) При параллельной работе над десятками задач в разветвленных ветках разработчик неизбежно теряет фокус. Навык `state` возвращает предельно лаконичный отчет: * Какова первоочередная цель текущего треда. * Какой процент задачи выполнен к данной минуте. * Какие файлы были затронуты и каков следующий атомарный шаг. ### 4. Защита от оверинжиниринга (Stop Overthinking) Агенты на базе глубокого рассуждения (reasoning models) склонны к гипертрофированному поиску краевых случаев. Модель способна написать 200 строк защитного кода для сценария с вероятностью один на миллиард (например, одновременный вход с трех редких устройств через прокси). Навык `stop-overthinking` принудительно директивным тоном требует от агента: * Отбросить некритичные граничные случаи. * Оценить жизнеспособность архитектуры с точки зрения прагматичного продакшена. * Выделить только блокирующие баги, требующие немедленного исправления. ### 5. Мгновенный рендеринг интерфейсов (Show Design) Вместо сборки фронтенда, запуска локального dev-сервера и ручного клика по кнопкам для оценки интерфейса, навык `show-design` генерирует визуальные варианты компонентов прямо в окне чата IDE. Агент выдает 3–4 альтернативных решения верстки или расположения полей ввода, позволяя разработчику выбрать удачный вариант без прерывания сессии кодинга. ## Концепция SOP: навыки как регламенты эпохи искусственного интеллекта ### Философия регламентов Джеффа Безоса Наиболее точная концептуальная модель для агентских навыков — это стандартные операционные процедуры (SOP, Standard Operating Procedures). В ежегодном послании акционерам Amazon 2016 года Джефф Безос сформулировал принцип: «Хороший процесс служит вам, чтобы вы могли служить клиентам». В агентной разработке навык выступает машиночитаемым регламентом: * Документ описывает не просто общий алгоритм, а конкретные шаги реализации узкой задачи внутри архитектуры проекта. * Узкая специализация важнее универсальности: навык `refactor-billing` со строгим запретом на запись в определенные базы и вызовом Read-Only API безопаснее абстрактного навыка `write-good-code`. * Если регламент автоматизирует даже 0,2% редких, но критических действий компании, его детерминированность окупает затраты на создание. ### Автономные агентские циклы (Agent Loops) Интеграция выверенных процедур позволяет перейти от формата «вопрос — ответ» к автономным циклам (Agent Loops). На платформе Cloudroom этот механизм реализует связку «90/10»: * В 90% рутинных и предсказуемых шагов (мониторинг зависимостей, проверка логов, первичная сборка) агент работает полностью автономно в фоновом режиме. * В 10% неопределенных или критических ситуаций агент запрашивает подтверждение разработчика. Применение заранее сконфигурированных шаблонов циклов позволяет выполнять тысячи рутинных микрозадач в неделю без участия человека. ## Топология внедрения: разделение скоупов и командная синергия ### Глобальные против проектных навыков Распространенная ошибка начинающих инженеров — размещение всех скриптов в глобальной конфигурации пользователя. Это приводит к раздуванию системного промпта даже в проектах, не имеющих отношения к функционалу конкретных скриптов. Профессиональная топология предполагает строгое разделение: 1. **Глобальные навыки (Global Skills)**: базовые утилиты, не зависящие от кодовой базы (запрос статуса, форматирование вывода, кросс-модельный аудит). 2. **Проектные навыки (Project Skills)**: файлы, привязанные к конкретному репозиторию, описывающие соглашения об именовании, правила деплоя и специфические интерфейсы конкретной системы. Они подгружаются исключительно при открытии целевого проекта. ### Облачные среды и отвязка от локального оборудования Локальные агенты ограничены ресурсами рабочего компьютера, прерывают выполнение при закрытии крышки ноутбука и создают всплывающие окна. Развитие инфраструктуры связано с переходом в изолированные облачные песочницы. В Cloudroom конфигурация `.agent/skills` транслируется в облачные контейнеры через CLI-интерфейс. Агент функционирует непрерывно, вне зависимости от сетевого статуса клиентской машины, сохраняя доступ ко всем локально настроенным регламентам. ### Масштабирование экспертизы внутри команды В организациях ключевые компетенции распределены неравномерно: в штате всегда есть ведущий архитектор, финансовый директор или специалист по кибербезопасности, чье понимание процессов превосходит средний уровень команды. Трансформация этих знаний в кодифицированные навыки внутри общего репозитория компании (например, на базе GitHub вместо статичных заметок в Notion) меняет процесс онбординга: * Новый разработчик или стажер с первого дня подключает корпоративного агента, использующего регламенты, созданные топ-инженерами компании. * ИИ предотвращает типичные архитектурные ошибки новичков на этапе генерации первого пул-реквеста. * Навыки масштабируют экспертизу одного человека на всю организационную структуру. Эффективность агентской разработки определяется не количеством установленных плагинов из вирусных веток соцсетей, а степенью соответствия инструкций реальным процессам инженера. Подобно тому как костюм индивидуального пошива сидит лучше купленного наугад на распродаже, лаконичный набор из пяти собственных специализированных файлов `.agent/skills` обеспечивает большую скорость и чистоту кода, чем сотни заимствованных скриптов.