Разборы · Статья: · Видео: · 20:43
Как писать сильные скиллы для ИИ-агентов: чеклист из четырёх осей
Разбор доклада «The Missing Manual» с конференции AI Engineer: как выбраться из «скилл-ада», отличить хороший агентный скилл от плохого и ужать его через четыре оси — триггер, структуру, стиринг и прунинг.
Смотреть на YouTube Building Great Agent Skills: The Missing Manual
AI Engineer · 20:43
Главы видео — нажми, чтобы перейти к моменту 9
- 0:00 Скилл-ад: почему все тонут в скиллах После tutorial hell и framework hell пришёл skill hell — скиллов много, а отличить хороший от плохого нечем.
- 1:50 Чего не хватает — общей рубрики Нет разделяемого фреймворка, чтобы посмотреть на скилл и сказать, что в нём хорошо, а что плохо.
- 2:07 Чеклист из четырёх осей Триггер, внутренняя структура, стиринг (как направляем агента) и как сделать скилл максимально маленьким.
- 3:19 Триггер: кто вызывает скилл User-invoked против model-invoked; сравнение репозиториев автора и superpowers.
- 7:32 Структура: шаги и справка Две единицы скилла — steps и reference; skill.md держим минимальным, ветки прячем за context pointers.
- 12:05 Стиринг: ведущие слова Короткие ёмкие формулировки (например «вертикальный срез»), которые агент повторяет в рассуждениях и меняет поведение.
- 14:53 Легворк: по одному шагу за раз Агент недорабатывает шаг, видя финальную цель; лечится дроблением скилла, чтобы он видел только текущий этап.
- 16:41 Прунинг: режем лишнее Дубли, sediment и no-ops раздувают скилл; тест удаления выявляет пустышки.
- 19:59 С чего начать Скилл writing great skills прогоняет твои и чужие скиллы по всему чеклисту.
Коротко
Скиллы для ИИ-агентов расплодились, но нет рубрики, чтобы отличить хороший от плохого, — и люди тонут в «скилл-аде». Доклад даёт чеклист из четырёх осей (триггер, структура, стиринг, прунинг), а главный приём — «ведущие слова», которыми агента направляют небольшими, но точными формулировками.
Выжимка голосом
Самое ценное из разбора — за пару минут
Показать текст выжимки Скрыть текст выжимки
Озвучено синтезом речи · голос alena
Объясни проще
Суть без жаргона
Простыми словами
Скилл — это готовая инструкция, которую ИИ-агент подхватывает, чтобы сделать задачу по правилам. Скиллов стало так много, что люди скачивают всё подряд и не понимают, какой помогает, а какой только мешает. Автор предлагает проверять каждый скилл по четырём вопросам: как он запускается, из чего состоит, как направляет агента и что из него можно выкинуть.
Как ребёнку
Представь, что у робота есть коробка с карточками-подсказками «как что делать». Если карточек слишком много и они мутные, робот путается и делает не то. Автор учит писать карточки так, чтобы каждая была короткой, понятной и без лишних слов, — тогда робот слушается.
Аналогия — «это как…»
Скилл — это как рецепт для повара-новичка. Плохой рецепт раздут, повторяет одно и то же и полон заметок, которые никто не читает. Хороший — это короткие шаги плюс отдельная страничка со справкой, к которой заглядываешь только когда нужно.
Зачем это мне
ИИ-агенты в разработке становятся нормой, и качество их работы всё чаще упирается не в модель, а в инструкции, которые ты ей даёшь. Умение писать компактные, предсказуемые скиллы — это новый практический навык: он экономит токены на каждом запросе и делает поведение агента стабильным.
Для тех, кто в теме
Рамка автора: триггер (user-invoked против model-invoked — трейд-офф между context load на агента и cognitive load на пользователя, плюс налог на непредсказуемость у model-invoked), структура (skill.md минимальный, две единицы — steps и reference, ветвящуюся справку прячем за context pointers), стиринг (leading words, попадающие в reasoning traces; принудительный leg work через дробление скилла на шаги, невидимые друг для друга) и прунинг (single source of truth, борьба с sediment, deletion test на no-ops).
Оценка видео
Чем выше — тем больше пользы на минуту
средняя из 5
Агентные скиллы — одна из горячих тем 2026 года; проблема «скилл-ада» ощущается прямо сейчас.
Плотный чеклист без воды: за 20 минут — четыре оси и несколько конкретных приёмов.
Рамка «context load против cognitive load» и приём «ведущих слов» дают свежий язык, хотя интуитивно многие это уже делали.
Прямой чеклист, который можно приложить к своему скиллу сегодня же, плюс готовый скилл для автоматизации.
Почти всё — личный опыт автора без замеров и эвалов; техники убедительны, но не доказаны цифрами.
Кому будет полезно
Чем выше оценка — тем больше пользы для профессии. Разверни — почему.
Для авторов агентных скиллов 5 /5
Прямое попадание: доклад целиком о том, как проектировать, ужимать и отлаживать скиллы, плюс даёт готовый мета-скилл для ревизии.
Для разработчиков на кодовых агентах 4.7 /5
Тем, кто ежедневно работает с Claude Code, Cursor и подобными, объясняет, почему агент «не слушается» и как это чинить через ведущие слова и дробление шагов.
Для тимлидов и инженерных менеджеров 4.2 /5
Помогает превратить рабочие процедуры команды в скиллы для агентов и понять, почему больше скиллов не равно больше пользы.
Для ML- и AI-инженеров 4 /5
Полезно при сборке агентных пайплайнов: как контекстная нагрузка и непредсказуемость вызова влияют на надёжность.
Для технических писателей 3.6 /5
Принципы single source of truth, борьбы с sediment и no-ops напрямую переносятся на документацию, но фокус доклада всё же на агентах.
Инсайты
Нажми, чтобы раскрыть — то, что меняет взгляд на тему
01 Скиллы, вызываемые моделью, не «лучше» — просто дороже 5:02
Кажется, что чем гибче вызов, тем лучше. Но каждый model-invoked скилл добавляет описание в контекст на каждом запросе и вносит непредсказуемость: модель может просто не вызвать идеально подходящий скилл. Гибкость оплачивается токенами и нестабильностью.
02 Бесплатного обеда нет: нагрузку можно переложить, но не убрать 5:46
User-invoked снимает нагрузку с агента, но перекладывает её на голову пользователя — тот должен помнить свои скиллы. Model-invoked наоборот. Выбор триггера — это не «правильно или нет», а куда положить неизбежную сложность.
03 Маленький скилл — это про деньги и надёжность, а не про эстетику 9:03
Описание и skill.md попадают в контекст, а значит каждое лишнее слово оплачивается токеном на каждом запросе. Компактный скилл ещё и легче поддерживать и проверять. Минимализм тут — инженерное требование, а не вкус.
04 Агент не слушается не потому что «тупой», а потому что нет ведущего слова 12:05
Часто проблема не в модели, а в том, что инструкция размазана. Одно ёмкое слово-якорь (например «вертикальный срез») агент повторяет в рассуждениях и в выводе — и это реально меняет поведение. Проверить легко: слово должно всплыть в трейсах.
05 Иногда лучший способ заставить агента постараться — спрятать от него следующий шаг 16:41
Видя финальную цель (создать план), агент халтурит на промежуточном шаге (задать уточняющие вопросы). Решение контринтуитивно: разбить скилл так, чтобы агент видел только текущий этап и не торопился к финалу.
Ключевые цитаты
Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале
«Просто ещё один скилл, бро — вот что мы, кажется, друг другу говорим.»
«Скилл-ад — это когда у тебя куча свободно доступных скиллов, но ты не понимаешь, как все части работают вместе.»
«Чего нам не хватает — так это понимания, что вообще делает скилл хорошим.»
«Каждый раз, когда ты добавляешь скилл, вызываемый моделью, ты повышаешь контекстную нагрузку на агента.»
«Чем больше у тебя скиллов, вызываемых пользователем, тем выше когнитивная нагрузка на пользователя.»
«Каждое слово, которое ты убрал, — это сэкономленный токен.»
«Есть слова, которые упаковывают огромный смысл в крошечное пространство.»
«Английский — довольно широкий API: в нём много функций, которые можно вызвать.»
Полезные советы
Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать
1 Реши для каждого скилла, кто его вызывает
15 минут перестанешь платить токенами и непредсказуемостью за скиллы, которые могла бы запускать только твоя рука
Реши для каждого скилла, кто его вызывает
User-invoked нагружает пользователя (надо помнить), model-invoked — агента (описание в контексте + риск невызова). Осознанно выбери одно, а не оставляй по умолчанию всё model-invoked.
Что делать
- 1 Выпиши свои скиллы и отметь, какие реально должен решать вызвать сам агент.
- 2 Остальным поставь отключение model-вызова, чтобы описание не висело в контексте.
- 3 Проверь итоговое число model-invoked описаний — их не должны быть десятки.
2 Прогони скилл через тест удаления
10 минут выкинешь пустышки, которые занимают токены, но не меняют поведение агента
Прогони скилл через тест удаления
No-op — это кусок скилла, который выглядит осмысленным, но ни на что не влияет. Классика: абзац «пиши длинный коммит» — агент и так его напишет.
Что делать
- 1 Возьми подозрительный абзац и мысленно (или реально) удали его.
- 2 Запусти скилл и сравни поведение агента до и после.
- 3 Если разницы нет — удаляй насовсем.
3 Впиши ведущее слово и следи за трейсами рассуждений
20 минут агент начнёт делать то, что ты просишь, без длинных объяснений
Впиши ведущее слово и следи за трейсами рассуждений
Найди термин, который упаковывает нужное поведение (у разработки их много — «вертикальный срез», «идемпотентность»). Повторяй его в скилле последовательно.
Что делать
- 1 Сформулируй желаемое поведение одной короткой фразой-якорем.
- 2 Вставь её в скилл и используй консистентно, а не один раз.
- 3 Запусти и проверь, всплывает ли слово в reasoning-трейсах агента.
4 Раздели длинный скилл на отдельные шаги
полчаса агент перестанет халтурить на подготовительном этапе ради быстрого финала
Раздели длинный скилл на отдельные шаги
Если агент недорабатывает шаг (мало уточняющих вопросов, поверхностный разбор кода), вынеси этот шаг в отдельный скилл, чтобы агент не видел будущей цели.
Что делать
- 1 Найди шаг, где агент стабильно халтурит.
- 2 Выдели его в самостоятельный скилл с собственным завершением.
- 3 Свяжи шаги так, чтобы следующий запускался только после завершения текущего.
5 Вынеси ветвящуюся справку за context pointer
вечер skill.md станет маленьким, а тяжёлые шаблоны подтянутся только когда нужны
Вынеси ветвящуюся справку за context pointer
Если справочный материал (шаблон, определение) нужен лишь в одной из веток скилла — не держи его в основном файле. Оставь ссылку на отдельный файл рядом со скиллом.
Что делать
- 1 Определи ветки: какими разными способами используется скилл.
- 2 Найди справку, привязанную только к одной ветке.
- 3 Перенеси её в отдельный markdown и оставь в skill.md короткий указатель на него.
6 Разложи скилл на две единицы — шаги и справку
15 минут скилл станет понятнее и его проще будет чинить
Разложи скилл на две единицы — шаги и справку
Почти любой скилл раскладывается на пошаговую процедуру (steps) и вспомогательный материал (reference). Разделяй их явно — это сразу вскрывает лишнее.
Что делать
- 1 Выпиши шаги, которые агент должен пройти.
- 2 Отдельно собери справку, которая нужна этим шагам.
- 3 Проверь, что справка не размазана внутри шагов.
7 Проведи ревизию на дубли и sediment
вечер скилл перестанет пухнуть от наслоений, которые все боятся удалить
Проведи ревизию на дубли и sediment
Sediment — это осадок из чужих правок в общий файл, который никто не решается тронуть. Плюс следи, чтобы у каждого куска был единственный источник истины.
Что делать
- 1 Пройди скилл и отметь повторяющиеся определения — оставь одно место на каждое.
- 2 Найди устаревшие или нерелевантные куски и удали их.
- 3 Проверь, что оставшийся материал релевантен всем веткам, иначе — в отдельную ветку.
8 Прогони свои скиллы через writing great skills
30 минут получишь автоматическую проверку по всему чеклисту, а не по памяти
Прогони свои скиллы через writing great skills
Автор закодировал весь доклад в отдельный скилл из своего репозитория. Его можно натравить и на свои скиллы, и на community-скиллы, которые собираешься подключить.
Что делать
- 1 Скачай скилл writing great skills из репозитория автора.
- 2 Прогони через него самый большой свой скилл.
- 3 Прими предложенные правки по триггеру, структуре, стирингу и прунингу.
Сценарии применения
Как разные люди применяют это на практике
Я как Автор open-source скиллов
Проблема: пользователи жалуются, что скилл срабатывает не всегда и не так, как обещано
Хочу: понять, из-за чего скилл ведёт себя непредсказуемо
Поможет: узнаёт, что виноват model-вызов и размытые формулировки, и чинит это триггером и ведущими словами
Я как Разработчик на Claude Code
Проблема: подключил десятки скиллов, и агент стал медленнее и рассеяннее
Хочу: снизить контекстную нагрузку, не теряя полезного
Поможет: переводит редкие скиллы в user-invoked и режет описания, освобождая контекст
Я как Инженерный тимлид
Проблема: рабочие процедуры команды живут в головах, а агент их не выполняет
Хочу: превратить SOP в надёжные скиллы для агентов
Поможет: получает структуру steps + reference и понимает, почему не надо валить всё в один model-invoked скилл
Я как Технический писатель
Проблема: скилл разросся до огромного файла, куда все что-то дописывали
Хочу: ужать его, ничего важного не потеряв
Поможет: применяет борьбу с sediment, single source of truth и тест удаления
Я как Инди-хакер
Проблема: скачал кучу community-скиллов, но обещанного результата нет
Хочу: отличить хорошие скиллы от плохих до подключения
Поможет: прогоняет чужие скиллы через writing great skills и оставляет только рабочие
Я как ML-инженер
Проблема: агент кодит слоями и не показывает результат рано
Хочу: заставить его делать тонкий рабочий срез сначала
Поможет: вводит ведущее слово «вертикальный срез» и видит его в трейсах и в планах
Я как Консультант по внедрению ИИ
Проблема: клиенты не понимают, что делает агентный скилл хорошим
Хочу: дать им простой критерий оценки
Поможет: использует чеклист из четырёх осей как язык разговора с командами
Логика повествования
Как устроена аргументация видео — пройди по шагам
-
Предпосылка Мы в скилл-аду 0:36
После tutorial hell и framework hell пришёл skill hell: скиллов много, а отличить хороший от плохого нечем.
-
Предпосылка Нет общей рубрики 1:50
Ни у людей, ни у организаций нет разделяемого фреймворка, чтобы оценить и улучшить скилл.
-
Аргумент Нужен чеклист из четырёх осей 2:07
Триггер, структура, стиринг и прунинг — по ним можно пройтись по любому скиллу.
-
Аргумент Триггер: у каждого выбора своя цена 5:18
Model-invoked грузит контекст агента и добавляет непредсказуемость; user-invoked грузит память пользователя.
-
Аргумент Структура: шаги плюс справка, skill.md минимальный 7:32
Две единицы — steps и reference; ветвящуюся справку прячем за context pointers, чтобы основной файл был мал.
-
Пример Стиринг: ведущие слова и легворк 12:05
Ёмкие слова-якоря меняют поведение агента; дробление скилла заставляет его дорабатывать текущий шаг.
-
Аргумент Прунинг: убей дубли, sediment и no-ops 16:41
Единый источник истины, чистка наслоений и тест удаления держат скилл маленьким.
-
Вывод Прогони скиллы через writing great skills 19:59
Готовый мета-скилл автоматизирует весь чеклист для своих и чужих скиллов.
Подробный разбор
Полный разбор — разверни, если нужно глубже
Развернуть подробный разбор Свернуть подробный разбор
Стоит ли смотреть целиком
Да, если ты пишешь или подключаешь агентные скиллы. Это редкий случай, когда 20-минутный доклад не растекается: автор берёт расплывчатую боль «скиллов много, толку мало» и превращает её в осязаемый чеклист из четырёх осей, по которому можно пройтись прямо с открытым файлом скилла.
Сильнее всего заходят две вещи. Первая — рамка «context load против cognitive load»: она снимает иллюзию, что скиллы, вызываемые моделью, объективно лучше, и показывает, что ты просто выбираешь, куда положить неизбежную сложность. Вторая — приём «ведущих слов»: вместо длинных уговоров ты находишь одно точное слово, которое агент подхватывает и повторяет в рассуждениях. Проверяемость тут ключевая — успех видно прямо в трейсах.
Чего в докладе не хватает
Это доклад-мнение, а не исследование. Почти все рекомендации держатся на личном опыте автора, без замеров, эвалов и сравнений — что особенно заметно на «тесте удаления», который для вероятностных агентов нуждался бы в нескольких прогонах, а не в одном. Поэтому относись к приёмам как к хорошим стартовым эвристикам и проверяй их на своих задачах, а не принимай как доказанные законы.
Что делать после просмотра
Возьми самый большой свой скилл и пройди его по четырём осям: реши триггер, раздели на шаги и справку, вынеси ветвящийся материал за указатели, впиши ведущие слова и прогони тест удаления. Затем автоматизируй ревизию — автор выложил всё это отдельным скиллом writing great skills, которым удобно проверять и свои скиллы, и чужие перед подключением.
План внедрения
С чего начать — отмечай шаги, прогресс сохранится
Выполнено 0 из 6
Проверь себя
Ответь на вопросы, чтобы материал закрепился
-
1. Что автор называет «скилл-адом»?
-
2. Чем model-invoked скилл отличается от user-invoked по нагрузке?
-
3. Почему автор предпочитает user-invoked скиллы?
-
4. Из каких двух единиц, по автору, состоит большинство скиллов?
-
5. Что делать с ветвящейся справкой, нужной лишь в одной ветке скилла?
-
6. Что такое «ведущее слово» (leading word)?
-
7. Как заставить агента сделать больше работы на промежуточном шаге?
Словарь терминов
Понять незнакомое простым языком
Показать 10 терминов Свернуть словарь
- Скилл (agent skill)
- Готовая инструкция с процедурой и справкой, которую ИИ-агент подхватывает, чтобы выполнить задачу по правилам.
- User-invoked / Model-invoked
- Скилл, который запускает вручную пользователь, против скилла, который агент может решить вызвать сам по его описанию.
- Context load
- Нагрузка на контекст агента: каждое описание model-invoked скилла висит в контексте и тратит токены на каждом запросе.
- Cognitive load
- Нагрузка на пользователя: чем больше user-invoked скиллов, тем больше их надо держать в голове и вовремя вызывать.
- Context pointer
- Короткая ссылка в skill.md на отдельный файл со справкой — агент подтягивает его только когда действительно нужно.
- Ведущее слово (leading word)
- Короткий ёмкий термин, упаковывающий нужное поведение; агент повторяет его в рассуждениях и меняет действия.
- Легворк (leg work)
- Объём реальной проработки, который агент вкладывает в шаг: уточняющие вопросы, разбор кода и т. п.
- Sediment (осадок)
- Наслоения из чужих правок в общий файл, которые все боятся удалять; со временем раздувают скилл.
- No-op (пустышка)
- Кусок скилла, который выглядит осмысленным, но не влияет на поведение агента; выявляется тестом удаления.
- Тест удаления (deletion test)
- Проверка: убери фрагмент и посмотри, изменилось ли поведение агента; если нет — фрагмент лишний.
Критический взгляд
Объективно: с какими тезисами можно поспорить и что преувеличено
User-invoked подан как способ «убрать» непредсказуемость
На деле непредсказуемость не исчезает, а переезжает в человека: при полусотне скиллов пользователь просто забудет вовремя вызвать нужный. Это тоже сбой, только его труднее измерить.
Почти все выводы — личный опыт без замеров
Автор сам называет эвалы срабатывания «противными» и предпочитает их избегать, но именно данные дали бы объективное сравнение подходов. Пока это убедительные, но недоказанные эвристики.
Тест удаления звучит надёжнее, чем есть
Один прогон «убрал абзац — коммит всё равно длинный» ничего не доказывает статистически: поведение агентов вероятностно, и на другом входе или сиде абзац мог бы сработать.
Ведущие слова поданы почти как универсальный рычаг
Приём опирается на то, что у модели уже есть сильный prior под этот термин. Для редкого или самодельного жаргона он не сработает, а доклад не отмечает эту границу.
Взгляни иначе
Новый угол, смежные области и потенциал на стыке — пища для размышлений
Скилл — это не документация, а API на естественном языке
Если смотреть на скилл как на интерфейс, ведущие слова превращаются в имена функций, а описание — в сигнатуру. Тогда «режь лишние слова» звучит так же строго, как «не держи мёртвый код».
Те же законы, что в техписе и онбординг-доках
Single source of truth, борьба с осадком правок, удаление устаревшего — это ремесло технической документации, просто читатель теперь агент. Хороший техписатель уже умеет писать хорошие скиллы.
Context load против cognitive load — вечный трейд-офф автоматизации
Тот же выбор стоит за автопилотами, дашбордами и no-code: спрятать сложность в системе (и получить непрозрачность) или оставить оператору (и получить нагрузку на человека). Скиллы — частный случай.
Прятать будущий шаг от агента — как не показывать студенту ответ
Приём с легворком повторяет педагогику: увидев решение, ученик перестаёт думать над промежуточными шагами. Дизайн скиллов начинает пересекаться с дизайном обучения.
Похожие разборы
Хорошие части Claude Code: что Theo хочет «украсть» у Anthropic для всех CLI-агентов
Theo (t3.gg), который открыто недолюбливает Anthropic, разбирает фичи Claude Code, делающие его лучшим агентным CLI прямо сейчас. Поворот в том, что он показывает это не ради рекламы, а чтобы остальные harness'ы (Codex, pi, opencode, Cursor) скопировали эти паттерны.
Читать → РазборАгент со 100 инструментами — это ловушка: почему точность падает и как её вернуть роутингом
Если сваливать в промпт все определения инструментов сразу, агент тонет в контексте: на 741 инструменте точность выбора падает до 13,6%, а промпт раздувается до 127 000 токенов ещё до вопроса пользователя. Лечится это семантическим роутингом — ретривом 3–5 релевантных инструментов под конкретный запрос, который держит точность выше 83% и режет токены на инструменты почти на 99%.
Читать → РазборСтрой системы, а не код: как проектировать агентов инженерными навыками
Проектирование агентов — это не новая дисциплина, а те же инженерные навыки: системное мышление, декомпозиция, контракты, управление состоянием и безопасность. Разница только в примитивах — вместо классов и сервисов у вас промпты, скиллы, скрипты и сабагенты, но дисциплина ровно та же.
Читать → РазборПочему нейросети любят Markdown: как хранить документы, чтобы ИИ их понимал
Нейросеть никогда не видит ваш файл так, как вы: она читает голый текст со всей технической обёрткой, а каждый лишний символ съедает токены и место в разговоре. Markdown убирает обёртку и оказывается для ИИ родным языком, поэтому документы, заметки и даже схемы удобнее держать именно в нём.
Читать →