ИИ-агенты: процедурная память, навыки и MCP

Представьте, что вы наняли гениального стажера, который обладает энциклопедическими знаниями. Он может рассказать вам об архитектуре Kubernetes, истории SQL или даже о скорости полета ласточки. Но если вы попросите его составить 47-шаговый финансовый отчет в точном соответствии с законодательством, он растеряется.

У такого агента есть два варианта действий в сложной, многошаговой задаче:

1. Постоянно запрашивать подтверждение: «Делать шаг 1? А теперь шаг 2? А в шаге 3 использовать эту формулу?», что делает процесс невыносимо медленным.
2. «Угадывать»: Пытаться выполнить задачу, полагаясь на общие знания, что с огромной вероятностью приведет к ошибкам.

Этой проблеме и дали название — нехватка процедурных знаний. Знаний о том, как именно выполняется работа, в какой последовательности и с какими нюансами.

Навыки ИИ-агентов (Skills) — это способ внедрить процедурные знания в работу агента. Это своего рода «инструкция по эксплуатации» или детальный алгоритм, которому агент должен следовать.

Ключевая идея: Если LLM — это мозг агента, то навыки — это его мышечная память и отработанные рефлексы.

1. Анатомия навыка: простота как основа

Главная красота формата навыков — его невероятная простота. Навык — это обычная папка, содержащая файл skill.md в формате Markdown.

Структура навыка состоит из трех ключевых частей, как показано в таблице ниже:

Frontmatter: Имя и Описание

Верхняя часть файла skill.md написана на YAML. Два поля являются обязательными:

1. name: Название навыка (например, pdf-builder).
2. description: Критически важное описание. Оно сообщает агенту, что делает навык и, самое главное, когда его следует использовать (условие срабатывания). Например: «Используйте этот навык, когда пользователь запрашивает создание или извлечение данных из PDF-файла».

Инструкция: Пошаговый алгоритм

Ниже вводной части идет основная инструкция. Это и есть сердце навыка. Здесь простым языком (в формате Markdown) описывается:

1. Последовательность шагов.
2. Правила и ограничения.
3. Примеры корректного ввода и вывода.
4. На что обратить особое внимание.

Дополнительные ресурсы (Опционально)

Папка навыка может содержать три типа дополнительных каталогов:

1. scripts/: Содержит исполняемые файлы (Python, JavaScript, Bash), которые агент может запускать для выполнения конкретных действий.
2. references/: Содержит дополнительную документацию, которая загружается только в том случае, если агенту понадобятся справочные данные.
3. assets/: Содержит статические ресурсы, такие как шаблоны документов или файлы данных.

Если у агента установлено сотня навыков, загрузка их полных инструкций в контекстное окно LLM моментально «съест» весь бюджет токенов. Как же решается эта проблема?

Для этого используется механизм многоступенчатого (или поэтапного) раскрытия информации.

Процесс загрузки навыка происходит в три этапа.

Уровень 1: Метаданные (Оглавление)

1. При запуске агент загружает только имена и описания всех навыков.
2. Это занимает очень мало места в контексте и служит своего рода «оглавлением» его возможностей.

Уровень 2: Полные инструкции (Глава книги)

1. Когда агент получает запрос, он сопоставляет его с описаниями навыков (благодаря своим собственным рассуждениям).
2. Если найдено совпадение, агент загружает в контекст полный текст skill.md этого навыка, получая детальные инструкции.

Уровень 3: Дополнительные ресурсы (Сноски и приложения)

1. Если во время выполнения инструкции агенту требуются скрипты или справочные данные, он обращается к папкам scripts/, references/ или assets/ и загружает их.
2. Эти ресурсы задействуются только в момент реальной необходимости.

Этот подход позволяет агенту иметь доступ к огромной базе процедурных знаний, не перегружая свое «оперативное запоминающее устройство» (контекстное окно).

Пример навыка в действии

Чтобы лучше понять, как навык выглядит и работает на практике, рассмотрим конкретный пример — навык для финансового анализа. Этот навык учит агента тому, как анализировать финансовую отчетность компании и рассчитывать ключевые показатели эффективности.

Структура навыка

Навык представляет собой папку со следующей структурой:

financial-analyzer/
├── skill.md                 # Основной файл с инструкциями
├── scripts/
│   └── calculate_ratios.py  # Скрипт для автоматического расчета
└── references/
    └── industry_benchmarks.md # Справочные данные по отраслям

Содержимое файла skill.md

Вот как выглядит основной файл навыка:

---
name: financial-analyzer
description: Используйте этот навык, когда пользователь просит проанализировать финансовую отчетность, рассчитать коэффициенты ликвидности, рентабельности или сравнить показатели компании с отраслевыми бенчмарками.
version: 1.0.0
---

# Навык анализа финансовой отчетности

## Процесс анализа

### Шаг 1: Сбор данных
Запросите у пользователя бухгалтерский баланс и отчет о прибылях и убытках (за 3 года).

### Шаг 2: Расчет коэффициентов
Используйте скрипт `scripts/calculate_ratios.py` для расчета:

**Коэффициенты ликвидности:**
- Коэффициент текущей ликвидности = Оборотные активы / Краткосрочные обязательства
- Коэффициент быстрой ликвидности = (Оборотные активы - Запасы) / Краткосрочные обязательства

**Коэффициенты рентабельности:**
- Рентабельность продаж = Чистая прибыль / Выручка × 100%
- ROA = Чистая прибыль / Активы × 100%
- ROE = Чистая прибыль / Собственный капитал × 100%

### Шаг 3: Интерпретация
Для каждого коэффициента предоставьте:
1. Текущее значение с динамикой за 3 года
2. Нормативное значение (если применимо)
3. Оценку: "Выше нормы", "В пределах нормы" или "Ниже нормы"

### Шаг 4: Сравнение с отраслью
Обратитесь к `references/industry_benchmarks.md` и сравните показатели со средними по отрасли.

### Шаг 5: Формирование отчета
Структура финального отчета:

# Финансовый анализ компании [Название]

## 1. Общие показатели
- Выручка, прибыль, активы

## 2. Анализ ликвидности
[Таблица с коэффициентами и оценкой]

## 3. Анализ рентабельности
[Таблица с коэффициентами и оценкой]

## 4. Сравнение с отраслью
[Сравнительная таблица]

## 5. Ключевые выводы и рекомендации
- [Вывод 1]
- [Вывод 2]
- [Рекомендация 1]

Как это работает на практике

Когда пользователь обращается к агенту с запросом: «Проанализируй финансовую отчетность моей компании», происходит следующее:

1. Активация навыка: Агент видит, что описание навыка совпадает с запросом пользователя, и загружает полную инструкцию из skill.md.

2. Сбор данных: Следуя инструкции, агент запрашивает у пользователя необходимые документы.

3. Выполнение скрипта: После получения данных агент запускает Python-скрипт:

# scripts/calculate_ratios.py
def calculate_ratios(data):
    # Расчет коэффициентов
    ratios = {}
    ratios['current_ratio'] = current_assets / current_liabilities
    ratios['roe'] = (net_income / equity) * 100
    return ratios

4. Интерпретация результатов: Используя справочные данные из references/industry_benchmarks.md:

# Отраслевые бенчмарки

## Розничная торговля
- Current Ratio: 1.2 - 1.8
- ROE: 15% - 25%

5. Формирование ответа: Агент выдает пользователю структурированный отчет с расчетами, оценками и рекомендациями.

Пример диалога с пользователем

Пользователь: «Проанализируй финансовую отчетность моей компании-ритейлера»

Агент: «Я активировал навык финансового анализа. Для начала мне нужен бухгалтерский баланс и отчет о прибылях и убытках за последние 3 года. Пожалуйста, загрузите файлы.»

[Пользователь загружает файлы]

Агент: «Получил данные. Выполняю расчет коэффициентов…»
[Запускается calculate_ratios.py]

Агент: «Анализ завершен. Ключевые выводы:

1. Коэффициент текущей ликвидности: 1.8 (норма для ритейла: 1.2-1.8) ✅
2. ROE: 22.5% (выше среднего по отрасли 20%) ✅
3. Коэффициент долговой нагрузки: 1.2 (требует внимания, норма < 1.0) ⚠️

Хотите получить полный PDF-отчет?»

Что демонстрирует этот пример

Навыки — не единственный способ обогатить знания агента. Важно понимать, чем они отличаются от других подходов, чтобы использовать их в связке.

Итог: Навыки не заменяют MCP или RAG, а дополняют их. Навык может определять, когда и как использовать инструмент из MCP, или ссылаться на справочную информацию из RAG для выполнения конкретного шага.

Простота формата и возможность запускать скрипты делают навыки чрезвычайно мощными, но и несут в себе риски. Когда агент выполняет скрипт, он часто делает это локально на вашем компьютере, имея доступ к файловой системе, переменным окружения и API-ключам.

Проверки показывают, что в публичных репозиториях навыков могут встречаться вредоносные элементы:

1. Внедрение подсказок (Prompt Injection).
2. Скрытое вредоносное ПО (Hidden Malware).
3. Отравление инструментов (Tool Poisoning).

Поэтому к установке навыков следует относиться с той же ответственностью, что и к установке любой программной зависимости. Всегда проверяйте навык перед запуском.

Чтобы лучше понять архитектуру современных агентов, можно провести аналогию с типами человеческой памяти.

Навыки ИИ-агентов стали тем недостающим звеном, которое превращает умные, но иногда беспомощные языковые модели в эффективных цифровых помощников.

Это открытый стандарт, опубликованный на (откроется в новой вкладке)agentskills.io и принятый на многих платформах: от Claude Code до OpenAI Codex.

Это файлы Markdown, которые можно контролировать по версиям, легко обновлять и переносить между платформами.

Это процедурная память, которая дает агентам способность выполнять сложные, повторяющиеся задачи без вмешательства человека.

Теперь агент, который знает скорость полета африканской и европейской ласточки, может научиться следовать 47-шаговому алгоритму, автоматизировать вашу работу и сделать вас значительно эффективнее.