⚡️Как внедрять агентские скилы и какие задачи они решают

Агентские скилы стали закономерным этапом в развитии ИИ, обеспечив моделям переход от простой генерации текста к автономной работе в рамках заданных сценариев. Тема сейчас очень актуальная, но вот стоящих докладов с цифрами и конкретными решениями - меньше, чем хотелось бы. Промежуточными результатами внедрения агентной разработки поделился Егор Федяев из Яндекс Про в докладе с Mobile Runtime с фокусом на то, почему в ряде сценариев выбрали скилы вместо MCP.

➡️ Как работают агентские скилы и зачем они нужны
⏺️ Не объяснять заново. Повторяющиеся промпты, шаблоны и требования превращаются в один устойчивый процесс
⏺️ Стабильное качество. Меньше дрейфа в структуре, тоне и формате, больше предсказуемости в результате
⏺️ Экспертиза внутри агента. Скил упаковывает командные процедуры, best practices, стандарты, edge cases и контекст
⏺️ Масштабирование процесса. Один и тот же подход можно переиспользовать в разных задачах, чатах, агентах и командах

➡️ Как они использовали скилы поэтапно:
1. Инструкция. Скил как переиспользуемый промпт
2. Инструмент. Скил как CLI/API-интерфейс, более гибкий аналог MCP
3. Сценарий. Скил закрывает рабочие сценарии end-to-end
4. Архитектура. Готовые наборы скилов

➡️ Где эффективнее работа с контекстом: skill vs mcp?
Собрали бенчмарки для сравнения нескольких вариантов CLI-скилов и MCP для набора внутренних инструментов.
Итог:
1. При первичном замере потребление контекста MCP в 2 раза больше CLI-скила на старте сессии
2. Они добавили оптимизацию MCP через Lazy Loading, оптимизировали skill.

Итог - на старте Lazy MCP значительно выигрывает, но дальше потребление растет почти в 2 раза vs skill
Поэтому они выбрали CLI-скилы для своих сценариев

⏺️ Идея - весь цикл разработки закрывать скилами. Это превращает написание агентского кода в пайплайн, который можно улучшать для всей команды