🛠 Пять паттернов контекста, которые режут счёт за токены агентам

Расход токенов у AI-агентов растёт быстрее объёма написанного кода: до первой строки модель изучает структуру репозитория, ищет похожие реализации, читает проектные conventions и тесты. На маленьком проекте этот оверхед незаметен, на большой кодовой базе — основная статья расходов. В свежем разборе на Habr предлагают не заставлять агента читать меньше, а проектировать контекст так, чтобы он раньше понимал, что читать вообще не нужно.

Паттерны знакомые, но применены к управлению контекстом: вместо единого AGENTS.md-энциклопедии — карта проекта с указателями на инструкции сервисов. Прогрессивная загрузка вместо «всего сразу» даёт путь из 500 токенов глобального контекста, 700 сервисного, 600 таск-специфичного, 800 эталонной реализации и 2 500 релевантных исходников — против условных 20 000 на весь проект. Сокращение исследования работает через project map, golden examples вместо многостраничной документации и поиск через git grep или AST до чтения файла на 2 000 строк.

Дальше та же логика доводится до кэширования и очистки. Дорогое исследование должно оставлять structured knowledge: короткий документ с flow, relevant files и reference implementation, чтобы следующая сессия не платила за то же открытие заново. Одновременно контекст надо чистить — устаревшая архитектура в документации не просто тратит токены, а отправляет модель искать удалённые файлы и воспроизводить паттерны, от которых команда отказалась. В конце автор собрал open-source шаблон AI Context вокруг этих пяти правил.

Документация для агента — это не рассказ об истории проекта, а кэш контекста, за который платишь на каждой сессии. Основной выигрыш тут не в токенах, а в снижении числа неверных изменений, порождённых устаревшим или нерелевантным контекстом.

#AIагенты #контекст #devtools #tokenomics #Habr