Содержание
Навыки для AI-агентов работают как сценарии, а не как база знаний
Исследователи из Принстонского университета, Калифорнийского университета в Сан-Диего и других вузов разобрали, почему так называемые skills действительно улучшают работу AI-агентов. Команда сравнила поведение агентов с готовыми инструкциями и без них в 8 135 тестовых запусках.
Главная польза — правильный порядок действий
В 65,7% случаев улучшение обеспечивало не добавление новых фактов, а «процедурное заземление»: навык подсказывал, какие шаги выполнить, в каком порядке вызвать инструменты и где проверить промежуточный результат. Дополнительные знания сами по себе помогли лишь в 4,5% случаев.
Для пользователей это означает, что хороший навык для агента должен быть похож не на длинную справку, а на рабочий регламент. В нём важнее чёткая последовательность, условия проверки и типичные ошибки — именно такая структура снижает сбои при настройке окружения, обработке файлов и подготовке результата в нужном формате.
Слишком большая библиотека мешает агенту
У подхода есть обратная сторона. Примерно в 10% случаев агент применял полезную инструкцию слишком механически или в неподходящей ситуации. Ещё заметнее проблема поиска: когда библиотека выросла с 5 до 100 навыков, точность выбора подходящего сценария упала с 29,6% до 3,3%.
Особенно трудно агентам различать инструкции с похожими названиями и описаниями. Поэтому простое накопление десятков почти одинаковых шаблонов может сделать систему менее надёжной, даже если каждый навык по отдельности написан хорошо.
Что это меняет для бизнеса и креаторов
Практический вывод — собирать небольшую библиотеку узких, заметно отличающихся сценариев: например, отдельно для подготовки контент-плана, проверки рекламного текста и публикации материалов. Навыки стоит регулярно объединять, уточнять и удалять, а не хранить все версии. Для автоматизации контента и маркетинга качество выбора инструкции оказывается не менее важным, чем качество самой AI-модели.