[Перевод] Что такое Skills, Prompts, Projects, MCP и сабагенты? База для понимания агентной экосистемы

Команда AI for Devs подготовила перевод статьи, в которой по полочкам разбирается агентная экосистема. Skills, Prompts, Projects, MCP и сабагенты — что из этого отвечает за знания, что за действия, а что за подключение к данным. Материал помогает понять, какой инструмент когда использовать и как собирать из них сложные, но управляемые AI-воркфлоу.

Что такое Skills?

Skills — это папки с инструкциями, скриптами и ресурсами, которые Claude динамически обнаруживает и загружает, когда они релевантны задаче. Их можно представить как специализированные учебные пособия, дающие Claude экспертизу в конкретных областях — от работы с Excel-таблицами до соблюдения бренд-гайдлайнов вашей организации.

Как работают Skills: когда Claude сталкивается с задачей, он просматривает доступные Skills в поиске подходящих. Skills используют поэтапное раскрытие: сначала загружаются метаданные (около 100 токенов), которые дают Claude минимально достаточное понимание того, когда Skill применим. Полные инструкции подгружаются по необходимости (менее 5 тысяч токенов), а вложенные файлы или скрипты — только при фактической потребности.

Когда использовать Skills: выбирайте Skills, когда нужно, чтобы Claude выполнял специализированные задачи стабильно и эффективно. Они особенно хорошо подходят для:

• Организационных воркфлоу: бренд-гайдлайны, процедуры соответствия требованиям, шаблоны документов

• Предметной экспертизы: формулы Excel, работа с PDF, анализ данных

• Личных предпочтений: системы заметок, паттерны кодинга, методы исследования

Узнайте больше о Skills в постоянно расширяющейся библиотеке Skills.

Что такое промпты?

Промпты — это инструкции, которые вы даёте Claude на естественном языке в ходе диалога. Они краткоживущие, разговорные и реактивные: вы задаёте контекст и направление прямо в моменте.

Когда использовать промпты: промпты подходят для:

• Разовых запросов: «Суммируй эту статью»

• Уточнений в диалоге: «Сделай тон более профессиональным»

• Контекста здесь и сейчас: «Проанализируй эти данные и найди тренды»

• Спонтанных инструкций: «Оформи это в виде маркированного списка»

Совет профессионалам: промпты — основной способ взаимодействия с Claude, но они не сохраняются между диалогами. Для повторяющихся воркфлоу или специализированных знаний стоит оформлять промпты в виде Skills или инструкций проекта.

Когда лучше использовать Skill вместо промпта: если вы ловите себя на том, что вводите один и тот же промпт снова и снова в разных диалогах, значит, пришло время создать Skill. Превратите повторяющиеся инструкции вроде «проверь этот код на уязвимости по стандартам OWASP» или «оформи анализ с исполнительным резюме, ключевыми выводами и рекомендациями» в Skills. Это избавит вас от постоянных повторов и обеспечит единообразное выполнение задач.

Чтобы начать, загляните в нашу библиотеку промптов, рекомендации по эффективному промптингу или воспользуйтесь нашим умным конструктором промптов.

Что такое Projects?

Projects доступны во всех платных тарифах Claude и представляют собой изолированные рабочие пространства с собственной историей чатов и базой знаний. Каждый проект включает контекстное окно объёмом 200 000 токенов, в которое можно загружать документы, задавать контекст и настраивать инструкции, применимые ко всем диалогам внутри проекта.

Как работают Projects: всё, что вы загружаете в базу знаний проекта, становится доступным во всех чатах этого проекта. Claude автоматически использует этот контекст, чтобы давать более точные и релевантные ответы. Когда объём знаний проекта приближается к пределам контекста, Claude незаметно включает режим Retrieval Augmented Generation (RAG), увеличивая доступную ёмкость до 10 раз.

Когда использовать Projects: выбирайте Projects, если вам нужны:

• Постоянный контекст: фоновая информация, которая должна учитываться в каждом диалоге

• Организация рабочих пространств: отдельные контексты для разных инициатив

• Командная работа: общая база знаний и история диалогов (в тарифах Team и Enterprise)

• Кастомные инструкции: тон, точка зрения или подход, специфичные для проекта

Когда лучше использовать Skill: Projects дают Claude постоянный контекст для конкретного объёма работы — кодовой базы компании, исследовательского проекта или долгосрочного взаимодействия с клиентом. Skills же учат Claude как что-то делать. Проект может содержать всю вводную информацию о запуске продукта, а Skill — обучать стандартам написания текстов команды или процессу code review. Если вы замечаете, что копируете одни и те же инструкции между разными Projects, это сигнал, что стоит оформить их в виде Skill.

Узнайте больше о Projects.

Что такое сабагенты?

Сабагенты — это специализированные AI-ассистенты с собственными контекстными окнами, кастомными системными промптами и чётко заданными правами доступа к инструментам. Они доступны в Claude Code и Claude Agent SDK и выполняют отдельные задачи автономно, возвращая результат основному агенту.

Как работают сабагенты: каждый сабагент работает по своей конфигурации — вы задаёте, что он делает, как подходит к решению задач и какими инструментами может пользоваться. Claude может автоматически делегировать задачи подходящим сабагентам на основе их описаний, либо вы можете явно указать, какого сабагента нужно задействовать.

Когда использовать сабагенты: сабагенты подходят для:

• Специализации задач: code review, генерация тестов, аудит безопасности

• Управления контекстом: удержание основного диалога в фокусе при вынесении узкоспециализированной работы

• Параллельной обработки: одновременная работа нескольких сабагентов над разными аспектами задачи

• Ограничения инструментов: предоставление сабагентам доступа только к безопасным операциям (например, только на чтение)

Когда лучше использовать Skill: если нескольким агентам или диалогам требуется одна и та же экспертиза — например, процедуры проверки безопасности или методы анализа данных, — лучше создать Skill, а не встраивать эти знания в отдельных сабагентов. Skills переносимы и переиспользуемы, тогда как сабагенты создаются под конкретные воркфлоу. Используйте Skills, чтобы обучить универсальной экспертизе, доступной любому агенту; используйте сабагентов, когда требуется автономное выполнение задач с жёсткими ограничениями по инструментам и изоляцией контекста.

Узнайте больше о сабагентах.

Что такое MCP?

Model Context Protocol (MCP) — это открытый стандарт для подключения AI-ассистентов к внешним системам, где хранятся данные: репозиториям контента, бизнес-инструментам, базам данных и средам разработки.

Как работает MCP: MCP предоставляет стандартизированный способ подключения Claude к вашим инструментам и источникам данных. Вместо того чтобы разрабатывать отдельные интеграции для каждого источника, вы работаете с единым протоколом. MCP-серверы публикуют данные и возможности, а MCP-клиенты (например, Claude) подключаются к этим серверам.

Когда использовать MCP: выбирайте MCP, если вам нужно, чтобы Claude мог:

• Получать доступ к внешним данным: Google Drive, Slack, GitHub, базы данных

• Работать с бизнес-инструментами: CRM-системы, платформы управления проектами

• Подключаться к средам разработки: локальные файлы, IDE, системы контроля версий

• Интегрироваться с кастомными системами: ваши собственные инструменты и источники данных

Когда лучше использовать Skill: MCP подключает Claude к данным, а Skills учат его, что с этими данными делать. Если вы описываете правила работы с инструментом или процедуры — например, «при запросах к нашей базе данных всегда сначала фильтруй по диапазону дат» или «оформляй Excel-отчёты с использованием этих формул» — это Skill. Если же Claude нужно получить доступ к базе данных или Excel-файлам как таковым — это MCP. Чаще всего они используются вместе: MCP отвечает за подключение, Skills — за процедурные знания.

Узнайте больше о MCP и ознакомьтесь с документацией по созданию MCP-сервера.

Как всё это работает вместе

Настоящая сила раскрывается, когда вы комбинируете эти строительные блоки. Каждый из них решает свою задачу, а вместе они позволяют выстраивать сложные агентные воркфлоу.

Сравнение: как выбрать подходящий инструмент

Пример агентного воркфлоу: исследовательский агент

Давайте соберём полноценного исследовательского агента, объединив несколько строительных блоков. Этот пример показывает, как собрать и задействовать агента для конкурентного анализа.

Шаг 1: настройка Project

Создайте проект «Competitive Intelligence» и загрузите в него:

• Отраслевые отчёты и рыночные обзоры

• Продуктовую документацию конкурентов

• Отзывы клиентов из вашей CRM

• Предыдущие аналитические сводки

Добавьте инструкции проекта:

Шаг 2: подключение источников данных через MCP

Включите MCP-серверы для:

• Google Drive — доступ к общим исследовательским документам

• GitHub — анализ open source-репозиториев конкурентов

• Web search — получение актуальной рыночной информации

Шаг 3: создание специализированных Skills

Создайте Skill «competitive-analysis»:

# My Company GDrive Navigation Skill ## Overview Optimized search and retrieval strategy for Meridian Tech's Google Drive structure. Use this skill to efficiently locate internal documents, research, and strategic materials. ## Drive Organization **Top-level structure:** - `/Strategy & Planning/` - OKRs, quarterly plans, board decks - `/Product/` - PRDs, roadmaps, technical specs - `/Research/` - Market research, competitive intel, user studies - `/Sales & Marketing/` - Case studies, pitch decks, campaign materials - `/Customer Success/` - Implementation guides, success metrics - `/Company Ops/` - Policies, org charts, team directories **Naming conventions:** - Format: `YYYY-MM-DD_DocumentName_vX` - Final versions marked with `_FINAL` - Drafts include `_DRAFT` or `_WIP` ## Search Best Practices 1. **Start broad, then filter** - Use folder context + keywords 2. **Target document owners** - Sales materials from Sales/, not root 3. **Check recency** - Prioritize documents from last 6 months for current strategy 4. **Look for "source of truth"** - Files with `_FINAL`, `_APPROVED`, or in `/Archives/Official/` ## Research Agent Workflow 1. Identify topic category (product, market, customer) 2. Search relevant folder with targeted keywords 3. Retrieve 3-5 most recent/relevant documents 4. Cross-reference with `/Strategy & Planning/` for context 5. Cite sources with file names and dates

Шаг 4: настройка сабагентов (только Claude Code / SDK)

Создайте специализированных сабагентов.

Сабагент market-researcher:

name: market-researcher description: Research market trends, industry reports, and competitive landscape data. Use proactively for competitive analysis. tools: Read, Grep, Web-search --- You are a market research analyst specializing in competitive intelligence. When researching: 1. Identify authoritative sources (Gartner, Forrester, industry reports) 2. Gather quantitative data (market share, growth rates, funding) 3. Analyze qualitative insights (analyst opinions, customer reviews) 4. Synthesize trends and patterns Present findings with citations and confidence levels.

Сабагент technical-analyst:

name: technical-analyst description: Analyze technical architecture, implementation approaches, and engineering decisions. Use for technical competitive analysis. tools: Read, Bash, Grep --- You are a technical architect analyzing competitor technology choices. When analyzing: 1. Review public repositories and technical documentation 2. Assess architecture patterns and technology stack 3. Evaluate scalability and performance approaches 4. Identify technical strengths and limitations Focus on actionable technical insights that inform our product decisions.

Шаг 5: активация исследовательского агента

Теперь, когда вы задаёте Claude запрос: «Проанализируй, как три наших ключевых конкурента позиционируют свои новые AI-возможности, и найди пробелы, которые мы можем использовать», происходит следующее:

1. Загружается контекст проекта: Claude получает доступ к загруженным исследовательским материалам и следует инструкциям проекта

2. Активируются MCP-подключения: Claude ищет свежие брифы по конкурентам в Google Drive и подтягивает данные из GitHub

3. Подключаются Skills: Skill competitive-analysis задаёт аналитическую рамку

4. Выполняются сабагенты (в Claude Code): market-researcher собирает отраслевые данные, а technical-analyst анализирует технические реализации

5. Промпты уточняют фокус: вы добавляете разговорные указания, например: «Особенно обрати внимание на enterprise-клиентов в сфере здравоохранения»

Результат: комплексный конкурентный анализ, который опирается на несколько источников данных, следует вашей аналитической модели, использует специализированную экспертизу и сохраняет целостный контекст на протяжении всего исследовательского проекта.

Русскоязычное сообщество про AI в разработке

Друзья! Эту статью подготовила команда ТГК «AI for Devs» — канала, где мы рассказываем про AI-ассистентов, плагины для IDE, делимся практическими кейсами и свежими новостями из мира ИИ. Подписывайтесь, чтобы быть в курсе и ничего не упустить!