Мы хотим, чтобы ИИ-агент постоянно учился на нашем фидбеке. С Agent Skills агент может легко менять свои скиллы сам. Однако это может привести к падению качества, а отнюдь не к улучшению.
В предыдущей статье я описал совместное с ИИ создание скиллов как способ отказаться от микроменеджмента ИИ и «обучать» агентов почти без усилий.
Вот как выглядит совместная работа с агентом над его скиллами:
- Впервые решая задачу с ИИ, проведите агента по шагам, как будто это обычный чат-бот. Затем попросите сохранить процесс как переиспользуемый скилл.
- Для повторяющейся задачи, уже описанной в скилле, просто запустите скилл коротким промптом. Затем дайте в чате конкретный фидбек на результат (критические замечания и любую обратную связь).
- Когда результат вас устроит, попросите агента обновить скилл на базе фидбека. Это предотвратит похожие проблемы в будущих задачах.
- Запрос на обновление не обязан быть явным. Вы можете просто выразить удовлетворение результатом, и агент автоматически обновит скилл(ы). Инструкцию для такого поведения (триггер) можно добавить в AGENTS.md или CLAUDE.md («контекстные файлы»).
Если говорить на языке этой схемы, мета-скиллы радикально повышают качество операций «сохранить как скилл» и «обновить скилл на основе фидбека».
Давайте разберем конкретные мета-скиллы и выясним, какого именно нашего участия они требуют.
3 самых полезных мета-скилла
Лично я использую три мета-скилла: skill-creator, skill-judge и refine.
Готовя эту статью, я поисследовал похожие скиллы и инструменты командной строки. Вот сводная таблица. Возможно, там найдется что-то под ваши задачи. Например, рекомендую попробовать уникальный инструмент Skill Seekers.
Skill Creator
skill-creator — это самый первый и самый популярный мета-скилл от Anthropic. Считаю обязательным его подключить во все проекты — для этого нужно просто добавить его в папку .claude/skills или .codex/skills в домашней директории вашего ноутбука. Он помогает не только создавать, но и улучшать скиллы по промпту.
Если для создания хорошего скилла не хватает контекста, этот мета-скилл задает уточняющие вопросы. На мой взгляд, такой подход Flipped Interaction критически важен для большинства скиллов.
По сути, skill-creator — это прямой аналог старых добрых мета-промптов вроде этого. Разница лишь в том, что он создает скиллы, а не традиционные промпты.
В марте 2026 года Anthropic существенно обновили skill-creator. Теперь он умеет:
- оптимизировать описания скиллов (чтобы они запускались только когда нужно);
- создавать оценки (evals) для проверки результатов агента (но это я рекомендую лишь продвинутым пользователям с техническим бэкграундом).
Почему Skill Creator-а недостаточно
Вернемся к базовым функциям skill-creator. Важно не допускать бесконтрольной генерации скиллов агентом, так как это чаще приводит к регрессии качества, а не к улучшениям.
Множество исследований подтверждают это — не только для скиллов, но также для AGENTS.md, rules и других инструкций такого рода. Вот самое масштабное исследование пока что: SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks.
Если коротко: скиллы, тщательно составленные человеком, повысили успешность агента в среднем на 16%. В то же время ИИ-сгенерированные скиллы дали отрицательный эффект (-1%). Похожая картина сложилась и в другом исследовании (см. диаграмму ниже).
Источник: CoEvoSkills: Self-Evolving Agent Skills via Co-Evolutionary VerificationЕсли вам интересны причины (излишняя детализация или, наоборот, абстракция), посмотрите эту статью о циклической оптимизации ИИ-скиллов.
Получается, если вы создаете и улучшаете скиллы с помощью мета-скиллов, вам придется:
- либо вручную проверять сгенерированные инструкции (что отнимает много сил);
- либо внедрить автоматические оценщики скиллов.
Skill Judge — анализатор скиллов по критериям
Категория "Оценка скиллов" в таблице включает самые разные мета-скиллы. Например, agent-skill-evaluator проверяет скачанные скиллы на безопасность. А skill-tester запускает формальные скриптовые проверки (без ИИ) на полноту, качество документации и удобство.
Наиболее полезным я считаю подход LLM-as-a-judge, особенно его реализацию в мета-скилле skill-judge ("судья"). Он оценивает скиллы по 8 критериям. Особенно удобная фича skill-judge — находить избыточные инструкции ("Claude и так это знает. Лучше удалить — зря тратятся токены"). Скилл заточен только под Claude, но можно просто сделать автозамену "Claude" на "the agent".
На выходе вы получаете 8 оценок с объяснениями. И главное — подробные инструкции о том, что улучшить и какие правки важнее всего (Top 3 Improvements).
Сразу после анализа можно активировать skill-creator промптом вроде "оптимизируй скилл как предложено". Агент внедрит топ-3 улучшения, если в промпте не укажете иное. После этого я обычно пишу "оцени снова", чтобы получить свежий отчет skill-judge. Вот фрагмент такого отчета:
Пример отчета skill-judge после первичной оценки и улучшения через skill-creator: результаты анализа скилла для скачивания субтитров YouTube-видеоПоэтому я НЕ советую запускать цепочку skill-judge → skill-creator → skill-judge автоматически. Это внушит вам ложный оптимизм по поводу качества скиллов. Вам все-таки нужно самим обдумывать вопросы типа "что важного могли упустить эти мета-скиллы?".
Еще важнее анализировать не сам скилл, а реальные проблемы, возникшие при работе с ним. Именно этому посвящен следующий мета-скилл.
Refine — улучшатель скиллов по фидбеку
Хотя skill-creator способен улучшить скилл самостоятельно, ему нужно дать четкие инструкции и нечто в качестве основы для доработок. Мета-скилл refine в качестве основы использует анализ текущей сессии. То есть, анализирует ваш фидбек на результаты агента со скиллом(ами), а также проблемы, замеченные самим агентом по ходу сессии. В отличие от skill-creator, refine снабжает агента подробными инструкциями: что искать в истории диалога, какие скиллы или md-файлы править и как именно это делать. Достаточно написать "Refine" в конце сессии.
На фоне остальных двух мета-скиллов refine выглядит менее законченным и поддерживается всего одним разработчиком. Формально он работает не только с Claude, но и с Codex, хотя по умолчанию это пока сломано: Codex не читает CLAUDE.md. Я применяю refine в Antigravity для задач, не связанных с кодом, поэтому адаптировал его под себя.
Пример: что мета-скилл refine предложил изменить в моих правилах написания статей- Подход LLM-as-a-judge неизбежно приводит к неточностям, особенно если одна и та же модель и улучшает, и оценивает скилл.
- Алгоритмические скрипты вроде skill-tester вообще бесполезны для оценки реального качества.
Ответ очевиден: финальная оценка качества скиллов остается за вами. Это требует серьезных мыслительных усилий, но я считаю это скорее привилегией, чем бременем. Иначе ИИ-агенты притупят ваше критическое мышление еще быстрее, чем обычные ИИ-ассистенты.
Наши человеческие навыки тоже важны
Невозможно развиваться через пассивное потребление информации. Только активное обучение — через действия и создание чего-либо — ведет к настоящей прокачке человека в любой сфере. В эпоху ИИ "действия" делегируются агентам. Поэтому мы прокачиваемся в первую очередь через создание структур и систем, направляющих ИИ в нужное русло.
В 2026 году роль таких структур играют Agent Skills (а про системы будет следующая статья).
Если вы позаимствуете весь свой набор Agent Skills без адаптации и понимания их логики, то в итоге станете менее компетентным в своей области, чем были до ИИ. Со временем вы потеряете способность управлять собственным агентом, даже если он обвешан сотнями чужих скиллов.
Результат будет намного лучше, если вы развиваетесь вместе со своим агентом, и скорости вашего развития сбалансированы.
Поэтому, даже скачав большинство скиллов из чужих репозиториев, вам стоит изучать, оценивать и адаптировать их — чтобы развивать собственные навыки. Но если без мета-скиллов, то постоянное улучшение десятков таких скиллов быстро превратилось бы в изнурительный труд.
Стоит заметить, что мета-скиллы — это всего лишь инструменты. Вам придется самостоятельно встроить их в конкретные рабочие процессы (workflows). Именно здесь нужны ваши человеческие навыки, особенно навыки гибкого менеджмента 😉.
Для построения таких персональных воркфлоу уже появляются новые практики, так что вам не придется начинать с нуля.
В следующей статье я расскажу, как выстраиваю свои воркфлоу, включая цикл обратной связи (feedback loop) и цикл улучшения скиллов. Эти воркфлоу опираются на принципы Scrum: прозрачность, инспекцию и адаптацию.
