Главное про AI - Вадим Жартун

— просите Claude фиксировать успешные подходы и распространённые ошибки в переиспользуемом контексте внутри навыка; если Claude отклоняется от курса, попросите его самостоятельно поразмышлять, что пошло не так.

ОБУЧАЮЩИЕ ДАННЫЕ МОДЕЛИ И РАЗБРОС ПОВЕДЕНИЯ НА ОДНОМ ПРОМПТЕ

Один и тот же промпт может работать в ChatGPT и спотыкаться в GigaChat, и наоборот. Это не повод «выбирать правильную модель», а повод знать особенности.

ChatGPT (GPT-4o, GPT-5) хорошо работает с 3–5 few-shot примерами на русском, и с английским у него плотная база. GigaChat 2 требует больше примеров (5–7) для стабильности на русском, но сильнее на российской отраслевой лексике — юриспруденция, бухгалтерия РФ. Для русской специфики GigaChat может выигрывать. На уровне structured output у GPT-4o с Structured Outputs 100% по бенчмарку OpenAI, у GigaChat поддержка есть, но процент ниже, и для продакшна нужно закладывать валидацию и retry. На длинных промптах ChatGPT лучше «добирает» детали из конца, GigaChat сильнее зависит от порядка: важное ставить в начало. По скорости итерации ChatGPT быстрая, но платная, у GigaChat бесплатный тариф удобен для прототипирования.

Практический вывод: прототипировать можно в GigaChat, финализировать в ChatGPT. А если задача целиком в российской специфике — тестировать обе модели на своих 20 кейсах и выбирать по результату, а не по обещаниям поставщика.

РЕЗЮМЕ

Хороший промпт — это результат нескольких итераций, а не текст, который с первого раза получился правильным. Самый сильный приём — порядок шагов в инструкции, а не длина промпта и не количество правил.

Системный промпт для офисной задачи собирается из пяти обязательных блоков: роль, тон, инструкции, задача, формат. Эти пять закрывают около 80% сценариев. Пропуск любого из блоков даёт предсказуемый симптом в ответе.

Иерархия «промпт → навык → воркфлоу» отражает зрелость задачи: разовый запрос, повторяемая процедура, автоматизированный процесс. Каждый переход — осознанное решение. Преждевременная автоматизация хуже её отсутствия.

Few-shot учит формату и распределению входов, а не «правильному ответу». Три-пять разнообразных примеров стабильно бьют пятнадцать-двадцать однотипных.

Цепочка рассуждений через «let’s think step by step» для reasoning-моделей 2026 года — лишний шум. Модель умеет рассуждать сама, и параметр reasoning_effort или thinking_level заменяет ручную просьбу.

Prefill постепенно уходит из практики. Anthropic убрал его в Opus 4.6 и рекомендует мигрировать на Structured Outputs.

Правило итерации одно: одна переменная за раз. Иначе вы не поймёте, что именно сработало.

Хороший промпт покрывает одну задачу в одном разговоре. Иерархия «промпт → навык → воркфлоу» показывает, как от разового запроса перейти к переиспользуемой процедуре. Следующая ступень — агент, который сам решает, какие шаги предпринять, какие инструменты вызвать и где остановиться.

Глава 7. От чата к AI-агентам и мультиагентным средам

Продавец корпоративного AI-сервиса показывал на демо «агента», который «бронирует переговорку на завтра для встречи с клиентом». Агент — а на деле это был чат-бот с памятью диалога — выдавал в ответ гладкий абзац: «Я забронировал вам переговорку номер 3 на 14:00, встреча с ООО Ромашка, приглашение отправлено Ивану Петровичу». Менеджер открывал календарь — пусто. Переспрашивал: «Какие инструменты ты вызвал?» Агент не терялся и генерировал правдоподобный JSON-объект вызова функции, которой у него не было. Выглядел как агент, говорил как агент, отчитывался как агент — и не действовал. Менеджер закрыл демо и больше не возвращался к этому вендору.

В эпизоде сконцентрированы три сюжета, на которых строится вся глава: чат, мимикрирующий под агента; LLM, галлюцинирующий вызов инструмента; и провал различения «модель рассуждает» и «система действует». Продавец обещал инфраструктуру действий, а показал генератор красивых отчётов. Разные виды одного и того же провала.

Разница между чатом и агентом — не в пользовательском интерфейсе и не в длине контекстного окна. Разница в том, что у чата нет средств действовать, а у агента они есть: память состояния, инструменты и многошаговое планирование. У каждого из этих средств — конкретная цена в токенах, задержке и риске ошибки. И не каждое «AI-решение», которое продавец называет агентом, содержит все три.

AI-агент — это модель плюс средства для действий. Модель даёт рассуждение, средства — возможность действовать. Anthropic в декабре 2024 года напомнила индустрии ключевое: если задача решается проще, агентскую систему строить не нужно. К этому тезису мы вернёмся в разделах про выбор архитектуры и платформы.

ПРИРОДА AI-АГЕНТА: ОПРЕДЕЛЕНИЕ ПО СУЩЕСТВУ

В декабре 2024 года инженерная команда Anthropic (Эрик С. (Erik S.) и Барри Чжан (Barry Zhang)) опубликовала текст «Building Effective Agents», и за полгода он стал одним из самых цитируемых в индустрии определений того, чем агент отличается от цепочки вызовов LLM. Их центральное различение: все варианты попадают в зонтик «агентские системы», но внутри него проходит архитектурная граница между workflow и agent. Workflow — это системы, в которых модель и инструменты оркестрируются через предопределённые пути в коде, то есть разработчик заранее прописал, что и в каком порядке происходит. Agent — это системы, в которых модель сама динамически направляет свои процессы и использование инструментов, удерживая контроль над тем, как задача будет выполнена. Anthropic добавляет: «Agentic-системы обменивают задержку и стоимость на лучшее качество выполнения задачи. Workflows — для чётко определённых задач, где важны предсказуемость и консистентность. Agents — там, где гибкость и решения, принимаемые моделью, нужны в масштабе».

Здесь проходит практический водораздел: workflow дешевле и стабильнее, агент гибче и опаснее.

16 октября 2025 года та же команда Anthropic (Барри Чжан (Barry Zhang), Кит Лазука (Keith Lazuka), Махеш Мураг (Mahesh Murag)) выпустила материал «Equipping agents for the real world with Agent Skills». В нём формализуется то, что интуитивно делает агента специалистом, а не болтуном. Agent Skills — это организованные папки инструкций, скриптов и ресурсов, которые агент обнаруживает и динамически загружает, чтобы лучше справляться с конкретными задачами. Skills превращают агента общего назначения в специализированного — без переписывания модели.

Ключевой инсайт — трёхуровневая модель прогрессивного раскрытия, по аналогии с хорошо организованным руководством пользователя. На уровне 1 в системный промпт заранее загружаются только поля name и description из YAML-фронтматтера — агенту известно, какие навыки у него есть, но не их содержимое. На уровне 2, когда агент решает, что навык релевантен, он подгружает полное тело SKILL.md. На уровне 3 сам переходит к дополнительным файлам (reference.md, forms.md) по мере необходимости. Anthropic подчёркивает: «Агенты с инструментами файловой системы и исполнения кода не нуждаются в том, чтобы читать навык целиком в контекст. Значит, объём контекста, упакованного