ИИ-агенты в Cursor и Claude: как не разориться на фичах и токенах

Мир нейросетевых инструментов разработки меняется быстрее, чем успевает обновляться документация. Сегодня мы видим, как Anthropic и Cursor (а за ними и остальные участники рынка) вводят новые уровни абстракции, которые часто путают даже опытных инженеров. "Агенты", "скиллы", "воркфлоу" — эти термины часто воспринимаются как маркетинговая пыль, но за каждым из них стоит конкретная архитектура и, что немаловажно, разная стоимость в токенах.

Когда вы понимаете, как именно ИИ потребляет ресурсы вашего контекстного окна, вы перестаете "сливать" бюджет на бессмысленные итерации. Давайте разберем иерархию сложности современных ИИ-инструментов, чтобы вы могли выбирать правильный молоток для каждой конкретной задачи.

Основные выводы

• Эффективность работы с ИИ растет экспоненциально при переходе от простого чата к структурированным воркфлоу, но так же растет и потребление токенов.
• Использование "скиллов" (skills.md) позволяет экономить контекст за счет фиксации проверенных паттернов вместо их повторного объяснения.
• Ключевое различие между субагентом и командой заключается в уровне изоляции контекста и способах взаимодействия между участниками процесса.
• Workflow на TypeScript — это высшая точка автоматизации, превращающая LLM в детерминированный компонент программной системы.

Почему современные ИИ-фичи стоят так дорого в токенах?

Каждый новый уровень автономности ИИ требует большего "внимания" со стороны модели. Когда вы просите агента не просто написать функцию, а достичь цели, система начинает генерировать внутренние размышления (Chain of Thought), сканировать файловую структуру и проверять саму себя. Это создает каскадный эффект: один ваш запрос порождает цепочку из 10–15 запросов "под капотом".

Для тех, кто строит реальные продукты, важно понимать эту математику. Если вы хотите глубже разобраться в том, как выстраивать надежные системы в эпоху ИИ, рекомендую заглянуть в телеграм-канал "Олег Тестов | Соло-фаундер в найме", где разбираются прикладные кейсы автоматизации.

Ниже представлена классификация 6 ключевых уровней взаимодействия с ИИ в современной разработке — от обычного диалога до полноценных программных воркфлоу.

1. Чат: Стандартный цикл взаимодействия

Это базовый уровень, к которому все привыкли в ChatGPT или Claude. Вы пишете сообщение — агент отвечает. Однако современный "чат" в IDE (например, в Cursor) сильно эволюционировал. Теперь агент не просто выдает текст, он интегрирован с терминалом и файловой системой. Он может самостоятельно писать код, исполнять его, видеть ошибки компиляции и тут же их исправлять.

Основная проблема этого уровня — линейность. Каждое ваше сообщение добавляется в историю, раздувая контекстное окно. Агент "помнит" все ваши опечатки и промежуточные правки, что со временем начинает путать модель и приводить к галлюцинациям. Здесь вы платите за каждое слово в истории диалога, даже если оно уже не актуально.

2. Скилл: Фиксация повторяемого опыта

Многие замечали: приходится объяснять ИИ одно и то же по три раза в разных чатах. Решение — создание `skill.md`. Как только вы поняли, что определенная задача (например, деплой на стейджинг или генерация юнит-тестов под конкретный фреймворк) выполняется успешно, вы просите агента: "создай skill.md".

Этот файл содержит инструкции на естественном языке и, при необходимости, вспомогательные скрипты. При активации скилла ИИ не тратит токены на "придумывание" решения — он следует строгому протоколу. Это не просто экономия времени, это способ передать ваши лучшие практики ИИ-помощнику в компактном виде. Для тех, кто ценит системный подход, подробные разборы таких методик можно найти в материалах от Олега Тестова.

3. Цель (Goal): Агент в автономном цикле

Уровень "Цель" меняет парадигму с "сделай это" на "достигни результата". В этом режиме агент работает в бесконечном (или ограниченном лимитами) цикле. Он не просто пишет код, он задает себе вопрос: "Выполнена ли цель?". Если нет — он продолжает итерации.

Это стоит экспоненциально дороже. Если обычный чат — это 1 запрос, то цель может потребовать 20–30 обращений к модели. Агент сам принимает решения о правках, запуске тестов и поиске документации. Главный риск здесь — зацикливание, когда модель тратит тысячи токенов, пытаясь исправить одну и ту же ошибку разными методами, которые не работают.

4. Субагент: Изоляция и специализация

Когда основная задача становится слишком громоздкой, основной агент может породить субагента. Это критически важная фича для экономии контекста. Субагент получает лишь малую часть информации, необходимую для выполнения конкретного узкого подзапроса. У него свое отдельное окно контента.

Представьте, что основная модель пишет архитектуру приложения, а субагент занимается только иконками или Tailwind-классами для одной кнопки. Субагент "не видит" всего веса вашего проекта, а значит, стоимость его работы в разы ниже. Управление идет сверху вниз: основной агент дает команду, получает результат и интегрирует его в общий контекст.

5. Команда (Agent Team): Мультиагентные системы

В отличие от субагентов, которые просто исполняют приказы, команда агентов (как реализовано в последних версиях Claude) — это горизонтальная структура. Здесь несколько специализированных моделей могут общаться друг с другом интерактивно. Например, один агент пишет код, второй — "безопасник" — его проверяет, а третий — "архитектор" — следит за соответствием стилистике проекта.

Командная работа позволяет решать сложнейшие задачи без участия человека, но цена владения такой системой растет вместе с количеством "совещаний" между агентами внутри сессии.

6. /workflow: Программируемая автоматизация

Это вершина текущей эволюции. `/workflow` — это не просто инструкции для Claude, а TypeScript-код, который управляет поведением нейросетей. В отличие от "Целей", которые могут быть хаотичными, воркфлоу детерминированы. Вы описываете логику: "Сначала запусти агента А, передай его вывод в модель Б, если тест провален — вернись на шаг назад".

Здесь можно запускать сотни итераций и десятки агентов в параллели. Это превращает ИИ в надежный конвейер. Воркфлоу повторяемы, их можно передавать коллегам или улучшать как обычный код. Это уже не просто помощь в написании кода — это индустриальное производство софта с использованием LLM. Изучение таких сложных систем требует времени, но окупается в разы. Больше о создании эффективного лайфстайла и рабочих процессов расскажет телеграм-канал "Олег Тестов | Соло-фаундер в найме".

Часто задаваемые вопросы

Какие из этих функций наиболее экономно расходуют токены?

Самым выгодным инструментом являются скиллы и субагенты. Скиллы сокращают необходимость в длинных промптах, а субагенты работают в ограниченном контексте, не загружая в память лишние файлы проекта.

Можно ли совмещать скиллы и воркфлоу?

Да, это идеальная связка. Воркфлоу может вызывать конкретные скиллы для выполнения стандартизированных операций, что делает общую систему более предсказуемой и дешевой в эксплуатации.

Нужно ли знать программирование, чтобы использовать /workflow?

Поскольку воркфлоу чаще всего описываются в виде кода (например, на TypeScript), базовые навыки программирования необходимы. Однако саму логику воркфлоу вам может помочь написать тот же Клод в обычном чате.

Как выбрать подходящий инструмент?

Для быстрой правки бага достаточно **чата**. Если вы понимаете, что задача повторяется — создайте **скилл**. Для масштабных рефакторингов используйте **цели** или **командную работу**, если бюджет позволяет. А если вы строите продукт, где ИИ должен выполнять сложную последовательность действий ежедневно — ваш путь лежит в **воркфлоу**.

Помните: чем выше уровень абстракции, тем меньше вашего личного времени тратится на рутину, но тем выше требования к вашей способности ставить задачи и контролировать бюджет токенов. Переходите от хаотичных запросов к системному управлению агентами — это единственный способ выжить и преуспеть в новой реальности разработки.

Готовы автоматизировать свою работу правильно?

Больше инсайтов о нейросетях и системном подходе к жизни → Подписаться на канал Олега Тестова