Сегодня утром Anthropic представили Claude Skills — новый подход к расширению возможностей своих моделей. Идея настолько проста, что гениальна, и, возможно, это куда более значимый шаг, чем нашумевшие в свое время кастомные GPT.

Из анонса Anthropic:

Claude теперь может использовать Навыки (Skills) для улучшения выполнения конкретных задач. Навыки — это, по сути, папки с инструкциями, скриптами и ресурсами, которые Claude может подключать по мере необходимости.

Модель обращается к навыку только тогда, когда это релевантно текущей задаче. При использовании навыки делают Claude лучше в специализированных областях, будь то работа с Excel или соблюдение брендбука вашей компании.

Более подробное техническое описание можно найти в их инженерном блоге, а примеры — в новом GitHub-репозитории anthropic/skills.

(Забавно, что я случайно опередил их анонс, когда на прошлой неделе занимался реверс-инжинирингом этой функции!)

Концептуально «навыки» до смешного просты: это Markdown-файл, который объясняет модели, как что-то делать. По желанию его можно дополнить другими документами и готовыми скриптами, которые модель может запускать для выполнения задач, описанных в навыке.

Оказывается, недавняя фича Claude по созданию документов, представленная вместе с интерпретатором кода, была полностью реализована с помощью этих самых навыков. Теперь они доступны в репозитории Anthropic и покрывают форматы .pdf, .docx, .xlsx и .pptx.

Есть одна деталь, которая превращает это из «просто кучи файлов» в настоящую фичу. В начале сессии Claude может просканировать все доступные файлы навыков и прочитать краткое описание каждого из YAML-заголовка в Markdown-файле. Это очень эффективно с точки зрения токенов: каждый навык занимает всего несколько десятков токенов в контексте, а полные инструкции загружаются только тогда, когда пользователь запрашивает задачу, для которой этот навык может пригодиться.

Практический пример: создаем гифку для Slack

Вот метаданные из примера навыка slack-gif-creator, который Anthropic опубликовали сегодня:

codeYaml

# toolkit_name: slack_gif_creator
# toolkit_description: |
#   Инструментарий для создания анимированных GIF, оптимизированных для Slack,
#   с валидаторами ограничений по размеру и композитными примитивами анимации.
#   Этот навык применяется, когда пользователи запрашивают анимированные GIF
#   или эмодзи-анимации для Slack по описаниям вроде "сделай мне гифку для Slack,
#   где X делает Y".

Я решил протестировать этот навык в мобильном веб-приложении Claude на модели Sonnet 4.5. Сначала я включил навык slack-gif-creator в настройках, а затем отправил промпт:

Сделай мне гифку для Slack о том, что Навыки (Skills) намного круче кастомных GPT (MCPs в оригинале).

Ладно, конкретно эта гифка ужасна. Но прелесть навыков в том, что их очень легко итерировать и улучшать.

А вот что интереснее — фрагменты Python-скрипта, который сгенерировал Claude (мои комментарии):

codePython

# Начинаем с добавления директории навыка в Python path
import sys
sys.path.insert(0, '/mnt/skills/examples/slack-gif-creator')

from PIL import Image, ImageDraw, ImageFont
# Этот класс находится в директории core/ нашего навыка
from core.gif_builder import GIFBuilder

# ... код, который собирает GIF ...

# Сохраняем на диск:
info = builder.save('/mnt/user-data/outputs/skills_vs_mcps.gif', 
                    num_colors=128, 
                    optimize_for_emoji=False)

print(f"GIF успешно создана!")
print(f"Размер: {info['size_kb']:.1f} KB ({info['size_mb']:.2f} MB)")
print(f"Кадров: {info['frame_count']}")
print(f"Длительность: {info['duration_seconds']:.1f}s")

# Используем функцию check_slack_size() из навыка, чтобы убедиться,
# что файл подходит для Slack:
passes, check_info = check_slack_size('/mnt/user-data/outputs/skills_vs_mcps.gif', is_emoji=False)
if passes:
    print("✓ Готово для Slack!")
else:
    print(f"⚠ Размер файла: {check_info['size_kb']:.1f} KB (лимит: {check_info['limit_kb']} KB)")

Это довольно круто. Гифки в Slack должны быть не больше 2 МБ, поэтому в навык встроена функция валидации, которую модель использует для проверки размера файла. Если он окажется слишком большим, модель может попытаться сгенерировать его заново, но уже с другими параметрами.

Ключевое отличие: зависимость от среды исполнения

Механизм навыков полностью зависит от того, есть ли у модели доступ к файловой системе, инструментам для навигации по ней и возможность выполнять команды в этой среде.

Сегодня это уже стандартный паттерн для LLM-инструментов. ChatGPT Code Interpreter был первым громким примером в начале 2023 года, а позже этот подход распространился на локальные машины через такие инструменты, как Cursor, Claude Code, Codex CLI и Gemini CLI.

Это требование — самое большое отличие «навыков» от предыдущих попыток расширить возможности LLM, таких как плагины ChatGPT или кастомные GPT. Это существенная зависимость, но она открывает просто ошеломляющие возможности.

Тот факт, что навыки настолько мощные и простые в создании, является еще одним аргументом в пользу предоставления LLM доступа к безопасной среде исполнения кода. Слово «безопасной» здесь, конечно, ключевое! Нам действительно нужно понять, как наилучшим образом изолировать эти среды, чтобы атаки вроде prompt injection наносили лишь приемлемый ущерб.

Claude Code как универсальный агент

В январе я делал несколько опрометчивых прогнозов об ИИ, в том числе о том, что «агенты» снова не взлетят. Я оказался совершенно неправ. 2024 (в оригинале 2025, но адаптируем) год стал годом «агентов», какое бы из множества противоречивых определений вы ни использовали (я в итоге остановился на «инструменты в цикле»).

Оглядываясь назад, Claude Code — не очень удачное название. Это не просто инструмент для кодинга, это инструмент для общей автоматизации компьютера. Всё, чего можно достичь, вводя команды в терминал, теперь может быть автоматизировано с помощью Claude Code. По сути, это и есть универсальный агент. И «навыки» делают эту идею еще более очевидной и явной.

Потенциальные применения этого трюка просто головокружительны. Посмотрим на это с точки зрения дата-журналиста: представьте себе папку с навыками, которые охватывают следующие задачи:

• Где брать данные переписи населения США и как понимать их структуру.

• Как загружать данные из разных форматов в SQLite или DuckDB, используя подходящие Python-библиотеки.

• Как публиковать данные в онлайне: в виде Parquet-файлов на S3 или таблиц в Datasette Cloud.

• Навык, написанный опытным дата-репортером, о том, как находить интересные истории в новом наборе данных.

• Навык, который описывает, как создавать чистые, читаемые визуализации данных с помощью D3.

Поздравляю, вы только что создали «агента для дата-журналистики», который может находить и помогать публиковать истории на основе свежих данных. И вы сделали это с помощью папки с Markdown-файлами и парой примеров Python-скриптов.

Навыки vs. Кастомные GPT и RAG

Концепция кастомных GPT от OpenAI (и аналогичные ей) вызвала огромный ажиотаж. Но со временем стали очевидны их ограничения. Самое значительное — расход токенов. Одна только системная инструкция для сложного GPT может «съесть» десятки тысяч токенов, оставляя мало места в контекстном окне для реальной работы. RAG (Retrieval-Augmented Generation) тоже просто «забивает» контекст найденными документами.

Навыки работают иначе. Они не просто дают модели информацию (как RAG) или одну большую инструкцию (как GPTs). Они дают ей инструменты и процессы. cli-tool --help — это очень экономный способ дать модели инструмент, ведь ей не нужно хранить всю документацию в контексте. Навыки идут еще дальше: теперь даже не нужно создавать отдельный CLI-инструмент. Можно просто положить Markdown-файл с описанием задачи, добавив скрипты только там, где они действительно нужны для надежности или эффективности.

Нашествие навыков

Что особенно радует в «навыках» — это то, как легко ими делиться. Я ожидаю, что многие навыки будут состоять из одного файла, а более сложные — из папки с несколькими файлами.

Но самое главное в их дизайне — ничто не мешает использовать их с другими моделями.

Вы можете прямо сейчас взять папку с навыком, указать на нее любому code-агенту (будь то Codex CLI или Gemini CLI) и сказать: «прочитай pdf/SKILL.md, а затем создай мне PDF с описанием этого проекта». И это сработает, несмотря на то, что эти инструменты и модели ничего не знают о системе «навыков» Anthropic.

Я ожидаю, что мы увидим кембрийский взрыв в создании «навыков», по сравнению с которым прошлогодняя гонка кастомных GPT покажется детской забавой.

Вся соль — в простоте

Я уже видел критику в духе: «Это настолько просто, что даже фичей не назовешь». Действительно, многие уже экспериментировали с трюком, добавляя инструкции в Markdown-файл и прося агента прочитать его перед выполнением задачи.

Но именно в этой простоте и заключается вся прелесть.

Кастомные GPT и плагины — это целые протоколы и спецификации. А «навыки» — это Markdown с небольшим вкраплением YAML-метаданных и опциональными скриптами. Это гораздо ближе к духу самих LLM: просто дай модели текст, и пусть она сама разберется.

Они перекладывают сложные части на среду исполнения и саму LLM. Учитывая все, что мы узнали о способности языковых моделей работать с инструментами за последние пару лет, я думаю, это очень разумная стратегия.

Создано при поддеркжке канала Слайдер Данные