Почему цепочки навыков агента ломаются и трехуровневое решение, которое помогает
Глубокие цепочки навыков перегружают контекст агента. Вместо этого используйте атомы, молекулы и соединения, приводя примеры для Claude Code, LangGraph, CrewAI и Agno.
Источники: Why AI Agent Skills Break When We Chain Them and the Three-Layer Fix
Чем больше уровней в цепочке навыков агента, тем больше он забывает. Паттерн трехуровневой структуры обеспечивает надежность навыков на любой глубине и используется в Claude Code, LangGraph, CrewAI и Agno.
Почему плоские графы навыков терпят неудачу
На бумаге граф навыков кажется привлекательным: навыки связаны между собой, агент может перемещаться по графу и формировать необходимые функции. Навык маркетинга вызывает навык исследования, который, в свою очередь, вызывает навык сбора данных, тем самым создавая автоматизированную цепочку обработки.
На практике такая структура разрушается в Claude Code, Codex, Cursor и всех остальных агентах с ограниченным окном контекста.
Вот принцип работы. Сначала агент загружает только описания навыков, что достаточно для понимания их наличия. Полный контент навыка загружается при его использовании, после чего остаётся в сессии, занимая часть контекста. Claude Code открыто указывает на свои ограничения: после сжатия сессии один навык может содержать не более 5 000 токенов, а все навыки вместе — 25 000. Уже пять полноценных навыков приближаются к этому лимиту. При добавлении десяти навыков что-то удаляется без предупреждения. Другие агенты сталкиваются с похожими ограничениями, но с другими цифрами.
Разработчики в различных фреймворках описывают одну и ту же закономерность. Запрос типа «A вызывает B» работает надёжно. Запрос «A → B → C» даёт переменный результат. Запрос «A → B → C → D» — это скорее надежда, чем реальная техническая реализация. В итоге у агента слишком много инструкций, конкурирующих за внимание, и слишком мало места для их хранения.
Навыки составления — это не проблема. Проблема в том, чтобы представлять их в виде плоской диаграммы. Приведённые здесь примеры используют формат SKILL.md от Claude Code, поскольку его документация наиболее понятна, но принцип «атомов, молекул и соединений» применим к любому агенту, обладающему навыками, инструментами или плагинами.
Три уровня, соответствующих реальному составлению
Большинство фреймворков агентов уже используют иерархию: прямые инструменты, цепочки рабочих процессов и делегирование задач подагентам. Claude Code делает эту иерархию явной с помощью команд, навыков и задач. Три уровня, описанные ниже, соответствуют Codex (навыки и команды), Cursor (правила и инструменты) и всему, что поддерживает вызов инструментов и вспомогательные процессы.
Атомы: один навык, одна задача
Атом — это файл SKILL.md, предназначенный для выполнения одной узкоспециализированной задачи с почти детерминированным поведением. Он не вызывает других навыков и не принимает решений. У него есть чёткий входной и чёткий выходной результат.
---
name: verify-email
description: Verify an email address using Hunter.io API.
Use when validating email deliverability before outreach.
allowed-tools: Bash
---
## Verify Email
1. Read the Hunter API key from $HUNTER_API_KEY
2. Call the Hunter email-verifier endpoint
3. Return: status (deliverable/risky/undeliverable), score, smtp_check
4. If the API errors, report the error. Do not guess.
Простой тест: если вы можете описать всю навык одним предложением, не используя слово «и», это атом. Примерами могут служить преобразование URL в формат Markdown, запуск набора тестов, проверка кода на наличие ошибок, получение различий в pull-request или поиск записей DNS.
Молекулы: последовательности атомов, описанные текстом
Молекула решает более сложную задачу путем последовательного выполнения от двух до десяти атомов. Отличие её от графа навыков заключается в том, что порядок действий описан явно. Молекула не зависит от того, что модель сама определит, какие атомы существуют, и каким образом будет выбирать порядок выполнения во время работы.
---
name: qualify-lead
description: Research a company, find the right contact, verify
their email, output a qualified lead card.
allowed-tools: Bash Read Write
---
## Qualify Lead
Execute these steps IN ORDER.
### Step 1: Company Research
Use /research-company. Capture: size, industry, funding, tech stack.
### Step 2: Find Contact
Use /find-contact. Target: VP Eng, CTO, Head of Platform.
### Step 3: Find & Verify Email
Use /find-email, then /verify-email.
If undeliverable, return to Step 2 (max 3 attempts).
### Step 4: Output Lead Card
Write structured markdown to leads/{company-slug}.md
Обратите внимание на то, чего не говорится в файле. В нем нигде не указано, что агенту необходимо самостоятельно определять, какие навыки ему нужны. Там просто перечислены шаги в определённом порядке: исследование компании, поиск контакта, поиск электронной почты, затем её проверка.
Именно такая чёткость обеспечивает надёжность. Размытая инструкция вроде «исследуйте компанию и найдите лучший способ связи с ними» заставляет модель выбирать действия во время выполнения задачи; иногда она пропускает шаги или придумывает собственный алгоритм, полностью игнорируя указанные действия.
Компаунды: координация субагентов
Компаунды используются тогда, когда одного окна контекста недостаточно для хранения всей информации. Для запуска субагентов применяется инструмент Task в Claude Code; каждый субагент имеет собственное окно контекста и заранее загруженные навыки.
---
name: outbound-playbook
description: Run the full outbound playbook for a target segment.
Spawns parallel agents to qualify leads and draft emails.
disable-model-invocation: true
allowed-tools: Bash Read Write Task Teammate
---
## Outbound Playbook
### Phase 1: Build Lead List
Ask the user for: target segment, company size range, geography.
Use /scrape-directory to pull matching companies.
### Phase 2: Parallel Lead Qualification (Task tool)
For each company (batch of 5):
- Spawn a subagent with qualify-lead preloaded
- Each subagent qualifies one company independently
### Phase 3: Draft Emails (Task tool)
For each qualified lead:
- Spawn a subagent with draft-email preloaded
### Phase 4: Human Review Checkpoint
STOP. Present sample drafts. Ask: "Review these. Adjust or proceed?"
Do NOT proceed without explicit user approval.
### Phase 5: Campaign Summary
Compile results to outbound/{segment}/campaign-summary.md
Два фактора отличают компаунды от других решений. Во-первых, подагенты имеют отдельные окна контекста, поэтому работа по оценке потенциальных клиентов не конкурирует за ресурсы с составлением электронных писем. Именно поэтому компаунды могут функционировать даже тогда, когда обычные системы достигают своего предела из-за сложных цепочек операций.
Во-вторых, параметр disable-model-invocation: true означает, что только человек может запустить соответствующую процедуру. Модель не может самостоятельно принять решение о начале кампании. Поскольку компаунды запускают действия в реальном мире, контроль над ними должен находиться в руках человека.
Структура папок
.claude/skills/
# ATOMS — single purpose, near-deterministic
verify-email/SKILL.md
find-email/SKILL.md
find-contact/SKILL.md
research-company/SKILL.md
scrape-url/SKILL.md
# MOLECULES - explicit chains of atoms
qualify-lead/SKILL.md
review-and-test/SKILL.md
draft-blog-post/SKILL.md
# COMPOUNDS - subagent orchestration, human-driven
outbound-playbook/SKILL.md
feature-build-ship/SKILL.md
Имена могут быть произвольными. Важна лишь разделительная символика.
Та же идея в других случаях
Ничто здесь не является уникальным для SKILL.md. У каждой крупной рамки для агентов существуют аналоги, причем синтаксис может меняться, но логика составления остаётся прежней.
LangGraph: инструменты, цепочки, подграфы
В LangGraph атомы — это функции, оформленные с помощью @tool; молекулы — это последовательные графы с чётким порядком узлов; соединения же представляют собой подграфы с отдельным состоянием.
from langgraph.graph import StateGraph
from langchain_core.tools import tool
# ATOM: a single tool
@tool
def verify_email(email: str) -> dict:
"""Verify email deliverability via Hunter.io."""
response = requests.get(f"https://api.hunter.io/v2/email-verifier?email={email}")
return response.json()
# MOLECULE: explicit sequential graph
workflow = StateGraph(LeadState)
workflow.add_node("research", research_company)
workflow.add_node("find_contact", find_contact)
workflow.add_node("verify", verify_email)
workflow.add_edge("research", "find_contact")
workflow.add_edge("find_contact", "verify")
graph = workflow.compile()
# COMPOUND: subgraph composition
parent = StateGraph(CampaignState)
parent.add_node("qualify", qualify_subgraph) # each is a compiled graph
parent.add_node("draft", email_subgraph) # with its own state
parent.add_node("review", human_review_node)
Отличие от Claude Code заключается в том, что молекула LangGraph представляет собой граф с явно определёнными рёбрами, а не список инструкций, поэтому оркестрация происходит на структурном уровне, а не текстовом. Условия, циклы и параллельные ветви реализуются более естественным образом, хотя для настройки требуется больше кода.
CrewAI: инструменты, задачи и команды внутри потоков
CrewAI обеспечивает чёткую структуризацию. Атомы — это инструменты, молекулы — задачи, связанные между собой с помощью зависимостей context, а соединения — команды, выполняемые потоками.
from crewai import Agent, Task, Crew, Flow
from crewai.tools import tool
# ATOM: a tool
@tool
def verify_email(email: str) -> str:
"""Verify email deliverability."""
return requests.get(f"https://api.hunter.io/v2/email-verifier?email={email}").text
# MOLECULE: tasks chained via context
researcher = Agent(role="Researcher", goal="Find company info", tools=[search_tool])
verifier = Agent(role="Verifier", goal="Verify contacts", tools=[verify_email])
research_task = Task(description="Research {company}", agent=researcher)
verify_task = Task(description="Verify the contact", agent=verifier, context=[research_task])
crew = Crew(agents=[researcher, verifier], tasks=[research_task, verify_task])
# COMPOUND: Crews inside a Flow
class OutboundFlow(Flow):
@start()
def qualify_leads(self):
return qualify_crew.kickoff(inputs={"segment": self.state.segment})
@listen(qualify_leads)
def draft_emails(self, qualified):
return email_crew.kickoff(inputs={"leads": qualified})
@listen(draft_emails)
def human_review(self, drafts):
return drafts # pause for human approval
Параметр context=[research_task] представляет собой явную связь. Этот параметр указывает задаче проверки на ожидание завершения исследовательской задачи и на чтение её результата. Если его не указывать, каждая задача выполняется самостоятельно, в результате чего цепочка исчезает.
Agno: инструменты, агенты, команды
В Agno используется наименее сложная структура маппинга. Атомы представляют собой функции @tool, молекула — это агент, содержащий несколько инструментов плюс описание, определяющее порядок выполнения, а соединения формируются с помощью конструкции Team.
from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.tools import tool
# ATOM
@tool
def verify_email(email: str) -> str:
"""Verify email deliverability via Hunter.io."""
return requests.get(f"https://api.hunter.io/v2/email-verifier?email={email}").text
# MOLECULE: agent with ordered tools
qualify_agent = Agent(
model=Claude(id="claude-sonnet-4-6"),
description="Qualify a lead: research company, find contact, verify email. Execute in that order.",
tools=[research_company, find_contact, find_email, verify_email],
)
# COMPOUND: team of agents
from agno.team import Team
outbound_team = Team(
agents=[qualify_agent, email_drafter, campaign_reporter],
description="Run the full outbound playbook for a target segment.",
)
Поскольку порядок задан в описании, молекула Agno больше похожа на подход SKILL.md, чем на структурные связи LangGraph. Её проще написать, и порядок в ней менее детерминирован.
Одна архитектура, множество синтаксисов
Детали реализации различаются, но схема остаётся прежней. Любая платформа, выходящая за рамки простых демонстраций, в итоге имеет те же три слоя, поскольку ограничения везде одинаковы: ограниченный контекст, ненадёжное автоматическое объединение элементов и необходимость человеческого контроля при выполнении важных задач.
Где она всё ещё дает сбои
- Слабые элементы портят всё, что находится над ними. Если элемент verify-email сообщает об успехе, хотя API на самом деле сработало некорректно, все молекулы и соединения, зависящие от него, генерируют бесполезные данные. Тестируйте элементы по отдельности перед их объединением.
- Молекулы, содержащие более десяти атомов, становятся ненадежными. В Claude Code общий лимит после сжатия является жестким ограничением, а у других агентов тоже есть собственные пределы. Следует ограничиваться молекулами из двух до десяти атомов и размещать критически важные шаги в начале.
- Соединения, состоящие из восьми–десяти молекул, также имеют свои ограничения. Оркестратор должен отслеживать, какие подагенты завершили работу, что они произвели и что следует дальше; при превышении определенного размера он теряет контроль над процессом. Разделите более крупное соединение на две части, добавив человеческий контрольный пункт между ними.
- Автоматическое вызовы менее надежны, чем явные вызовы. В отчетах Vercel об оценке агентов указано, что в большинстве тестовых случаев некоторые функции не вызывались, и, скорее всего, это касается и других средств помимо Claude Code. Для атомов это еще терпимо, но для молекул и соединений следует отключить автоматические вызовы и запускать их вручную.
Вы — водитель, а агент — двигатель.
Почему это важно
Ограниченным ресурсом является не вычислительная мощность или токены, а ваше внимание. Набор текста «проверить этот электронный адрес» и набор текста «запустить операции для сегмента финтеха» требуют примерно одинаковых усилий для запуска и мониторинга, однако результаты отличаются в несколько раз.
Короче говоря, «атомы» предоставляют агенту предсказуемые единицы работы, «молекулы» соединяют эти единицы в последовательности, которые выполняют какую-либо задачу, а «соединения» запускают несколько таких последовательностей одновременно в отдельных окнах контекста. Каждый уровень увеличивает объем результата, в то время как ваше собственное внимание остается примерно неизменным.
Такая архитектура уже поддерживается — прямо в Claude Code и с помощью эквивалентных конструкций в других инструментах. Однако шаблон композиции пока еще не был реализован большинством разработчиков.
Документация по навыкам Claude Code находится по адресу code.claude.com/docs/en/skills, а формат SKILL.md соответствует открытому стандарту Agent Skills, используемому в различных инструментах искусственного интеллекта. Предложенным шаблоном являются атомы, молекулы и соединения, причем показанный код представляет собой псевдокод, призванный проиллюстрировать эти концепции.