Головна / Статті

Чому ланцюгові навички агента не функціонують та трьохшарове рішення, яке це виправляє

Глибокі ланцюги навичок перевантажують контекст агента. Краще будувати їх з атомів, молекул та сполук, наводячи приклади для Claude Code, LangGraph, CrewAI та Agno.

Видавець: REACTAPP.TOP9 хв читання1996 слів

Джерела: Why AI Agent Skills Break When We Chain Them and the Three-Layer Fix

Чим більше шарів має ланцюг навичок агента, тим більше він забуває. Патерн складання з трьох шарів забезпечує надійність навичок на будь-якій глибині та підтримується у Claude Code, LangGraph, CrewAI та Agno.

Чому плоскі графи навичок не функціонують

На папері граф навичок здається привабливим: можна поєднувати навички, дозволяти агенту пересуватися по графу та формувати необхідні можливості. Навичка маркетингу викликає навичку досліджень, яка, у свою чергу, викликає навичку збору даних, і таким чином створюється автоматизований процес.

На практиці цей підхід не працює у Claude Code, Codex, Cursor та всіх інших агентах із обмеженим вікном контексту.

Ось цей механізм. Спочатку агент завантажує лише описи навичок, що достатньо для того, щоб знати, що існує. Повний вміст навички завантажується під час її використання, після чого залишається у сеансі, використовуючи простір для контексту. Claude Code відкрито описує свої обмеження: після стиснення сеансу одна навичка може містити максимум 5 000 токенів, а всі навички разом — 25 000. Вже п’ять повних навичок наближаються до цього ліміту. Якщо завантажити десять, щось видаляється без попередження. Інші агенти стикаються з подібними обмеженнями, але з іншими цифрами.

Розробники різних фреймворків описують одну й ту саму ситуацію. Команда типу «A до B» працює надійно. Команда «A до B до C» — це вже справа удачі. Команда «A до B до C до D» — це скоріше надія, ніж ефективний підхід. У результаті у агента занадто багато інструкцій, які конкурують за увагу, і занадто мало простору для їх зберігання.

Навички складання — це не проблемна ідея. Проблема в тому, що їх зображують у вигляді плоскої діаграми. У цих прикладах використовується формат SKILL.md від Claude Code, оскільки його документація є найзрозумілішою, але ця схема атомів, молекул та сполук застосовується до будь-якого агента, який має навички, інструменти чи плагіни.

Три рівні, що відповідають реальному складанню

Більшість фреймворків агентів вже використовують різні рівні: прямі інструменти, ланцюгові робочі процеси та делегування підагентам. Claude Code уточнює це за допомогою ієрархії команд, навичок та завдань. Три наведені нижче рівні відповідають Codex (навички та команди), Cursor (правила та інструменти) та будь-чому, що підтримує виклик інструментів та підпроцеси.

Атоми: одна навичка, одне завдання

Атом — це файл SKILL.md для одного вузькоспеціалізованого завдання з майже детерміністичною поведінкою. Він не викликає інших навичок та не приймає рішень. У нього є чіткий вхід та чіткий вихід.

---
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.

Простий тест: якщо ви можете описати всю навичку одним реченням, не використовуючи „і“, це атом. Інші приклади – перетворення URL у формат Markdown, запуск набору тестів, перевірка коду на помилки, отримання відмінностей у pull-request чи пошук записів DNS.

Молекули: послідовності атомів у письмовій формі

Молекула вирішує складнішу проблему шляхом послідовного виконання від двох до десяти атомів. Те, що відрізняє її від графа навичок, – це те, що послідовність виконання записана. Молекула не залежить від того, чи модель визначить, які атоми існують, та вгадає їхню послідовність під час виконання.

---
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

Зверніть увагу на те, чого у файлі уникають зазначення. Він ніколи не просить агента визначити, які навички йому потрібні. У ньому описано послідовність дій: дослідити компанію, знайти контакт, знайти електронну пошту, а потім підтвердити її, саме в такому порядку.

Саме ця чіткість є джерелом надійності. Розпливчаста інструкція на кшталт «дослідіть компанію та знайдіть найкращий спосіб зв’язку з ними» змушує модель обирати дії під час виконання, і іноді вона пропускає крок або вигадує власний алгоритм роботи, який повністю ігнорує ваші вказівки.

Композити: координація підагентів

Композити використовуються тоді, коли одне вікно контексту не може вмістити все необхідне. Вони за допомогою інструменту Task у Claude Code запускають підагентів, кожен з яких має власне вікно контексту та власні завантажені навички.

---
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 фактори відрізняють компаунди від інших рішень. По-перше, підагенти мають окремі вікна контексту, тож робота з підбору клієнтів не конкурує за простір із складанням електронних листів. Саме тому компаунди можуть розвиватися за межі обмежень, які заважають створенню складних ланцюгів дій.

По-друге, параметр disable-model-invocation: true означає, що лише людина може запустити процес виконання плану дій. Модель не може самостійно вирішити розпочати зовнішню кампанію. Компаунди ініціюють дії у реальному світі, тому керуванням має здійснювати людина.

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

Назви є гнучкими. Важливим є розмежування.

Та сама ідея в інших місцях

Ніщо тут не є специфічним для SKILL.md. Кожна основна платформа для агентів має аналоги, і синтаксис може змінюватися, проте логіка складання залишається незмінною.

LangGraph: інструменти, ланцюги, підграфи

У LangGraph атоми — це функції, означені тегом @tool, молекули — це послідовні графи з чітким порядком вузлів, а сполуки — це підграфи з окремим станом.

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)

Різниця з Claude Code полягає у тому, що молекула LangGraph — це граф із явними ребрами, а не список інструкцій, тому оркестрація є структурною, а не текстовою. Умовні оператори, цикли та паралельні гілки виникають у цьому форматі природніше, хоча налаштування вимагає більше коду.

CrewAI: інструменти, завдання, команди всередині потоків

CrewAI забезпечує чітке мапування. Атоми — це інструменти, молекули — це завдання, пов’язані між собою через залежності context, а сполуки — це команди, які виконуються 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] є прямим зв’язком. Цей параметр наказує завданню перевірки чекати до завершення дослідницького завдання та читати результати його виконання. Якщо його не вказувати, кожне завдання виконується окремо, тож ланцюг зникає.

Agno: інструменти, агенти, команди

У Agno найпростіша структура мапування. Атоми — це функції @tool, молекула — це агент, який містить кілька інструментів та опис, що визначає порядок виконання, а сполуки використовують конструкцію 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.",
)

Оскільки порядок визначається у описі, молекула Agno більше нагадує підхід SKILL.md, ніж структурні краї LangGraph. Її простіше писати, і порядок у ній менш детермінований.

Одна архітектура, багато синтаксів

Деталі реалізації відрізняються, але форма залишається однаковою. Будь-яка платформа, яка розвивається за межі демонстраційних прикладів, у кінцевому підсумку має ті самі три шари, оскільки обмеження всюди ідентичні: обмежений контекст, ненадійне автоматичне поєднання елементів та необхідність людського контролю при виконанні важливих завдань.

Де вона все ще дає збої

  • Слабкі елементи псують усе, що знаходиться над ними. Якщо елемент verify-email повідомляє про успіх, коли насправді API зазнало невдачі, кожна молекула чи сполука, яка від нього залежить, генерує некоректні дані. Тестуйте елементи по одному перед їх поєднанням.
  • Молекули, що складаються з більше ніж десяти атомів, стають ненадійними. У Claude Code загальний бюджет після компактації є жорстким лімітом, а інші агенти мають свої власні обмеження. Обмежуйте кількість атомів у молекулах до двох–десяти та розміщуйте критичні кроки на початку.
  • Сполуки, що складаються з вісімнадцяти–десяти молекул, також мають свої ліміти. Оркестратор повинен відстежувати, які підагенти завершили роботу, що вони створили та що буде далі; при певному розмірі він втрачає контроль. Розділіть більшу сполуку на дві частини, додавши людський контрольний пункт між ними.
  • Автоматичне запускання є менш надійним, ніж явне. У звітах Vercel про оцінку агентів було виявлено, що у значній кількості тестових випадків певні функції не запускалися, і ця тенденція, ймовірно, характерна не лише для Claude Code. Це ще прийнятно для атомів. Для молекул та сполук вимкніть автоматичне запускання та запускайте їх вручну.

Ви — водій, а агент — двигун.

Чому це важливо

Обмеженим ресурсом є не обчислювальні потужності чи токени. Це ваша увага. Набір тексту „перевірити цю електронну пошту“ та набір тексту „запустити операції для сегмента фінтеху“ вимагають приблизно однакових зусиль для початку виконання та моніторингу, проте результати відрізняються в кілька разів.

Коротко кажучи, атоми надають агенту прогнозовані одиниці роботи, молекули об’єднують ці одиниці в послідовності, які досягають певної мети, а сполуки виконують кілька таких послідовностей одночасно в окремих вікнах контексту. Кожен рівень збільшує обсяг результату, тоді як ваша увага залишається приблизно незмінною.

Ця архітектура вже підтримується — прямо в Claude Code та через еквівалентні конструкції в інших середовищах. Саме шаблон композиції ще не був реалізований більшістю розробників.

Документація з навичок Claude Code знаходиться за адресою code.claude.com/docs/en/skills, а формат SKILL.md відповідає відкритому стандарту Agent Skills, який підтримується кількома інструментами ШІ. Атоми, молекули та сполуки є запропонованим шаблоном, а наведений код є псевдокодом, призначеним для пояснення цих концепцій.