AI-скиллы в Claude Code: как создавать и использовать

Август 2026

На практическом мастер-классе Искандер Хабибрахманов разобрал, что на самом деле стоит за AI-скиллами, чем они отличаются от обычных промптов и для каких продуктовых процессов подходят.

Вместе с участниками Искандер собрал два скилла в Claude Code: первый — для создания PRD по шаблону и добавления задачи в Notion, второй — для автоматической записи видео-демо продукта на основе знаний из предыдущей переписки с агентом.

Отдельно разобрали ограничения скиллов: почему инструкция для LLM не гарантирует выполнение каждого шага, когда нужен обычный скрипт, а когда — MCP, хуки или кастомный агент.

Фокус воркшопа: создание AI-агентов

Главный вопрос встречи — как превратить знания, инструкции и уже найденные способы решения задач в скиллы, которыми AI-агент сможет пользоваться повторно.

На мастер-классе Искандер шёл от базовой механики агента к практической работе со скиллами:

LLM и обвязка → скилл → структура скилла → создание → проверка → доработка → ограничения → более сложные агенты.

Что такое AI-агент и зачем здесь нужна «обвязка»

Чтобы понять скиллы, сначала нужно разделить LLM и агента.

Сама LLM умеет работать с текстом: получает текст на вход и генерирует текст на выход. У неё самой по себе нет постоянной памяти, доступа к вашим рабочим системам или возможности решить, какой инструмент запустить.

Этим занимается обвязка — программный слой вокруг модели.

Она управляет:

историей сообщений;
памятью;
доступными инструментами;
скиллами;
триггерами;
валидацией;
агентским циклом.

Например, после того как AI написал код, система может автоматически проверить, компилируется ли он. Это делает не сама LLM, а обвязка.

Поэтому возможности двух продуктов на одной и той же модели могут отличаться: дело не только в «мозгах» модели, но и в том, какие инструменты и ограничения построены вокруг неё.

Слайд «Из чего состоит любой агент»: LLM и обвязка — память, история сообщений, скиллы, инструменты, агентский цикл

Слайд «LLM сама по себе ничего не умеет»: вход и выход — текст, памяти нет

Что такое скилл

Искандер предложил смотреть на скилл без лишней магии:

Скилл — это сохранённая инструкция, которую можно использовать повторно.

По механике он близок к промпту. Теоретически можно каждый раз находить длинную инструкцию, копировать её и вставлять в новый чат.

Скилл избавляет от этого шага.

Агент знает, какие скиллы ему доступны, и по их описанию может определить, когда подключить нужный. Пользователь также может вызвать его вручную.

Например:

/PRD → короткое описание задачи

После этого агент подключает инструкцию для работы с PRD и выполняет описанный в ней процесс.

В чём бизнес-смысл скилла

Скилл — это не просто способ сохранить промпт.

Он позволяет формализовать знание человека или компании и сделать его доступным агенту.

Например, внутри команды уже может существовать:

шаблон PRD;
инструкция по проведению исследования;
правила проверки тестового задания;
процесс создания тикетов после встречи;
требования к тестированию продукта;
инструкция по работе с API.

Иногда эти знания лежат в документации. Иногда — только в голове конкретного сотрудника. Скилл позволяет описать их текстом и использовать повторно.

Слайд «Применимость»: когда скилл работает и когда не работает

Слайд «Примеры применения скиллов»: ресёрч конкурентов, PRD по шаблону, анализ экспериментов, тестирование продукта

Слайд «Состав скилла»: Description, Workflow, Output template, Examples, Edge cases, Validation

Когда скиллы подходят для задачи

Хороший кандидат на скилл — процесс, который можно описать понятной инструкцией.

Представьте, что эту инструкцию получает новый сотрудник.

Если по ней он сможет выполнить задачу и проверить результат, скорее всего, процесс можно перенести в скилл.

Например:

собрать информацию;
подготовить документ по шаблону;
проверить продукт по чек-листу;
обработать результаты эксперимента;
создать тикеты после встречи;
подготовить результат в заданном формате.

Когда скилла недостаточно

1. Когда нужен гарантированно одинаковый результат

LLM недетерминирована: один и тот же запрос не обязан каждый раз давать полностью одинаковый результат.

Если нужно, например, выполнить точный расчёт, лучше дать агенту готовый инструмент или скрипт для этого расчёта.

2. Когда цена ошибки слишком высока

Скилл — инструкция, а не гарантия.

Поэтому критичные действия нельзя строить только на обещании модели «обязательно сделать именно так».

3. Когда агент должен нести ответственность за решение

AI может помочь собрать информацию и предложить варианты, но ответственность за решение остаётся у человека.

Например, выбор того, какой продукт строить, нельзя свести только к ответу агента.

Какие задачи уже делают с помощью скиллов

1. Мониторинг конкурентов

Агент регулярно проверяет сайты и Telegram-каналы конкурентов, собирает изменения и сохраняет результат в базе знаний.

Вместо отдельного исследования каждый раз команда получает обновляемую историю действий конкурентов.

2. Подготовка PRD

Если в компании есть единый шаблон требований, его можно положить в скилл.

После этого пользователь даёт короткое описание задачи, а агент заполняет документ в нужной структуре.

3. Анализ продуктовых экспериментов

Если заранее зафиксированы:

описание эксперимента;
нужные метрики;
правила их расчёта;
формат результата,

агент может по инструкции собрать и оформить результаты.

4. Тестирование продукта и запись демо

В процессе, который показал Искандер, QA-агент читает описание функции, открывает продукт, выполняет необходимые действия, проверяет результат и записывает видео.

После этого видео можно посмотреть и быстро понять, соответствует ли реализованная функция задаче.

5. Работа с Notion и API

Скилл может содержать документацию по работе с API.

Так агент получает не только технический доступ к сервису, но и инструкцию: какие методы существуют и как ими пользоваться в конкретном процессе.

6. Тикеты после встреч

Транскрипты встреч из Fireflies, Granola или другого сервиса можно складывать в папку.

Дальше агент:

читает транскрипт;
находит action points;
создаёт задачи в Jira;
при необходимости обновляет описание функции в базе знаний.

7. Проверка тестовых заданий

В одном из кейсов скилл описывает, как оценивать тестовое задание кандидата: какие ответы проверять и как выставлять баллы.

Агент читает ответы, оценивает их по заданным правилам и сохраняет результат в HR-системе.

Из чего состоит хороший скилл

На мастер-классе Искандер показал структуру, которую предлагает Anthropic.

Description

Кратко объясняет:

что делает скилл;
когда его нужно использовать.

Этот блок нужен в первую очередь самому агенту — по нему он определяет, подходит ли скилл под задачу.

Workflow

Пошаговая инструкция.

Например:

открыть источник;
собрать данные;
проверить их;
сформировать документ;
сохранить его в нужном месте.

Template

Шаблон ожидаемого результата.

Особенно полезен для документов с фиксированной структурой: PRD, отчётов, тикетов.

Examples

Несколько примеров корректных входных запросов и результата.

Они помогают агенту понять не только правила, но и то, как должен выглядеть качественный ответ.

Corner cases

Ситуации, в которых агент должен изменить поведение или отказаться от действия.

Например, скилл фитнес-помощника может работать с историей тренировок, но не должен самостоятельно назначать лекарства.

Validation

Правила финальной проверки.

Например:

Перед завершением проверь, что в PRD есть описание проблемы, решения и Definition of Done.

Важно: эта проверка всё равно остаётся инструкцией для LLM и поэтому не является абсолютной гарантией.

Практика №1. Как собрать скилл для PRD

Первое упражнение на мастер-классе — превратить готовый шаблон PRD из Notion в скилл.

Искандер использовал короткий промпт:

Загрузи страницу с шаблоном PRD и прочитай её. Сделай скилл, который по короткому описанию пользователя заполняет PRD по этому шаблону. И пусть сразу создаёт тикет в Notion в бэклоге.

Что произошло дальше

Claude:

открыл страницу с шаблоном;
разобрал его структуру;
сформировал скилл;
сохранил его;
в новой сессии подключил скилл по команде /PRD;
получил короткое описание продукта;
создал PRD;
добавил тикет в Notion.

Новая сессия здесь принципиальна: в ней уже не было истории, в которой создавался скилл. Значит, можно было проверить, действительно ли сохранённая инструкция работает самостоятельно.

Что делать, если результат получился не идеальным

В демо-версии агент допустил ошибку в разметке Notion.

Это не повод переписывать скилл вручную.

Искандер предложил:

показать агенту ошибку;
попросить исправить результат;
после исправления попросить обновить скилл, чтобы ошибка не повторялась.

Получается своеобразный файл накопленного опыта: после рабочих итераций скилл становится точнее.

Необязательно иметь готовый шаблон

Есть и второй способ.

Допустим, у вас нет единого шаблона PRD, но есть три документа, которые команда считает хорошими.

Можно передать их агенту и попросить:

найти общую структуру;
собрать из неё шаблон;
на основе шаблона создать скилл.

То есть источником скилла может быть не заранее написанная инструкция, а несколько качественных примеров работы.

Источники знаний для скиллов

Искандер выделил два особенно полезных источника.

Документация и база знаний

Это могут быть:

внутренние инструкции;
шаблоны;
техническая документация;
API;
правила работы команды.

История общения с агентом

Это один из самых практичных источников.

Во время работы человек постоянно корректирует AI:

здесь используй другую структуру;
этот блок не добавляй;
результат нужно проверить так;
текст должен выглядеть иначе;
сначала сделай X, потом Y.

Все эти исправления остаются в переписке.

Вместо того чтобы объяснять их заново при следующей задаче, можно попросить агента:

Перечитай нашу переписку, выдели правила, которые помогли получить хороший результат, и собери из них скилл.

Слайд «Источники знаний для скиллов»: база знаний компании, документация к системам, переписка с агентом

Практика №2. Как превратить рабочую переписку в скилл

Искандер показал этот подход на записи видео-демо.

До мастер-класса он несколько раз просил агента записать демонстрацию продукта и постепенно исправлял результат:

добавить видимый курсор;
сделать понятным движение мыши;
добавить скролл;
показать действия пользователя.

Когда итоговое видео стало подходящим, всю накопленную историю можно было превратить в инструкцию.

Промпт:

Перечитай нашу историю переписки и выдели ключевые знания о том, как записывать видео-демо. Сделай универсальный скилл, который по описанию функционала идёт на нужный сайт и записывает его демонстрацию.

После создания скилла Искандер открыл новую сессию и попросил записать работу поиска на Amazon.

У агента уже не было предыдущего контекста, но он использовал сохранённый скилл и повторил ранее найденный процесс — в том числе работу с курсором и скроллом.

Главная идея: сначала можно решить новую задачу вместе с AI вручную, а когда процесс стал понятен — сохранить найденный способ работы в скилл.

Где хранить скиллы

На встрече участники спрашивали про Obsidian.

Искандер не считает его обязательным. Сам он хранит скиллы в GitHub как обычные Markdown-файлы.

Obsidian может быть удобен, если важно:

работать с большим количеством заметок;
связывать документы между собой;
видеть связи между знаниями.

Но отдельный специализированный инструмент для скиллов не обязателен.

Глобальные и локальные скиллы

В Claude Code скиллы могут быть связаны с конкретным проектом или доступны глобально.

Локальный скилл используется внутри определённой папки или проекта.

Глобальный скилл доступен из разных проектов.

Если одна и та же инструкция нужна постоянно — например, правила записи видео-демо — её имеет смысл сделать глобальной.

Claude.md и скиллы: в чём разница

В Claude Code есть информация, которая загружается в контекст постоянно.

И есть знания, которые нужны только для конкретной задачи.

Это важно разделять.

В Claude.md стоит хранить то, что агент должен знать всегда.

Например:

основные правила проекта;
постоянные ограничения;
ключевые сведения о среде.

В скиллах — инструкции для отдельных процессов.

Например, когда агент пишет код, ему не нужна инструкция по записи видео. Она подключается только тогда, когда появляется соответствующая задача.

Если загрузить все инструкции в постоянный контекст, он станет слишком большим и начнёт мешать работе.

Главное ограничение: скилл — это просьба, а не гарантия

Это один из ключевых тезисов мастер-класса.

Скилл остаётся частью промпта.

Поэтому агент теоретически может:

пропустить шаг;
не выполнить проверку;
интерпретировать инструкцию иначе;
получить нестабильный результат в сложном процессе.

Чем больше шагов и условий внутри одного скилла, тем выше вероятность ошибки.

Поэтому скиллы нельзя использовать как универсальный механизм для всего.

Слайд «Ограничения скиллов»: главное ограничение — скилл это просьба, а не гарантия

Слайд «Как работать с ограничениями»: MCP и API, скрипты внутри скилла, хуки

Когда нужны MCP, скрипты, хуки и кастомные агенты

MCP и другие инструменты

Нужны, когда агент должен работать с внешними системами и данными.

Например:

Notion;
Telegram;
браузер;
внутренний сервис.

Скилл может объяснить, как работать, но сам доступ обеспечивает инструмент.

Скрипты

Если часть процесса должна каждый раз выполняться одинаково, её лучше вынести в обычный код.

Например, вместо того чтобы просить модель каждый раз самостоятельно считать показатель, можно дать ей готовый скрипт расчёта.

Хуки

Если действие должно происходить гарантированно при определённом событии, одной инструкции недостаточно.

Хук запускается обвязкой, а не по решению LLM.

Например, перед использованием определённого инструмента можно обязательно запускать проверку.

Кастомные агенты

Подходят, когда нужно жёстко ограничить возможности агента.

Участница мастер-класса привела пример: агент должен только проводить code review, но иногда начинает сам изменять код.

Фразы «не редактируй код» в скилле недостаточно — это всё равно просьба.

У кастомного агента можно просто убрать инструмент редактирования. Тогда технически выполнить такое действие он не сможет.

Как проверять качество скилла

Первый способ — самый простой:

использовать скилл в реальных задачах и смотреть на результат.

Если он ошибается:

понять, где проблема;
скорректировать инструкцию;
снова проверить;
обновить скилл.

Для более системного тестирования Искандер использует evals.

Можно подготовить набор тест-кейсов и измерять:

насколько часто агент выполняет задачу правильно;
на каких сценариях ошибается;
как меняется качество на разных моделях.

Для таких экспериментов на предыдущем потоке использовали Promptfoo.

Ещё один подход — запустить несколько отдельных сессий агента параллельно и сравнить их поведение.

Как уменьшать расход токенов

Один из вопросов участников был про стоимость работы агентов.

Искандер обратил внимание: большой расход возникает не только из-за длины одного запроса.

Во время работы агент многократно вызывает инструменты.

После каждого такого действия обвязка снова передаёт модели нужную историю и контекст.

Поэтому один из главных способов снизить расход — сократить количество промежуточных вызовов инструментов и лучше организовать контекст.

Если агент может получить все нужные ему данные за одно обращение вместо пяти последовательных запросов, работа становится экономнее.

Скиллы работают только в Claude?

По словам Искандера, сам принцип переносим между платформами, потому что основа скилла — текстовая инструкция.

Техническая реализация в Claude, ChatGPT, Gemini или других продуктах может отличаться, но содержание инструкции остаётся переносимым.

Поэтому при создании скилла полезнее думать не о конкретном интерфейсе, а о том, какое знание и какой процесс вы формализуете.

Что идёт после скиллов

Скиллы — не конечная точка работы с агентами.

На более сложном уровне появляются:

подключение корпоративного контекста через MCP;
кастомные агенты;
ограничения прав;
автоматическое тестирование;
дизайн и разработка;
деплой;
evals;
экономика работы агентов.

На мастер-классе Искандер описал скиллы как один из первых практических уровней между обычным общением с LLM и полноценными агентскими процессами.

Главные выводы мастер-класса

Скилл — это сохранённая инструкция, а не отдельная «магическая» способность модели.

Скиллы полезны там, где процесс можно описать последовательностью понятных действий.
Хороший скилл содержит не только инструкцию, но и описание сценария применения, шаблоны, примеры, исключения и проверку результата.
Скилл может хранить внутреннее знание компании или конкретного специалиста.
Источником для скилла может стать готовая документация, несколько хороших примеров или история общения с агентом.
Рабочий способ — сначала решить задачу вместе с AI, а затем превратить накопленные поправки в скилл.
После каждой ошибки скилл можно обновлять и постепенно превращать в более точную инструкцию.
Скилл не гарантирует выполнение каждого пункта: это по-прежнему инструкция для LLM.
Для детерминированных операций лучше использовать обычный код и скрипты.
Для обязательных проверок нужны механизмы обвязки — например, хуки.
Если агенту нужно жёстко запретить определённое действие, лучше ограничить инструменты кастомного агента, а не просить его об этом в промпте.
Не стоит постоянно загружать в контекст все инструкции. Постоянные знания и скиллы для отдельных задач лучше разделять.
Проверять скиллы нужно на реальной работе, а для более сложных сценариев — через набор тестов и evals.
Скиллы — только одна часть агентной системы. Более сложные процессы требуют инструментов, данных, обвязки и контроля.

FAQ участников мастер-класса

1. Нужно ли каждый раз вручную вызывать скилл?

Нет. Можно вызвать его явно через команду, если важно гарантированно подсказать агенту, какую инструкцию использовать.

Но агент также видит список доступных скиллов и может сам выбрать подходящий по описанию задачи.

2. Чем скилл отличается от обычной инструкции?

По содержанию почти ничем. Главное отличие — повторное использование.

Вместо того чтобы каждый раз искать и вставлять длинную инструкцию, вы сохраняете её как скилл, который затем может подключить пользователь или агент.

3. Чем Claude.md отличается от скилла?

Claude.md загружается в контекст постоянно. Скилл подключается только тогда, когда нужен для конкретной задачи.

Поэтому в Claude.md стоит оставлять постоянные знания, а узкие инструкции — выносить в скиллы.

4. Можно ли использовать один скилл в разных проектах?

Да. В Claude Code можно сделать скилл глобальным, чтобы он был доступен из разных папок и проектов.

5. Обязательно ли хранить скиллы в Obsidian?

Нет. Искандер хранит свои скиллы как Markdown-файлы в GitHub. Obsidian полезен прежде всего как инструмент для работы со связанными заметками.

6. Можно ли использовать скиллы не только в Claude?

Сама инструкция переносима. Технический способ подключения скиллов в разных продуктах может отличаться, но текстовые правила и процесс можно адаптировать для другой платформы.

7. Как понять, что созданный скилл в Claude получился хорошим?

Проверить его на реальных сценариях. Если результат соответствует ожиданиям — скилл работает.

Для более сложной проверки можно написать тест-кейсы и использовать evals.

8. Можно ли заставить скилл всегда выполнять определённый шаг?

Полностью гарантировать это нельзя. Скилл — часть промпта, поэтому модель может нарушить инструкцию.

Если действие обязательно, его нужно реализовывать через код, хуки или другую часть обвязки.

9. Можно ли запретить агенту редактировать код только с помощью скилла?

Надёжно — нет. Для этого лучше создать кастомного агента без инструмента редактирования. Тогда ограничение обеспечивается технически.

10. Какая модель нужна для создания скиллов?

Для относительно простых скиллов Искандер считает достаточным Sonnet. Для сложных задач он сам чаще использует Opus.

11. Зачем работать через Claude Code, если есть Desktop?

Искандер использует Claude Code из-за более широких технических возможностей и доступа к локальной среде.

При этом для начала он предложил простой путь: начать с Desktop, а переходить в Claude Code тогда, когда появляется сценарий, который Desktop уже не может выполнить.

12. Где можно использовать знания из старых переписок с AI?

Их можно превратить в скиллы. Если во время длинной сессии вы несколько раз поправляли результат и в итоге получили рабочий процесс, попросите агента выделить из истории правила и сформировать универсальную инструкцию.