🧱 Три уровня стека связности агентов — 27 мая 2026 г. в 03:46:14.208
🧱 Три уровня стека связности агентов Архитектурный каркас взаимодействия агента с внешним миром разделен на три уровня: 1. Skills (Доменные навыки): Переиспользуемые процедурные инструкции и Markdown-файлы, загружаемые из локальных директорий (например, `.claude/skills/`). Они описывают сложные бизнес-сценарии и передают модели контекст выполнения задач без перегрузки логики инструментов. 2. CLI (Command Line Interface — интерфейс командной строки): Классический консольный подход. Обладает высокой композируемостью и низким расходом токенов (~200 токенов на ответ) за счет использования предобученных знаний модели об утилитах вроде `git`, `curl` и `jq`. 3. MCP (Model Context Protocol — открытый протокол контекста моделей): Корпоративная соединительная ткань. Обеспечивает независимость от платформы, строгую типизацию данных через JSON-RPC (протокол удаленного вызова процедур в формате JSON) и механизмы безопасности (авторизация OAuth, аудит действий). ⚙️ Архитектурные паттерны оптимизации связности Прямой перенос стандартных REST API (архитектурный стиль взаимодействия компонентов по протоколу HTTP) в инструменты ИИ-агента создает избыточную нагрузку на контекст и повышает задержки. Для оптимизации продакшен-систем применяются следующие паттерны: * Прогрессивное обнаружение: Вместо единовременной загрузки схем всех 100+ инструментов в контекст модели (что сжигает до 50 000 токенов), агенту предоставляется единственный инструмент динамического поиска — `tool_search`. Агент обращается к нему по мере необходимости, загружая схему нужного инструмента на лету, что снижает расход токенов до 5 раз. * Программный вызов инструментов (Code Mode): Вместо последовательных итераций «запрос модели \rightarrow выполнение инструмента \rightarrow возврат результата \rightarrow следующий шаг», агенту предоставляется среда выполнения кода — изолированный песочница-REPL (интерактивная среда выполнения кода). Модель пишет локальный скрипт на Python или JS, оркеструющий вызовы нескольких инструментов за один шаг, кратно снижая сетевые задержки. 🛠 Пример проектирования типизированного инструмента для MCP Для успешной работы ИИ-агента с инструментами крайне важна строгая типизация и подробное описание параметров на естественном языке. Ниже представлен пример типизированного описания функции на Python для автоматической генерации схемы инструмента на стороне MCP-сервера: ``` from typing import Annotated from datetime import date from enum import Enum class Category(str, Enum): TRAVEL = "travel" MEALS = "meals" OFFICE = "office" def submit_expense( amount: Annotated[float, "Сумма расходов в долларах США (USD)"], date: Annotated[date, "Дата расхода в формате ГГГГ-ММ-ДД"], category: Annotated[Category, "Категория расходов согласно регламенту"] ) -> str: """Отправляет новый отчет о расходах на согласование руководителю.""" # Логика интеграции с внутренней ERP-системой SaaS-класса return f"Отчет по категории {category.value} на сумму {amount} USD успешно отправлен." ``` Важно! Разворачивайте только в изолированной среде и только на проприетарных моделях 🔗 Ссылки: * Спецификация Model Context Protocol (Anthropic) * Репозиторий инструментов Everything Claude Code на GitHub * Разбор корпоративных паттернов многоагентных сред OpenClaw #AIArchitecture #MCP #CLI #SaaS #ModelContextProtocol #SystemDesign #MLOps #Infrastructure #JSON_RPC #REST #REPL