Скиллы для AI-агентов: что это, где взять, как создать

Скиллы (skills, плагины, MCP-серверы) — это модульные расширения, которые дают агенту новые возможности: работу с файлами, поиск в интернете, доступ к базам данных, генерацию изображений и многое другое.

Без скиллов агент — просто болталка. Со скиллами — инструмент, который решает реальные задачи.

← Готовые AI-агенты · Архитектура AI-агента → · 🇬🇧 English

Содержание

1. Что такое скиллы
2. Сравнение платформ
3. MCP — универсальный стандарт
4. Где брать готовые скиллы
5. Как создать свой скилл
6. Пример: test-graphics — генерация картинок через сторонний API
7. Прокачка скиллов: от простого к сложному
8. Скиллы этого хендбука
9. Что дальше

1. Что такое скиллы

Скилл — это дополнительная способность, которую вы даёте агенту. Агент сам решает, когда её использовать, в зависимости от задачи.

Пример: вы просите агента «нарисуй иконку для приложения». Агент понимает, что не умеет рисовать, находит подходящий скилл генерации изображений, вызывает его — и возвращает результат.

Разные платформы называют скиллы по-разному:

Несмотря на разные названия, принцип один: вы описываете, что умеет скилл, и агент вызывает его когда нужно.

2. Сравнение платформ

OpenCode / Codex CLI — Skills

Формат: Markdown-файлы с инструкциями + shell-скрипты.
Где лежат: В папке .opencode/skills/ или в конфиге opencode.json.
Как работают: Агент читает описание скилла и решает, нужно ли его применить.

Простейший скилл

# test-graphics

Генерация тестовых изображений, фото, иконок, placeholders для проектов.
Использует Python + бесплатные API (loremflickr, placehold.co).

Команда: python test-graphics.py --width 800 --height 600 --output icon.png

Скилл загружается через конфиг:

{
  "skills": ["test-graphics"]
}

Continue.dev — Context Providers + MCP

Формат: JSON-конфиг + код контекст-провайдера.
Где лежат: ~/.continue/config.json + ~/.continue/plugins/.
Как работают: Провайдеры подгружают контекст (файлы, терминал, git), MCP-серверы добавляют инструменты.

{
  "contextProviders": [
    {"name": "file"},
    {"name": "terminal"}
  ],
  "experimental": {
    "mcpServers": [
      {"name": "playwright", "command": "npx", "args": ["@playwright/mcp"]}
    ]
  }
}

Cline — MCP Servers

Формат: JSON.
Где лежат: ~/.vscode/extensions/cline/ или в настройках расширения.
Как работают: MCP-серверы подключаются как внешние инструменты.

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/dir"]
    }
  }
}

Cursor — Rules

Формат: Markdown-файлы.
Где лежат: .cursorrules (глобальные) или .cursor/rules/ (проектные).
Как работают: Агент читает правила и следует им при генерации кода.

Aider — Conventions

Формат: Markdown + YAML.
Где лежат: CONVENTIONS.md (в корне репозитория) или .aider.conf.yml.
Как работают: Aider читает conventions и следует стилю кода.

Claude Code — CLAUDE.md

Формат: Markdown.
Где лежат: CLAUDE.md в корне проекта.
Как работают: Claude Code читает этот файл при старте и следует инструкциям.

OpenHands — Microagents

Формат: Markdown.
Где лежат: .openhands/microagents/.
Как работают: Microagent — это файл с инструкцией для агента: что он должен знать о проекте, какие команды выполнять.

GitHub Copilot — Custom Instructions

Формат: Markdown.
Где лежат: .github/copilot-instructions.md.
Как работают: Copilot читает инструкции при генерации кода.

3. MCP — универсальный стандарт

Model Context Protocol (MCP) — открытый протокол от Anthropic, который позволяет агентам подключать любые внешние инструменты через единый интерфейс.

Как работает:

Агент (клиент) ←→ MCP-сервер ←→ Внешний сервис (БД, API, файлы, браузер, …)

MCP поддерживают:

Платформа	Статус MCP
Claude Desktop	Нативно
Claude Code	Нативно
Cursor	Нативно
Continue.dev	Experimental
Cline	Нативно
VS Code (GitHub Copilot)	Через расширение
OpenCode / Codex CLI	Через MCP-конфиг
Windsurf	Нативно

Где брать MCP-серверы:

Категории MCP-серверов:

• Базы данных — Postgres, SQLite, MySQL, Turso
• Поиск и Web — DuckDuckGo, Brave, Jina, Context7
• Инструменты разработчика — GitHub, Git, Docker, Kubernetes
• AI/ML — Ollama, embeddings, RAG
• Файлы и хранилища — Local filesystem, Google Drive, S3
• Браузеры — Playwright, Puppeteer
• Коммуникации — Slack, Telegram, Email
• Аналитика — BigQuery, Prometheus, Datadog

4. Где брать готовые скиллы

Каталоги MCP-серверов

Самый большой выбор: mcpservers.org — 9,800+ серверов.
По категориям: mcp.directory — 2,300+ серверов.
С рейтингом: findarepo.com/skills/mcp/ — 256+ лучших.

Репозитории со скиллами

Awesome-списки

• awesome-mcp-servers — курируемый список
• awesome-cursorrules — правила для Cursor
• awesome-continue — плагины для Continue

5. Как создать свой скилл

Процесс одинаков для любой платформы:

1. Определите, что делает скилл — одну конкретную вещь
2. Напишите инструкцию — опишите, когда агенту вызывать скилл
3. Подключите к агенту — через конфиг или файл в нужной директории

6. Пример: test-graphics — генерация картинок через сторонний API

Наш реальный кейс: в хендбуке нужно быстро заполнить демо-страницы скриншотами, иконками, фото — без привлечения дизайнера и без генерации через нейросеть. Решение: скилл, который вызывает бесплатные сервисы placehold.co и loremflickr.com по HTTP.

Что делает

• Генерирует плейсхолдеры (placehold.co) с заданными размерами и текстом
• Берёт рандомные фото (loremflickr.com) для реалистичных заглушек
• Создаёт иконки заданного размера
• Работает без API-ключей, без лимитов, мгновенно

Структура скилла

.opencode/skills/test-graphics/
├── SKILL.md          # Инструкция для агента (Markdown)
├── test-graphics.py  # Исполняемый код (Python)
└── requirements.txt  # Зависимости (requests)

Инструкция для агента (.opencode/skills/test-graphics/SKILL.md)

# test-graphics

Генерация тестовых изображений, фото, иконок, placeholders для проектов.
Без претензий к качеству — только заполнить данные.
Использует Python + бесплатные API (loremflickr, placehold.co).

## Когда использовать
- Нужно тестовое изображение для макета
- Нужна иконка-заглушка
- Нужно заполнить страницу картинками для демонстрации

## Команда
python test-graphics.py --width <W> --height <H> --output <file> [--type icon|photo|placeholder]

## Примеры
- python test-graphics.py --width 800 --height 600 --output hero.png --type photo
- python test-graphics.py --width 64 --height 64 --output icon.png --type icon

## Зависимости
- Python 3
- requests

Код скилла (test-graphics.py)

#!/usr/bin/env python3
"""Генерация тестовых изображений через бесплатные API."""
import argparse, requests

def generate_placeholder(width, height, text=""):
    url = f"https://placehold.co/{width}x{height}?text={text or f'{width}x{height}'}"
    return url

def generate_photo(width, height):
    return f"https://loremflickr.com/{width}/{height}"

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--width", type=int, default=800)
    parser.add_argument("--height", type=int, default=600)
    parser.add_argument("--type", choices=["photo", "icon", "placeholder"], default="placeholder")
    parser.add_argument("--output", required=True)
    args = parser.parse_args()

    if args.type == "photo":
        url = generate_photo(args.width, args.height)
    else:
        url = generate_placeholder(args.width, args.height, args.type)

    img = requests.get(url).content
    with open(args.output, "wb") as f:
        f.write(img)
    print(f"✓ {args.output} ({args.width}x{args.height})")

Зависимости (requirements.txt)

requests>=2.31.0

Подключение в OpenCode

В opencode.json:

{
  "skills": ["test-graphics"]
}

Как агент это использует

Вы просите: «сгенерируй иконку 64×64 для теста»

Агент:

1. Видит в доступных скиллах test-graphics
2. Читает SKILL.md — понимает параметры
3. Запускает: python test-graphics.py --width 64 --height 64 --output icon.png --type icon
4. Возвращает готовый файл icon.png

Ключевой момент: сторонние сервисы как «бесплатный бэкенд»

Паттерн: когда задачу можно решить HTTP-запросом к публичному API — не пиши свою генерацию, оберни вызов в скилл. Это работает для: QR-кодов, баркодов, сокращения ссылок, валидации email, геокодинга, валютных курсов и т.д.

7. Прокачка скиллов: от простого к сложному

Скиллы можно развивать по уровням сложности:

Уровень 1: Wrapper над HTTP API (как test-graphics)

• Вызов одного публичного эндпоинта
• Никаких секретов
• Примеры: QR-коды, плейсхолдеры, случайные фото, валидаторы

Уровень 2: Локальная логика + файловые операции

• Работа с файлами на диске
• Простая обработка данных
• Примеры: конвертация форматов, ресайз картинок (Pillow), парсинг CSV/JSON

Уровень 3: MCP-сервер (Model Context Protocol)

• Постоянно запущенный процесс
• Двустороннее общение с агентом
• Стандартный интерфейс для всех MCP-клиентов
• Примеры: файловый доступ, поиск в коде, работа с БД, браузер

Уровень 4: Комплексный пайплайн с состоянием

• Многошаговые процессы
• Кэширование, ретраи, rate limiting
• Собственное API или очередь задач
• Примеры: RAG-пайплайн, кодогенерация с тестами, CI/CD интеграция

Уровень 5: Skill Pack / Plugin Ecosystem

• Набор связанных скиллов под домен
• Версином (data-science, web-dev, devops)
• Маркетплейс, версионирование, зависимости
• Примеры: .opencode/skills/data-science/, .opencode/skills/frontend/

Чек-лист зрелости скилла

Критерий	Уровень 1	Уровень 2	Уровень 3	Уровень 4	Уровень 5
Нужен API-ключ
Состояние между вызовами
Работает офлайн
Стандарт MCP
Версионирование
Зависимости от других скиллов

Рекомендация: начните с Уровня 1

1. Найдите рутинную задачу, которую делаете руками
2. Есть ли публичный API? → оберните в скилл Уровня 1
3. Нет API? → напишите локальную логику (Уровень 2)
4. Нужен контекст/память/двусторонний диалог? → MCP (Уровень 3)

8. Скиллы этого хендбука

По мере развития Awesome AI Handbook мы добавляем скиллы для разных платформ.
Следите за папкой:

awesome-ai-handbook/
└── .opencode/
    └── skills/
        └── test-graphics/    ← пример выше

Планируется:

• handbook-qa — поиск по содержанию хендбука
• model-benchmark — запуск бенчмарков на локальном железе
• agent-scaffold — генерация кода агента под выбранный фреймворк

9. Что дальше

| Если хотите | Переходите | |————-|———–| | Выбрать готового агента для своих задач | Готовые AI-агенты | | Построить своего агента с нуля | Архитектура AI-агента | | Подключить локальную модель к агенту | Ollama для агентов | | Найти MCP-сервер под свою задачу | mcp.directory (внешний) | | Вернуться в агентский раздел | README.ru.md | —

В разделе: architecture · evaluation · frameworks · memory · multi-agent · ollama-for-agents · orchestrators · patterns · prompting · ready-made · safety · skills
Связанные разделы: Нулевой уровень · Локальные модели · Use Cases · Ресурсы
Навигация: ← AI-агенты · ↑ На главную · 🇬🇧 English