Основы и теория

Что нужно знать про LLM, агентов и MCP

Этого блока достаточно, чтобы понимать, что происходит в обоих заданиях: где работает сама модель, когда агент обращается к инструменту и какую роль играет MCP.

1

Что такое AI и LLM

AI — общее название для систем, которые выполняют задачи, обычно требующие человеческого участия: работают с текстом, изображениями, речью, данными.

LLM — языковая модель. Она получает текст на вход и предсказывает продолжение, опираясь на обучение и текущий контекст разговора.

Когда вы общаетесь с GigaChat, Qwen, DeepSeek или другой чат-моделью, основная часть диалога строится вокруг LLM.
2

Какие бывают модели

  • Чат-модели — диалог, тексты, анализ, инструкции.
  • Embedding-модели — превращают текст в векторы; используются для поиска похожих документов и RAG.
  • Модели изображений — создают или редактируют изображения по описанию.
  • Специализированные модели — код, речь, перевод, классификация и другие отдельные задачи.
3

Шпаргалка терминов

  • Промпт — запрос или инструкция модели.
  • Токены — части текста, с которыми работает модель.
  • Контекст — объём информации, доступный модели в текущем запросе.
  • System prompt — базовые правила поведения агента.
  • Галлюцинация — правдоподобный, но неверный ответ модели.

Как писать промпты

Хороший промпт похож на нормальное рабочее ТЗ: модели нужно понимать роль, исходные данные, задачу и ожидаемый формат результата.

Плохо: «Проанализируй отчёт»

Лучше: «Ты финансовый аналитик. Найди три заметных отклонения, укажи возможные причины и дай рекомендации. Ответ — таблицей.»
Удобная формула: роль + контекст + задача + формат.

Что такое AI-агент

Обычная чат-модель в первую очередь отвечает текстом. Агент дополнительно умеет вызывать инструменты и использовать их результат в следующем шаге.

  • Модель — понимает задачу и выбирает действие.
  • Инструменты — поиск, код, файлы, карты, внешние сервисы.
  • Контекст — текущая история и данные задачи.
  • Цикл работы — понять → вызвать инструмент → получить результат → продолжить.
Базовая схема

Как работает агент

Пользователь формулирует задачу обычным языком. Модель понимает запрос и решает, нужен ли ей внешний инструмент. После вызова инструмента она получает данные и формирует ответ.

👤Пользователь«Собери ужин на четверых»
→
🧠LLMПонимает задачу и планирует действия
→
🛠ИнструментПоиск, код, карты или MCP
→
📦ДанныеЦены, товары, адреса, корзина
→
💬ОтветГотовый результат для пользователя
MCP

Как агент получает внешние инструменты

MCP нужен не для «умности» модели, а для стандартного подключения инструментов. Сервер описывает, какие действия доступны, какие аргументы они принимают и какой результат возвращают.

АгентВидит список доступных tools и выбирает подходящий.
→
MCPПередаёт описание инструмента и принимает структурированный вызов.
→
Внешний сервисВыполняет действие: поиск, расчёт, карты или работа с корзиной.
Для участника это выглядит просто: MCP добавляется в агента как подключаемый инструмент. Сам агент уже решает, когда его вызвать.
Skills

Почему в новых агентах появляется слой скиллов

В OpenClaw и GigaCode агент работает не только с отдельными tools. Поверх них есть skill — готовый способ решать определённый тип задач.

MCP — доступ к инструментам

MCP стандартизирует подключение внешних действий и данных: какие tools доступны, какие аргументы им передать и что они вернут.

Сам по себе MCP почти не объясняет агенту бизнес-процесс: в какой последовательности вызвать инструменты, что проверить и какой результат считать готовым.

Skill — инструкция к работе

Skill — это пакет инструкций, контекста и логики выполнения задачи. Обычно основа — файл SKILL.md; рядом могут лежать скрипты, шаблоны и справочные материалы.

Агент видит краткое описание навыка и подключает полную инструкцию, когда она действительно нужна.

Tools / MCPЧто агент технически может вызвать.
→
SkillКак и когда использовать инструменты для конкретной задачи.
→
АгентВыбирает навык, выполняет шаги и контролирует результат.
Зачем это нужно: у автономного агента может быть много инструментов. Если каждый раз передавать в промпт все правила их использования, контекст быстро разрастается. Skill хранит повторяемый workflow отдельно, добавляет доменные правила и может объединять несколько tools, включая MCP-tools.

Поэтому skills не отменяют MCP. Это разные уровни: MCP даёт технический интерфейс к возможностям, а skill превращает эти возможности в повторяемый рабочий сценарий. В OpenClaw и GigaCode такой навык оформляется через SKILL.md.

Сравнение в коде

MCP vs Skill: как это выглядит на практике

Один и тот же инструмент — веб-поиск — можно подключить двумя способами. Ниже показан код для каждого уровня.

🔌 MCP — Web Search

MCP-сервер описывает инструмент: имя, описание, параметры. Агент видит сигнатуру и может вызвать tool, но не знает, когда и как его применять в бизнес-процессе.

{ "name": "web_search", "description": "Search the web for information", "inputSchema": { "type": "object", "properties": { "query": { "type": "string", "description": "Search query string" } }, "required": ["query"] } } // Вызов из агента: { "tool": "web_search", "arguments": { "query": "рецепты ужина на четверых" } }
🧠 Skill — Web Research

Skill оборачивает тот же web_search в готовый workflow: когда использовать, какие шаги выполнить, как проверить результат и что вернуть пользователю.

# Web Research Skill ## Когда использовать Когда пользователю нужна актуальная информация из интернета: цены, новости, рецепты, обзоры. ## Шаги 1. Проанализируй запрос и сформулируй поисковый запрос 2. Вызови `web_search` с подходящим query 3. Если результат недостаточен — уточни запрос 4. Составь структурированный ответ 5. Укажи источники ## Правила - Не придумывай информацию, которой нет в выдаче - Если поиск не дал результатов — сообщи пользователю - Проверяй актуальность данных
Разница: MCP даёт агенту «руки» — возможность вызвать поиск. Skill даёт «инструкцию» — в какой момент искать, как уточнять запрос и в каком виде вернуть ответ. Без skill агент видит просто tool; со skill — готовый сценарий работы.
Контекст воркшопа

Почему здесь два разных задания

Они показывают два уровня работы с возможностями агента: готовые MCP-инструменты платформы и внешний бизнес-skill, который использует специализированные инструменты магазина.

Задание 1

Стандартные MCP Evolution

Используем уже готовые Web Search MCP и Weather MCP. Агент получает актуальную погоду по Москве и использует поиск, чтобы предложить подходящее меню.

Свою интеграцию писать не нужно, но агент не получает специального метода «создать корзину в Азбуке вкуса».

Задание 2

Внешний skill «Азбуки вкуса»

В Agent Space создаём агента на базе ГигаАгента и добавляем заранее подготовленный внешний skill. Для воркшопа адрес MCP будет уже указан в инструкции.

После подключения у агента появляются специализированные действия магазина: найти товар, посмотреть детали и сформировать корзину.

→
Дальше — задание 1

Соберём одного простого агента в Evolution и подключим к нему два стандартных MCP.