Оптимизация контекста ИИ-агентов: связка Skills и Code Mode MCP
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Автор описывает решение проблемы раздувания контекстного окна LLM при работе с сотнями MCP-инструментов. Предложенная архитектура использует SKILL-файлы для навигации по задачам и Code Mode для динамической загрузки сигнатур методов, что снижает расход токенов.
Масштабирование ИИ-агентов упирается в лимиты контекста. Описанный подход позволяет использовать сложные инструменты без предварительной загрузки их описаний, что критично для продуктивных сценариев.
При интеграции ИИ-агентов с корпоративными системами через Model Context Protocol (MCP) разработчики сталкиваются с фундаментальной проблемой: подробные описания сотен доступных инструментов быстро исчерпывают контекстное окно языковой модели. Автор статьи, решая задачи по автоматизации разработки и управлению продуктами, столкнулся с тем, что традиционная схема передачи всех сигнатур в контекст неэффективна. В то же время простое сокрытие инструментов за абстракцией Code Mode приводит к тому, что LLM часто не может самостоятельно определить, какие методы ей необходимы для выполнения конкретной задачи.
Опорой для решения послужил опыт Cloudflare, которая столкнулась с аналогичной проблемой при наличии более 2500 API-методов. По оценке компании, полное представление этих методов потребовало бы около 1,17 миллиона токенов. Cloudflare предложила использовать Code Mode MCP, который предоставляет агенту лишь два инструмента: search() для поиска сигнатур и execute() для выполнения JavaScript-кода. Это позволяет объединять несколько вызовов в один сценарий без промежуточных обращений к LLM, что экономит ресурсы.
Однако автор отмечает, что даже такая схема имеет слабые места: модель может не догадаться о необходимости поиска инструментов или выбрать неверные методы. Для решения этой проблемы в архитектуру были добавлены SKILL-файлы. Это структурированные инструкции, которые объясняют агенту, когда и какие возможности использовать. В отличие от полных описаний MCP, SKILL содержит краткий перечень необходимых серверов и методов, а также алгоритм действий.
В качестве примера автор приводит процесс автоматического исправления багов. SKILL-файл «bugfix-process» описывает последовательность шагов: от получения данных тикета до запуска сборки в Jenkins. Когда пользователь дает команду, агент активирует соответствующий SKILL, который указывает на нужные MCP-серверы (например, ticket_mcp, git_mcp, codex_mcp). Агент использует search() для получения точных сигнатур этих методов только в момент их необходимости.
Далее через execute() агент выполняет цепочку операций: скачивает вложения тикета, сохраняет логи на диск, создает Git-коммиты и делегирует непосредственное исправление кода внешнему агенту Codex. Важно, что большие файлы не загружаются в контекст LLM, а остаются на диске, где их может прочитать специализированный инструмент. После завершения работы Codex агент проверяет диффы, запускает сборку и обновляет статус тикета.
Таким образом, формируется трехуровневая система управления инструментами. Первый уровень — постоянный контекст с краткими описаниями SKILL-ов и базовыми функциями Code Mode. Второй уровень — детальные инструкции из SKILL-файлов, загружаемые по мере необходимости. Третий уровень — полные сигнатуры MCP-методов, получаемые динамически через поиск. Такой подход позволяет агенту работать с обширным набором инструментов, не раздувая контекст и сохраняя высокую точность выбора действий.