Навыки AI-агентов: как упаковать опыт команды в файлы и передать его модели

В каждой компании есть своя кухня: как считаем лиды, какие отчёты обязательны к понедельнику, что такое «нормальный ROMI» и каких ошибок в коммуникации с клиентами допускать нельзя. Часть этого записана в регламентах и презентациях, но большая доля живёт в головах людей и всплывает только на созвонах или в рабочих чатах. Для команды это привычный фон, а для AI-агента - чёрный ящик.  

Если просто подключить модель к данным и попросить «проанализировать маркетинг», она опирается на усреднённый опыт мира, а не на вашу реальность. Приходится по кругу объяснять: как у вас считается заявка, чем один сегмент отличается от другого, какие цифры считать тревожными, а какие - рабочим шумом. Это быстро превращается в бесконечный онбординг, только не для нового сотрудника, а для цифрового.

Давайте посмотрим, как опыт команды можно превратить в набор навыков для AI-агента.

У модели нет контекста ваших внутренних договорённостей. Она не знает, какая стадия в CRM считается лидом, какой уровень DRR для конкретного продукта нормальный, какие каналы для вас стратегические, а какие существуют для присутствия. Даже с доступом к данным она видит только таблицу: события, суммы, источники трафика, статусы сделок, но сама по себе не отличает целевое обращение от шума и технический всплеск от реальной проблемы.

Поверх этого лежит человеческий хаос: в одном документе одно определение лида, в другом другое, в третьем старая логика. Сотрудники по привычке знают, какой файл правильный, а модель воспринимает всё как равноценные источники и честно усредняет противоречия. В итоге вы тратите время на бесконечные «это мы так не считаем», вместо того чтобы получать результат. Чтобы выйти из этого круга, модели нужен нормальный мануал компании в формате, с которым она умеет работать сама.

Недавно я прочитал в блоге LangChain статью «Using skills with Deep Agents». Ребята показывали, как добавили в свой deepagents CLI поддержку так называемых skills: по сути, папок на диске с файлом SKILL.md и связанными скриптами и документами. Агент может сам находить эти папки, читать инструкции и подгружать нужные файлы по ходу работы. Мне эта идея показалась полезной, чтобы оставлять её только в контексте инструментов разработчиков, поэтому дальше я покажу, как эту идею я применяю к задачам маркетинга и аналитики на примере Андаты.

Если опустить технические детали, навык AI-агента - это аккуратно оформленная папка с опытом команды для одной конкретной задачи.

По сути это обычная папка в файловой системе. Внутри лежит:

• файл с описанием навыка и инструкциями (условный SKILL.md).
• всё, что нужно для выполнения задачи: скрипты, шаблоны, примеры, конфиги.

Файл навыка можно представить в двух слоях.

• Короткая шапка. Зачем нужен навык, какие у него входные параметры, какие есть ограничения. Это то, на что в первую очередь смотрит агент, чтобы понять, подходит ли навык под текущий запрос.
• Подробные инструкции. Пошагово: какие данные запросить, в каком порядке с ними работать, что считать финальным результатом, что делать в спорных ситуациях.

Важно, что навык живёт рядом с рабочими артефактами, а не внутри модели. Его можно:

• хранить в репозитории как код.
• версионировать и обсуждать правки.
• переносить между агентами и проектами, не трогая сами LLM.

Навык в этом смысле - это минимальная единица зафиксированного опыта команды. Не абстрактное «как у нас принято», а конкретный файл, где записано, как именно вы решаете задачу.

Обычно, когда мы говорим «у нас есть агент», имеется в виду набор инструментов для него: сделать запрос к API, выполнить SQL, прочитать файл, запустить код. Это уровень операций. Плюс внутренняя база знаний, где есть регламенты, презентации и кейсы. Это уровень текста.

Проблема в том, что ни то, ни другое не отвечает на вопрос «что конкретно делать в этой ситуации».

• Инструменты ничего не знают о ваших правилах. Они просто умеют выполнять отдельные действия.
• База знаний редко оформлена так, чтобы из неё можно было напрямую собрать алгоритм: там много контекста, истории, обсуждений, разной глубины деталей.

Навыки занимают место между этими двумя слоями.

• С одной стороны, навык говорит с бизнесом: использует понятные термины, опирается на ваши определения метрик, ваши допущения, ваши формулировки решения.
• С другой стороны, навык говорит с агентом: описывает входные параметры, шаги и формат результата в виде, который можно разобрать машиной.

Получается, что:

• инструменты отвечают за «что я физически могу сделать».
• база знаний отвечает за «почему мы вообще так работаем».
• навыки отвечают за «как именно мы это делаем в этой компании, когда доходит до дела».

Для бизнеса это даёт несколько эффектов.

• Меньше переспрашиваний и объяснений. Вы один раз фиксируете логику в навыке, а не рассказываете её заново в каждом диалоге с агентом.
• Устойчивость к смене технологий. Можно поменять модель, библиотеку, стек - навыки останутся теми же файлами и сценариями.
• Накопление и передача опыта. Всё, чему команда научилась на реальных кейсах, можно постепенно переносить в навыки, а не держать только в головах людей.

Если смотреть на это глазами компании, где уже внедряется Андата, получается довольно стройная картинка.

• Андата даёт единый слой данных: трафик, заявки, сделки, выручка, маржа, события по пользователю, каналы. Всё это собрано в одном месте и связано между собой.
• Навыки задают слой действий: как вы смотрите на эти данные, что считаете нормой или аномалией, какие шаги выполняете при типичных сценариях вроде ежемесячный отчёт, падение ROMI, запуск новой кампании.
• AI-агент выступает связующим звеном: читает навыки, ходит в Андата за данными, выполняет шаги и возвращает результат в удобной форме.

То есть вместо универсального ассистента «про всё и ни про что» появляется агент, который:

• знает ваши определения и допущения, потому что они зашиты в навыки.
• опирается на ваши данные, потому что подключён к Андата.
• может работать последовательно и долго, потому что у него есть сценарии, а не только общие ответы.

И да, это ещё и способ честно разделить ответственность. Модель отвечает за язык и логику. Андата отвечает за качество и связность данных. Навыки отвечают за то, как именно компания этими данными пользуется. AI-агент становится не магическим ИИ, а интерфейсом между тремя понятными слоями.

В своей недавней статье «Иллюзия недоступности: почему нам не хватает не аналитики, а усидчивости» я как раз писал, что проблема чаще не в том, что нет инструментов, а в том, что мы не доводим базовые вещи до конца. Не настроили цели, не дометили источники, забросили отчёты, как только стало скучно. Инструменты есть, привычки работать с ними по делу нет.

С навыками для AI агента история такая же. Это не способ сэкономить время и всё автоматизировать, а наоборот большой и довольно занудный кусок работы: вытащить из команды реальную практику, разложить её по шагам, записать нормальными словами, оформить в файлы и периодически туда возвращаться. Тут тоже нужна усидчивость и неотступность, а не надежда, что агент сам всё поймёт.

Андата в этой картинке отвечает за то, чтобы данные были в порядке. Команда отвечает за смысл: как мы считаем, что для нас норма, а что тревога. Навыки просто фиксируют эти договорённости в виде сценариев, с которыми уже может работать AI агент. И чем честнее проделана эта ручная работа, тем меньше иллюзий и тем больше реальной пользы от ИИ.

Что такое навык AI-агента в маркетинге и аналитике
Навык AI агента в маркетинге и сквозной аналитике - это описанный сценарий работы, который лежит в файле (например, SKILL.md) и связан с конкретной задачей: отчёт, аудит кампании, разбор ROMI или CAC. В навыке фиксируются входные данные, шаги анализа и формат результата, чтобы AI агент каждый раз действовал по одному и тому же правилу, а не импровизировал.

Зачем бизнесу навыки AI-агентов, если уже есть сквозная аналитика Андата
Сквозная аналитика Андата собирает и связывает данные по трафику, лидам, сделкам и выручке, но не описывает, как именно ваша команда принимает решения на основе этих цифр. Навыки AI агентов добавляют к данным Андата слой действий: проверка кампаний, подготовка отчётов, разбор падения ROMI, анализ CAC. В результате AI агент не просто показывает цифры, а делает с ними то, как принято именно в вашей компании.

Как оформить SKILL.md, чтобы им мог пользоваться AI-агент
Файл SKILL.md для AI агента обычно включает цель навыка, список входных параметров (период, каналы, сегменты), пошаговую инструкцию и описание формата результата. Важно использовать понятные бизнесу термины и при этом достаточно чётко прописать логику, чтобы AI агент мог последовательно работать с данными Андата без дополнительного «обучения в чате». Такой SKILL.md легко версионировать и обновлять вместе с изменениями в маркетинговой стратегии.

Можно ли использовать навыки AI-агентов без платформы Андата
Навыки AI агентов можно описывать и без Андата, но реальная ценность появляется, когда навыки подключены к единой модели данных: трафик, лиды, продажи, выручка и маржинальность. Андата даёт этот слой сквозной аналитики, а навыки превращают его в конкретные действия AI агента. Без общей базы данных навыки будут опираться на разрозненные источники, и качество решений заметно снизится.

Как навыки AI-агентов помогают снизить трудозатраты маркетинга и повысить ROMI
Навыки AI агентов берут на себя повторяющиеся задачи: подготовку ежемесячных отчётов, аудит рекламных кампаний, поиск причин падения ROMI или роста CAC. Команда тратит меньше времени на рутину и фокусируется на решениях, а не на сборе и первичном разборе данных. На длинной дистанции это даёт более быстрые реакции на изменения в воронке, аккуратнее управление бюджетами и рост ROMI за счёт того, что данные Андата используются системно, а не от случая к случаю.