AI-native разработка: агент, репозиторий и библиотека скиллов…

88,6%SWE-bench Verified у Claude Opus 4.8 — против ~4% у моделей 2023 года

71%разработчиков, регулярно использующих AI-агентов, работают в Claude Code

1M токеновконтекст у Opus 4.8, Sonnet 4.6 и Fable 5 — агент держит в памяти большой репозиторий

30+агентных платформ исполняют один и тот же скилл в формате SKILL.md без переписывания

Отраслевые решения

Что можно сделать на AI-native разработка

Корпоративный сайт и маркетинг Регулярный поток страниц, кейсов, лендингов и двуязычных версий Контент-менеджер меняет Markdown, скилл собирает страницу с SEO/ЧПУ, EN-версия генерируется автоматически

E-commerce и маркетплейсы Витрины, карточки, синхронизация каталога между системами Скиллы под типовые страницы + MCP к PIM/OMS/ERP вместо ручных интеграций на каждую правку

Производство Технические каталоги, документация, спецификации Скиллы инкапсулируют правила оформления данных; агент держит большой каталог в контексте 1M токенов

Дистрибуция и B2B B2B-порталы, онбординг поставщиков, общие каталоги Переиспользуемые компоненты и скиллы под порталы; экспертиза отчуждаема и передаётся клиенту

Финансы и страхование Продуктовые страницы, расчёты, документы при жёстких требованиях к данным MCP с контролем доступа к источникам; проверки качества и комплаенса встроены в сборку

Медиа и контентные проекты Высокочастотная публикация материалов и спецпроектов Скиллы под форматы публикаций + автоматические аудиты SEO/визуала на каждой сборке

Внутренние порталы и документация Регламенты, базы знаний, живая техническая документация Living knowledge base: агент поддерживает актуальность схем и контрактов из репозитория

Возможности

Возможности AI-native разработка

Промпт: бизнес-задача (новая страница, кейс, интеграция, правка)Агент выбирает скилл, который инкапсулирует алгоритм решенияЧтение контекста из репозитория: нарратив, компоненты, регламенты, историяДоступ к данным и системам через MCP — без кастомных коннекторовСборка из переиспользуемых компонентов по шагам скиллаАвтоматические проверки на сборке: SEO, визуал, текст, ЧПУПубликация и live-check; экспертиза остаётся в скиллах для следующей задачи

Задача формулируется промптом; агент подбирает нужный скилл, читает контекст из репозитория, обращается к системам через MCP, собирает результат из переиспользуемых компонентов, проходит автоматические проверки и публикуется. Экспертиза остаётся в скиллах и репозитории и переиспользуется на следующей задаче.

Скорость до результата

Типовая задача (новая страница, кейс, блок, проверка SEO) решается в несколько промптов, потому что алгоритм уже зашит в скилл, а не собирается заново каждый раз

Воспроизводимость

Скилл задаёт один и тот же путь выполнения для любого исполнителя — результат не зависит от того, кто сел за агента

Корпоративная память

Нарратив, регламенты, дизайн-система и решённые задачи хранятся в репозитории и скиллах, а не в головах — знание накапливается, а не утекает с уходом людей

Отчуждаемость

Репозиторий, скиллы и MCP-серверы передаются клиенту целиком; работу можно продолжить другой командой без археологии

Без vendor lock-in

Скиллы (SKILL.md) и интеграции (MCP) — открытые стандарты; модель и подрядчика можно сменить, не переписывая экспертизу

Качество как часть процесса

Валидаторы, аудиты и критики (текста, визуала, SEO) встроены в репозиторий и запускаются на каждой сборке, а не остаются на ревью человека

Снижение порога входа

Контент-менеджер меняет Markdown и запускает публикацию сам — без передачи задачи в разработку на каждую правку

Двуязычность по умолчанию

Из одного источника генерируются RU- и EN-версии с явными overrides — без второй команды и второго контент-дерева

Подход KT.Team

Как мы внедряем AI-native разработка

Минимальная модификация ядра

Не форкаем и не патчим ядро AI-native разработка. AI-native разработка остаётся на стандартной обновляемой версии — бизнес-логику выносим в отдельные микросервисы рядом, поэтому обновления платформы не ломают ваши доработки.

Международные стандарты, а не велосипеды

Там, где есть зрелое международное решение, используем его, а не изобретаем собственный протокол или платформу. Прежде чем писать код — изучаем, как задача уже решена в индустрии.

Отчуждаемость

Решение слабосвязанное и задокументированное: его можно передать между командами и подрядчиками без переписывания. Вы не привязаны к нам.

Совместимость с AI

AI-native разработка в AI-контуре

Агент

Claude Code / Codex / Cursor с доступом к репозиторию и инструментам; контекст до 1M токенов

Репозиторий

Единый источник правды: контент, компоненты, нарратив, регламенты, история — под версионированием

Скиллы (SKILL.md)

Папка с Markdown-инструкцией и скриптами; инкапсулируют экспертизу, загружаются по необходимости — открытый стандарт

MCP

Открытый протокол подключения данных и систем: один интерфейс вместо N×M коннекторов, под управлением Linux Foundation

Инженерный фундамент

Слабая связанность и отчуждаемость, продуманные до агентов — агент ускоряет работу на здоровом коде

Проверки на сборке

Валидаторы и аудиты SEO/визуала/текста в репозитории блокируют публикацию некачественного результата

Контекст 2026

Что изменилось на рынке

Agentic coding стал нормой

К 2026 году AI-агенты (Claude Code, Codex, Cursor) штатно понимают репозиторий, делают правки в нескольких файлах, гоняют тесты и итерируются; Claude Code — самый используемый агент, им пользуются 71% разработчиков, регулярно работающих с AI-агентами (Pragmatic Engineer Survey, 15 000 разработчиков, февраль 2026)

Модели достигли инженерного уровня

Claude Opus 4.8 (28 мая 2026) показывает 88,6% на SWE-bench Verified — против ~4% у моделей 2023 года; 9 июня 2026 Anthropic выпустила Claude Fable 5, самую мощную публично доступную модель ($10/$50 за 1M токенов)

Длинный контекст — 1M токенов

Opus 4.8, Sonnet 4.6 и Fable 5 работают с контекстом в 1 млн токенов по стандартной цене (без премии за длинный контекст), что позволяет агенту держать в памяти большой репозиторий целиком

Skills стали открытым стандартом

18 декабря 2025 Anthropic открыла спецификацию Agent Skills (SKILL.md — папка с Markdown и скриптами); её приняли Microsoft, OpenAI, Cursor, GitHub и Figma, один скилл исполняется на 30+ платформах без переписывания

MCP — вендор-нейтральная связность

Model Context Protocol (открыт в ноябре 2024) к 2025 поддержан OpenAI, Google и Microsoft; в декабре 2025 Anthropic передала протокол в Linux Foundation (Agentic AI Foundation), закрепив его нейтральность

Честно

Плюсы и минусы

Плюсы

Сложные типовые задачи решаются за несколько промптов: экспертиза вынесена в скиллы, а не повторяется руками каждый раз
Результат воспроизводим — скилл задаёт единый алгоритм независимо от исполнителя
Знание компании накапливается в репозитории и скиллах, а не теряется при ротации людей
Всё отчуждаемо: репозиторий, скиллы и MCP-интеграции передаются клиенту и продолжаются другой командой
Нет vendor lock-in — SKILL.md и MCP открытые стандарты, модель и подрядчик меняются без переписывания экспертизы
Качество проверяется автоматически на сборке, а не зависит от внимательности ревьюера
Снижается порог входа: контент-менеджер публикует правки сам, без эскалации в разработку

Минусы

Без инженерного фундамента агент ускоряет деградацию: AI-код склонен к дублированию (по данным GitClear, рост повторов в 8 раз, доля copy-paste выросла с 8,3% до 12,3%, доля рефакторинга упала ниже 10%)
Скрытый технический долг: рабочие, но несогласованные фрагменты накапливаются молча и позже перекладывают время команды с разработки на исправление
Нужны входные инвестиции: архитектура, библиотека скиллов и регламенты должны быть продуманы до того, как агент начнёт работать
Агенту нужна проверка: на сложных и нетиповых задачах он может ошибаться, поэтому валидаторы и человеческий контроль на ключевых решениях обязательны
Стоимость прогонов на высоких моделях и больших контекстах ощутима — её нужно осознанно регулировать (effort, бюджеты задач)
Выгода проявляется на потоке однотипных задач; для разовой уникальной работы накладные расходы на скиллы могут не окупиться

Блог