Agent Skills for Context Engineering — коллекция навыков контекстной инженерии
📂 Исходный код на GitHubКоллекция Agent Skills для контекстной инженерии — 17 навыков, охватывающих фундаментальные принципы контекста, архитектурные паттерны мультиагентных систем, операционную оптимизацию, методологию разработки LLM-проектов и когнитивные BDI-архитектуры. Академически процитирована, включает исследовательскую ОС с бенчмарками.
Репозиторий Agent Skills for Context Engineering от Муратджана Койлана — это самая полная на сегодня открытая коллекция Agent Skills, сфокусированная на дисциплине контекстной инженерии. 17 навыков, 17.1k звёзд, академическое цитирование и собственная исследовательская операционная система — не просто сборник инструкций, а целостный фреймворк для проектирования, отладки и оптимизации агентных систем.
Что такое контекстная инженерия
Контекстная инженерия (context engineering) отличается от промпт-инженерии тем, что управляет не текстом инструкции, а всей совокупностью информации, попадающей в контекстное окно модели: системные промпты, описания инструментов, извлечённые документы, историю сообщений и результаты вызовов. Ключевая проблема — не сырая ёмкость окна, а механика внимания: с ростом длины контекста модель демонстрирует предсказуемую деградацию — феномен «lost-in-the-middle», U-образные кривые внимания и дефицит внимания. Эффективная контекстная инженерия означает поиск минимального набора высокосигнальных токенов, максимизирующих вероятность желаемого результата.
Обзор навыков
Навыки организованы в пять категорий:
Фундаментальные навыки
| Навык | Описание |
|---|---|
context-fundamentals |
Анатомия контекста в агентных системах |
context-degradation |
Диагностика сбоев: lost-in-the-middle, отравление контекста, отвлечение |
context-compression |
Стратегии сжатия для долгих сессий |
Архитектурные навыки
| Навык | Описание |
|---|---|
multi-agent-patterns |
Оркестратор, peer-to-peer и иерархические архитектуры |
long-horizon-prompting |
Формализованные брифинги для долгоиграющих автономных агентов |
memory-systems |
Краткосрочная, долгосрочная и графовая память |
tool-design |
Проектирование инструментов, эффективных для агентов |
filesystem-context |
Файловая система для динамического обнаружения контекста |
hosted-agents |
Фоновые агенты в песочницах с multi-client интерфейсами |
Операционные навыки
| Навык | Описание |
|---|---|
context-optimization |
Уплотнение, маскирование и кэширование |
latent-briefing |
Передача состояния оркестратора через KV-cache compaction |
evaluation |
Фреймворки оценки агентных систем |
advanced-evaluation |
LLM-as-a-Judge: прямой скоринг, pairwise-сравнение, смягчение смещений |
harness-engineering |
Автономные циклы с зафиксированными метриками и границами одобрения |
self-improvement-loops |
Циклы, где сама harness-система становится целью оптимизации |
Методология разработки
| Навык | Описание |
|---|---|
project-development |
От идеи до деплоя LLM-проекта: анализ task-model fit, pipeline-архитектура |
Когнитивные архитектуры
| Навык | Описание |
|---|---|
bdi-mental-states |
Трансформация RDF-контекста в ментальные состояния Belief-Desire-Intention |
Философия дизайна
Progressive disclosure (прогрессивное раскрытие). При старте агент загружает только имена и описания навыков. Полный контент загружается лишь при активации навыка под конкретную задачу — это минимизирует расход контекстного окна.
Платформенная независимость. Навыки описывают переносимые принципы, а не привязку к конкретному вендору. Работают в Claude Code, Cursor, Codex и любой среде с поддержкой Agent Skills.
Концептуальный фундамент с практическими примерами. Код на Python-подобном псевдокоде, не требующий специфических зависимостей.
Установка и использование
Репозиторий оформлен как Claude Code Plugin Marketplace. Установка в Claude Code:
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
/plugin install context-engineering@context-engineering-marketplaceДля Cursor — установка через Plugin Directory или копирование навыков в .cursor/skills/. Для Codex — в .codex/skills/. Для универсальной установки — в .agents/skills/.
Важно: Agent Skills требуют структуры директорий (SKILL.md + опциональные scripts/ и references/), а не плоского markdown-файла.
Примеры интеграции
В директории examples/ — пять законченных систем, демонстрирующих совместную работу навыков:
| Пример | Суть | Использованные навыки |
|---|---|---|
digital-brain-skill |
Персональная ОС для фаундеров: 6 модулей, 4 скрипта автоматизации | 7 навыков |
x-to-book-system |
Мультиагентная система мониторинга X (Twitter) с генерацией книг | 5 навыков |
llm-as-judge-skills |
Продакшен-инструменты оценки LLM на TypeScript, 19 тестов | 4 навыка |
book-sft-pipeline |
Тонкая настройка 8B-модели под авторский стиль, $2 бюджета | 4 навыка |
interleaved-thinking |
Оптимизатор reasoning traces, генерирующий навыки из паттернов сбоев | 4 навыка |
Researcher Operating System
Уникальная особенность репозитория — встроенная исследовательская операционная система в директории researcher/. Это файловый конвейер для превращения внешних исследований в изменения навыков:
- Реестр источников (
source-registry.md) - Рубрики для курирования контента и изменений навыков
- Реестр механизмов — 16 принятых поведенческих изменений как сигнал новизны
- Отслеживание provenанса утверждений — 12 утверждений с источником, силой доказательств и датой ревью
- Машина состояний запусков:
initialized → retrieved → evaluated → proposed → novelty_checked → validated → pr_ready → closed - Adversarial benchmark harness — сценарии, пытающиеся обыграть цикл
- Непрерывный цикл — обнаружение источников, пошаговое продвижение, ежедневные операции
Результаты бенчмарков роутера
Роутер навыков (определяющий, какой навык загрузить под задачу) был протестирован на четырёх frontier-моделях. После hardening-прохода корпуса:
| Модель | Top-1 точность | Top-3 точность |
|---|---|---|
| gemini-3.1-pro | 92.0% | 93.3% |
| composer-2 | 91.3% | 94.7% |
| gpt-5.5 | 91.3% | 97.3% |
| claude-opus-4-7 | 84.0% | 93.3% |
Гарантии исследовательского цикла
Цикл никогда не вызывает платные LLM и не делает исходящих записей. HTTP-запросы — только stdlib, лимит 1.5 MB, таймаут 30 секунд. Все мутации очереди атомарны и сериализованы через fcntl-блокировки. PR готовятся агентами, но merge и push остаются под контролем человека.
Академическое признание
Репозиторий цитируется в научных публикациях как foundational work по статической архитектуре навыков. В частности, Peking University State Key Laboratory of General Artificial Intelligence (2025) и обзор Agent Harness Engineering от CMU, Yale, JHU и Amazon (2026) ссылаются на данную работу.
Итог
Agent Skills for Context Engineering — не просто коллекция инструкций, а инженерная дисциплина в формате навыков. Если вы строите продакшен-агентов и сталкиваетесь с деградацией контекста, проблемами мультиагентной координации или необходимостью систематической оценки — этот репозиторий даёт проверенный инструментарий, подкреплённый бенчмарками и академическим признанием.