Anthropic y MCP: por qué los agentes de AI pierden el foco cuando reciben demasiadas herramientas

MCP не исчез и не провалился как стандарт. Но идея подключить ИИ-агенту сразу все инструменты, базы и API оказалась тупиком: вместо роста возможностей модель теряет фокус и тратит контекст на шум.

Когда больше хуже Еще год назад MCP выглядел как универсальный ответ на хаос интеграций.

Один протокол обещал связать ИИ-агентов с GitHub, Slack, Jira, внутренними базами и любыми другими внешними системами без зоопарка кастомных плагинов. Индустрия быстро приняла эту логику: к концу 2025 года MCP уже поддерживали ChatGPT, Cursor, Gemini и VS Code, а число серверов, по данным автора, превысило 10 тысяч. На бумаге это выглядело как зрелая экосистема, готовая стать базовым слоем для нового поколения агентных продуктов.

Проблема всплыла, когда команды начали делать самый очевидный шаг: подключать агенту сразу все доступные инструменты. Вместо пользы это дало перегрузку. Еще до первого пользовательского запроса в окно модели попадали схемы API, описания функций, параметры вызовов и служебные инструкции для кода, документации, баг-трекинга и аналитики.

В отдельных случаях только инициализация инструментов съедала до 55 тысяч токенов. Для обычной программы это не беда, но LLM приходится читать весь этот объем, выбирать нужный инструмент и удерживать в памяти результат, не теряя нить задачи.

«Контекст ограничен и не становится полезнее просто от объема».

Три рабочих паттерна

Из этого быстро вырос новый подход: сама по себе стандартизация доступа ничего не гарантирует, если модель видит слишком много лишнего. Поэтому фокус сместился с вопроса «что можно подключить» на вопрос «что именно нужно показать агенту в этот момент». На практике в 2026 году закрепились три паттерна, которые снижают когнитивную нагрузку без отказа от MCP как интеграционного слоя.

Tool search. Агент сначала ищет подходящий инструмент в каталоге, а схему загружает только под текущий шаг. **Agent Skills.

Вместо сырого доступа к API модель получает готовый навык с узкой задачей, например создание баг-репорта из логов. CLI-обертки.* Вместо разбора громоздких JSON-схем агент вызывает простую команду в терминале с понятными параметрами.

* Выгрузка после шага. Инструменты и инструкции держат в контексте только пока они реально нужны, а потом убирают. У каждого варианта есть компромисс.

Поиск по инструментам добавляет лишний вызов и задержку, навыки ограничивают свободу модели, а CLI-подход жертвует гибкостью ради надежности. Но все три схемы выигрывают у стратегии «дать агенту все сразу», потому что экономят главный дефицитный ресурс — внимание модели. Чем меньше шум, тем выше шанс, что агент выберет правильное действие и не собьется на полпути.

Цена удобной интеграции

Главный вывод статьи в том, что MCP решает проблему совместимости, но не решает проблему мышления. Когда у агента десятки похожих инструментов, он должен не просто знать об их существовании, а сравнить варианты, понять назначение каждого, выбрать параметры, сопоставить ответ с задачей и не забыть промежуточные результаты. Чем шире каталог возможностей, тем выше риск ложных срабатываний, неудачных вызовов и бессмысленных рассуждений поверх нерелевантного контекста.

Поэтому деградация качества здесь связана не с самим протоколом, а с архитектурой поверх него. Отсюда и интерес к Agent Skills, которые продвигает Anthropic. Они поднимают уровень абстракции: вместо низкоуровневых API-операций агент получает оформленный рабочий сценарий с уже заданной логикой.

В таком режиме модель не решает заново, как общаться с Jira или другой системой, а использует готовый маршрут под конкретную бизнес-задачу. Это снижает расход токенов, уменьшает вероятность ошибки и делает поведение агента более предсказуемым. Для продуктовых команд это важный сдвиг: универсальность больше не считается безусловным плюсом, если она ломает стабильность.

Что это значит

Для команд, которые строят автономные системы в 2026 году, вопрос уже не в количестве подключенных инструментов. Ставка смещается на маршрутизацию, гигиену контекста и узкие, надежные воркфлоу. MCP остается полезным стандартом интеграции, но преимущество получают те, кто показывает модели абсолютный минимум данных и функций в нужный момент, а не весь каталог возможностей сразу.