Два инструмента вместо 2500 API-методов: как агенту не тратить 1,17 млн токенов контекста
MCP — способ подключать к ИИ-агенту сервисы, но описания сотен методов забивают контекст, то есть рабочую память модели. У Cloudflare 2500 API-методов заняли бы около 1,17 млн токенов (единиц текста). Code Mode оставляет агенту два инструмента: search() ищет метод, execute() запускает цепочку вызовов кодом. Чтобы модель не забывала искать, автор добавил SKILL-ы — короткие инструкции с названиями нужных методов.
AI-обработка оригинала Habr AI; редакция Hamidun News
Представьте, что вы нанимаете помощника и перед каждой задачей зачитываете ему инструкции ко всем 2500 кнопкам на пульте. До самой работы дело не дойдёт: он устанет слушать. Примерно так страдают ИИ-агенты, когда к ним подключают много сервисов через MCP (Model Context Protocol, стандарт, по которому агент вызывает внешние инструменты). Описание каждого метода попадает в контекст, то есть в рабочую память модели, и измеряется в токенах: так называют кусочки текста, за которые платят и которые ограничивают объём запроса. Разработчик, автор разбора на Habr, упёрся в это сразу в двух задачах: при настройке личного агента Nanabot и при написании MCP-сервера для управления продуктами компании. Его рецепт сочетает Code Mode MCP и SKILL-ы.
В чём проблема с сотнями инструментов
В обычной схеме MCP-клиент передаёт модели описания всех подключённых инструментов. У Cloudflare больше 2500 API-методов, и, по оценке компании, полное описание их в виде MCP-инструментов заняло бы около 1,17 миллиона токенов. Это оценка самой Cloudflare, а не замер автора статьи.
Компания предложила Code Mode MCP. Вместо тысяч инструментов агент получает два. Первый, search(), ищет нужные методы и возвращает их сигнатуры (названия, параметры и обязательные поля) по запросу. Второй, execute(), запускает JavaScript-код, который вызывает эти методы. Один вызов execute() может объединить несколько операций и вернуть итог, а к языковой модели не нужно обращаться после каждого шага.
Простой пример из статьи: агенту говорят «открой example.com и сделай скриншот». Через search() он находит navigate_page и take_screenshot, а затем одним скриптом открывает страницу и снимает кадр. Между этими двумя шагами нового запроса к модели нет. Важная оговорка: в статье поиск по массиву инструментов показан как один из вариантов агрегатора. Cloudflare, например, ищет операции в OpenAPI-спецификации.
Слабые места у схемы тоже есть. Экономия не гарантирована: повторные поиски и загрузка сигнатур тоже тратят токены. Размер выгоды зависит от размера каталога, частоты поисков и числа вызовов. Для точной оценки нужны замеры на конкретных задачах. К тому же модель иногда не находит нужный метод, а иногда не догадывается, что искать вообще надо.
Как SKILL-ы закрывают дыру
Cloudflare рекомендует использовать SKILL-ы вместе с MCP: SKILL объясняет агенту, когда и какие возможности применять. Автор пошёл тем же путём. Он спрятал множество MCP-серверов под Code Mode, так что модель видит один сервер с поиском и запуском. А в SKILL вписал краткий список нужных серверов и методов, без полных описаний.
Рабочий пример: SKILL bugfix-process. Пользователь пишет: «Исправь баг 731 в репозитории two-server, ветка текущая, запусти сборку two_jar_java17». Дальше агент действует так:
- видит в постоянном контексте короткое описание SKILL-а и понимает, что оно подходит;
- читает сам SKILL и узнаёт порядок шагов и серверы ticket_mcp, samba_mcp, filesystem_mcp, git_mcp, codex_mcp и jenkins_mcp;
- через search() запрашивает сигнатуры только нужных методов, например get_ticket или download_attachment;
- через execute() собирает тикет, комментарии, вложения и логи с Samba в папку tickets/731/;
- коммитит только эту папку, чтобы материалы не смешивались с будущим исправлением;
- запускает Codex через start_task, ждёт результат, проверяет diff и отправляет исправление в репозиторий;
- запускает Jenkins и ставит тикету статус Resolve или In Progress, а затем пишет отчёт в result.fixed.md или result.in-progress.md.
Здесь есть ещё одна экономия. Большие логи и вложения лежат на диске и не проходят через контекст основного агента. Codex читает их по указанному пути и берёт только нужное. Основной агент работает как организатор, а само программирование делегирует.
Три слоя контекста и ограничения
Итоговая архитектура выглядит как три слоя. Постоянный контекст содержит краткие описания SKILL-ов и два инструмента Code Mode. SKILL подгружается, когда подходит к задаче, и хранит алгоритм и названия методов. Code Mode по запросу достаёт полные сигнатуры и выполняет вызовы. Раньше выбор был между двумя плохими вариантами: загрузить всё и тратить токены или спрятать всё и надеяться на догадливость модели. Теперь есть третий.
Ограничения остаются. Модель всё ещё может не выбрать нужный SKILL, ошибиться при поиске метода или написать неверный JavaScript. Не всякую цепочку удастся свернуть в один вызов: иногда агенту нужно разобрать промежуточный результат и принять новое решение. Цифр экономии на собственных сценариях автор не приводит, только оценку «вероятна».
Практический вывод для команд: если у вас много внутренних инструментов (тикеты, CI, git, файловые хранилища), не описывайте их все в системном промпте. Опишите процессы в коротких SKILL-ах, дайте агенту поиск по сигнатурам и исполнение скриптов. Перед внедрением измерьте расход токенов на реальных задачах, иначе выгоду придётся принимать на веру.
- 21 нояб. 2026 г.VibeCBS собирает прозвища проектов заранее: агент находит в 2,8 раза больше документов
- 21 нояб. 2026 г.Вакансий FDE за год стало в 4,6 раза больше: что делает инженер у заказчика
- 21 нояб. 2026 г.Sakana AI открыла прикладную лабораторию для моделирования рынков и экономики
- 21 нояб. 2026 г.Meta готовит ИИ-тамагочи Muse Charm за $300 с годом 5G от Verizon
Вопросы и ответы по материалу
Что известно по теме: в чём проблема с сотнями инструментов?
В обычной схеме MCP-клиент передаёт модели описания всех подключённых инструментов. У Cloudflare больше 2500 API-методов, и, по оценке компании, полное описание их в виде MCP-инструментов заняло бы около 1,17 миллиона токенов. Это оценка самой Cloudflare, а не замер автора статьи. Компания предложила Code Mode MCP. Вместо тысяч инструментов агент получает два. Первый, search(), ищет нужные методы и возвращает их сигнатуры (названия, параметры и обязательные поля) по запросу.
Что известно по теме: как SKILL-ы закрывают дыру?
Cloudflare рекомендует использовать SKILL-ы вместе с MCP: SKILL объясняет агенту, когда и какие возможности применять. Автор пошёл тем же путём. Он спрятал множество MCP-серверов под Code Mode, так что модель видит один сервер с поиском и запуском. А в SKILL вписал краткий список нужных серверов и методов, без полных описаний. Рабочий пример: SKILL bugfix-process. Пользователь пишет: «Исправь баг 731 в репозитории two-server, ветка текущая, запусти сборку two_jar_java17».
Что известно по теме: три слоя контекста и ограничения?
Итоговая архитектура выглядит как три слоя. Постоянный контекст содержит краткие описания SKILL-ов и два инструмента Code Mode. SKILL подгружается, когда подходит к задаче, и хранит алгоритм и названия методов. Code Mode по запросу достаёт полные сигнатуры и выполняет вызовы. Раньше выбор был между двумя плохими вариантами: загрузить всё и тратить токены или спрятать всё и надеяться на догадливость модели. Теперь есть третий. Ограничения остаются.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.