В понедельник сотрудник отдела закупок просит ИИ-агента сверить новый прайс-лист поставщика с рыночными ценами и собрать отчёт по позициям, где отклонение превышает порог. Агент выполняет задачу за десяток шагов: читает Excel, ищет рыночные цены, считает отклонения, пишет выводы. Через неделю приходит следующий прайс-лист, и ту же самую задачу нужно повторить. При повторном запуске агент заново выбирает инструменты и порядок шагов, и за это планирование каждый раз приходится платить токенами и временем. Отчёт приходит в другом формате, потому что модель пишет его с нуля, а иногда в нём пропущен шаг, который агент выполнил неделю назад. Агентные системы решают эту проблему четырьмя способами, и у крупных вендоров встречаются все четыре. Способы различаются тем, что система сохраняет после успешного прогона: текст запроса, инструкцию, граф шагов или программу. От этого зависит, кто составляет план при повторе — модель заново или сохранённая структура вне модели. Чем большая часть плана вынесена из модели, тем меньше токенов уходит на повторный запуск и тем ближе его результат к предыдущему. Платить за это приходится устойчивостью к изменениям во входных данных: зафиксированный план рассчитан на тот вход, под который его составили.

Чтобы понять масштаб переплаты, рассмотрим условный расчёт для задачи из примера. Агентный прогон устроен как цикл: модель получает контекст, выбирает инструмент, получает результат вызова, и всё это добавляется в контекст следующего шага. Системный промпт с описаниями инструментов занимает 8 000 токенов, каждый шаг добавляет в контекст 1 500 токенов, шагов 10. Суммарный вход по всем вызовам модели получается значительным. Если тот же процесс зафиксирован графом, модель вызывается один раз, в узле анализа, и получает уже собранные данные. При входе в 6 000 токенов разница по входу получается примерно в 25 раз, а 10 последовательных вызовов модели превращаются в один. Кэширование префикса снижает цену повторяющейся части контекста: облачные провайдеры тарифицируют кэшированные токены дешевле, а в vLLM Automatic Prefix Caching переиспользует KV-кэш общего префикса и пропускает его повторное вычисление. Однако число последовательных вызовов и задержка при этом остаются прежними.

Первый уровень — сохранённый промпт. Система хранит текст запроса и условие запуска, а затем по расписанию или событию открывает новую сессию агента и передаёт ей этот текст. У ChatGPT это Scheduled Tasks: в документации OpenAI описаны три режима — разовая или повторяющаяся задача по расписанию, мониторинг изменений и задача по событию. Задача по событию состоит из триггера, условия и промпта, которые пользователь проверяет перед сохранением. Триггером служит новое письмо в Gmail, сообщение в канале Slack или активность в pull request на GitHub. Такие задачи срабатывают не чаще 30 раз в час и 720 раз в сутки по всем задачам пользователя, несколько событий могут объединяться в один запуск. Состояние между запусками есть у задач мониторинга: они используют информацию из предыдущих запусков и останавливаются, когда выполнено заданное условие окончания. Действия, которые отправляют сообщения или меняют данные во внешних системах, могут требовать подтверждения, и тогда задача встаёт на паузу до решения пользователя. В Claude Cowork задачи по расписанию появились в феврале 2026 года. Курс Claude Academy описывает два пути создания: описать задачу с нуля командой /schedule или сначала выполнить её в Cowork, проверить результат и той же командой превратить выполненный процесс в повторяющийся. Во втором случае Claude составляет промпт по выполненной задаче, пользователь просматривает его и подтверждает. По справке Anthropic каждый запуск идёт отдельной сессией Cowork с теми же возможностями, что у обычной задачи: подключённые инструменты, скиллы, плагины. Состояние между запусками дают проекты Cowork: у проекта есть своя память, и задачи по расписанию внутри проекта видят контекст предыдущих задач. Процесс фиксируется после успешного выполнения, но формат записи другой: текст, по которому модель на каждом запуске заново составляет план. В расширении Claude для Chrome задачу можно показать вместо описания: пользователь включает запись, выполняет действия в браузере, и запись сохраняется как шорткат. Тем же механизмом шорткатов сохраняют удачные промпты: их вызывают командой через / или ставят на расписание. Свойства уровня: при повторе агент проходит весь цикл из раздела про стоимость. Если поставщик переименовал колонку в прайс-листе, агент обработает новую структуру как любой незнакомый файл. Формат результата меняется от запуска к запуску, а качество зависит от того, насколько удачно модель спланировала задачу в этот раз.

Второй уровень — скиллы (Agent Skills). Это папка с файлом SKILL.md: в шапке YAML с названием и описанием, ниже инструкция в markdown, рядом при необходимости скрипты, справочные файлы и шаблоны. Формат появился в Claude Code, Anthropic описала его в инженерном блоге и затем опубликовала как открытую спецификацию. Сейчас её поддерживают Codex, ChatGPT, Gemini CLI, GitHub Copilot, Cursor и другие агенты. Загрузка идёт по уровням: Anthropic называет этот механизм progressive disclosure — скилл попадает в контекст частями, по мере надобности. Название и описание всех установленных скиллов агент загружает при старте; спецификация закладывает на это около 100 токенов на скилл. Тело SKILL.md агент читает, когда решает, что задача подходит под описание. Спецификация рекомендует держать его в пределах 5 000 токенов и 500 строк. Справочные файлы и скрипты подгружаются только при необходимости. Таким образом, скилл снижает объём контекста, но всё ещё требует вызова модели для планирования на каждом запуске.

Третий уровень — граф шагов. Здесь после успешного прогона система сохраняет не текст, а структуру: последовательность узлов и связей между ними. При повторе модель вызывается только в тех узлах, где нужен интеллектуальный анализ, а остальные шаги выполняются детерминированно. Это даёт максимальную экономию токенов и стабильность результата, но требует ручного построения графа или его автоматической генерации. Четвёртый уровень — код. Агент генерирует программу, которая выполняет задачу, и при повторе просто запускает её. Это самый эффективный способ с точки зрения затрат на инференс, но он требует, чтобы задача была полностью формализуема. Если входные данные меняются, код может сломаться, и потребуется его переписывать. На практике крупные вендоры комбинируют эти подходы: например, скиллы могут содержать в себе графы или скрипты, а промпты — ссылаться на скиллы.

Для российского рынка эта таксономия важна, потому что локальные разработчики агентных систем часто сталкиваются с теми же проблемами. Отечественные платформы, такие как Yandex GPT, GigaChat и другие, пока не предлагают столь же развитых механизмов повторного использования планов. Однако открытая спецификация Agent Skills позволяет адаптировать её под российские реалии. Компании, которые внедряют ИИ-агентов для рутинных задач, могут сэкономить значительные ресурсы, если перейдут от простого сохранения промптов к скиллам или графам. Реакция отрасли пока сдержанная: многие ждут, когда появится единый стандарт, чтобы не привязываться к конкретному вендору. Тем не менее, эксперты отмечают, что переход на более высокие уровни неизбежен по мере роста сложности агентных сценариев.

В перспективе можно ожидать появления гибридных решений, которые автоматически выбирают уровень фиксации в зависимости от задачи. Открытыми остаются вопросы: как обеспечивать переносимость скиллов между платформами, как гарантировать безопасность при выполнении сохранённого кода, и кто будет нести ответственность за ошибки в автоматически сгенерированных графах. Пока же рынок движется в сторону стандартизации: спецификация Agent Skills уже поддерживается несколькими крупными игроками, и это создаёт основу для совместимости. Следующий шаг — интеграция этих механизмов в корпоративные workflow-системы, где важна не только экономия токенов, но и предсказуемость результата.