Почему AI-агентам нужны не только знания, но и опыт
Когда мы говорим о внедрении AI-агентов в компании, чаще всего представляем довольно простой сценарий: берём внутренние документы, подключаем их к модели через RAG — и получаем помощника, который знает всё, что знает компания. Но знать информацию и уметь работать — не одно и то же.
Хороший аналитик ценен не только тем, что помнит синтаксис SQL или знает определение p-value. Его опыт проявляется в последовательности действий: какие вопросы задать перед исследованием, какие проверки сделать до того, как поверить результату, где искать ошибку, если цифры выглядят подозрительно. Это знание редко существует в документации — оно появляется после сотен похожих задач и часто передаётся через совместную работу с более опытным коллегой.
Недавнее исследование AI-агентов и skills показывает, почему такой подход работает. Авторы проанализировали 8135 запусков агентов и обнаружили, что skills помогают не только потому, что добавляют модели новые знания. В сопоставимых экспериментах они улучшали результат относительно обычной рабочей памяти на 6,06 пункта. При этом анализ причин показал, что в 65,7% случаев преимущество skills было связано с procedural anchoring — закреплением правильной последовательности действий, тогда как явная передача новых знаний объясняла только 4,5% случаев.
Получается, хороший skill — это не новая глава в учебнике, а скорее опытный коллега, который говорит: «Сначала проверь вот это. Если увидишь такую картину — скорее всего проблема здесь». Для аналитиков это особенно знакомая история: в любой команде есть люди, к которым приходят не потому, что они знают больше терминов, а потому что они умеют правильно думать о задаче.
Возможно, будущие корпоративные агенты будут отличаться не количеством подключённых документов, а тем, насколько хорошо они освоили рабочие привычки людей, которые годами решали реальные задачи. И в этом смысле skill — это не просто инструкция для машины. Это попытка превратить опыт человека в форму, которую может унаследовать следующий сотрудник. Даже если этим сотрудником окажется не человек.
https://arxiv.org/html/2608.14036v1
Когда мы говорим о внедрении AI-агентов в компании, чаще всего представляем довольно простой сценарий: берём внутренние документы, подключаем их к модели через RAG — и получаем помощника, который знает всё, что знает компания. Но знать информацию и уметь работать — не одно и то же.
Хороший аналитик ценен не только тем, что помнит синтаксис SQL или знает определение p-value. Его опыт проявляется в последовательности действий: какие вопросы задать перед исследованием, какие проверки сделать до того, как поверить результату, где искать ошибку, если цифры выглядят подозрительно. Это знание редко существует в документации — оно появляется после сотен похожих задач и часто передаётся через совместную работу с более опытным коллегой.
Недавнее исследование AI-агентов и skills показывает, почему такой подход работает. Авторы проанализировали 8135 запусков агентов и обнаружили, что skills помогают не только потому, что добавляют модели новые знания. В сопоставимых экспериментах они улучшали результат относительно обычной рабочей памяти на 6,06 пункта. При этом анализ причин показал, что в 65,7% случаев преимущество skills было связано с procedural anchoring — закреплением правильной последовательности действий, тогда как явная передача новых знаний объясняла только 4,5% случаев.
Получается, хороший skill — это не новая глава в учебнике, а скорее опытный коллега, который говорит: «Сначала проверь вот это. Если увидишь такую картину — скорее всего проблема здесь». Для аналитиков это особенно знакомая история: в любой команде есть люди, к которым приходят не потому, что они знают больше терминов, а потому что они умеют правильно думать о задаче.
Возможно, будущие корпоративные агенты будут отличаться не количеством подключённых документов, а тем, насколько хорошо они освоили рабочие привычки людей, которые годами решали реальные задачи. И в этом смысле skill — это не просто инструкция для машины. Это попытка превратить опыт человека в форму, которую может унаследовать следующий сотрудник. Даже если этим сотрудником окажется не человек.
https://arxiv.org/html/2608.14036v1