🍉 Чем сложнее и длиннее задача ИИ-агента, тем больше токенов он тратит. О том, почему бизнесу вообще приходится считать токены и как в этом помогает токеномика, мы писали здесь.
И раз токены стали отдельной статьёй расходов, логичный шаг — понять, как тратить их меньше. В качестве решения исследователи Google и Purdue University предложили архитектуру SKILL.state — способ построения агентов, который в разы сокращает эти расходы у Claude Code, Codex и подобных им систем.
🔍 Как устроен навык
📌 Какие результаты
В тесте на управление складом из 200 шагов SKILL.state потратил 122 тысяч токенов и правильно выполнил 94% действий. Агент с памятью на основе суммаризации потратил на ту же задачу 6,17 млн токенов — более чем в 50 раз больше — и справился с 84% действий.
На реальных CTF-задачах SKILL.state решал 54,2% задач с первой попытки — на 7,8 п. п. больше лучшего аналога — и экономил 60–66% токенов. При общении с клиентами в службе поддержки он доводил до результата 58% диалогов, экономя до 45% токенов.
Если считать не в токенах, а в задачах: обычному агенту 1 млн токенов (в среднем это стоит $10) не хватит даже для одной задачи в 200 шагов, а агент на архитектуре SKILL.state с тем же лимитом может выполнить около 8 таких задач.
💬 Можно ли использовать SKILL.state уже сейчас?
Да, но готового сервиса для подключения нет — принцип SKILL.state нужно внедрять в архитектуру агента вручную.
Так что отправляйте этот пост разработчикам — пусть разбираются, можно ли применить подход в ваших сценариях и сократить расход токенов.
Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.
И раз токены стали отдельной статьёй расходов, логичный шаг — понять, как тратить их меньше. В качестве решения исследователи Google и Purdue University предложили архитектуру SKILL.state — способ построения агентов, который в разы сокращает эти расходы у Claude Code, Codex и подобных им систем.
🔍 Как устроен навык
Обычный агент на каждом шаге дозаписывает всю историю действий в диалог: что наблюдал, что делал, как рассуждал. Чем больше таких шагов, тем больше контекст — он растёт в геометрической прогрессии.
SKILL.state оставляет модели только три вещи: исходное описание задачи, текущее структурированное состояние и последнее новое наблюдение. Промежуточные рассуждения используются только для выбора следующего шага и сразу удаляются.
Для каждой задачи заранее задают, какие данные хранить. Например, для 100 разных CTF-задач — соревнований по поиску уязвимостей и скрытых код-флагов — прогресс агента сводится к пяти обновляемым полям: найденные флаги, проверенные гипотезы, активные файлы, рабочая директория, сводка команд.
Вместо всей истории агент на каждом шаге видит одну компактную карточку с актуальным состоянием задачи.
📌 Какие результаты
В тесте на управление складом из 200 шагов SKILL.state потратил 122 тысяч токенов и правильно выполнил 94% действий. Агент с памятью на основе суммаризации потратил на ту же задачу 6,17 млн токенов — более чем в 50 раз больше — и справился с 84% действий.
На реальных CTF-задачах SKILL.state решал 54,2% задач с первой попытки — на 7,8 п. п. больше лучшего аналога — и экономил 60–66% токенов. При общении с клиентами в службе поддержки он доводил до результата 58% диалогов, экономя до 45% токенов.
Если считать не в токенах, а в задачах: обычному агенту 1 млн токенов (в среднем это стоит $10) не хватит даже для одной задачи в 200 шагов, а агент на архитектуре SKILL.state с тем же лимитом может выполнить около 8 таких задач.
💬 Можно ли использовать SKILL.state уже сейчас?
Да, но готового сервиса для подключения нет — принцип SKILL.state нужно внедрять в архитектуру агента вручную.
Так что отправляйте этот пост разработчикам — пусть разбираются, можно ли применить подход в ваших сценариях и сократить расход токенов.
Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.