К содержимому
Дайджест

AI-агенты и субагенты: как не раздувать контекст

Caleb Curry·6 ноября 2026·10:16
текст даёт основное можно повторить
Открыть на YouTube
Вводный разбор агентов и субагентов для новичков, которые уже пробовали Claude Code или Codex и хотят использовать их эффективнее.

Что в ролике

Новичкам, которые уже немного работали с Claude Code или Codex, объясняют, чем обычный промпт отличается от агента: агент работает в цикле к цели, сам выбирает инструменты и выполняет действия, пока задача не завершится или не потребуется решение человека. Автор разбирает агентный цикл на примере запуска Claude из терминала: модель собирает контекст, вызывает shell-команды, читает ответы и продолжает, а в выдаче видны num_turns и stop_reason. Контекст растёт с каждым шагом, поэтому его советуют регулярно сжимать или очищать и держать список MCP-инструментов коротким, чтобы агент не отвлекался и не тратил лишние токены. Субагенты он использует как способ вынести узкую задачу из основного контекста: подчинённый агент сам выполняет работу и возвращает результат, тогда как skill просто подгружает инструкцию в текущий контекст и действия выполняет основной агент. Показано, что обычный созданный на лету исследовательский субагент стартует примерно с 70 000 токенов, а формально описанный агент с узкой целью — с 20–30 тысяч, поэтому узкие агенты выгоднее. Для переносимости между Claude Code и Codex он хранит описания агентов в общих markdown-файлах и создаёт в каждом инструменте ссылающуюся на них обёртку, а затем просит AI проверить определения на несовместимости. В конце автор подчёркивает: выполнять всё только основным агентом — значит замедлять работу, раздувать контекст и получать худшие результаты.

Практика

Что получишь
Понимание, чем агент отличается от обычного промпта, как устроен агентный цикл и когда выносить задачи в субагенты вместо skills. Вы сможете сразу описывать узких формальных агентов и проверять их определения на совместимость между Claude Code и Codex.
Первый шаг
Запустите Claude из терминала с простым вопросом и посмотрите в JSON-выдаче поля num_turns и stop_reason, чтобы увидеть агентный цикл своими глазами.
Цифры
  • —70 000 токенов — стартовый объём контекста у исследовательского субагента, созданного на лету
  • —20–30 тысяч токенов — стартовый объём у формально описанного узкого агента
  • —40% — скидка на Coursera Plus в первые 3 месяца, которую автор предлагает по партнёрской ссылке
Честно
Видео содержит рекламную интеграцию Coursera: автор продвигает Google AI Professional Certificate и скидку 40% на Coursera Plus в первые три месяца по ссылке из описания. Команды и JSON-вывод он показывает на экране, поэтому для точного повторения понадобится смотреть видео. Готовые файлы определений агентов в открытый доступ не выложены.
Если слова незнакомы — 8 терминов

Связки из этого ролика

1 шт.

Компоненты

6 шт.

Формат: пошаговый урок · для новичков · уверенность разметки 0.85 · источник