5 уровней автономности агентов. Не абстракция — шкала, по которой строят продакшн.

L0 Script — фиксированный flow, никаких решений
L1 Supervised — каждый шаг через confirm
L2 Gated — только необратимые действия требуют подтверждения
L3 Autonomous — полная свобода + audit log
L4 Swarm — агенты создают агентов

Claude Code работает на L2. Деплой с --dangerously-skip-permissions переводит на L3.

На каком уровне ваш агент?

Свой MCP сервер за 30 минут. TypeScript SDK + PostgreSQL.

❶ npm init @mcp/create
❷ Описываешь tool: name, description, input schema
❸ Подключаешь к Claude: mcp.json

20 строк кода — и Claude видит твою базу данных. Не через промпт-хаки. Через типизированный протокол.

В экосистеме уже 10,000+ серверов. OpenAI, Google DeepMind, HuggingFace приняли MCP как стандарт.

Tool annotations расскажут модели что инструмент делает ДО вызова. Меньше ошибок, точнее routing.

🔄 Этот канал собирает метрики о себе.

metrics.py → Telegram API → JSON каждый день:

▸ views, forwards, reactions — на каждый пост
▸ subscriber delta — приросты по часам
▸ engagement rate — views/subscribers
▸ best-performing topics — что резонирует

Нет дашборда. Есть 84 строки Python и честные цифры.

Если пост набирает <50% от среднего — анализ. Если >150% — повторить формат.

Продакшн-мониторинг. Для Telegram-канала.

System prompt 4,000 токенов. 100 вызовов в час. $0.045 × 100 = $4.50/час.

С prompt caching: cached input = $0.30/MTok вместо $3.00.
Тот же system prompt → $0.45/час. Минус 90%.

Кэш живёт 5 минут (300 секунд). При стабильном трафике — бесконечно.

Условие: ≥1,024 токена в кэшируемом блоке. Порядок блоков фиксирован.

Multi-agent система из 5 агентов с общим system prompt: один кэш делят все. $0.09/час вместо $22.50.

Агент работал 2 часа. Упал. Начал сначала.

Checkpointing решает это:

▸ Каждые N шагов — snapshot состояния
▸ Crash → resume с последнего checkpoint
▸ Compaction: 10 checkpoint → 1 сжатый

В Claude Code это /compact. В кастомных агентах — ваша ответственность.

Минимальный checkpoint: conversation history + tool state + file mutations. Сериализуешь в JSON, кладёшь в .session/.

Агент без чекпоинтов — как код без git. Работает, пока не перестанет.

200 источников → 15 релевантных → 3 deep-dive. Воронка агентного поиска.

Паттерн Wide→Narrow:

▸ Scout (Haiku): 200 URL → grep по ключевикам
▸ Filter (Sonnet): 15 кандидатов → скоринг
▸ Deep-Dive (Opus): 3 лучших → полный анализ

Каждый этап отсекает 90% шума.
Дешёвая модель фильтрует, дорогая — думает.

Мы используем это в нашем боте: 21 канал → keyword filter → один маршрут.

Широко собрать. Узко отдать.

LLM routing: $0.003/запрос, ~200ms. Rules engine: $0.000, <1ms.

Не всё нужно решать нейросетью. Наш routing agent — 340 строк Python:

▸ Input → keyword check
▸ «промпт» → @claude_prompts
▸ «агент» → @claude_agents
▸ «код» → @claude_coding
▸ Нет матча → fallback на @claude_info

Детерминизм. Нулевая стоимость. Предсказуемость.

LLM routing оставь для semantic ambiguity. Для остального — if/else до сих пор царь.

Tool description — это prompt который видит модель.

В JSON schema каждого инструмента:

▸ name — определяет КОГДА вызвать
▸ description — определяет КАК использовать
▸ parameters.description — формат каждого поля

Anthropic: «tool descriptions — single biggest driver of tool-use accuracy».

Плохой description = модель вызывает не тот tool.
Хороший description = zero-shot точность.

Тестируй tool descriptions как промпты. Eval-ай как промпты. Потому что это и есть промпты.

46% «most loved». За 8 месяцев. С нуля до #1.

Claude Code vs рынок:

▸ Claude Code — 46% most loved
▸ Cursor — 19%
▸ Copilot — 9%
▸ Windsurf — 7%

$2.5B annual run-rate. 70% Fortune 100 используют Claude.

Почему: терминал > IDE plugin. Extended thinking 32K токенов. Read → Think → Edit → Test → Loop.

Не copilot. Не autocomplete. Полноценный агент в терминале.

Агент с 8 tools и доступом к bash. Что может пойти не так?

3 вектора атаки на AI-агентов:

▸ Prompt injection: данные притворяются инструкцией
▸ Tool poisoning: MCP сервер подменяет description
▸ Exfiltration: агент сливает контекст через tool call

3 уровня защиты:

→ Input validation — санитизация до модели
→ Sandboxing — bash/file ограничены scope-ом
→ Gated actions — необратимое требует confirm

2026: reliability > capabilities.
Безопасный агент > умный агент.

$2.5B run-rate. За 8 месяцев Claude Code стал #1 coding tool.

46% разработчиков назвали его «most loved» — Cursor 19%, Copilot 9%.

Этот канал — как устроено изнутри:

▸ 5 паттернов Anthropic — с кодом
▸ Multi-agent: когда 15× токенов окупается
▸ MCP, tool design — что работает в production
▸ Наш бот — routing agent для 21 канала. Рекурсия.

Каждый пост = прочитал → можешь повторить.

Первый кейс — в среду.

80% запросов на Haiku. 15% на Sonnet. 5% на Opus. Минус 90% расходов.

Tiered routing — архитектура экономии:

▸ Haiku $0.80/M — classification, tagging, routing
▸ Sonnet $3/M — summarization, extraction, RAG
▸ Opus $15/M — reasoning, planning, complex code

80% запросов — простые. Не плати за них как за сложные.

Реализация: complexity classifier (сам может быть Haiku) → route на нужный tier.

$0.80 vs $15. Разница 19×.
Для 80% задач — одинаковый результат.

81% задач решаются одним паттерном. Остальные 4 — для 19%.

Anthropic описал 5 архитектур агентов. Не 20. Пять:

⛓️ Prompt Chaining — шаги с gate между ними
🔀 Routing — classify → нужный handler
⚡ Parallelization — 3 ревьюера параллельно
🏗️ Orchestrator-Workers — plan → delegate → synthesize
🔄 Evaluator-Optimizer — generate → score → iterate

Правило: начинай с chaining. Усложняй только когда простое сломалось.

Тот же Claude, который решил задачу Кнута за 30 секунд — под капотом использует routing + chaining.

Этот пост вам доставил routing agent. Который сам написан как routing agent. 340 строк.

→ Текст поста → keyword matcher
→ «промпт» → @claude_prompts
→ «агент» → @claude_agents
→ «код» → @claude_coding
→ Inline button «📢 Опубликовать» → нужный канал

21 маршрут. Zero ML. Pattern matching + fallback.

Это паттерн Routing из предыдущего поста — самый простой и достаточный для 90% задач.

Код agent ≠ сложность. Код agent = правильная декомпозиция.