Claude Code запустил маркетплейс плагинов: решение для синхронизации субагентов

Anthropic анонсировал систему плагинов для Claude Code. Функция уже доступна в публичной бета-версии и решает проблему, с которой я столкнулся пару месяцев назад после перехода с Cursor.

🔧 Проблема, которую я не озвучивал

У меня три рабочих компьютера. После того, как я настроил отличных субагентов на одном из них, оказалось невозможно синхронизировать их на остальные машины.

В результате я пишу код только на одном ноутбуке — там, где всё настроено. Возможно, поэтому я не откручиваю свои лимиты и обычно использую 25-75% недельного объема.

😖 Боль была именно в этом: ты развиваешь одну среду Claude Code и не можешь легко переключаться между машинами. С командой приходится синхронизироваться на уровне копирования отдельных файлов инструкций. Неудобно.

🎯 Что такое плагины Claude Code

Плагины — это пакеты, которые могут содержать:

🔸 Slash commands — кастомные команды для частых операций
🔸 Субагенты — специализированные помощники для конкретных задач
🔸 MCP серверы — подключение к инструментам и источникам данных
🔸 Хуки — автоматизация поведения Claude Code в ключевых точках

Всё это устанавливается одной командой /plugin и работает в любом терминале Claude Code.

🚀 Как подключить себе

Создаешь GitHub репозиторий с файлом .claude-plugin/marketplace.json — и получаешь маркетплейс. Фактически это система контроля версий для субагентов плюс возможность стандартизировать AI-тулкит при работе в команде.

Гарантируется, что все используют одинаковый набор дополнений и MCP.

Установка плагина:

Команда для управления: /plugin — открывает диалог, для активации и деактивации плагинов/маркетплейсов.
Когда указываете ссылку, используйте https, если еще не настроили ключи SSH для доступа в github (то есть https://github.com/anthropics/claude-code.git вместо anthropics/claude-code)

📦 Что уже есть в сообществе

Сообщество быстро откликнулось. Примеры маркетплейсов:

🔸 Davila7 — плагины для DevOps, генерации документации, менеджмента проектов, тестирования
🔸 Seth Hobson — коллекция из 80+ специализированных субагентов
🔸 Anthropic — официальные примеры для PR-ревью, аудита-безопасности, разработки с Claude Agent SDK

⚠️ Текущие ограничения

Реакция сообщества смешанная. Главные опасения:

📍 Безопасность — риски от установки недоверенных плагинов. Плагины описаны естественным языком, поэтому важно смотреть под капот, что именно мы добавляем в проект.

📍 Расход токенов — плагины влияют на расход токенов во всех задачах, таким образом часовые и недельные лимиты могут сгорать быстрее

📍 Нет локальных маркетплейсов/плагинов — лично мне не нравится, что плагины устанавливаются исключительно глобально и не дают настройку на уровне отдельного проекта. Если у вас разные конвенции для разных команд/проектов, придется сложно оркестрировать наборы плагинов между задачами.

🔜 Хорошая новость: в будущем обещают добавить проектную настройку плагинов через .claude/settings.json на уровне репозитория.

💬 Итого

Для команд это способ унифицировать подходы к разработке и гарантировать, что все используют одни и те же конвенции и практики использования инструмента. Для меня — способ синхронизации агентов между устройствами.

Если уже пробовали — поделитесь лайфхаками или полезными репозиториями в комментариях?

---

Поляков считает — про ИИ, рекламу и аналитику.

Две конференции про AI-кодинг в октябре 2025: онлайн 14 октября и офлайн в Питере 25-го

Вайб-кодинг, пожалуй одно из самых популярных явлений 2025 года. Предполагаю, что его опубликуют как слово года. Но тут не без проблем.

🤔 Проблема с обучающими материалами

Нормальных курсов по AI-кодингу практически нет. Всё, что есть — это материалы про вайбкодинг лендингов за вечер. От таких материалов опытные разработчики плюются, и правильно делают.

Одно дело навайбкодить простой проект, совсем другое — рефакторить легаси-комбайн с десятками зависимостей и миграциями. Тут нужны совсем другие подходы.

А инструментов и методов появляется всё больше. Все хотят оседлать хайп, но работающих решений — единицы. Приходится либо тестировать всё самому, либо собирать крупицы опыта по чатам и соседним каналам.

При этом запрос на отфильтрованную информацию растет. Вижу это и по вопросам на консультациях, и по общению с разработчиками и лидами из индустрии.

Хорошая новость: в октябре проходят сразу две конференции, которые закрывают этот запрос.

🚀 AI Dev — 14 октября, онлайн

Практическая конференция про то, как AI-инструментами кратно ускорять разработку. Шесть часов реального опыта от десяти экспертов, которые ежедневно используют AI в продакшене.

Что в программе:

🔸 AI Coding без боли — про типичные проблемы, важность контекста, документацию и работу с памятью.

🔸 MCP на практике — правильный выбор инструментов, создание своих серверов, когда MCP не подходят

🔸 Контекст в энтерпрайзе — работа с громадными кодовыми базами, вопросы безопасности.

🔸 Создание AI-инструментов — принципы построения кодинговых агентов и готовый чек-лист

🔸 Роль архитектуры — почему скиллы опытных разработчиков становятся ценнее с внедрением AI

Плюс панельная дискуссия про сценарии развития рынка на ближайшие 2-3 года.

Спикеры:

Глеб Кудрявцев (создатель Shotgun с 1500+ ⭐️ на GitHub), Рефат Аметов (ко-фаундер Devstark), Тимур Хахалев (AI Solutions Architect), Максим Ключников (техлид), Константин Доронин (разработчик Figma MCP), Родион Мостовой (основатель CodeAlive) — и еще четверо в панельной дискуссии.

💡 Это не теория от консультантов, а выстраданный опыт людей, которые строят AI-инструменты и внедряют их в продакшен.

Участие:

7 500 ₽, если хотите поддержать или бесплатно через подписку на телеграм-каналы спикеров.

Регистрация: ai-dev.live

🏢 Вайб-Цех от red_mad_robot — 25 октября, Питер

Отличный повод поехать в Санкт-Петербург на выходные.
Офлайн-митап про то, как вайб-кодинг превращается в новый стандарт индустрии. Эксперты покажут практическую пользу на реальных примерах и в живых дискуссиях.

Программа:

1️⃣ 10:00 — Валерий Ковальский (Head of AI red_mad_robot): вайб-кодинг меняет роль разработчика

2️⃣ 10:20 — Александр Абрамов (SberAI): почему LLM так хороши в программировании

3️⃣ 11:00 — Максим Скорченко (red_mad_robot): нейросети как рычаг Архимеда

4️⃣ 12:00 — Секретный доклад 🤫

5️⃣ 12:40 — Панельная дискуссия с топами из СберТех, Cloud.ru и SberAI

Главное:

После официальной части будет нетворкинг до 15:00. Можно обсудить свои кейсы, задать вопросы про внедрение AI в разработку, пообщаться с экспертами лично.

Детали:

📍 Санкт-Петербург, Not Bad Loft, Курляндская 48
📅 25 октября, 10:00-15:00
🎟 Регистрация: https://red-mad-robot.timepad.ru/event/3605115/

Для кого:

Разработчики, техлиды, CTO — все, кто хочет разобраться в реальном применении AI, а не просто послушать про хайп.

⭐️ В России сейчас нет ничего близкого по качеству контента про AI-кодинг. Обе конференции собрали практиков, которые уже решают реальные задачи с AI, послушать такие доклады будет очень интересно.

---

Поляков считает — про ИИ, рекламу и аналитику.

SGR-паттерн: как заставить маленькие модели работать как большие

В конце августа 2025 Валерий Ковальский (автор канала NeuralDeep) запилил готовую либу для SGR-паттерна на GitHub. Репозиторий быстро собрал звезды и оброс контрибьюторами — теперь его упоминают даже в самых неожиданных местах.

Сам Валерий считает, что на базе этого подхода появятся стартапы на миллион долларов. И я с ним соглашусь: если даже на банальном Structured Output по всему миру уже заработаны миллионы, то SGR открывает ещё больше возможностей.

💡 Проблема: я всё чаще встречаю, как SGR путают с альтернативой Structured Output. Это не так. Давайте разберемся, в чем реальный прорыв технологии.

🔍 Боль разработчиков: когда LLM пропускает шаги

Обычно нам недостаточно просто текста от модели. Нужно, чтобы она выполняла задачи: вызывала функцию расчета, искала в интернете или уточняла запрос у пользователя.

Привычные паттерны вроде ReAct это делают, но есть проблема: на маленьких моделях они пропускают шаги. Модель может не вызвать нужный инструмент, хотя должна была. На больших моделях это тоже бывает, но реже.

Хуже всего то, что это ломает пользовательский опыт. Разработчикам приходится городить костыли, а решения получаются слабыми и некрасивыми.

📊 Конкретные цифры провала Function Calling

Вот реальные данные из бенчмарка BFCL для семейства Qwen3 в режиме Agentic Web Search (когда модель сама решает, вызывать ли инструмент):

🔸 Qwen3-8B: только 15% точности

🔸 Qwen3-4B: всего 2% точности

🔸 Qwen3-1.7B: лишь 4.5% точности

Даже при нативной поддержке Function Calling маленькие модели не понимают, когда нужно вызывать инструменты. Типичный результат: {"tool_calls": null, "content": "Текст вместо вызова функции"}.

⚡ Как SGR решает проблему

SGR фактически разделяет два этапа: reasoning (рассуждения) и execution (исполнение).

На этапе reasoning модель через Structured Output жёстко описывает, какие инструменты нужно вызвать и почему. Затем эти инструменты вызываются программно, без участия LLM.

Такой подход формализует бизнес-логику вызова инструментов и делает эту задачу удобной для отладки. Все шаги рассуждений видны, проверяемы и воспроизводимы.

🎯 Буст точности 5-10% — это стандартный результат для SGR. А на маленьких моделях разница ещё выше.

🛠️ Готовая библиотека от комьюнити

Репозиторий SGR Deep Research — это не просто концепция, а готовая система с OpenAI-совместимым API. Можно отнаследоваться от BaseTool и передать свой кастомный набор инструментов в параметре toolkit агенту.

В либе реализовано 5 типов агентов: от чистого SGR до гибридных подходов с Function Calling. Есть поддержка стриминга, прерывания агента для уточнений и автоматическое сохранение отчетов.

🔐 Концепция гарантирующих паттернов

SGR можно назвать гарантирующим паттерном в работе с LLM. В данном случае он гарантирует вызов определённого инструмента даже на маленьких моделях.

Structured Output — тоже гарантирующий паттерн, но другой: он гарантирует, что ответ будет в чёткой структуре и полноте.

Это не альтернативы, а комплементарные техники. SGR использует SO для этапа рассуждений, а затем добавляет детерминированное исполнение.

🚀 Пушка для локальных моделей

Особенно важен SGR для локальных моделей, которые работают на приватных серверах. Они менее "умные" чем облачные GPT-5 или Claude Sonnet 4, но SGR помогает компенсировать это ограничение.

Если материал оказался полезным — ставьте реакции, пишите комментарии.

---

🔗 Оригинальная концепция SGR: https://abdullin.com/schema-guided-reasoning/

🔗 Репозиторий SGR Deep Research: https://github.com/vamplabAI/sgr-deep-research

----

Поляков считает — про ИИ, рекламу и аналитику.

Claude Skills: пополнение в зоопарке интеграций LLM

Anthropic на прошлой неделе представила Skills — новый способ расширения возможностей Claude. Это не какой-то протокол интеграции, а просто папки с инструкциями и скриптами.

🎯 Что такое Skills и чем они отличаются от MCP

Skills — это markdown-файл с инструкциями, опционально дополненный скриптами и ресурсами. Все упаковано в обычную папку.

Главное отличие от MCP и Function Calling — экономия токенов. При старте сессии Claude видит только короткие аннотации навыков из метаданных. Каждый навык занимает всего несколько десятков токенов. Полные инструкции загружаются только когда навык действительно нужен.

💡 MCP могут сжирать десятки тысяч токенов только на описание доступных методов. Skills подгружают детали по требованию.

Для сравнения: в MCP описание всех доступных инструментов загружается сразу — не только список методов, но и архитектура каждой функции. При нескольких подключенных MCP контекст переполняется еще до начала работы. То есть мы пока не получили ни одного ответа от LLM, а уже загрузили в контекст описание всех Tools.

Claude сам определяет, когда навык релевантен задаче. Если мы не планируем создавать pptx файл, то инструкций для навыка создания презентаций в контекст загружено не будет.

🛠️ Что уже работает

Antropic рекламирует Skills как инструмент для работы с офисными файлами — .docx, .xlsx, .pptx, .pdf. Код этих навыков теперь открыт на GitHub:

docx — создание и редактирование Word-документов с отслеживанием изменений, комментариями и форматированием

pdf — извлечение текста, таблиц, метаданных, заполнение форм, слияние и аннотирование PDF

xlsx — работа с Excel: формулы, форматирование, анализ данных и пересчёт

pptx — создание презентаций с кастомными макетами и стилями

📊 Неожиданные применения

Skills можно использовать не только для инструментов, но и для догрузки контекстно-зависимых инструкций.

В моём агентстве мы сейчас догружаем инструкции через MCP — если пользователь спрашивает про вакансию водителя, загружается один набор правил, для сварщика — другой. Skills решают эту задачу элегантнее, причём они доступны через API endpoint /v1/skills (пока не пробовал).

Саймон Уиллисон описал в своем блоге потенциал так, что можно создать набор навыков для работы с данными, их загрузки в SQLite, визуализации и публикации результатов. По сути — готовый агент для анализа данных из папки с текстовыми файлами.

🤔 Правда он не учел, что в виртуальном контейнере запросы к произвольным внешним сервисам не допускаются.

⚠️ Ограничения и подводные камни

Виртуальное окружение изолировано — запрещены исходящие запросы во внешний мир. Если хочешь парсить сайты через Scrape.do, всё равно придётся использовать MCP. Хотя встречал примеры, где делаются запросы к Youtube. Возможно есть небольшой белый список сайтов.

Skill Creator генерирует избыточно подробные инструкции. Результат — долгое выполнение и большой расход токенов. Инструкции приходится вручную оптимизировать, иначе экономия токенов теряется.

🚀 Почему это важно

Skills — это возврат к простоте. Вместо спецификации протокола с хостами, клиентами, серверами и тремя транспортными уровнями — просто markdown с инструкциями.

Это самый простой путь к работающим агентам. Даже ноды не надо стрелками соединять — объяснил задачу текстом, запустил навык создания навыков и готово.

Если уже пользовались или нашли крутые навыки — делитесь в комментариях.

----

Поляков считает — про ИИ, рекламу и аналитику.