Чем больше я работаю с LLM-моделями разного уровня, тем сильнее убе... - Vibeus
Pavel K ·
Чем больше я работаю с LLM-моделями разного уровня, тем сильнее убеждаюсь в одной простой мысли:
**если модель сама по себе чего-то не умеет, никакие скиллы, MCP, плагины и километры инструкций не научат её делать это действительно хорошо.**
Можно улучшить процесс. Можно задать правила. Можно заставить модель действовать по определённому алгоритму.
Но нельзя с помощью надстроек радикально поднять её базовые способности.
Например, если модель плохо пишет художественные тексты, можно скормить ей огромный промпт, добавить десятки правил, подключить какой-нибудь «супер-скилл для копирайтинга» — и результат действительно может стать немного лучше.
Но потом ты берёшь другую модель, которая **изначально хорошо умеет работать с текстом**, просто пишешь ей: «Напиши пост на такую-то тему» — и без всех этих конструкций получаешь результат намного лучше.
У меня недавно как раз был такой опыт.
Одной модели я дал большой набор правил и инструкций, подробно расписал, как именно она должна писать.
Другой — просто поставил задачу.
И вторая без всех надстроек написала значительно лучше.
**Вот в этом, на мой взгляд, и заключается важное заблуждение вокруг AI-инструментов.**
Люди постоянно пытаются найти очередной способ «сделать LLM умнее»:
— скачивают скиллы с GitHub; — собирают огромные system prompts; — строят многоуровневые системы правил; — подключают MCP и плагины; — ищут очередную «секретную оптимизацию модели».
И иногда всё это действительно полезно.
Но важно понимать, **для чего именно**.
Скиллы отлично работают там, где нужно научить модель **конкретному процессу**.
Например:
1. открыть определённый инструмент; 2. выполнить несколько действий; 3. экспортировать результат; 4. повторять эту последовательность в будущем.
Здесь инструкции, скиллы и интеграции действительно имеют огромную ценность.
Но если задача звучит как:
**«Возьмём модель, которая в чём-то посредственная, добавим к ней правильный набор инструкций — и она станет такой же сильной, как более мощная модель»**, —
то, по моему опыту, так это не работает.
Инструкции могут помочь модели **лучше использовать те способности, которые у неё уже есть**.
Но они не создают эти способности с нуля.
И это особенно хорошо видно, если посмотреть на то, что происходит сейчас между AI-лабораториями.
Компании тратят миллиарды долларов, огромные вычислительные ресурсы и годы работы команд исследователей, чтобы получить несколько дополнительных процентов качества на reasoning, coding, writing, tool use и других направлениях.
Если бы всё это можно было компенсировать файлом `SKILL.md` с хорошими инструкциями, гонка за более сильными моделями выглядела бы совершенно иначе.
Поэтому для себя я сформулировал простое правило:
**сначала выбирай модель, которая сильна в нужной тебе способности. И только потом усиливай её промптами, скиллами, MCP и другими инструментами.**
Не наоборот.
Надстройки могут сделать хорошую модель удобнее и эффективнее.
Но они не превращают слабую модель в сильную.