Когда корпоративный AI-агент имеет доступ к тысячам инструментов, он тратит больше токенов на выбор нужного, чем на саму задачу. Исследователи из Alibaba нашли способ сократить эти расходы на 99% - и сделали это через механизм, который имитирует то, как человек уточняет поиск: сначала попробовать, потом скорректировать запрос.

Фреймворк называется SkillWeaver. Его ключевая инновация - Skill-Aware Decomposition (SAD): AI-агент не просто выбирает инструмент из списка, а разбивает задачу на подзадачи, подбирает кандидатов для каждой, а затем возвращается к разбивке с учётом того, какие инструменты реально существуют в библиотеке. Это цикл обратной связи, которого нет в других подходах.

Результаты тестов: SkillWeaver сокращает потребление токенов более чем на 99% по сравнению с «наивным» подходом (отдать агенту всю библиотеку целиком) и значительно повышает точность выбора инструментов. Тестирование проводилось на библиотеке из 2 209 реальных MCP-навыков.

Почему проблема выбора инструментов стала критической

Современные AI-агенты работают не с одной моделью, а с целыми экосистемами инструментов. MCP (Model Context Protocol) - стандарт, к которому подключаются сотни API: облачная инфраструктура, финансы, базы данных, CRM. Когда агент получает задачу «скачай данные, трансформируй и построй отчёт», ему нужно не просто найти один инструмент, а скомпоновать цепочку из нескольких.

Проблема в том, что LLM, которым передают всю библиотеку инструментов, быстро упираются в лимит контекста. Даже одна страница документации по каждому инструменту при 2 000+ навыков - это сотни тысяч токенов, которые агент тратит просто на чтение каталога, а не на решение задачи.

Как работает SkillWeaver: три стадии

Фреймворк решает задачу через три этапа: Decompose (разбить), Retrieve (найти), Compose (собрать).

Первый этап - LLM-декомпозер разбивает сложный запрос на последовательность атомарных подзадач. Каждая подзадача требует одного навыка. Второй этап - эмбеддинг-модель сравнивает каждую подзадачу с библиотекой навыков и извлекает шорт-лист кандидатов. Третий этап - планировщик проверяет совместимость выбранных инструментов: совместимы ли выходы одного со входами другого. Результат - Directed Acyclic Graph (DAG), в котором независимые задачи могут выполняться параллельно.

Ключевая находка SAD: LLM часто генерирует слишком общие описания шагов, которые не совпадают с технической лексикой реальных инструментов. SkillWeaver заставляет модель сначала набросать черновик, найти приблизительные соответствия, а затем переписать разбивку, используя найденные навыки как подсказки.

«Детализация декомпозиции задачи - главное узкое место в точности подбора инструментов. Большинство систем пытаются решить задачу за один проход. SkillWeaver делает это итеративно, как человек: сначала прикинуть, потом уточнить», - Бен Диксон, VentureBeat.

Что это значит для бизнеса

Фреймворк SkillWeaver решает практическую задачу: как сделать AI-агентов экономически эффективными. Если каждый запрос к агенту с библиотекой в 2 000 инструментов сжигает сотни тысяч токенов на перебор каталога, внедрение таких агентов в бизнес-процессы становится неоправданно дорогим. SkillWeaver показывает: правильная архитектура маршрутизации может снизить затраты в 100 раз.

Для компаний, которые рассматривают внедрение искусственного интеллекта в операционные процессы, это значит, что AI-агенты становятся дешевле. Нейросети для бизнеса начиная с таких фреймворков, как SkillWeaver, перестают быть экспериментом с неясной экономикой. Open source ии - SkillWeaver открыт для использования - даёт бизнесу готовую архитектуру, которую не нужно разрабатывать с нуля.

Для Владивостока и Дальнего Востока, где рынок AI-решений только формируется, появление open-source инструментов для оркестрации агентов - шанс внедрять автоматизацию с помощью ии с предсказуемым бюджетом.