Большинство навыков агентов сегодня статичны. Кто-то один раз читает правду, записывает её в файл markdown и отправляет. Процедура и факты замораживаются вместе в одном абзаце. Затем таблица устаревает, а навык об этом не знает. Реестр, поле владельца, схема версий, квартальный обзор и линтер лишь добавляют более аккуратные метаданные к знаниям, которые всё ещё неверны.

Что мы в итоге признали: статический навык — это кэш без протокола инвалидации. Он кэширует результат извлечения за описанием задачи на естественном языке, без отслеживания зависимостей, без TTL и без способа заметить, что источник переместился. Именно поэтому навыки устаревают, размножаются, противоречат друг другу и раздуваются.

Альтернатива сохраняет намерение, процедуру, контракт выхода, ограничения и область в авторском файле. Каждый факт разрешается против живого контекстного слоя в тот момент, когда агент спрашивает. Markdown, который читает модель, всё ещё существует — это просто артефакт сборки со временем жизни одного вызова.

RAG с фильтрами метаданных останавливается на шаг раньше: фильтр — это аргумент на запрос, собираемый в точке вызова, а единица извлечения — фрагмент, ранжированный по сходству. В этой модели область — это авторская конфигурация, которая компилируется один раз на вызов в единое условие фильтра, разделяемое каждым путем извлечения, и повторно применяется к результатам на выходе.

Ресурсы MCP переносят извлечение во время вызова, но выбор остаётся у клиентской модели, которая должна уже знать, какой ресурс запросить из авторского перечисления. Устаревание перемещается из контента в индекс того, что существует, а модель платит за своё исследование круговыми поездками.

Глубокий раскол в том, что ранжируется. Сходство фрагментов не имеет мнения о столбце, принадлежащем таблице, принадлежащей схеме, поэтому оно не может обменять полные детали таблицы на три строки идентификаторов таблиц, когда бюджет ограничен. Этот обмен — большая часть работы композитора.

Это другая модель для знаний агентов: динамичная, живая, построенная вокруг текущего контекста, а не застывших снимков навыков.

Ключевые сущности: Компании: modus, Towards Data Science