Почему скачивать чужие skills для Claude Code — плохая идея

Блогер Dylan Davis поднимает тему, которая давно назрела в комьюнити вокруг Claude Code: массовое скачивание чужих skills — навыков в виде папки с skill.md и инструкциями — чаще вредит качеству работы AI, чем помогает. Его тезис прост: skills для Claude Code работают хорошо только тогда, когда в них зашит именно ваш контекст, а не чей-то усреднённый.

Карта и территория: почему чужой skill не работает

Davis сравнивает готовый skill с картой дороги на работу: она показывает общее направление, но не знает про яму на асфальте, про светофор, который горит дольше обычного, про боковую улицу, срезающую путь. Эти нюансы — «территория» — накапливаются только через собственный опыт выполнения задачи. Когда вы берёте skill, написанный незнакомым человеком под свои процессы, AI получает карту без территории: формально верную структуру, но без той специфики, которая на практике и определяет качество ответа.

Две ловушки готовых skills для Claude Code

Первая ловушка — размер. Публичный skill, рассчитанный на широкую аудиторию, вынужден описывать все возможные edge case сразу, поэтому разрастается до огромного текста с кучей подпапок. Claude теряется, не понимая, какую ветку инструкции применить к конкретной задаче, — и качество ответа падает.

Вторая ловушка — количество. Раз можно скачать один skill, почему не тридцать «про запас»? Проблема в том, что при сохранении глобально (а это поведение по умолчанию и в Claude, и в ChatGPT) агент постоянно сверяется со списком всех доступных skills в фоновом режиме — это implicit-вызов, в отличие от explicit-вызова через слэш-команду. Если названия и описания похожи, AI путает их и подключает не тот навык. Обход простой: привязывать skill к конкретной рабочей папке проекта, а не хранить его глобально, — тогда агент видит только то, что относится к текущей задаче.

Build, borrow, clone: как выбрать путь

Главный вопрос перед тем, как заводить очередной skill: являетесь ли вы экспертом в этой задаче? Если да — а это, по оценке Davis, 80–85% случаев — skill стоит строить самому. Рабочий метод: сделать задачу вместе с AI в обычном чате, а в конце попросить оформить получившийся процесс в skill, явно указав две вещи — убрать всё лишнее («каждое слово должно быть на своём месте») и не привязывать инструкцию к деталям конкретного проекта, чтобы её можно было переиспользовать в других.

Если экспертизы не хватает, но она есть у коллеги — это путь borrow: взять готовый skill у человека внутри команды, чей процесс уже несёт нужный контекст. Публичный skill из открытых библиотек — это borrow в худшем варианте: его придётся не просто скачать, а протестировать и агрессивно подрезать под себя. Третий, самый редкий путь — clone: когда нужного эксперта нет рядом, но есть его книги, подкасты, публичные выступления. Тогда в AI загружают эти материалы с явной инструкцией — извлечь подход именно к конкретной задаче, а не «весь стиль мышления» человека целиком, иначе результат будет слишком общим, чтобы пригодиться.

Что это значит на практике

Идея Davis совпадает с тем, как вообще стоит подходить к автоматизации через AI-агентов: инструмент хорош настолько, насколько в нём зашит реальный рабочий процесс, а не usability для всех сразу. Для тех, кто выстраивает вокруг Claude Code регулярные пайплайны — будь то генерация контента, ревью кода или подготовка отчётов, — вывод практический: не тратить время на поиск идеального готового skill в интернете, а потратить пять минут в конце удачной сессии на то, чтобы зафиксировать процесс в собственный, минималистичный skill. Это дешевле, точнее и, в отличие от чужой инструкции, действительно работает именно на вашей задаче.