Файлы CLAUDE.md и AGENTS.md, которые год назад воспринимались как стандарт для организации контекста при AI-помощи в программировании, быстро теряют актуальность. Годы исследований и практика показали, что в современных условиях такой способ передачи знаний и инструкций для больших языковых моделей (LLM) даёт максимум 5% улучшения, а иногда и ухудшает результаты.
AGENTS.md — это открытый формат README-файлов, которые описывают рабочие процессы и правила для программных агентов, чтобы ускорить автоматическую генерацию кода. Его идея — сохранить институциональные знания и передать их AI, словно вводя новичка в проект. Но новые исследования, проведённые в ETH Zurich, ставят под сомнение эффективность этого метода в текущих реалиях развития ИИ.
Ранние публикации говорили о 30% и более приросте точности и качества автогенерируемого кода благодаря используемым репозитарным файлам контекста. Но сегодня AI и модели стали гораздо сложнее и умнее, они лучше разбираются в исходных данных без необходимости в таких дополнительных инструкциях. Современные исследования показывают, что использование AGENTS.md увеличивает количество шагов агента за счёт большего объёма инструкций и повышает расход вычислительных токенов до 20%, что для API с оплатой запроса является дорогостоящим излишним расходом.
В итоге такие файлы требуют значительных временных затрат на написание и коррекцию, при этом их отдача стремится к нулю или становится отрицательной по эффективности.
Исследователи рекомендуют отказаться от длинных универсальных инструкций в пользу более сжатых и конкретных подсказок, подчёркивая минимум обязательных требований — например, конкретные инструменты и команды. Современные методы лучше справляются с подтягиванием релевантной информации по мере необходимости, используя отдельные серверы Model Context Protocol (MCP) или базы данных, к которым AI обращается динамически, а не загружает всю информацию сразу.
Идея заключается в упрощении интерфейса взаимодействия с AI: разбивать задачи на отдельные части, ограничивать ответы по пунктам — «анализ, фиксация, обновление тестов». Всё то, что раньше старались вписать в AGENTS.md, сегодня удобнее и эффективнее хранить и вызывать по запросу через протоколы контекста.
Одним из свежих примеров такой тактики становится система Claude Skills, где контекст разбит не на масштабные репозитарные файлы, а на повторно используемые индивидуальные задачи. Это отражает тренд на минимализм и адаптивность в работе с AI, где масштабные методички уступают место модульным и легковесным инструментам.
Таким образом, уход от CLAUDE.md и AGENTS.md — не отказ от структурирования знаний, а переход к более гибким подходам, приближающим агента к реальному рабочему процессу с минимальными затратами времени и ресурсов.