С rules всё ясно, они попадают в контекст каждого запроса, а значит учитываются моделью. А вот MCP, Skills и Agents подключаются только при определённых условиях. Разберёмся, где чья зона ответственности.

MCP  Выступает связующим звеном между моделью и внешними миром.

Например, с помощью MCP можно: - Тянуть актуальные макеты из Figma - Загружать необходимую документацию из Confluence - Получать задачи из Jira, анализировать их и обновлять статусы - Запускать Playwright для проверки пользовательских сценариев и анализа Core Web Vitals и т.п.

Для многих популярных сервисов уже существуют готовые MCP-серверы. Часть из них создаётся и поддерживается разработчиками самих платформ, но и комьюнити не стоит на месте, а значит практически для всего, что придёт вам в голову - уже найдётся готовое решение в GitHub.

Но не забывайте про безопасность. Если будете бездумно цеплять серверы от неизвестных авторов без репутации, не удивляйтесь потом, что корп. токены и исходники ваших проектов утекли каким-то вьетнамским хакерам.

Skills В любой разработке - команда часто выполняет одни и те же рутинные действия, которые хоть и не решают задачу целиком, но являются одним из промежуточных этапов её выполнения.

Вот подобные вещи и стоит выносить в Skills, особенно объёмные и требующие чёткого порядка шагов.

Например: - Провести нагрузочное или регрессионное тестирование - Проверить актуальность зависимостей - Добавить новый ключ локализации - Мигрировать модуль на новую версию стека

Данный список будет сугубо зависеть от конкретной команды и направления.

Практическая польза Skills в том, что вам не приходится постоянно засорять контекст LLM инструкциями, необходимыми лишь время от времени. При этом, вы получаете более предсказуемый результат, ведь он больше не зависит от навыков конкретного исполнителя и человеческого фактора.

Agents Изолированные исполнители, которым основная модель делегирует часть задачи. Ключевое отличие от Skills: сабагент работает в собственном контексте - читает файлы, ищет по проекту, разбирает код и документацию у себя, а в основную сессию возвращает только итог, а не сотни строк прочитанного и промежуточных рассуждений.

Отсюда и плюсы: их можно запускать параллельно, затачивать под конкретный тип задач и сажать на более дешёвую модель там, где умная/рассуждающая модель вообще не нужна. В сумме основная модель держит фокус на глобальной задаче, результат вы получите быстрее, токены тратятся экономнее, а отдельные этапы прорабатываются глубже.

Итог Всё это конечно звучит очень вкусно, но сложно. Хорошая новость, в создании этого вам поможет сам Claude Code.  Стоит лишь попросить, а самый лучший флоу - скормить готовый коммит с примером и затем верифицировать результат вручную.

Но, хочу дать вам важный совет, не распыляйтесь. Начните с правил, это база, остальные инструменты команда должна подбирать самостоятельно, когда упрётся в какую-то конкретную боль.