Фронтирні AI‑агенти вже вміють будувати плани, писати код і виконувати складні завдання з мінімальною участю людини. Проте за цією «магією» стоїть цілком конкретна архітектура. Канал IBM Technology розкладає її на кілька базових понять, без яких сучасні агентні системи просто не працюють.
Як звичайна модель перетворюється на агента
У центрі будь‑якого AI‑агента — велика мовна модель, що генерує текст і робить базове «міркування». Сама по собі вона лише співрозмовник. Агентом її робить інструкційний шар — додаткові правила та контекст, які визначають поведінку системи.
agents.md: «README» спеціально для агентів
Перший ключовий термін — agents.md. Це звичайний текстовий файл у форматі Markdown, який лежить у корені проєкту. Коли агент починає роботу в цьому проєкті, він спочатку читає саме цей файл.
У ньому описують, наприклад:
- які команди запускати для тестів;
- які стилістичні правила діють у кодовій базі;
- як оформлювати назви pull request’ів;
- які setup‑команди потрібно виконати перед роботою.
Фактично це «інструкція з експлуатації» проєкту, але написана для агента, а не для людини. Якщо в agents.md зазначено, що перед комітом слід запустити pnpm test, агент саме так і зробить — автоматично.
Важливий нюанс — файли agents.md можуть бути вкладеними: один — у корені репозиторію, інші — у підпроєктах. Правила, найближчі до робочого каталогу, мають пріоритет і перекривають попередні. Стандарт agents.md був започаткований OpenAI, а згодом переданий до Agentic AI Foundation під егідою Linux Foundation. Деякі платформи використовують власні варіації — наприклад, Claude шукає файл claude.md, але концепція залишається тією самою.
Навички агента: як підключати знання «за потреби»
Не всі знання потрібні агентові постійно. Завантажувати в контекст усі можливі інструкції — неефективно й дорого. Для цього існує другий термін — agent skill.
Agent skill: окремі «папки вмінь»
Agent skill — це директорія з файлом skill.md та супровідними скриптами чи ресурсами. Усередині skill.md містяться:
- опис навички;
- метадані про те, коли її варто застосовувати.
Формат типової інструкції в skill.md: «виклич мене, коли користувач хоче X». Наприклад, X — це створення презентації в PowerPoint. Якщо запит користувача відповідає цьому опису, агент підтягує навичку й використовує її. Якщо ні — skill тихо «лежить на полиці» й не займає місце в контекстному вікні.
На відміну від agents.md, що описує правила конкретного проєкту, agent skills фокусуються на окремих типах задач і можуть повторно використовуватися в різних сценаріях. Це також відкритий стандарт, який підтримують кілька платформ для агентів.
Як агент виходить «назовні»: інструменти й інші агенти
Щоб бути корисними в реальних робочих процесах, агенти мають працювати з зовнішніми сервісами — API, базами даних, SaaS‑платформами, девелоперськими тулчейнами. Без стандартизації кожен із цих зв’язків перетворюється на ручну інтеграцію.
MCP: універсний «перекладач» до інструментів і даних
Третій термін — MCP (Model Context Protocol). Це відкритий протокол для під’єднання AI‑застосунків до:
- інструментів,
- джерел даних,
- бізнес‑процесів та воркфлоу.
У центрі MCP — MCP‑сервер. Він «обгортає» конкретний сервіс (наприклад, Notion чи Stripe) у стандартизований інтерфейс. Агент спілкується із сервером мовою MCP, а той уже перекладає запити на нативний API цільового сервісу.
Приклад:
- Агенту потрібно дістати дані з Notion.
- Він надсилає запит MCP‑серверу.
- MCP‑сервер виконує необхідні виклики API Notion і повертає відповідь у форматі, який агент розуміє.
MCP був започаткований Anthropic і нині розвивається в межах AAIF (Agentic AI Foundation) під Linux Foundation. Протокол уже має широку підтримку індустрії, що робить його одним із базових шарів сучасних агентних систем.
A2A: спільна мова для агент‑до‑агентних комунікацій
Четвертий термін — A2A (agent‑to‑agent), відкритий протокол для взаємодії агентів між собою.
Сценарій застосування:
- Є агент закупівель, що відповідає за контракти з постачальниками.
- Є фінансовий агент, який схвалює витрати.
- Закупівельний агент узгоджує контракт, після чого має передати його на затвердження фінансам.
Без стандарту ці агенти потребували б кастомної інтеграції. A2A пропонує інший підхід: кожен агент публікує agent card — опис того, що він уміє та як із ним взаємодіяти. Інші агенти читають цей «профіль» і розуміють, як делегувати туди частину роботи.
У наведеному прикладі агент закупівель знаходить agent card фінансового агента, з’ясовує з нього, як правильно передати контракт, і делегує завдання на погодження. Стандарт A2A розроблено Google, але він також переданий під крило Linux Foundation як відкриту специфікацію.
Разом MCP та A2A закривають два критичні вектори зовнішньої взаємодії:
- MCP — комунікація з інструментами й даними;
- A2A — координація між самими агентами.
Коли одного агента мало: субагенти та масштабування
Навіть найпотужніший окремий агент упирається в обмеження — зокрема, розмір контекстного вікна моделі та час виконання завдань.
Subagents: паралельні «діти» головного агента
П’ятий термін — subagents (субагенти). Це дочірні агенти, які головний агент створює для виконання окремих підзадач. Кожен субагент:
- стартує у «свіжому» контекстному вікні;
- отримує від батьківського агента чітко визначене завдання;
- повертає результат по завершенні.
Це особливо корисно у двох випадках:
-
Занадто великий обсяг даних для одного контексту.
Наприклад, потрібно проаналізувати кодову базу з тисячами файлів. Замість того щоб вантажити все в один контекст, головний агент доручає субагенту: «прочитай 500 файлів і поверни стисле резюме». Так головний агент зберігає свій контекст «чистим». -
«Соромно паралельні» задачі.
Треба запустити 20 незалежних перевірок функцій. Послідовне виконання забере набагато більше часу. Натомість 20 субагентів можуть опрацювати все одночасно, після чого головний агент об’єднає результати.
На відміну від agents.md, skills, MCP та A2A, для субагентів поки не існує формалізованого відкритого стандарту. Але сама архітектурна ідея повторюється практично в усіх сучасних агентних системах: є «батьківський» агент, який спавнить одну чи більше «дочірніх» копій із тією самою базовою моделлю та контекстом, делегує роботу й зберігає у себе основний стан сценарію.
З чого складається сучасний AI‑агент
Узагальнюючи, архітектура фронтирного AI‑агента спирається на кілька шарів:
- Внутрішня поведінка:
agents.md— правила конкретного проєкту;- agent skills (
skill.md) — окремі «пакети вмінь», що підключаються за потреби. - Зовнішні інтеграції:
- MCP — стандартизований вихід до інструментів, даних і воркфлоу;
- A2A — протокол взаємодії з іншими агентами.
- Масштабування роботи:
- субагенти — паралельні дочірні процеси, що дозволяють обходити обмеження контексту й прискорювати виконання.
Разом ці компоненти пояснюють, як саме «під капотом» працюють сучасні агентні системи, які все частіше інтегруються в розробку, бізнес‑процеси й корпоративну інфраструктуру.
Джерело
YouTube: 5 AI Agent Terms You Need to Know