Claude Code: Команды, Скиллы и Агенты — Полный Гид с Примерами

Что Такое Claude Code

Claude Code — это CLI-инструмент от Anthropic, который работает прямо в терминале. Он умеет редактировать файлы, запускать команды, искать по кодовой базе, создавать коммиты и pull-реквесты. По сути, это полноценный AI-разработчик, живущий в вашем терминале.

Но его настоящая сила — в расширяемости. Claude Code поддерживает четыре механизма, которые превращают его из простого чата в платформу:

• Commands — 30+ встроенных slash-команд для управления сессией, настройками и инструментами
• Skills — кастомные команды с инструкциями, которые вы пишете сами
• Agents — изолированные субагенты со своим контекстным окном для параллельных задач
• MCP — подключение любых внешних инструментов через открытый протокол

Давайте разберём каждый из этих механизмов подробно — с конкретными примерами файлов и конфигов.

30+ Встроенных Команд

Все команды в Claude Code начинаются с /. Они управляют сессией, настройками, инструментами и аналитикой. Вот полный список, сгруппированный по категориям.

Навигация и сессии

Настройки

Разработка

Аналитика

Утилиты

Специальные префиксы

Помимо slash-команд, Claude Code поддерживает два специальных префикса:

• !command — выполнить bash-команду напрямую, без подтверждения. Например: !git status
• @path — автодополнение путей к файлам. Начните вводить @src/ и Claude Code предложит файлы

Создание Своих Skills

Skills — это кастомные slash-команды с инструкциями. Вы создаёте файл SKILL.md в специальной директории, и он становится доступен как команда в Claude Code.

Где размещать Skills

Есть три варианта расположения файлов:

• ~/.claude/skills/my-skill/SKILL.md — пользовательский Skill, доступен во всех проектах
• .claude/skills/my-skill/SKILL.md — проектный Skill, хранится в репозитории
• .claude/commands/my-command.md — старый формат (продолжает работать)

Формат SKILL.md

Файл состоит из YAML-frontmatter (метаданные) и Markdown-инструкций:

---
name: my-skill
description: Краткое описание навыка
allowed-tools: Read, Grep, Glob, Bash
argument-hint: "[аргумент]"
---

Здесь идут инструкции для Claude.
Что делать, в каком порядке, какие проверки выполнить.

Ключевые поля frontmatter:

• name — имя команды (вызывается как /name)
• description — описание, по которому Claude понимает, когда использовать
• allowed-tools — список разрешённых инструментов
• argument-hint — подсказка по аргументам
• context: fork — запуск в изолированном субагенте
• disable-model-invocation: true — только ручной вызов через /name

Пример 1: YouTube-видео — полный пайплайн от видео до публикации

Реальный Skill, который автоматизирует полный цикл обработки YouTube-видео. Говоришь «новое видео на ютюбе» — и агент сам находит видео, скачивает расшифровку, генерирует названия, обложку, описание, пост в Telegram и рассылку:

---
name: youtube-video
description: "Полный пайплайн от YouTube-видео до публикации.
  Автоматически находит видео, расшифровывает, генерирует
  3 названия, обложку, описание, пост в канал, рассылку —
  и публикует на YouTube."
---

# YouTube Video — 10-шаговый пайплайн

## Триггеры
- "новое видео", "видео на ютюбе", "опубликовал видео"
- Или вставка готовой расшифровки → пропускаем шаги 0-1

## Пайплайн
0. Найти последнее видео → youtube_api.py
1. Скачать расшифровку → get_transcripts.py
2. Анализ: тема, ЦА, таймкоды, эмоциональные пики
3. 3 названия A/B/C (вопрос / провокация / число+результат)
4. Описание YouTube (SEO в первых 2 строках, таймкоды)
5. Промпт для обложки → generate_image.py
6. Генерация обложки + сжатие для YouTube (<2MB)
6.5. Автопубликация: название + описание + теги + обложка
7. Пост в TG-канал
8. Рассылка подписчикам
9. Карточка публикации → "Всё на YouTube. Что поправить?"

Один Skill заменяет часовую ручную работу. Claude находит видео через YouTube API, расшифровывает его, генерирует все артефакты и публикует через update_video.py — даже обложку загружает автоматически.

Пример 2: Диаграмма — GraphTB → промпт → картинка

Skill для генерации технических диаграмм. Сначала описывает структуру в текстовом формате GraphTB, потом превращает в промпт для Gemini:

---
name: diagram
description: "Генерация технических диаграмм через GraphTB → Gemini.
  Сначала описываем структуру текстом, затем превращаем в промпт."
---

# Diagram — 3-шаговый пайплайн

1. **GraphTB** — описать диаграмму текстом:
   - Узлы (имя, тип, цвет, иконка)
   - Связи (откуда → куда, стиль)
   - Зоны (где на картинке)
   - Группы (визуальные контейнеры)

2. **Промпт** — преобразовать GraphTB в 6-частный промпт
   по системе из SYSTEM_PROMPT.md

3. **Генерация** — generate_image.py --skill diagram

Полная инструкция: /root/projects/ai-skills/diagram/PIPELINE.md

Формат GraphTB гарантирует, что ни один элемент не потеряется при преобразовании в промпт. Вы описываете узлы таблицей, а Claude сам строит из этого 6-частный промпт с HEX-цветами, зонами и стилями.

Пример 3: Статья в блог — от тренда до публикации

---
name: blog-article
description: "SEO-статья на aibot.direct: ресёрч → PHP → OG → git → Google ping"
---

# Пайплайн (11 шагов)

1. Анализ трендов → analyzer.py (Google Trends + Yandex Wordstat)
2. Ресёрч из первоисточников (5-8 авторитетных источников)
3. План: slug, структура, FAQ, теги, related
4. PHP-файл статьи (AIDA, Schema.org, 3 CTA)
5. OG-картинка 1200x630 → Puppeteer
6. Blog index → добавить в массив $blog_articles
7. .htaccess → RewriteRule
8. Проверка: curl, canonical, Schema.org, мобилка
9. Git push
10. Google sitemap ping
11. Пост в TG-канал (после одобрения)

Эта самая статья, которую вы сейчас читаете, была создана именно так — через Skill blog-article. От идеи до публикации на сайте за один запрос.

Субагенты: Делегируй Задачи

Субагенты — это изолированные AI-помощники со своим контекстным окном. Основной Claude может порождать их для конкретных задач, не загромождая свой собственный контекст.

Где размещать файлы агентов

• .claude/agents/my-agent.md — проектный агент, доступен всей команде через Git
• ~/.claude/agents/my-agent.md — пользовательский агент, доступен во всех проектах

Встроенные агенты

Пример 1: Исследователь — только чтение, никаких правок

Агент, который собирает информацию из веба и кодовой базы, но не может ничего менять. Идеален для подготовки к написанию статей или анализа конкурентов:

---
name: researcher
description: Исследует кодовую базу и собирает факты. Только читает.
tools: Read, Glob, Grep, Bash, WebSearch, WebFetch
model: sonnet
---

Ты — исследователь. Собирай факты, читай документацию,
ищи в вебе. Ты НЕ можешь редактировать файлы.

Возвращай структурированный отчёт:
- Найденные факты с источниками
- Конфликты между источниками
- Зависимости между компонентами

Мы используем этого агента для ресёрча перед каждой статьёй. Он параллельно ищет в 5-8 источниках, читает официальную документацию и возвращает структурированный отчёт — всё это в изолированном контексте, не забивая основной разговор.

Пример 2: Кодер — пишет код строго по плану

---
name: coder
description: Пишет код строго по плану. Не принимает решений сам.
tools: Read, Glob, Grep, Edit, Write, Bash
model: sonnet
---

Ты — исполнитель. Пишешь код по переданным инструкциям.
НЕ принимай архитектурных решений самостоятельно.
Если что-то неясно — верни вопрос, а не угадывай.

Связка «исследователь + кодер» — это разделение ответственности. Основной Claude анализирует ресёрч, принимает решения и даёт кодеру точные инструкции. Кодер не принимает архитектурных решений — только реализует.

Ключевые поля файла агента:

• tools — whitelist разрешённых инструментов (агент не сможет использовать другие)
• model — выбор модели (haiku дешевле для простых задач, opus для сложных)
• maxTurns — ограничение количества ходов (защита от зацикливания)
• permissionMode — уровень доступа к системе
• memory — тип памяти (user или project)
• isolation: worktree — изоляция в отдельной рабочей директории Git

Skills vs Субагенты: в чём разница

MCP: Подключение Внешних Инструментов

Model Context Protocol (MCP) — открытый стандарт для подключения внешних инструментов к AI-моделям. Через MCP Claude Code может работать с базами данных, API, файловыми системами и любыми другими сервисами.

Типы транспорта

• stdio — локальный процесс. MCP-сервер запускается как дочерний процесс и общается через stdin/stdout
• http — HTTP-сервер. Рекомендуемый способ для удалённых сервисов

Управление MCP-серверами

# Добавить HTTP-сервер
claude mcp add --transport http github https://api.github.com/mcp

# Добавить локальный stdio-сервер
claude mcp add --transport stdio my-db -- python3 db-server.py

# Посмотреть список
claude mcp list

# Внутри Claude Code
/mcp

Конфигурация .mcp.json

MCP-серверы можно настроить через файл .mcp.json в корне проекта. Вот реальный пример — подключение Singularity (таск-менеджер) как MCP-сервер:

{
  "mcpServers": {
    "singularity": {
      "command": "node",
      "args": [
        "./mcp-servers/singularity-mcp/mcp.js",
        "--baseUrl", "https://api.singularity-app.com",
        "--accessToken", "${SINGULARITY_TOKEN}"
      ]
    }
  }
}

После подключения Claude может создавать задачи, управлять проектами и отслеживать финансы — всё через естественный язык. Скажите «создай задачу на завтра: позвонить клиенту» — и задача появится в Singularity.

Вот более сложный пример с несколькими серверами:

{
  "mcpServers": {
    "singularity": {
      "command": "node",
      "args": ["./mcp-servers/singularity-mcp/mcp.js"]
    },
    "github": {
      "type": "http",
      "url": "https://api.github.com/mcp",
      "headers": {
        "Authorization": "Bearer ${GITHUB_TOKEN}"
      }
    }
  }
}

Секреты передаются через переменные окружения (${GITHUB_TOKEN}), а не хардкодятся. Это безопасный подход.

MCP-серверы, которые предоставляют промпты, автоматически становятся slash-командами. Например, если GitHub MCP-сервер имеет промпт list_prs, он будет доступен как /mcp__github__list_prs.

Как Всё Связано

Commands, Skills, Agents и MCP — это не отдельные системы, а уровни одной архитектуры. Каждый следующий уровень расширяет предыдущий.

Пример из нашей практики: вы пишете «новое видео на ютюбе» — активируется Skill youtube-video (уровень Skills). Он запускает агента-исследователя для анализа расшифровки (уровень Agents). Агент использует YouTube API для поиска видео (уровень MCP). Затем другой агент генерирует обложку через Gemini, а основной Claude публикует всё на YouTube. Все четыре уровня — в одной команде.

Практические Примеры

Вот три реальных сценария из нашей работы — не теория, а то, что действительно работает каждый день.

Пример 1: «Новое видео на ютюбе» → полная публикация за 5 минут

Вы загрузили видео на YouTube и пишете агенту: «новое видео на ютюбе». Дальше всё автоматически:

Раньше этот процесс занимал час ручной работы: придумать название, написать описание, сделать обложку в Figma, загрузить, написать пост. Теперь — одна фраза и 5 минут ожидания.

Пример 2: Параллельные агенты для статьи в блог

Когда нужна статья (например, эта), основной Claude запускает несколько агентов параллельно:

# Запускаются одновременно:

Агент researcher (Sonnet) → ищет в вебе, читает документацию,
  собирает 12 разделов фактов из 6 официальных источников

Агент explorer (Sonnet) → читает blog/index.php, шаблоны статей,
  CSS, htaccess — чтобы знать точный формат публикации

# Когда оба вернулись:

Агент coder (Sonnet) → пишет PHP-файл статьи (1400+ строк)
  по точным инструкциям от основного Claude

# Основной Claude:
→ Генерирует OG-картинку через Puppeteer
→ Добавляет в blog/index.php
→ Добавляет RewriteRule в .htaccess
→ git push → Google ping

Ключевой момент: агенты работают параллельно. Пока researcher ищет в вебе, explorer изучает кодовую базу. Основной Claude ждёт обоих, анализирует результаты и только потом даёт точные инструкции кодеру. Разделение ролей = качественный результат.

Пример 3: Skill + MCP + Агент = полная автоматизация

Самая мощная комбинация — когда все три уровня работают вместе:

Это не теоретический пример — именно так была написана и опубликована эта статья. 10 скиллов, десятки агентов, MCP-интеграции. Все работают вместе через единый интерфейс Claude Code.