Qwen Code добавил /learn для URL и чатов: как не закрепить ошибку в Skill

Это решает знакомую проблему: разработчик один раз вместе с агентом разобрал сложный репозиторий, нашёл порядок проверки или уточнил правила миграции. Через неделю контекст исчезает, и работа начинается заново. /learn предлагает сохранить не весь разговор, а инструкцию, которую можно вызвать повторно.

Но именно здесь появляется риск. Повторно используемый навык делает полезный вывод доступнее. Он с той же силой делает доступной неверную предпосылку, устаревшее правило или инструкцию, пришедшую из ненадёжного URL. Чем удобнее память агента, тем дороже ошибка в этой памяти.

Qwen Code принимает четыре типа исходного материала: directory, URL, conversation history и free text. Результат сохраняется в .qwen/skills/learned-skill-/ и получает отметку source: learned.

Практический смысл важнее синтаксиса. Это не обещание, что агент узнал истину из источника. Это способ выделить рабочее знание из конкретного материала и оформить его как отдельный артефакт. Такой артефакт можно читать, обсуждать, менять и удалять отдельно от чата.

Публичный PR #6440 показывает ход реализации: четыре коммита, unit-тесты, E2E-отчёт и несколько циклов review. В ходе review появился и collision guard. Это важная деталь: команда думала не только о создании Skill, но и о том, чтобы новый результат не молча столкнулся с существующим именем. Сам PR показывает процесс разработки, а доступность функции команда Qwen Code заявила в еженедельном обновлении от 16 июля.

Метка source: learned отделяет выученный навык от написанных вручную и автоматически созданных навыков. Это полезная граница для аудита: видно происхождение артефакта и его изоляцию от других типов Skills. Ручная проверка или одобрение остаются отдельным шагом.

Однако сама метка не делает содержимое корректным, безопасным или актуальным. URL может содержать устаревшую документацию. История разговора может включать ошибочное решение, которое работало только в одном окружении. Текст может неявно смешивать правило и исключение. А папка проекта может хранить временные обходы, уже не подходящие для следующей задачи.

Именно здесь первоначальная привлекательность /learn меняется. Сначала кажется, что функция сокращает путь от удачной сессии к повторному применению. На деле она сокращает и путь от случайной ошибки к её тиражированию.

Лучший кандидат для learned Skill не «всё, что хорошо получилось в чате», а повторяемый процесс с наблюдаемым входом и понятным результатом. Например:

Сильное возражение звучит разумно: если каждый выученный Skill нужно проверять, проще сохранить заметку и не усложнять процесс. Для редкой задачи так и есть. Навык оправдан, когда его будут запускать снова и цена неправильного повторения выше цены короткого review.

Разница между заметкой и Skill в том, что Skill становится операционной точкой: его будут вызывать. Поэтому к нему нужен не только хороший текст, но и контекст доверия.

Перед тем как дать learned Skill вторую жизнь, достаточно пройти пять вопросов.

Если на любой вопрос нельзя ответить, Skill лучше оставить черновиком. Это не запрет на автоматизацию, а защита от ложной уверенности.

Полезно также отделить эксперимент от нормы. Сначала примените навык на одной повторяемой задаче и сравните результат с ручным прохождением. Если он расходится с актуальным состоянием проекта, исправляйте не только вывод, но и источник, из которого этот вывод был собран.

Для команд, где таких процессов становится много, важна библиотека, в которой вместе с инструкцией сохраняются источник знания, дата, владелец, diff и возможность отката. Такой подход можно организовать в provod.ai: не как импорт Qwen Skills, а как отдельный слой ответственности за проверенные процессы.

В тех же выпусках Qwen Code появились и другие изменения, включая verifier и reverse-audit для code review, изменения Web Shell, Voice Bridge и PDF-to-image fallback. А за неделю команда сообщила о более чем 160 merged PRs. Это говорит о высоком темпе работы, но не доказывает, что любой learned Skill будет хорошим.

Тем более не стоит подменять разговор о /learn общим интересом к моделям Qwen, Qwen-Image или слухами о будущих версиях. У функции есть конкретная ценность: она превращает выбранный источник в вызываемый артефакт. У неё есть конкретное ограничение: происхождение можно изолировать, но истинность нельзя получить одной меткой.

В этом и состоит полезная дисциплина. Сохраняйте не «лучший ответ агента», а проверяемую процедуру с границами применимости. Тогда память агента остаётся ускорителем работы, а не каналом для тихого закрепления ошибки.

Где вы проведёте границу в пилоте: требовать review только для Skills из URL и чатов или для каждого навыка, который команда планирует повторно вызывать?

Пусть одна модель готовит идею и промпт, другая создаёт изображение, а третья собирает видео: общий API упрощает автоматизацию цепочки и управление доступом команды.

В одном каталоге — актуальные модели для текста и медиа: GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

Составной сценарий не получает составную наценку: каждый вызов рассчитывается 1:1 по официальной цене соответствующей модели.

Автоматизируйте путь от идеи до ролика: форма регистрации · цены на модели · защита данных по 152-ФЗ · API и интеграции