Я перешёл на ChatGPT не из-за модели. Всё решил harness

Ещё недавно я выбирал нейросеть по качеству ответов: кто лучше пишет, рассуждает и понимает запрос. Поэтому какое-то время моим основным инструментом был Gemini.

Но для реальной работы хорошего ответа в чате оказалось мало. Мне нужен AI, который может получить исходники, выполнить несколько действий, проверить результат и вернуть готовый файл.

Поэтому я перешёл на ChatGPT и Codex. Решающим фактором стала рабочая система вокруг модели, то есть harness.

Harness можно перевести как рабочую среду или управляющий контур AI-агента. Он связывает модель с контекстом, файлами, инструментами, правилами и проверками.

В обычном чате процесс выглядит просто:

В harness модель становится частью более длинного процесса:

Модель по-прежнему отвечает за анализ и генерацию. Harness определяет, какой контекст она получает, что может сделать и как должна проверить свою работу.

OpenAI описывает Codex harness как сочетание агентного цикла, управления задачами, настроек, авторизации и выполнения инструментов. В эту систему также подключаются skills и MCP-серверы. Подробнее устройство этой среды разобрано в техническом материале OpenAI.

Для меня особенно важны инструкции, skills и MCP. У каждого элемента своя функция.

В инструкциях я фиксирую требования, которые AI должен учитывать в каждой подходящей задаче:

Например, при подготовке статьи агент знает, что нельзя придумывать цифры, кейсы и ссылки. Существенные утверждения нужно проверять, а готовый текст должен пройти отдельную редактуру.

Мне не приходится повторять эти требования в каждом запросе. Я формулирую конкретную задачу, а постоянные правила уже находятся в рабочем контексте.

Skill представляет собой повторяемый процесс для определённого типа задач. Внутри могут находиться инструкции, шаблоны, примеры, скрипты и критерии готовности.

Это больше, чем сохранённый промпт. Промпт обычно объясняет, что нужно получить. Skill описывает, как пройти весь процесс и проверить результат.

Например, skill для каруселей может определить:

По такому же принципу можно настроить работу со статьями, видео, презентациями, исследованиями или кодом.

OpenAI определяет skills как повторяемые рабочие процессы, которые позволяют реже объяснять одни и те же этапы, форматы и требования. Подробное описание есть в OpenAI Academy.

MCP, или Model Context Protocol, даёт AI стандартный способ взаимодействовать с внешними системами.

Через MCP-сервер агент может получать данные, читать доступные ресурсы и вызывать инструменты. Это может быть подключение к базе знаний, облачному хранилищу, таск-трекеру, браузеру или другому рабочему сервису.

MCP предоставляет доступ к данным или действию. Skill объясняет, когда и как этим доступом пользоваться.

Условно, MCP даёт агенту возможность открыть документ. Skill определяет, что из него извлечь, как проверить информацию и в каком формате оформить результат.

Архитектура протокола и его основные возможности описаны в официальной документации MCP.

Мои skills появились из повторяющихся задач: создания каруселей, монтажа видео и подготовки текстов.

Для каруселей я использую два собственных локальных skill.

viral-carousel-copywriter помогает выбрать идею, написать хук, выстроить последовательность слайдов и подобрать один CTA.

carousel-design-standard отвечает за визуальную часть: обложку, типографику, иконки, логотипы, работу с исходниками и проверку макетов.

Эти skills связаны между собой. Сначала агент работает над смыслом и структурой, затем переходит к дизайну и производству.

На выходе я получаю не описание будущей карусели, а готовый комплект:

Оба skill собраны под мой контент-процесс и пока не опубликованы на GitHub.

Для монтажа я использую HyperFrames. Это открытый фреймворк и набор skills, с помощью которых AI-агент может создавать видео из HTML, CSS, анимации и медиафайлов, а затем рендерить композицию в MP4.

Я уже использовал эту систему для вертикальных роликов. Агент работал с исходниками, собирал сцены, добавлял анимацию, запускал рендер и проверял готовый файл.

Здесь особенно хорошо видна разница между моделью и harness.

Модель может написать сценарий или предложить идею монтажа. Рабочая система получает видеофайлы, создаёт композицию, запускает нужные программы и выдаёт ролик.

Это уже не консультация о том, как смонтировать видео. Это выполнение самой задачи.

Для работы с интернет-источниками у меня подключён Firecrawl. Через MCP агент может искать страницы, извлекать нужную информацию и передавать её в рабочий контекст.

Затем включаются инструкции проекта. Они задают позиционирование, голос автора, требования к структуре и правила проверки фактов.

Финальную редактуру выполняет Humanizer. Этот skill ищет характерные признаки шаблонного AI-текста, убирает повторы, канцелярит и искусственные конструкции, сохраняя исходный смысл и факты.

Весь процесс выглядит так:

Результат зависит не от одного идеального промпта. Его создаёт последовательность действий с понятными критериями качества.

Удачный промпт решает одну задачу в конкретном диалоге. Skill сохраняет сам способ работы.

В нём зафиксировано:

Если я нахожу ошибку в процессе, можно обновить skill. После этого новое правило применяется в следующих похожих задачах.

Так система постепенно учитывает мой опыт. Я не только получаю очередной результат, но и улучшаю способ, которым будут выполняться будущие задачи.

Может, но сама установка десятка skills ничего не гарантирует.

Если в каждый диалог вставлять огромную инструкцию, все материалы проекта и десятки примеров, модель будет тратить контекст на информацию, которая может ей не понадобиться.

В хорошо настроенном harness подробные правила и ресурсы подключаются по мере необходимости. Агент сначала видит короткое описание skill, а полную инструкцию открывает только для подходящей задачи. Через MCP он может запросить конкретные данные вместо ручной вставки большого документа.

Это сокращает повторные объяснения и может уменьшить лишний расход токенов.

Плохо собранная система даёт обратный эффект. Слишком длинные инструкции, дублирующие друг друга skills и сотни доступных инструментов усложняют выбор следующего действия. Большие ответы MCP тоже занимают контекст.

Поэтому задача состоит не в том, чтобы подключить к модели всё подряд. Нужно дать ей подходящие правила и инструменты для конкретной работы.

Одна и та же модель может показать совершенно разные результаты в разных средах.

В первом случае пользователь пишет короткий запрос и получает универсальный ответ. Во втором агент видит материалы проекта, знает требования, умеет пользоваться инструментами и обязан проверить результат.

На качество влияют:

Поэтому я больше не оцениваю AI только по впечатлению от нескольких ответов или позиции модели в бенчмарке.

Для моих задач важнее другие вопросы:

По этим критериям связка ChatGPT и Codex сейчас лучше подходит под мой процесс.

В одном рабочем пространстве я могу написать статью, собрать карусель, смонтировать видео, провести исследование и навайбкодить сайт или небольшой сервис.

Настроенная среда не превращает AI в безошибочного автономного сотрудника.

Инструкция может быть неполной. Skill может не учитывать редкий сценарий. MCP-сервер способен вернуть лишние или устаревшие данные. Модель может выбрать неподходящий инструмент или принять слабый результат.

Поэтому в процесс нужно заранее встраивать контроль:

Хороший harness не убирает человека из процесса. Он сокращает количество ручных операций и помогает выполнять знакомые задачи по одним правилам.

Именно поэтому я перешёл с Gemini на ChatGPT и Codex. Для меня оказалось важнее не то, какая модель лучше отвечает в пустом чате, а то, какую рабочую систему я могу вокруг неё построить.

Больше рабочих пайплайнов для автоматизации контента и бизнес-процессов я разбираю в своем Telegram-канале. Там делюсь готовыми архитектурами промптов, разбираю логику работы агентов и показываю реальные кейсы внедрения нейросетей. Подписывайтесь, чтобы строить эффективные системы, а не бороться с пикселями.