Knowledge,
connected into a system.

Claude Code/Codex plugin: downloads video, extracts auto-scaled frames, gets transcript (captions or Whisper API), and feeds frames + transcript to Claude for visual+audio analysis. 1.2k stars, MIT.

LLM — «мозг», который без внешнего механического костюма (scaffolding) не выполняет сложную работу. Костюм = промпты + скиллы + плагины + MCP + скрипты.

Промпт = одноразово, скилл = повторяющийся Markdown-процесс, плагин = упакованный workflow с данными и инструментами. Ошибка: всё в промпты.

Принято считать, что coding agents появились первыми, потому что код — это текст, а LLM хороши в тексте. Но настоящая причина глубже: среда разработки уже содержит богатую семантику — тесты, типы, линтеры, git-историю. Агент может сам проверить свой результат (тест упал → исправил), не спрашивая человека каждые 30 секунд.

Освоив скиллы, люди создают слишком много и теряют контроль. Решение: 20% скиллов дают 80% ценности — найти часто повторяющиеся высокочувствительные процессы.

Большинство пользователей AI уже работают как «человеческий плагин»: копируют, вставляют, ходят за данными, проверяют. Осознание этого — триггер к автоматизации.

Форматирование, валидация схем, тесты, проверка JSON — не делегировать модели. Для этого скрипты и хуки. Модель не должна «представлять» результат проверки.

Умение увидеть «чистый край» workflow и сказать «это отдельный плагин» — дефицитный и дорогой навык. Ошибка: гигантские плагины вместо узких специализированных.

Распространено мнение, что способность агента использовать компьютер (browser, desktop) — это ключевое конкурентное преимущество. Автор утверждает обратное: computer use — не moat, а временный мост к старому миру не-agent-native софта. Настоящая долгосрочная защита — в семантическом слое, который объясняет агенту, что он трогает и почему это важно.