Fat skills, thin harness: Garry Tan agentinės inžinerijos principas, kurį reikia žinoti 2026

Y Combinator prezidentas Garry Tan šią savaitę paskelbė principą, kurį pavadino paprasčiausia šių metų agentinės inžinerijos išvada. Trumpai: AI agentų sistemose reikia aiškiai atskirti du pasaulius.

"Riebus" įgūdžiai (fat skills) — tai, ką žmonės daro intuityviai: suprasti neaiškų tekstą, priimti kontekstinį sprendimą, parašyti lanksčią ataskaitą. Šias operacijas reikia perduoti AI agentui per gerai suformuluotus markdown instrukcijų dokumentus.

"Riebus" kodas (fat code) — tai, kas turi veikti tiksliai: duomenų bazių operacijos, API kvietimai, matematiniai skaičiavimai, finansiniai moduliai. Čia reikia tikro kodo, ne AI improvizacijos.

Jungtis (thin harness) — sistema, kuri suriša abu pasaulius, turi būti kiek įmanoma plonesnė. Kuo mažiau logikos jungtyje, tuo patikimesnė sistema.

Įsivaizduokite klientų aptarnavimo AI agentą. Pagal Tan principą:

• Fat skill: suprasti kliento žinutę, net jei ji parašyta netvarkingai, su klaidomis, arba dviprasmiškai → tai eina į markdown instrukciją agentui
• Fat code: tikrinti užsakymo statusą duomenų bazėje, grąžinti tikslią sumą, atnaujinti CRM → tai eina į tikrą kodą su validacija
• Thin harness: orkestruoti, kada kviesti ką → minimalus router su aiškia logika

Šis principas sprendžia vieną labiausiai paplitusių klaidų AI projektuose: bandymą per AI modelį daryti tai, ką reikia daryti per kodą, ir atvirkščiai.

Lietuvos įmonėms, kurios šiandien kuria arba planuoja kurti AI agentus, šis principas yra praktinis žemėlapis. Dažniausia klaida kuriant verslo AI: bandoma visą logiką sudėti į AI modelį — kad jis ir supranta, ir skaičiuoja, ir sprendžia. Rezultatas — nepatikima sistema.

Kitas kraštutinumas: visa logika parašyta kaip kodas, AI lieka tik "inteligentinga" paieška. Rezultatas — sistema, kuri negeba prisitaikyti prie realių situacijų.

Tan principas siūlo balansą: AI ten, kur reikia lankstumo. Kodas ten, kur reikia tikslumo. Jungtis — kiek įmanoma paprastesnė.

Tą pačią dieną Tan paskelbė analogiją apie savo projektą GBrain. Jis palygino jį su Half-Life modu, kuris tampa Counterstrike — savarankišku produktu, statomas ant kito produkto "neįtikėtino variklio".

GBrain — tai AI agentų atmintinės ir konteksto valdymo sistema. Tan kuria ją ant Claude ir OpenAI modelių pagrindo, bet su savo sluoksniu, kuris tvarko ilgalaikę atmintį, kontekstą ir sprendimų seką.

Verslo analogija: kaip tik taip veikia geriausi B2B AI sprendimai. Ne nuo nulio, o ant stabilaus modelio — su savo domenine logika viršuje.

Pasak @garrytan: "This is the simplest distillation of what I have learned about agentic engineering this year." — X

Praktiškai — šis principas padeda atsakyti į klausimą "Ar mums reikia AI agento, ar tik chatboto?":

• Jei jūsų verslas turi daug nestruktūrizuotos komunikacijos (klientų el. laiškai, užklausos, derybos) → fat skills, AI agentas su geromis instrukcijomis
• Jei jūsų verslas turi daug tikslių procesų (apskaita, logistika, inventorius) → fat code, tradicinė automatizacija su AI tik ten, kur reikia lankstumo
• Jungtis tarp jų → kiek įmanoma paprastesnė, dokumentuota ir testuojama

WebEdge.dev kuria tokias sistemas Lietuvos ir Europos verslams — nuo pradinės architektūros iki veikiančio sprendimo per 5–7 dienas.

---

Tai AI agento instrukcijų dokumentai (dažniausiai markdown), kuriuose aprašyta, kaip agentas turi spręsti neaiškias, kontekstines situacijas. Analogija žmogui — tai protokolai ir vadovai darbui.

Kuo sudėtingesnė sistema, jungianti AI ir kodą, tuo daugiau galimų gedimo taškų. Paprastas jungtinis sluoksnis reiškia, kad sistemos elgesys yra prognozuojamas ir lengviau fiksuojamas.

Taip — net paprastas klientų aptarnavimo chatbotas gali būti suprojektuotas pagal šį principą: markdown instrukcijai (fat skill) + tikra integracija su jūsų rezervacijos sistema (fat code).

Garry Tan projektas — AI agentų atmintinės ir konteksto valdymo sistema, statoma ant Claude ir OpenAI modelių. Dar kūrimo stadijoje, bet galima stebėti per @garrytan X paskyrą.