Garry Tan сформулировал то, что многие чувствовали, но не могли объяснить
Президент Y Combinator Garry Tan опубликовал то, что назвал "простейшей дистилляцией" всего, что он узнал об агентной инженерии за этот год. Принцип деceptively прост — и он отвечает на один из самых распространённых вопросов команд, строящих AI агентов.
"Жирные" навыки (fat skills) — это нечёткие, требующие суждения операции, которые люди делают естественно: понимать неоднозначные сообщения, интерпретировать контекст, писать гибкие резюме. Они принадлежат AI — закодированы как подробные markdown-документы с инструкциями для агента.
"Жирный" код (fat code) — всё, что должно быть точным: запросы к базам данных, API-вызовы, финансовые расчёты, обновление складских остатков. Это принадлежит настоящему коду — с валидацией, тестами, детерминированным поведением.
Тонкая обвязка (thin harness) — система, соединяющая два мира. Чем тоньше — тем лучше. Сложность в слое-коннекторе создаёт непредсказуемые точки отказа.
Как это работает на практике
Возьмём AI агента для клиентской поддержки. По принципу Тана:
- Fat skill: понять, чего хочет клиент — даже из небрежного, с опечатками, неоднозначного сообщения → это живёт в markdown-инструкции агента
- Fat code: запрос статуса заказа в базе, возврат точной суммы, обновление CRM → это живёт в реальном коде с валидацией
- Thin harness: оркестровка того, что и когда вызывать → минимальный роутер с явной логикой
Этот принцип решает самую распространённую ошибку в AI проектах: попытку использовать AI для того, что должен делать код, и наоборот.
Аналогия GBrain с Half-Life
В тот же день Тан поделился аналогией о своём проекте GBrain. Он сравнил его с модом для Half-Life, который стал Counter-Strike — самостоятельным продуктом, построенным на чужом "невероятном игровом движке".
GBrain — это слой управления памятью и контекстом для AI агентов. Тан строит его поверх Claude и OpenAI, добавляя постоянную память, оркестровку контекста и последовательность решений. Базовые модели — движок. GBrain — мод, становящийся игрой.
Для бизнеса: именно так работают лучшие B2B AI продукты — не с нуля, а поверх стабильных фундаментальных моделей, с доменной логикой сверху.
Как написал @garrytan: "This is the simplest distillation of what I have learned about agentic engineering this year." — X
Что это означает для бизнеса в 2026
Принцип помогает ответить на извечный вопрос: "Нам нужен AI агент или просто чатбот?"
- Если в бизнесе много неструктурированной коммуникации (письма клиентов, обращения, переговоры) → fat skills: AI агент с качественными инструкциями
- Если много точных процессов (бухгалтерия, логистика, складской учёт) → fat code: традиционная автоматизация, с AI только там, где нужна гибкость
- Коннектор между ними → максимально простой, задокументированный и тестируемый
Европейский бизнес, строящийся на этой архитектуре, опережает команды, которые всё ещё пытаются уместить всю логику в один AI промпт.
WebEdge.dev строит подобные агентные системы для бизнеса в Литве и по всей Европе — от начальной архитектуры до работающего решения за 5–7 дней.
Частые вопросы
Документы с инструкциями (как правило markdown), рассказывающие агенту, как обрабатывать нечёткие, контекстно-зависимые ситуации. Аналог — руководства и протоколы для сотрудника.
Чем сложнее слой, соединяющий AI и код, тем больше точек отказа. Простой коннектор — предсказуемое поведение системы и лёгкое отлаживание.
Да — даже базовый чатбот для поддержки клиентов может следовать этому принципу: markdown-инструкция (fat skill) + реальная интеграция с вашей системой бронирований (fat code).
Проект Garry Tan — слой управления памятью и контекстом для AI агентов, построенный поверх Claude и OpenAI. В разработке; следите за @garrytan в X.