Claude Code — по-настоящему сильный инструмент для создания агентов. Вы описываете, что нужно, а он сам анализирует задачу, выбирает инструменты и выдаёт работающий код. Для новых проектов на базе хорошо описанных библиотек результат воспринимается почти как волшебство.
Трудности возникают там же, где их испытывает любой агент для написания кода: при работе на специализированной платформе с собственными шаблонами развёртывания, конвенциями SDK и инфраструктурными абстракциями. Claude «из коробки» не знает структуру вашего pyproject.toml, какой эндпоинт использовать для предсказания в реальном времени или как подключить Pulumi для первого production-деплоя. Без этого контекста вы тратите время на исправление выдуманных API-вызовов вместо настоящей разработки. И это ещё не касается более сложного корпоративного вопроса: когда агент заработает, как развернуть его в рамках вашей политики управления, а не на чьём-то ноутбуке?
DataRobot закрывает этот разрыв сразу с двух сторон, и Claude присутствует на обеих. Во-первых, Claude — модель по умолчанию в DataRobot Agent Assist, цикле проектирования, который превращает замысел в готовую к рецензированию спецификацию до того, как написан хоть один фрагмент кода. Во-вторых, экспертиза платформы DataRobot оформлена в виде агент-навыков, которые устанавливаются прямо в Claude Code, так что при реализации агент уже знаком с платформенными соглашениями. Вместе они дают маршрут от идеи агента до управляемого production-развёртывания без необходимости угадывать специфику платформы посередине.
Два интерфейса на базе Claude, единый процесс
Эти два интерфейса дополняют, а не дублируют друг друга. Один отвечает за проектирование, другой — за сборку.
DataRobot Agent Assist (dr assist) | Навыки DataRobot в Claude Code | |
|---|---|---|
| Что это | Интерактивный помощник от проектирования до развёртывания, по умолчанию на Claude Sonnet 4.5 через LLM Gateway | Модульные пакеты контекста (папки SKILL.md), которые обучают Claude Code платформенным конвенциям DataRobot |
| Лучше всего подходит для | Продумывание спецификации, симуляция вызовов инструментов, создание каркаса из Agentic Starter шаблона | Написание реализации с использованием проверенных SDK и шаблонов развёртывания |
| Результат | Файл agent_spec.md для ревью с заинтересованными сторонами, плюс заготовка проекта | Корректный, готовый к деплою код в вашем репозитории |
| Когда использовать | В начале работы над агентом, когда замысел ещё неясен | На этапе реализации и развёртывания, когда понятно, что строится |
Связка между ними — ключевой момент. Agent Assist силён в том, что разработчики часто пропускают: определении, что именно агент должен делать, какие инструменты ему нужны и как он должен себя вести, до того как писать код. Он задаёт уточняющие вопросы, создаёт agent_spec.md в YAML и симулирует вызовы инструментов как генеральную репетицию, позволяя проверить дизайн без реального деплоя. Когда спецификация готова, реализация передаётся в Claude Code, где навыки обеспечивают платформенный контекст, на который спецификация опирается.
Начало работы
Навыки DataRobot поставляются как плагин для Claude Code. Установка одной командой:
claude plugin install datarobot-agent-skills@claude-plugins-officialКаждый навык — это автономная папка с файлом SKILL.md, YAML-фронтматтером, указывающим, когда применять навык, и вспомогательными скриптами, которые агент может запускать напрямую. Набор охватывает обучение моделей, развёртывание, предсказания, проектирование признаков, мониторинг, объяснимость, подготовку данных и CI/CD для фреймворка приложений, и регулярно пополняется.
Поскольку навыки основаны на определениях Agent Context Protocol, один и тот же репозиторий работает в Codex, Gemini CLI, Cursor и других средах, однако команда установки плагина выше — это нативный путь для Claude Code.
Тем, кто предпочитает терминал, подойдёт универсальный установщик:
npx ai-agent-skills install datarobot-oss/datarobot-agent-skills --agent claudeAgent Assist устанавливается как плагин для DataRobot CLI и работает везде, где установлен DataRobot CLI:
dr plugin install assistПочему навыки, а не просто документация
В каждой платформенной команде есть знания, не зафиксированные в документации: шаг валидации, критичный перед вызовом развёртывания; поле, отсутствие которого — предупреждение, а не ошибка; негласная последовательность действий, которую все просто знают. Разработчик-человек приобретает это чутьё путём многократных неудач. Агент подходит к вашей платформе как высококвалифицированный универсал, вооружённый лишь той поверхностью, которую вы явно предоставили. Если правильная последовательность лишь подразумевается в документации, агент выведет свою собственную. Затем он начнёт импровизировать — уверенно, а импровизация в масштабах предприятия несёт иные риски, чем импровизация в песочнице.
Навыки закрывают этот пробел, упаковывая операционное суждение в контекст, привязанный к задаче, на который агент может опираться. Это также означает, что они требуют дисциплины релизов кода, а не обновления документации. Неверная документация сбивает с толку одного разработчика, который создаст тикет в поддержку. Неверный навык заставит агента автоматически выполнить сломанный рабочий процесс, в масштабе, с полной уверенностью. Поэтому навыки DataRobot сопровождаются журналами изменений, CI-проверками на соответствие текущему API платформы и обязательным ревью перед слиянием. Когда платформа развивается, навыки эволюционируют по тому же процессу, что и критическое изменение SDK.
Мерило агент-нативной платформы — насколько агенту приходится галлюцинировать. Мы стремимся свести этот показатель к нулю.
Навыки DataRobot в действии: от сырых данных к плану удержания клиентов
В сеансе Claude Code, показанном ниже, мы направили агента на аккаунт DataRobot, содержащий 130 датасетов и 97 развёртываний, накопленных за годы промышленной эксплуатации ИИ (системы прогнозирования, классификаторы оттока, GenAI-развёртывания, MCP-серверы). Claude мгновенно прочитал схемы признаков 32 активных развёртываний и названия колонок 138 датасетов.
Обратите внимание на поведение. Навык предписал агенту сначала изучить схему развёртывания, чтобы понять, что ожидает модель, прежде чем трогать данные. Семь требуемых признаков не были угаданы — они были считаны из активного развёртывания. Проверка валидности churn_data.csv выполнялась колонка за колонкой. Это та структурная валидация, которую агенты обычно пропускают, когда ничто её не требует. Здесь она прошла незаметно, ещё до того, как пользователь запросил оценку.
Работающая модель оттока отработала на клиентском датасете, задача завершилась, и результаты оказались локально. Один дополнительный промт спустя:
651 аккаунт в верхней части этого распределения имеет среднюю вероятность оттока 0,905.
За несколько минут мы определили клиентские аккаунты, с которыми должна работать команда удержания. Навык обеспечил надёжность процесса, давшего такие результаты. Агент, без дополнительных указаний, перешёл от «вот результаты» к «вот что с ними делать».
На этом последнем шаге стоит остановиться. Навык кодирует процесс предсказания, а агент интерпретирует результат. Сочетание даёт то, что ни один из них не дал бы по отдельности: полный путь от сырых данных до приоритизированного бизнес-действия, в рамках одной диалоговой сессии, в production-окружении с многолетней реальной сложностью.
От первого вопроса до окончательного списка для работы с клиентами: три промта, одна сессия, ни одного обращения к документации и ни одного выдуманного шага.
Вот как выглядит обучаемая платформа: навыки как SDK.
Что остаётся за вами
Навыки и шаблоны дают вам работающее приложение, чтобы вы могли сосредоточиться на решениях, которые действительно ваши. Загружайте промты из Prompt Management Registry по идентификатору, а не хардкодьте их. Настройте fallback-модели LLM заранее, чтобы сбой одного провайдера не вывел агента из строя. Подключите защиту от инъекций в промты, а также guard-модели от токсичности и PII до прихода реальных пользователей. Требуйте подтверждения человеком для любых инструментов с побочными эффектами. Создайте эталонный датасет, чтобы понимать, улучшило ли изменение промта агента или ухудшило. Всё это не уникально для DataRobot — это то, что отличает развёрнутого агента от промышленного. Разница в том, что платформа предоставляет место для реализации этих вещей.
Будем реалистами: навыки дают контекст, а не магию. Они не завершат настройку OAuth для стороннего источника данных и не гарантируют работу сложного мульти-интеграционного агента без итераций. Они устраняют класс ошибок, возникающих из-за незнания агентом специфики платформы: неправильные эндпоинты, пропущенные runtime-параметры, некорректные объявления зависимостей, смешение локальных и деплой-паттернов. Именно на это уходит большая часть времени разработчика при освоении новой платформы, и именно эту проблему решает данный стек.
С чего начать
- Исходный код навыков и полный набор: github.com/datarobot-oss/datarobot-agent-skills
- Страница плагина Claude Code: claude.com/plugins/datarobot-agent-skills
- Руководство по Agent Assist: docs.datarobot.com/en/docs/agentic-ai/agent-assist
- Шаблон Agentic Starter: github.com/datarobot-community/datarobot-agent-application
Разрыв между прототипом агента и агентом в production — это в основном операционный контекст. Claude пишет код. DataRobot предоставляет контекст и среду для его выполнения. Вместе это самый короткий реалистичный путь от идеи до управляемого развёртывания.