Ako spolupracujú Skills, Agenti a MCP servery v Claude Code

Pravdepodobne ste už narazili na túto prekážku: vložíte celý svoj kód do AI chatu, pridáte podrobný prompt a dostanete späť... nič užitočné. Alebo ešte horšie, model začne halucinovať názvy funkcií, ktoré neexistujú, pretože stratil prehľad o tom, co prečítal pred 50 000 tokenmi.

Toto je problém kontextového okna. A preto vám hádzanie väčšieho množstva kódu do LLM nepomôže.

Claude Code to rieši inak. Nie tým, že má väčšie kontextové okno (hoci to pomáha), ale tým, že inteligentne využíva priestor, ktorý má. Robí to prostredníctvom troch vecí, ktoré spolupracujú: skills, sub-agentov a MCP serverov.

Ukážem vám, ako tieto časti zapadajú do seba. Keď to pochopíte, prestanete bojovať s AI a začnete s ňou spolupracovať.

Problém kontextového okna

Tu je niečo, čo mi trvalo dlho, kým som to internalizoval: LLM v skutočnosti "nepamätajú" začiatok dlhej konverzácie tak, ako by ste očakávali. Kontextové okno je skôr ako reflektor než kartotéka. Keď pridávate viac tokenov, skorší obsah dostáva menej pozornosti. Vložte 100 000 tokenov kódu a model v podstate len preletí, keď sa dostane k vašej otázke.

Toto vysvetľuje veľa frustrujúceho správania AI. Model sa zdá byť inteligentný na začiatku, potom sa zmätie. Zabudne veci, ktoré ste mu povedali skôr. Halucinuje detaily zo súborov, ktoré "prečítal", ale zjavne si ich nepamätá.

Riešením nie je väčšie kontextové okno. Riešením je nepotrebovať ho.

Ako Claude Code skutočne premýšľa

Claude Code je agent. Znie to fancy, ale znamená to len, že dokáže plánovať, vykonávať, pozorovať výsledky a iterovať. Keď ho požiadate, aby "opravil zlyhávajúce testy v mojom projekte", nesnaží sa pochopiť celý váš kód naraz. Namiesto toho pracuje v zameraných krokoch:

1. Prečíta štruktúru projektu, aby pochopil, čo je kde
2. Spustí testy, aby videl, čo skutočne zlyháva
3. Pozrie sa na konkrétny zlyhávajúci test a kód, ktorý testuje
4. Vytvorí opravu
5. Znovu spustí testy
6. Ak stále nefunguje, skúsi niečo iné

Každý krok pracuje len s kontextom, ktorý potrebuje. Agent si udržiava pracovný súhrn toho, čo sa naučil, nie surový záznam všetkého, čo videl. Takto môže Claude Code iterovať 20-krát na komplexnom bugu bez toho, aby mu došiel priestor v kontexte.

Predstavte si to ako to, ako by ste skutočne debugovali niečo. Neudržiavate si celý kód v hlave. Zameriavate sa na jednu oblasť, vytvoríte hypotézu, otestujete ju a upravíte. Claude Code funguje rovnako.

Sub-agenti - skutočný game changer

Tu to začína byť naozaj zaujímavé. Claude Code môže vytvárať sub-agentov.

Sub-agent je samostatná inštancia Claude s vlastným čistým kontextovým oknom. Môžete povedať Claude Code, aby ho vytvoril, dal mu zameranú úlohu, nechal ho pracovať nezávisle a dostal späť súhrn toho, čo zistil. Plný kontext sub-agenta nikdy neznečistí vašu hlavnú konverzáciu.

Toto je obrovské. Namiesto toho, aby jeden agent skúšal držať všetko:

Vy: "Analyzuj tento kód na bezpečnostné problémy, problémy s výkonom a pokrytie testami"

Hlavný agent vytvorí sub-agentov: ├── Sub-agent 1: Bezpečnostná analýza (vlastný kontext, číta bezpečnostne relevantné súbory) ├── Sub-agent 2: Kontrola výkonu (vlastný kontext, zameriava sa na kritické cesty)
└── Sub-agent 3: Pokrytie testami (vlastný kontext, skúma testovacie súbory)

Každý sub-agent vráti súhrn hlavnému agentovi Hlavný agent syntetizuje všetko do jednej odpovede

Sub-agenti môžu prečítať tisíce riadkov kódu každý. Ale hlavný agent dostane len ich zhrnuté zistenia. Váš hlavný kontext zostáva čistý, zatiaľ čo stále dostávate hlbokú analýzu naprieč viacerými oblasťami.

Predstavte si to ako delegovanie na juniorských vývojárov. Nemusíte čítať každý riadok, ktorý skontrolovali. Potrebujete ich závery a akékoľvek červené vlajky, ktoré našli. Sub-agenti fungujú rovnako.

Ako skutočne používať sub-agentov

Môžete explicitne požiadať Claude Code, aby vytvoril sub-agenta:

• "Vytvor sub-agenta na podrobnú analýzu autentifikačného modulu"
• "Použi sub-agenta na kontrolu všetkých databázových dotazov kvôli N+1 problémom"
• "Nechaj sub-agenta prejsť testovacie súbory a nahlásiť medzery v pokrytí"

Sub-agent dostane svoj vlastný čerstvý kontext, urobí hlbokú prácu a vráti súhrn. Vaša hlavná konverzácia sa nenapchá celou surovou analýzou.

Toto je obzvlášť silné pre veľké kódové bázy. Namiesto toho, aby Claude Code stratil prehľad v polovici, dostanete zameranú analýzu, ktorá skutočne škáluje.

Kde prichádzajú Skills

Takže Claude Code dokáže rozdeliť úlohy, vytvárať sub-agentov a pracovať v zameraných krokoch. Ale ako vie ako robiť konkrétne veci dobre? Tu prichádzajú skills.

Skills sú zabalené inštrukcie, ktoré Claude číta pred riešením konkrétnych typov úloh. Keď požiadate Claude Code, aby vytvoril PowerPoint prezentáciu, najprv prečíta skill súbor na /mnt/skills/public/pptx/SKILL.md. Tento súbor obsahuje osvedčené postupy, bežné úskalia a presné vzory kódu, ktoré skutočne fungujú.

Skill typicky obsahuje:

• Súbor SKILL.md s podrobnými inštrukciami
• Šablóny kódu a príklady
• Známe obmedzenia a riešenia
• Špecifikácie výstupného formátu

Kľúčovým poznatkom je, že skills sa načítavajú na požiadanie. Claude neplytva priestorom kontextového okna na PowerPoint inštrukcie, keď debugujete Python. Načíta relevantný skill, keď ho potrebuje, použije túto expertízu pre úlohu a pokračuje ďalej.

Toto sa líši od nástrojov. Nástroje sú funkcie, ktoré Claude volá, aby dostal späť dáta, ako web_search alebo bash_tool. Skills sú balíky znalostí, ktoré menia spôsob, akým Claude pristupuje k problémom. Tento rozdiel je dôležitý, pretože nástroje stoja tokeny v systémovom prompte (viac nástrojov = menej miesta pre váš kód), zatiaľ čo skills sa načítavajú len keď sú relevantné.

Sub-agenti môžu načítať skills tiež. Sub-agent analyzujúci bezpečnosť môže načítať bezpečnostne špecifické skills bez toho, aby tieto inštrukcie znečisťovali vašu hlavnú konverzáciu.

Iteračná slučka

Jeden vzor, ktorý uvidíte neustále, je iteračná slučka. Claude Code niečo vygeneruje, skontroluje, či to funguje, a opravuje problémy, kým to nie je správne.

1. Vygeneruje kód
2. Spustí ho (alebo ho lintuje, alebo type-checkuje)
3. Pozrie sa, či to funguje
4. Ak nie, analyzuje chybu a skúsi znova
5. Opakuje, kým to neprejde

Preto môže Claude Code opraviť bugy, ktoré by single-shot prompt zmeškal. Negeneruje len kód a nedúfa. Testuje svoju vlastnú prácu a reaguje na skutočnú spätnú väzbu.

Keď Claude Code vytvorí React komponent a potom spustí dev server na kontrolu chýb, používa túto slučku. Keď napíše funkciu a spustí testy na overenie, že funguje, rovnako. Kroky generovania a overovania spolupracujú.

Toto tiež vysvetľuje, prečo Claude Code niekedy trvá dlhšie, ako by ste očakávali. Nie je pomalý. Je dôkladný. Spúšťa vaše testy, kontroluje typové chyby a iteruje, kým veci skutočne nefungujú.

MCP servery - pripojenie k externým systémom

Doteraz sme hovorili o tom, ako Claude Code premýšľa (agentické kroky, sub-agenti) a čo vie (skills). Ale čo pripojenie k externým systémom? Tu prichádza MCP.

Model Context Protocol je spôsob, akým Claude Code komunikuje s databázami, GitHubom, súborovými systémami, CI/CD pipeline a v podstate čímkoľvek iným. Predstavte si MCP ako USB-C pre AI: štandardné rozhranie, ktoré umožňuje akémukoľvek kompatibilnému AI systému pripojiť sa k akejkoľvek kompatibilnej službe.

MCP servery poskytujú tri typy schopností:

Nástroje - Funkcie, ktoré Claude môže volať, ako dotazovanie databázy alebo vytvorenie pull requestu

Zdroje - Dátové zdroje, ktoré Claude môže čítať, ako obsah súborov alebo databázové schémy

Prompty - Znovupoužiteľné šablóny pre bežné interakcie

Pre webový vývoj sú najužitočnejšie MCP servery:

• Filesystem server - Čítanie a zápis súborov vo vašom projekte (sandboxované pre bezpečnosť)
• GitHub server - Správa repozitárov, PR, issues a workflows
• Database servery - Dotazovanie PostgreSQL, MySQL, SQLite cez prirodzený jazyk

Takto vyzerá jednoduchý MCP server v TypeScripte: typescript import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'; import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';

const server = new McpServer({ name: 'code-analyzer', version: '1.0.0' });

server.registerTool( 'analyze_complexity', { description: 'Analyze cyclomatic complexity of a file', inputSchema: { filePath: { type: 'string' } } }, async ({ filePath }) => { const result = await analyzeFile(filePath); return { content: [{ type: 'text', text: JSON.stringify(result) }] }; } );

const transport = new StdioServerTransport(); await server.connect(transport);

Sila MCP serverov prichádza z toho, ako fungujú so sub-agentmi. Sub-agent môže dotazovať databázu cez MCP, analyzovať tisíce riadkov a vrátiť len relevantné zistenia. Surové dáta sa nikdy nedotknú vášho hlavného kontextu.

Spojenie všetkého dokopy

Prejdime si skutočný príklad. Požiadate Claude Code: "Skontroluj tento PR a over, či sú databázové migrácie bezpečné."

Tu je, čo sa skutočne stane:

1. Hlavný agent načíta relevantné skills pre code review
2. Vytvorí sub-agenta na podrobnú analýzu zmien v PR
3. Tento sub-agent zavolá GitHub MCP server na získanie detailov PR
4. Ďalší sub-agent číta migračné súbory a dotazuje aktuálnu databázovú schému cez MCP
5. Sub-agenti vrátia zamerané súhrny: "Migrácia pridáva index, vyzerá bezpečne" alebo "Varovanie: toto zmaže stĺpec, ktorý je stále odkazovaný"
6. Hlavný agent syntetizuje zistenia sub-agentov do jasnej odpovede

Všimnite si, ako sa ťažká práca deje v sub-agentoch s ich vlastnými kontextmi. Hlavný agent orchestruje a sumarizuje. Vaša konverzácia zostáva čistá, zatiaľ čo dostávate hlbokú analýzu.

Prečo je to dôležité pre váš pracovný postup

Pochopenie tejto architektúry mení spôsob, akým pracujete s Claude Code:

Prestanete bojovať s kontextovým oknom. Keď si uvedomíte, že sub-agenti zvládajú hlbokú analýzu samostatne, prestanete sa snažiť vložiť celý svoj kód do hlavnej konverzácie. Nechajte sub-agentov, aby robili ťažké čítanie.

Explicitne používate sub-agentov pre veľké úlohy. Namiesto dúfania, že to Claude Code vymyslí, povedzte mu: "Použi sub-agenta na analýzu platobného modulu" alebo "Vytvor sub-agentov pre bezpečnosť, výkon a kontrolu testov." Pracujete s architektúrou, nie proti nej.

Rozumiete, prečo niektoré úlohy fungujú lepšie ako iné. Úlohy, ktoré môžu byť delegované na sub-agentov, škálujú skvelo. Úlohy vyžadujúce neustálu komunikáciu v jednom kontexte narážajú na limity rýchlejšie.

Dôverujete iteračnej slučke. Pri opravovaní bugov nechajte Claude iterovať. Často nájde problémy, ktoré ste nečakali, tým, že skutočne spustí kód a pozoruje zlyhania. Neprerušujte ho po prvom pokuse.

Praktické tipy

Explicitne požiadajte o sub-agentov pri veľkých úlohách. "Vytvor sub-agenta na kontrolu auth systému" funguje lepšie ako dúfanie, že Claude Code zistí, že potrebuje delegovať.

Nechajte Claude najprv prečítať skills. Ak vytvárate dokumenty alebo pracujete so špecifickými formátmi súborov, Claude funguje lepšie, keď prečíta relevantný skill súbor pred začatím.

Pripojte MCP servery pre opakujúce sa integrácie. Namiesto kopírovania databázových výstupov alebo GitHub PR detailov do vašich promptov, pripojte relevantné MCP servery. Claude si stiahne presne to, čo potrebuje.

Skontrolujte ekosystém pred budovaním vlastných nástrojov. MCP ekosystém narástol na viac ako 5 000 komunitných serverov pokrývajúcich Stripe, Cloudflare, CI systémy a väčšinu služieb, ktoré by ste chceli integrovať. Niekto pravdepodobne už vytvoril to, čo potrebujete.

Dajte spätnú väzbu, keď sa mýli. Keď Claude Code produkuje nesprávne výsledky, povedzte mu, čo sa pokazilo. Iteračná slučka funguje aj pre vašu spätnú väzbu.

Širší obraz

MCP bol nedávno darovaný Linux Foundation, pričom sa OpenAI, Google a Microsoft pripojili ako podporujúci členovia. Toto signalizuje, že protokol sa stáva priemyselnou štandardnou infraštruktúrou, nie len vecou Anthropic.

Kombinácia sub-agentov (paralelná práca v samostatných kontextoch), skills (doménová expertíza načítaná na požiadanie) a MCP serverov (čisté pripojenia k externým systémom) reprezentuje, ako moderní AI kódovacie asistenti skutočne fungujú. Nie je to mágia. Je to dobrá architektúra riešiaca skutočné obmedzenia.

Vzor sub-agentov je obzvlášť hodný hlbokého pochopenia. Je to rozdiel medzi AI, ktorá sa zadusí na veľkých kódových bázach, a tou, ktorá škáluje. Keď požiadate Claude Code, aby analyzoval niečo veľké, nevpchá všetko do jedného kontextu a nedúfa. Deleguje na zameraných sub-agentov, každý s čistým kontextom, a syntetizuje ich zistenia.

Pochopenie týchto častí vám pomôže pracovať so systémom namiesto proti nemu. Dostanete lepšie výsledky, narazíte na menej prekážok a budete vedieť, kedy dôverovať AI verzus kedy prevziať kontrolu manuálne.