Иерархия агентских способностей: 5 уровней где ломаются LLM

Обнаружено: Даже GPT-5.2 и Claude Opus 4.5 фейлят ~40% реальных рабочих задач. Но ломаются модели предсказуемо — на 5 уровнях способностей. Слабые модели (Nova, Mistral) не могут правильно вызвать функцию или спланировать последовательность действий. Сильные модели освоили базу, но спотыкаются на здравом смысле — не делают очевидные для человека выводы из контекста. GPT-5 прочитала "посылка пришла, нужен возврат денег" и не поняла что это возврат товара (не отмена заказа). Claude увидела "меня зовут Sarah Kim" и попыталась изменить имя в аккаунте вместо поиска клиента. Иерархия работает как диагностический фреймворк: показывает на каком уровне модель спотыкается и как компенсировать через промпт-дизайн.