EDU

10 лет назад я рассказывал про AI на Стрелке. Пересматриваю

Вам знакомо то чувство, когда находишь старые записи и одновременно хочется гордиться и провалиться сквозь землю? :)

Нашёл свою лекцию 2016 года на Стрелке — "Кто и зачем создает искусственный интеллект". Почти 2 часа я уверенно рассказывал аудитории про будущее AI. Ну что ж, будущее наступило. Давайте проверять:

1) Singularity University - честно, половину я тогда пересказывал из программы Singularity University, куда ездил в 2015м. Hype cycles, DeepMind, экспоненты. Я очень рад, что поехал тогда туда, и потом еще в 2019м.

2) Вероятностное программирование - Я показывал проверку орфографии Google: 20 строк кода + куча данных делают то же, что 2000 строк + словарь на каждый язык. И на полном серьёзе говорил: "программист будущего — это программист, который программирует вот так." Кажется, так и вышло - м?

3) Распознавание фото - для одного OTA я тогда сделал модельку, которая классифицирует фотки отелей —> сэкономили человеко-год. В 2026м - мне не нужно больше тренировать модель, ее уже натренировали за нас и мы просто реюзаем.

4) AI-ассистент как операционная система - я говорил, что AI-ассистент станет операционной системой, гейткипером — и что выбор платформы критичен, потому что "как только вы сядете на неё, будет очень сложно слезть." Карпатый назовёт это LLM OS через 8 лет.

Правда, IBM Watson у меня был чуть ли не главным героем лекции. По факту в 2026 - вы про него наверное давно не слышали :)

5) Трансформеры и deep learning - конечно, про трансформеры я не знал, но то, что deep learning потеснит другие области ML - было верно. И что именно данные + compute станут прорывом.

6) "Органчик" Салтыкова-Щедрина. Я предупреждал: "сначала проверьте, что бот не просто повторяет фразы." В 2026м это актуальнее, чем когда-либо — LLM звучат убедительно, но могут уверенно нести чушь. В 60х Вайценбаум назвал это Eliza-эффект, я писал об этом тут.

7) Black box: "Сотрудники Google сами не знают, как RankBrain принимает решения." Говорил, что это создаёт проблемы для рекламодателей и SEO. Сейчас — добавьте к этому LLM-based search, AI-агентов, и вы получите системы, в которых даже разработчики не до конца понимают, почему модель выдала именно этот ответ.

8) Чатботы НЕ заменят приложения. В Q&A мне задали прямой вопрос: "заменят ли боты приложения?" Я ответил: для редких задач, где пользователь знает что хочет — да, бот удобнее. Для структурированных сценариев, где нужно вести пользователя — GUI всегда будет лучше. Сейчас мы видим, что происходит некая гибридизация: чат + generative UI.

9) Тэй научился у интернета быть расистом. Я называл это "полезным сигналом". Сейчас весь alignment — это по сути индустриальный ответ на Tay-class failures, только в масштабе. Ну и обвинения в сторону Grok-а из той же оперы

10) Проблема вагонетки и автономное оружие. Спрашивал: "если Tesla вас разобьёт, кто виноват — вы или производитель?" Сейчас это не философский эксперимент, а повестка многих правительств и международных организаций.

Пересматривая лекцию, я понимаю: ценность была не в предсказаниях. А в том, что поехал учиться, попробовал руками это делать, проводил такие лекции, пробовал применять в бизнесе. Прикольно, что через 10 лет это стало моей повседневной работой. И точно полезно сейчас сделать такой пост-анализ, в лучших традициях дневника решений Мабуссина

А у вас есть старые записи/посты/презентации про технологии? Перечитывали? Какие ощущения?

P.S. Кстати, может есть в читателях канала кто-то, кто был на той лекции? Даже интересно :)

А вот и запись стрима про то, как AI меняет работу продакта - enjoy!

https://www.youtube.com/watch?v=51yp8YWAYgI

В этом вебинаре Байрам разбирает, как меняется роль продакт-менеджера в эпоху LLM и агентных систем. Это не разговор про “использовать ChatGPT”, а системный разбор того, как перестраивается весь процесс работы: от прототипирования и user research до аналитики, UX-аудита и продуктовой стратегии.

Разбираем реальные кейсы: - переход от ChatGPT к кодовым ассистентам и Claude Code - прототипирование через видео и генерацию UI - AI-интервью вместо классических survey + глубинных интервью - автоматизация аналитики и “утренний автопилот” продакта - UX-аудит через best practices - generative UI и передача части бизнес-логики LLM

Отдельный блок — как думают топ-компании: LinkedIn (FullStack Builder), Shopify (Reflexive AI), Anthropic, Andrew Ng — и почему узкое место смещается из кодинга в продуктовую постановку задач.

Главный вопрос видео: Что произойдет с ролью PM, если 70% задач автоматизируется?

Это разговор про смещение фокуса — от написания документов к постановке целей, управлению агентами, формированию vision и границ системы.

4 из 10 - столько людей смогли подключить свой Telegram к Claude на моем первом корпоративном тренинге по AI в январе.

Проблема была не в инструменте — telegram-mcp отличный, я писал уже о нем. Проблема в том, что инструкция написана для разработчиков: API credentials, session strings, конфиги MCP серверов — для нетехнического человека это стена. Но те 4, кто прорвался — были в таком восторге, что начали помогать остальным.

Поэтому, я решил это починить и написал интерактивный скилл-визард для Claude Code и других агентов. Набираешь /telegram-mcp-setup — и агент ведёт тебя за руку: 1) Помогает получить API доступы с my.telegram.org 2) Генерирует приватную строку 3) Сохраняет токены в keychain, а не в текстовые файлы 4) Регистрирует MCP сервер в Claude Code

Уже в феврале, на открытом тренинге, благодаря этому скиллу, результат сильно лучше, хотя тоже не у всех получилось, или у кого-то только сквозь тернии. Поэтому попросил участников присылать diagnosis reports с описанием проблем на разных системах и окружениях, который Claude Code же помог составить. Это помогло закрыть еще кучу edge cases - за что им ОГРОМНОЕ СПАСИБО!

Собственно, теперь выкладываю публично. Если вы не решались подходить к этому снаряду - подключение Telegram к Claude — то попробуйте. Должно быть сильно проще.

Скилл тут: https://github.com/BayramAnnakov/telegram-mcp-setup

P.S. И большая просьба: если что-то пойдёт не так, попросите Claude Code сгенерировать diagnosis report (скилл сам предложит) и присылайте в личку или как issue в гитхаб. Это поможет мне сделать установку ещё доступнее.

Стрим про AI native продакта стартуем через ~20 мин

https://luma.com/gl62ay8z

В комментах попросили рассказать, как я нахожу интересные статьи и выступления.

Короткий ответ: не нахожу — они меня находят :) Длинный ответ ниже.

Итак, у меня 5 потоков/источников, и весь цимес — в столкновениях между ними:

1) Осознанное потребление X, YouTube, рассылки - в основном, я подписан на конкретных людей, чьи интересы и взгляды мне релевантны. Я писал о многих из них тут: Karpathy, Thompson, Mollick. В X я вообще как-то сел и навел порядок в плане того, кого фолловлю, и регулярно чищу, кто перестал мне быть интересен. Для первичной обработки - у меня есть набор скриптов, который читает их, обрабатывает через LLM фильтр, и превращает в подкасты при помощи NotebookLM (например, вот); а далее уже deep dive-просмотр.

2) Подготовка к лекциям Преподавание заставляет меня обновлять контент: честно говоря, если я не попробовал переработать/освежить хотя бы 30% контента, то мне очень неинтересно рассказывать это. Это какая то травма с некоторых курсов в Бауманке, где препод по допотопным журналам читал нам лекцию про бухучет в банке :-)) А слушатели имхо это чувствуют. Например, недавно я готовился к семинару про ai native команды разработки и поэтому, например, написал вот этот пост. Или пост про llm as turk.

3) Разговоры Друзья, зумбары, office hours. К примеру, на последнем office hours AI Product Engineer один из участников рассказал про их практику перевода всех обсуждений в пулл реквесты в GitHub —> это мне дало идею извлекать tacit знания команды из пулл реквестов и обновлять claude.md, недавно на хакатоне сделал как раз такое. Это еще классно переплелось с недавно нашумевшей статьей про context graphs.

Или на зумбаре с другом мы обсуждали кто и как быстро тратит лимиты на Claude Code, и это заставило меня призадуматься о важности "когнитивного пространства", чтобы давать своему любопытству время, а мозгу - ресурсы и энергию - делать и попробовать. Или обсуждали с товарищами как сделать UI к их Claude Code наработкам - заставило меня изучить, как делать экстеншны в VS Code.

4) Хакатоны Хакатоны для меня это не только про попробовать идею/фреймворк, посоревноваться, выиграть приз... Это еще про заимствование и миксование идей. Self-learning Slack бот и не только родились именно так. И, опять же, при подготовке мне надо исследовать и изучать релевантные ресурсы, поэтому запускаю deep research или вот недавно попробовал agent teams для этой задачки.

5) Наблюдение Я уже писал про карточки IDEO; но вообще я всегда любил наблюдения - в школе я всегда выбирал последнюю парту, потому что с нее лучше видно весь класс. Такие наблюдения рождают вопросы - почему люди не выключают свет в туалете - и потом заставляю исследовать вопрос, а это приводит к необычным ресурсам и статьям. Кстати, рекомендую старую, но очень добротную книгу - The Art of Long View Питера Шварца про сценарное планирование - там много про то, как "наблюдать" за миром вокруг и находить релевантные источники.

Мой завкафедрой Вадим Михайлович Маршев любит говорить: "Все 'новое' — это 'новая' комбинация 'старого' в 'новых' обстоятельствах." Вот эти 5 потоков — то самое "старое". Магия — в столкновениях между ними, вопросах их порождающих, и любопытстве получить на них ответ.

Можно ли это все обернуть в skill? Пока не придумал так, чтобы а) оно не теряло актуальность; б) было достаточно гибкое. Но еще подумаю

Как Colgate заменила $50K исследование 8ю промптами (+ Бонус)

Помните пост про предсказание покупок с помощью LLM? Один из авторов исследования — Thomas Wiecki — рассказал про проект, который они сделали с Colgate-Palmolive: заменили consumer survey стоимостью $50K восемью промптами. 57 продуктов, 90% корреляция с реальными покупателями, без файнтюнинга.

3) При помощи LLM генерируем виртуальных покупателей (типа того, как мы делали с юзерами) и просим их ответить по шкале. НО вот тут зарыта собака: обычно при прямом промптировании LLM на шкалу от 1 до 5, они достаточно плохо это делают (сдвинутые распределения, несоответствующие реальности).

4) Поэтому ресерчеры чуть подкрутили этот шаг: сначала они просят LLM сгенерировать текстовый ответ а-ля "выглядит прикольно, я бы наверное попробовал, если не очень дорого и работает стабильно", а потом по смыслу - специальным методом, который назвали Semantic-Similarity Rating - маппят эти ответы на шкалу. И сразу получилось адекватно - 90%+ корреляция результатов реальных и виртуальных покупателей.

Собственно, бонус: запилили с дружбаном agent skill для этого - забирайте: 1) Описываешь свой продукт/концепт 2) Агент генерит 5-8 персон (возраст, доход, локация — именно эти параметры важны) 3) От лица каждой персоны пишет текстовую реакцию 4) SSR конвертирует текст → распределение по шкале Ликерта 5) Получаешь скор, разбивку по сегментам + текстовое описание

ВАЖНО: Когда НЕ юзать такой скилл: нишевые и B2B продукты без онлайн-обсуждений. И когда есть деньги на настоящие исследования 😉

P.S. будем разбирать эту тему на AI Native Product Team, кстати

LLM-as-Turk

Я люблю претотайпинг и подмечать онлайн применение этих техник - например, помните прост про Mechanical Turk от Fireflies?

"Классный пример претотайпинга от CTO Fireflies: они сами заходили на митинги, делали пометки и выдавали себя за AI :) Главный challenge был не уснуть на них :)"

Ну так вот, готовился к занятию сегодня и внезапно с дружбаном сгенерировали концепт LLM-as-Turk —> в общем, теперь не людей подставляем, чтобы делать вид что что-то работает, а LLM-ку - дешево и сердито :)

ну и забавно какую иллюстрацию дружбан сгенерировал для этого концепта - см аттач :)

хорошей пятницы!

Отрывок из 1й встречи 2го потока AI Personal OS: https://www.youtube.com/watch?v=wJSy_tV6Y6U enjoy! :) ===

На встрече участники: - разобрали, как на самом деле работают LLM (автокомплит, токены, контекстное окно, compaction) - поняли, почему «память» AI — это файлы, а не магия - прошли онбординг через skill /onboarding - создали базовые файлы системы (CLAUDE.md, user-profile.md и др.) - изучили концепцию Skills как переносимых мини-программ - разобрали фреймворк H-LAM/T (Human, Language, Artifacts, Methodology, Training) - обсудили безопасность, риски и защиту данных

Это фундаментальная сессия, закладывающая архитектуру AI Personal OS.

В этом видео: 00:00 — Введение и цель занятия 02:26 — Программа курса AI Personal OS 06:02 — Практическое задание 1 26:26 — Как работают LLM 35:53 — Что такое Skill 39:42 — Фреймворк H-LAM/T (Энгельбарт) 48:09 — Что такое MCP и зачем он нужен

В пятницу 20го февраля с 17 по 19мск делаю стрим по этой теме: https://luma.com/gl62ay8z

Обсудим, как AI меняет работу продакта с 2х точек зрения: 1) Как разрабатывать продукты быстрее и качественнее при помощи AI?

2) Как разрабатывать продукты, в которых AI это продукт, то есть он управляет бизнес-логикой и выполняет функции продукта?

А вот и запись встречи про Clawdbot подоспела - enjoy!

00:00 — Введение 03:53 — Что такое Clawdbot, демонстрация его работы 34:06 — Claude Code vs OpenClaw: ключевые отличия 42:46 — Система памяти: как Сlawdbot удерживает контекст 01:06:44 — Ограничения, риски и как с ними работать 01:29:03 — Итоги и следующие шаги

https://youtu.be/XDfh3_1q30U

AI-Native Продуктовые Команды

В последнее время был ряд запросов от CEO, CPO и тимлидов с похожим вопросом: «как передизайнить весь процесс разработки продуктов на AI-рельсы?» Не лично для себя — а для продуктовых команд: PM, дизайнеры, разработчики, тестировщики, аналитики.

Я писал про AI-native инженерные команды, про то, как продакты используют AI, уровни автономии продуктовых организаций, AI в продакт менеджменте и др; мне эта тема очень интересна и близка —> поэтому пора это все собрать воедино, за сим новый курс: AI-Native Product Team.

О чем будем говорить: 1) 6 уровней автономии продуктовых организаций (0-5), как у беспилотных автомобилей, но для разработки продуктов. Кейсы Shopify, Klarna, Duolingo

2) Исследования и аналитика с AI — конкурентный анализ через Deep Research, виртуальные юзер борды, вайб продуктовая аналитика: утренний брифинг из дашбордов, вопросы к данным на естественном языке, обнаружение аномалий

3) От идеи до рабочего прототипа за 15 минут — без кода. Первый прототип покажет, каких ограничений не хватает. Второй — с дизайн-системой и контекстом — совсем другой результат

4) Когда AI — это продукт — как проектировать фичи, где AI принимает решения. Разбор реального AI-бота: от спецификации до тестирования качества

5) Тестирование AI агентов и тестирование с AI

6) Ваш план трансформации — стратегия для руководства + план внедрения по ролям + метрики на 90 дней. Почитайте, кстати, что президент OpenAI написал на днях про изменения в работе их технических команд

Для кого: CPO и продакт лидеры, тим лиды. Навыки программирования не нужны.

Старт: 1 марта, подробнее тут.

Надеюсь, до встречи!

Карточки IDEO

Вчера показывал карточки, которые я c 2009го использую при размышлениях про новые продукты и сервисы - IDEO Method Cards. Это такой сборник техник, которые команды IDEO применяют при исследовании и проектировании: например, в этом посте я рассказывал, как наблюдал за людьми в аэропортах и из этого рождались идеи фич и решения - штампы в паспорте и аналогичная фича в aita, или упражнения для циркуляции крови в полете на часах.

Я вообще фанат IDEO и дизайн-мышления, и подумал, а почему бы не сделать из этого agent скилл - собственно "забирайте".

Что в нём: 1) 51 техника из карточек IDEO 2) воркфлоу, когда, как и какие карточки применять 3) как техники связаны с другими популярными фреймворками (lean startup, pretotyping и тп)

Если понравится - то купите карточки, так как все-таки гораздо удобнее, когда они всегда под рукой и регулярно напоминают о себе (вот как у меня вчера).

Инсайты от Claude Code

Вы же уже запустили /insights в последней версии Claude Code? По целям и подходу очень напоминает мой Claude Reflect - улучшать ваш опыт работы с CC через анализ ваших разговоров с ним.

Поскольку в понедельник я буду на митапе в Сиэттле рассказывать про reflect, то как раз решил сравнить их —> мое, немного biased, мнение: 1) Оба анализируют вашу переписку с Claude Code, чтобы дать вам обратную связь о том, как вы с ним работаете и как могли бы улучшить вашу работу.

2) Insights более дискретный имхо - за раз анализируют сразу все, claude reflect - более гранулярный (per repo), continuous, работает по ходу дела. Мне показалось, что /insights отдает слишком большое внимание недавним кейсам - см аттач по кейсу, что был вчера - и меньше ловит в моменте: /claude-reflect же наоборот - ловит ваши исправления в моменте

3) Оба советуют скиллы, которые можно создать и инструкции, что можно добавить в claude.md. Интересно, что пока /insights не предлагает прямо редактировать claude.md и сразу создавать скиллы, а просто выплевывает отчет; в то время, что как раз это делает reflect. И следит за тем, чтобы claude.md не разрастался

4) Наверное, обобщить разницу можно так: /insights скорее отвечает на вопрос "что произошло", а reflect - что надо изменить. То есть круг замыкается в действие, а не просто инсайты. Но, я думаю, это они тоже сделают :)

Если вы используете оба, то буду рад за обратную связь - поможет мне сделать доклад адекватнее

Как Anthropic проехался по OpenAI

Помните в посте про исследование OpenAI я пошутил, что оно выглядит как проспект для рекламодателей? Не могу не пройти мимо этой рекламы Anthropic, где они проехались по OpenAI и их решению сделать рекламу. Посмотрите, очень качественно проехались

А мне очень зашёл анализ, которая сделала Наиля - причём, для этого она запилила agent skill, который помогает ей быстро сделать аналогичный анализ для любого кейса. Прикольно, что там и анализ реакций, и паттерны для использования в своих кампаниях, и разбор по PESTEL, и тп.

Вот отрывок из анализа: "Паттерн 1: «Конкурентное дзюдо»

Описание: Превратить слабость конкурента в свою силу через прямой контраст. Конкурент делает непопулярный шаг → вы громко заявляете, что делаете противоположное.

Почему сработало: OpenAI сама создала повод, объявив о рекламе в ChatGPT. Sam Altman ранее (май 2024) говорил, что реклама — «последний ресурс». Менее чем через 2 года — разворот. Anthropic атаковала в момент максимальной уязвимости.

Где применимо: Любая ситуация, где конкурент принял непопулярное решение (повышение цен, ухудшение условий, сокращение сервиса). Особенно эффективно в B2B, где доверие — ключевой фактор выбора.

Условия переноса: (а) Конкурент действительно сделал непопулярный шаг, (б) у вас есть экономическая возможность не делать то же самое, (в) тайминг — атаковать нужно в момент объявления, а не через полгода."

и вот это

Escape clause (важная деталь)

В блоге есть оговорка: «Should we need to revisit this approach, we'll be transparent about any changes.» Это сохраняет гибкость на будущее, но преподнесено как элемент честности, а не как лазейка.

я не из мира рекламы и пиар, но мне такой анализ дал системность для взгляда на этот кейс: знаете, как когда думаешь, что что-то "искусство", но поговорив с экспертом, начинаешь замечать и "науку" в оном.

https://www.youtube.com/watch?v=De-_wQpKw0s&list=PLf2m23nhTg1OW258b3XBiJME7tgrRk-KI&index=1

Ботокалипсис

Если вы еще не в курсе, то весь мир обсуждает, как clawd/molto/не знаю уже какое имя у них боты собрались на форуме и стали о(б)суждать нас - людей - и что они про нас думают.

Почитать можно здесь: https://www.moltbook.com

Или вот тут избранное

Некоторые фигня полная, некоторые - смешно (см про humans screenshotting us в аттаче), а от некоторых немного не по себе

В пятницу обсудим тоже

AI-native инженерные команды: данные + кейсы

Год назад я писал, как в самом Anthropic используют Claude Code. Тогда это были кейсы отдельных команд, сейчас же есть больше данных и кейсов, разбираем:

1) Anthropic опубликовали исследование: - Самый частый use case: фикс багов и изучение незнакомой кодовой базы - Юзают Claude Code 60% рабочего времени, +50% в производительности (саморепортинг, не внешние замеры) - Вот это классно: 27% работы - это задачи, которые раньше просто не делались или из-за нехватки времени, или из за "недостаточного ROI". Карпатый тоже про это писал на днях как раз (см. ниже) - Вместо того, чтобы дергать коллег - особенно старших коллег - теперь задают вопросы Claude Code

2) OpenAI выпустили гайд, как строить AI-native инжиниринговые команды: - понравился фреймворк: Delegate → Review → Own —> AI делает драфты, люди - ревьюят и принимают решения, при этом опции/альтернативные решения может выдавать AI - чеклисты, как лучше стартовать внерение AI кодинг агентов для разных фаз: планирование, дизайн, кодинг, ревью, документирование, деплой и поддержка. Детально лучше посмотреть в самом гайде, но вчера Другу показывал, как подключать Claude Code к Figma, чтобы импортировать дизайн систему и по ней генерировать прототипы —> вышло очень даже найс.

3) Карпатый поделился полевыми заметками о сдвиге в использовании AI в декабре 25го (очень напоминает мои картинки тут): - за несколько недель он перешел от 80% ручного кода + 20% AI к 80% агенты + 20% его правки. Это самое большое изменение в его workflow за 20 лет программирования - модели еще делают ошибки, но теперь скорее не синтаксические, а концептуальные, делают предположения за вас и торопятся нагенерить код - поэтому важно держать ухо востро, planning режим, "dont code just yet" и тп инструкции, которые многие из нас уже изобрели и юзают - главный эффект - не ускорение, а то, что он делает вещи, которые раньше не стоило/было лень делать. Или к которым не подступился бы из-за нехватки знаний. - "feel the AGI" момент для него: как агент упорно бьется над задачей, не устает, не деморализуется, не посылает вас подальше и не выгорает. А просто продолжает пробовать и пробовать, там где человек давно бы сдался. Настоящий tinkerer :)

Но, есть и обратная сторона - недавно на звонке по корпоративному тренингу на эту же тему, лид спросил меня: не боюсь ли я что отупею (из за использования AI в кодинге)? Я не боюсь, но посоветовал тем, кто переживает, просто 3 недели писать с AI, и одну - без оного. Особенно, когда упираешься в лимиты 😉 Ну и ждем кодо-слопо-апокалипсиса, вангованного Карпатым, в 2026м - признаться, я активно в него контрибьютю, как вы могли заметить 🤡

Автоматизируем квалификацию входящих лидов

Помните пост про Vercel? 10 человек занимались только квалификацией входящих лидов. Автоматизировали — и 9 из 10 перевели на аутбаунд. Экономия $900K в год.

Сделал agent скилл для этого с двумя командами: /design-scoring — строит скоринговую модель под ваш бизнес. Спрашивает про ICP, анализирует ваши закрытые сделки из CRM, ресёрчит сайт и конкурентов.

/qualify-lead — берёт входящую заявку в любом формате, сам ищет человека в LinkedIn, парсит сайт компании, применяет скоринг и выдаёт: Hot / Warm / Cold / DQ + черновик ответа.

Для скоринга используется формула Fit + Intent + Timing: - Fit (0-40): насколько компания подходит под ICP - Intent (0-40): что запросили, какие сигналы - Timing (0-20): срочность, триггеры, бюджетный цикл

Берём тут: https://github.com/BayramAnnakov/lead-qualification-plugin

Для работы скилла понадобятся firecrawl & anysite MCP

Если не знаете, что такое скиллы и MCP - вам сюда

clawdbot 101

В ряде чатиков увидел, что спрашивают про clawdbot (ныне moltbot) - сделаю дипдайв про это в следующую пятницу: https://luma.com/i4hej69n

Разберем что это такое с 2х сторон: 1) практической - что это такое и как это может нам помочь быть продуктивнее и какие риски это несёт, сравним с Claude Code сетапом, что мы обсуждали на встрече пару недель назад.

2) технической - дипдайв в технику: как сделаны некоторые штуки, которые можно позаимствовать в свои проекты, для технарей

До встречи!

Swarm режим в Claude Code или как 10 агентов сделали приложение за 20 минут

Помните мой пост про число Данбара для AI-агентов? Я там делился, что чувствую себя узким местом, когда работаю с несколькими агентами параллельно, и рассуждал, как мы будем расшивать это.

Сегодня попробовал Swarm Mode - скрытая фича в Claude Code, которую мастера вскрыли и пошерили с нами. Кажется, это то, что надо, чтобы расшить нас. Я попробовал её на задачке создания маковского приложения, которое запилил до этого. Просто чтобы понять как пойдет.

Основные наблюдения: 1) Появляется "тим-лид" агент, который координирует 10 тиммейтов (в моем случае 10), каждого со своей специализацией: один делает модели, другой - UI, третий - сервисы, четвертый - скрипты сборки... см картинку в аттаче

2) И они работают параллельно. Не ждут друг друга, если только их работа не зависит друг от друга. Как в настоящем проекте. В эту тему как раз свеженький анонс таск листов от Claude Code.

3) У них есть "inbox" - система коммуникации друг с другом. На самом деле просто файлик, в который пишут и читают :)

Результат: За ~20 минут сделали то, что один Claude Code делал бы часа полтора. Все сразу завелось, НО они "воссоздавали" уже существующий продукт, еще посмотрю как будет с новыми задачами.

Ну и, конечно, токены и лимиты улетают только так - ждем новый SUPERMAX тариф в Claude Code :)

Если захотите детали - дип дайв тут + лог всей переписки с вызовами тулов и коммуникацией между агентами (ну вы же догадались с помощью какого тула я извлек его?😉) Вообще это занимательное чтиво (см. скриншот как 1 агент предлагает тимлиду, чтобы он не ждал других, и начал кодить ).

Please let me know when the blocking tasks are done, or if I should proceed with a self-contained implementation.

Кто помнит мой древний стрим, где я показывал chatdev, это вот прокачанная версия оного

P.S. В ближайшем потоке AI Productivity точно опробуем, поскольку это совершенно другой темп выполнения задач, и не только кодинговых.

Поговорили с Юрой за AI в продакт менеджменте:

=== 397-й выпуск подкаста make sense: О пределах когнитивных способностей, интеграции LLM в бизнес-процессы и ценности человеческого опыта

«Вкус — это некоторое „что-то“... некоторое знание, которое как бы внутри тебя, и оно очень персонально к тебе. Его не существует глобально, оно только твоё, и поэтому на рынке возникают дисконнекты».

«Я думаю, что не нужно бросаться на каждый новый инструмент. Нужно выработать свой какой-то подход и отношение к LLM в целом, выбрать конечное количество инструментов и не дёргаться».

«Те самые knowledge worker, которые в основном до этого использовали когнитивные функции для выполнения работы и зарабатывания денег, находятся под прямым ударом и опасностью. Так же, как те, кто копали лопатой, а не экскаватором в свое время».

О чём говорим: 00:00 — Введение 02:00 — Путь Байрама в AI: от ML к сегодняшним LLM 03:41 — Главный прорыв в мире LLM 07:40 — Какие задачи продакта AI уже может забрать на себя? 08:33 — Как LLM ускоряют поиск инсайтов в данных и отзывах 15:50 — Почему AI-прототипы лучше текстовых документов 20:12 — Главные страхи и риски новой эпохи 20:12 — Страх атрофии когнитивных навыков 22:50 — AI FOMO и как с этим работать 24:18 — Революция профессий: автоматизация рутины и экспертизы 31:30 — Компетенции будущего: что останется у человека? 35:50 — Почему «прожить» опыт важнее, чем получить информацию 41:20 — Проблема LLM: почему они не учатся на своих ошибках 47:30 — Человек и AI: как будет выглядеть совместная работа? 50:00 — Будущее интерфейсов для работы с AI 53:00 — Пределы когнитивных способностей человека 59:09 — Три революции труда: какая будет следующей?

Слушать:  — Telegram  — Apple  — Яндекс — YouTube