EDU

"Агент, причешись" или Зачем агенту зеркало

Обычная ситуация с Байрамом: проснулся в 5.45, вышел на звонок в 6, не включил self view в зуме. При просмотре записи встречи понял, что на голове управляемый хаос совсем не причесался

Вот примерно так работает большинство AI агентов: генерируют результат и сразу отправляют, ни разу не взглянув на то, что получилось.

Кейс 1: Презентации

Как вы знаете, я уже некоторое время делаю презентации с помощью Claude Code. Но проблема в том, что зачастую текст налезает на картинки, картинка сплющены, композиция поехала. Собственно, приходится все это править руками. Но как-то мне это все надоело, разобрался в вопросе, и просто добавил в скилл одну инструкцию: "Сгенерируй превью всех слайдов, просмотри их сам и исправь проблемы."

Всё. Одна строчка. Агент уже знал, как выглядит хороший слайд - он просто никогда не смотрел на свой результат (!). Это как дать агенту зеркало и попросить причесаться.

Кейс 2: Агенты в Onsa

Мы недавно эту же идею применили в onsa: каждый агент - поиск лидов, написание аутрича, квалификация - перед тем как отдать результат пользователю или следующему агенту, делает self-review.

Реальный пример. Агент искал фаундеров из YCombinator. Первая попытка - ноль результатов. Вторая - нашёл 10, но с низким скором релевантности. Уже собирался отправить дальше, но self-review поймал: "скоры слишком низкие." Третья попытка с другими параметрами - уже лучше.

Из неожиданного

Мой коллега Лёша подметил давеча: даже когда self-review ничего не ловит - вроде бы стало меньше косяков в целом. Как будто сама инструкция "твоё сообщение будет заморожено, тебе надо проверить свою работу прежде чем отправить" меняет качество генерации ещё до ревью.

Хоторнский эффект для AI агентов? o__O (возможно, это просто выброс, но забавно будет, если окажется так)

===

Собственно, это классический паттерн Reflection, о котором я уже писал, и который хорошо покрывается во 2м модуле "Agentic AI" курса Andrew Ng.

Итого: прежде чем добавлять агенту новые инструменты, данные или более дорогую модель - попробуйте сначала "дать ему зеркало". Возможно, он уже знает достаточно — просто никогда не смотрел на свою работу.

А вы как своих агентов просите причесаться? :)

Полезное в Claude Code - Scheduled Tasks

Можно назначать задачки по расписанию; пока только для Claude Code Desktop

P.S. Напомню, кстати, что в Claude for Chrome тоже есть такое

Что бы я делал, если бы не надо было зарабатывать?

Большинство отвечает в стиле: путешествовать, выспаться, купить квартиру. Гуд, я так и делал после ухода из App in the Air. А что дальше? Что с вами происходит спустя 3 месяца?

Есть вопрос получше: что я уже делаю "бесплатно"?

Посмотреть на свои выходные. На вкладки в браузере. На кроличьи норы, в которые уходишь в 11 вечера, когда никто не смотрит.

У меня ответ простой: мне нравится помогать другим "выигрывать". Не в абстрактном "делать мир лучше", а конкретно: фаундеру, который ломает голову над первым аутричем. Продакту, который учится работать с AI. Человеку, который застрял в решении и ему нужно второе мнение.

Собственно, поэтому я и делаю и Onsa, и EDU - не только потому что "AI в продажах" звучало как хороший рынок (рационализация?), а еще и потому, что я и так это делал и подумал: а что если помогать большему количеству людей одновременно? Тоже самое с курсами - я и так вел этот канал, делал вебинары, просто захотелось их масштабировать.

А второй мой ответ - мне нравится комбинировать компьютеры и бизнес. Не компьютеры ради компьютеров. Не бизнес-теория. А то пересечение, где технология меняет то, как люди реально работают и зарабатывают. Забавно, что я учился на факультете инженеры без мозгов Инженерный бизнес и менеджмент, лучше даже не опишешь.

=== Кстати, забавно, пока писал этот пост, Claude Code выдал мне мотивационное сообщение, которое я сам же и настроил: "Who can I help today?" (см. аттач). Даже дружбан в курсе :) ===

Я считаю, что вопрос сейчас актуальнее, чем когда-либо. AI делает аутпут одного человека в 10-100 раз больше —> барьеры входа для того, чтобы заняться своим настоящим ответом, резко падают. Думаю (или надеюсь?), мы увидим взрывной рост предпринимателей, похожий на аналогичное с появлением social media & YouTube.

Вопрос смещается на "что бы я делал в любом исходе?"

Так, собственно, а что вы уже делаете бесплатно? :) Подумайте об этом на выходных

Теория vs практика или Какие из наших задач AI уже автоматизирует?

Anthropic сегодня выпустили исследование о влиянии AI на рынок труда. Помните, я писал про их Economic Index год назад ? Тогда это был просто каталог задач, для которых юзают Claude. Теперь они пошли дальше: совместили теоретические возможности AI с реальными данными использования и замерили эффект на занятость.

Ключевая идея: новая метрика "observed exposure" - не "что AI теоретически может", а "что люди реально автоматизируют через Claude прямо сейчас". Разрыв огромный: в Computer & Math, например, теоретически AI покрывает 94% задач. Реально - 33%.

Я покопался в их датасете и нашел интересные примеры этого разрыва по релевантным профессиям + запилил вам бота, чтобы проверять это для себя любимого:

Разработка: - "Написать/обновить программу" - 93% - "Отладить робототехническую программу" - 100% - "Устранить неисправность физического оборудования" - 0%

Продажи: - "Связаться с клиентами для презентации продуктов" - 99% - "Ответить на вопросы клиентов о ценах" - 98% - "Провести переговоры по контракту" - 0% (ВСЕ задачи с negotiate - нулевое проникновение)

Аналитика/менеджмент: - "Анализ финансовых данных для разработки стратегии" - 90% - "Подготовка отчётов" - 99% - "Проведение совещаний с командой" - 0% - "Контроль персонала" - 0%

Видите паттерн? AI забирает задачи, которые можно описать текстом и выполнить за компьютером. Всё, что требует физического присутствия, переговоров лицом к лицу или управления людьми - ноль. Как раз со Стёпой про это говорили на днях.

Тут имхо в тему пост по мотивам Digitalist Papers: там авторы на данных рынка труда США за 40 лет показали, что одна и та же технология (компьютеры) - автоматизировав часть задач бухгалтеров и складских работников - привела к противоположным результатам. У бухгалтеров зарплаты выросли, у складских - упали. Разница: у бухгалтеров автоматизировали рутину (ввод данных), а у складских - экспертизу (знание что где лежит). Когда автоматизируются экспертные задачи, барьер входа падает и зарплаты снижаются. Когда рутинные - наоборот.

Anthropic по сути предоставили данные, чтобы это проверить для AI. И по их датасету мы видим: AI сейчас автоматизирует рутину, а не экспертизу. "Ответь на звонок" - 100%, "проведи переговоры" - 0%. "Напиши отчёт" - 99%, "управляй командой" - 0%. Если экстраполировать выводы Digitalist Papers, то AI пока скорее повышает ценность оставшейся экспертизы, чем обесценивает её. Но "пока" здесь ключевое слово имхо.

Что с рабочими местами? Массовых увольнений нет. Безработица среди "экспонированных" профессий не выросла. Но есть тревожный сигнал: молодых (22-25 лет) стали на 14% реже нанимать на эти позиции. Не увольняют старых, а просто не берут новых. Это перекликается со Stanford-ским исследованием, о котором я писал летом - там нашли -13% найма джунов.

Профиль "экспонированного" работника: чаще женщина, с высшим образованием, зарплата на $10/час больше. AI пока бьёт не по самым уязвимым, а по среднему классу с дипломом. 30% рабочей силы с нулевой экспозицией: повара, бармены, спасатели, посудомойщики.

Вы пока читайте статью и пробуйте бота, а я пошел учиться на бармена-повара (full stack!)

Подумал, а почему бы тизеры к weekly митингам не делать так, м?

Дурная голова Claude Code-у покоя не даёт

Чему AI-агенты могут научиться у C++

Мы недавно поняли, что давая агенту слишком много инструкций, мы его "тупим": буквально ограничиваем, а не помогаем. И недавно Jeff Dean, Chief Scientist в Гугле, запостил их гайд по оптимизации C++ и там несколько забавных параллелей c AI агентами (в том числе на тему "делать тупее"):

1) Оптимизации, потерявшие актуальность В C++ оптимизации под старое железо начинают вредить на новом. Inline assembly из 2008 года сегодня медленнее нативного кода, потому что компилятор стал умнее.

В агентах имхо похожее. К примеру, системный промпт Codex сократился на 66% при переходе с o3 на GPT-5: убрали инструкции как планировать, как работать с гитом, как валидировать, поскольку модель уже это знает.

В ту же тему Anthropic в гайде по eval-ам пишет, что лучше оценивать, достиг ли агент цели, а не конкретный путь, которым он шёл. Цели > пошаговые инструкции.

Кстати, сегодня выложили классный скилл по эвалам - рекомендую!

2) Односторонние двери решения Безос разделяет решения на обратимые и необратимые ("односторонние двери"). Jeff Dean упоминает эту же идею в контексте разработки.

В уже упомянутом гайде от Anthropic выделяется 2 типа эвалов: - pass@k (хотя бы одна из k попыток успешна —> как генерация кода пока тесты не пройдут) - pass^k (каждая из k попыток должна быть успешной —> как отправка писем клиентам).

Пример: агент шлёт 5 холодных сообщений, каждое с 90% шансом быть адекватным. Вероятность, что ВСЕ 5 ок: 0.9⁵ = 59%, то есть надёжность падает экспоненциально.

Отсюда правило: необратимое действие (email, перевод денег) должно проверяться или человеком (human-in-the-loop) или детерминистически. Обратимое (черновик, анализ) - можно особо не париться, пусть фейлит тесты, пока не справится.

3) Агент "падает" до уровня своего harness-а Помните James Clear: "Вы не поднимаетесь до уровня своих целей. Вы падаете до уровня своих систем."

В C++ совет звучит так: не полагайтесь на чеклисты, закодируйте проверки в автоматизацию. Проверки до запуска (compile-time) > проверки после (runtime).

По аналогии, агент не поднимается до уровня своего системного промпта, он падает до уровня своих "подпорок" (harness-а). В условном Claude Code можно настроить хуки - детерминистические проверки до и после каждого tool call:

pre_tool_call: if tool == "send_email" and not draft_mode: reject("Requires human approval")

Это compile-time проверки для агентов, которые не зависят от их "настроения" сегодня.

4) Numbers Every AI Engineer Should Know Jeff Dean когда-то составил таблицу временных затрат "Numbers Every Programmer Should Know". Я подумал, что прикольно будет ее адаптировать для AI агентов, что-то в стиле:

Локальная БД: ~10 мс Чтение файла: ~50 мс Поиск по коду (grep): ~100 мс Vector/embedding поиск: ~100 мс Облачная БД: ~100 мс LLM (Haiku/Flash): ~1 с / ~$0.001 LLM (Sonnet 4.6 / GPT-5.2): ~3 с / ~$0.005 Web search API: ~2 с / ~$0.005 Web page fetch: ~3 с / ~$0.01 LLM (Opus 4.6): ~4 с / ~$0.01 LLM (Sonnet 4.6 + reasoning): ~15-30 с / ~$0.03 LLM (Opus 4.6 + extended thinking): ~30-60 с / ~$0.10 Мульти-агент (10 turns, Sonnet 4.6): ~3 мин / ~$0.50 Ревью человеком: минуты-часы / $$

Диапазон: от 10мс до часов ~6 порядков. И тот же вывод, что у Dean-а: знай, где твоё узкое место: если агент делает 10 вызовов Opus, когда хватило бы 1 Opus + 9 Haiku — ты переплачиваешь 10x и по времени, и по деньгам. Особенно, если ретрай допустим (см. pass@k пункт выше)

===

Итого: - С каждым апгрейдом модели - (потенциально) подчищаем промпты - Выделяем действия агента на обратимые vs необратимые, ставим human in the loop в последних - Добавляем детерминистические проверки, чтобы не дать агенту делать ненужные ошибки - В голове и на бумажке прикидываем стоимость операций - не используем ли мы условный Opus там, где хватит Haiku? Кстати, надо сделать skill на эту тему наверное, м?

Отрывок 1й встречи AI Native Product Team: enjoy!

https://youtu.be/TlMSfGzv-rA?si=tFOzhTk__BM4O8Xd

Завтра поразгоняем со Стёпой про ai native организации и не только

Завтра проведем лайвстрим с Байрамом Аннаковым, основателем onsa.ai, App in the Air и Empatika.

Говорить будем об использовании агентов в бизнесе: как компании используют агентов в продажах, ops, маркетинге, управлении, финансах? о том, как гарантровать автономию бизнес-процессов и как сделать чтобы функция работала автономно максимально долго и самоулучшалась?

Начало завтра в 5pm GMT (20:30 MSK / 9:30am PST) на этом канале!

Как я сделал видео для Product Hunt

Поскольку, несколько людей спросили, как я сделал лонч видео (см пост), верно предположив, что это было напару с "дружбаном", то рассказываю:

Я использовал Remotion - это библиотечка для того, чтобы программно делать видео. То есть вы пишете код: компоненты, анимации, переходы. Точнее не вы, а Claude Code :) Я пробовал Remotion еще в январе, но тогда результат не особо впечатлил: либо я не особо погрузился, либо тупо поленился разобраться, так как задачи конкретной не было. Собственно, решил дать второй шанс —> и мне понравился результат.

Нагенерил в мульти-агент режиме сценарий, нахватал готовых иллюстраций, и дальше просто итерации для улучшения, в том числе через мульти-агент ревью, где каждый агент = персона, на которую мы таргетируемся в onsa.

Пожалуй, самым сложным во всем этом было найти музыку :)

Сколько времени и денег взяли бы за подобное видео 3 года назад?!

Кстати, у remotion есть готовый agent skill —> так что просто берите и делайте.

Удачи!

Вайб-аналитика - Анализируем данные моего канала с помощью AI

Anthropic выложили опенсорс-плагины для Claude, покрывающие продакт менеджмент, маркетинг, продажи, финансы, legal и другие knowledge work роли. Они же есть в Cowork.

Я уже писал про вайб-аналитику, поэтому сегодня попробуем именно data плагин. В нем 6 команд: /explore-data — профилирование датасета: структура, качество, аномалии /analyze — ответы на любой вопрос /write-query — SQL под 8 диалектов (Snowflake, BigQuery, Postgres...) /create-viz — генерация графиков /build-dashboard — интерактивный HTML-дашборд /validate — проверка выводов перед отправкой стейкхолдерам

Решил проверить на реальных данных — взял engagement статистику своего канала (просмотры, форварды, реакции за январь).

Проделал на них следующее: 1) /explore-data → сразу увидел: 35 строк, но только 23 уникальных поста. Дубликаты — потому что фотки к постам хранятся как отдельные записи.

2) /analyze → после дедупликации паттерны: - Форварды лучше отражают интерес (это в том числе сохранение к себе в Saved Messages): пост про Claude Code стрим (#1633) — 499 форвардов, топ канала - Практические кейсы ("как я делаю X") — чемпионы: в среднем 188 форвардов и 6.6% engagement rate - Личные/рефлексивные посты — наоборот: всего 35 форвардов, но 65 реакций. Люди чувствуют, но не шерят - Разброс engagement rate — 15x: пост про Claude Code стрим (#1633) — 12%, а "Почему люди врут?" (#1625) — 0.8%.

3) /build-dashboard → за 2 минуты собрал интерактивный HTML: KPI-карточки, scatter plot "виральность vs резонанс", сортируемая таблица (см. аттач). Без дата-инженера.

Можете попробовать сами - сначала выполните эти 2 команды в Claude Code:

/plugin marketplace add anthropics/knowledge-work-plugins

/plugin install data@knowledge-work-plugins

Все вышеперечисленные data команды станут доступны после этого (если вдруг нет, то рестартните Claude Code)

После этого скачайте CSV, откройте Claude Code в папке, в которую скачали, и попробуйте: 1) /explore-data — что он найдет в данных? 2) /analyze — какой тип постов набирает больше всего форвардов? 3) /build-dashboard — соберите свой дашборд, для пущего - дайте ему пример look & feel, который вам лично нравится или соответствую корпоративному стандарту, и пусть сделает дашборд похожим

Помните, я в прошлом мае писал, что AI-агент может заменить дата аналитика? Собственно, ЧТД

Мой ключевой поинт, что такой агент вполне может заменить дата аналитика, может в любое время дня и ночи анализировать данные, обращать внимания на просесты, и рекомендовать действия

Кто попробует — делитесь результатами в комментариях: на данных моего канала или своих любых :)

P.S. Кстати, там в плагинах не только эти команды, но и еще готовые MCP серверы: Snowflake, Databricks, BigQuery и тп

P.P.S. Попробуйте потом дать ему текст этого поста и попросить спрогнозировать engagement rate? 😉

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?