ChatGPT

Очень нравится, как работает ChatGPT Image 2, полностью перешел на нее с нанобананы (наконец-то можно оплачивать на один сервис меньше).

Главный плюс, что у модели видно ризонинг — можно прочитать процесс рассуждения и при необходимости скорректировать промпт еще до того, как сгенерится изображение.

Отдельный лайк за лендинг на сайте OpenAI. Вместо кучи текста просто показали картинки. Как говорится лучше один раз увидеть, чем сто раз услышать:

https://openai.com/index/introducing-chatgpt-images-2-0/

🔥 За апрель вышли пять основных китайских LLM моделей.

Вот они, слева направо: Kimi K2.6, DeepSeek V4, Xiaomi MiMo v2.5, GLM 5.1, Qwen 3.6.

Сегодня в 20:00 МСК на эфире разбираемся насколько эти ребята полезны в деле и насколько они могут заменить Claude и GPT

Формат стрима: → быстрая прогонка на LMArena — что модели умеют «из коробки» → карточки моделей и цены за 1M токенов → реальная задача: Telegram мини апп для подготовки к экзамену на вождение → сравнение с Claude Opus 4.7 и GPT-5.5 как эталоном

Сквозной сценарий: сбор данных → PRD → архитектура → MVP в телеграмме.

Страница эфира со всеми моделями, ценами и ссылками (обновляется во время эфира): https://live.sereja.tech/chinese-models/

Эфир 👉 https://youtube.com/live/eAek19gPfTI?feature=share

самый популярный промпт в мире сегодня (для gpt-image-2) — это перерисовать изображение в MS Paint

Redraw the attached image in the most clumsy, scribbly, and utterly pathetic way possible. Use a white background, and make it look like it was drawn in MS Paint with a mouse. It should be vaguely similar but also not really, kind of matching but also off in a confusing, awkward way, with that low-quality pixel-by-pixel feel that really emphasizes how ridiculously bad it is. Actually, you know what, whatever, just draw it however you want.

🤔 Я больше не доверяю GPT. Куда переезжать?

За последние дни многие люди вокруг задумались, что необходима альтернатива для GPT. Десятки тысяч бизнесов смотрели, как сотрудники уходят из OpenAI и были готовы ко всему. Я провел начало недели за рисерчем доступных решений и решил упаковать результат в пост. Существует два вида решений: 1) сервисы с API над языковыми моделями; 2) поднятие моделей у себя. Сегодня расскажу про первую категорию.

Claude: самая близкая к GPT-4 модель по бенчмаркам, недавно увеличили контекстное окно до 200 тысяч токенов (не совсем эффективных), и добавили function calling как в GPT. В первую очередь я бы начал эксперименты с нее. Из минусов: немного отличается API, промптинг, и также модель напрямую доступна не во всех регионах (зато доступна через Amazon).

Perplexity: в мае я рассказывал про их продукт, как замену Гугла. С тех пор они также запустили API для доступа к их собственной языковой модели, а также Llama2 и Mistral . В анонсе высочайшую скорость инференса среди конкурентов. API работает в формате OpenAI — это значит что переключаться легко. Мне нравится темп их команды и обязательно буду за ними следить. В комментариях поделюсь способом получить бесплатный доступ к Perplexity PRO на 2 месяца — он как раз дает доступ к API и оно пока бесплатное.

Decart: вариант для тех, кто любит потестить сырые стартапы. Они также предлагают API для доступа к моделям — от $0.1 за миллион токенов Llama2 7B. Это самая дешевая цена за инференс, которую я нашел во время рисерча и скорость ответа также порадовала, так что решил про них тоже рассказать. От стартапа есть ощущение, что он в любой момент отвалится, но зато быстро отвечают в твиттере.

Также потестил: Replicate — медленно и по ощущениям, и по бенчамаркам; Anyscale — сложный онбординг, непрозрачная ценовая модель; LiteLLM — библиотека, чтобы приводить разные форматы API к формату OpenAI, чтобы делать бесшовное переключение, показалось удобной.

😲️️️️️️ Когда я начинал рисерч, то не ожидал, что уже есть столько удобных решений на рынке, чтобы эксперементировать с ними. Конечно, они все уступают GPT по качеству, но это не значит, что с ними не нужно учиться работать уже сейчас. Последняя неделя очень ярко показала, как опасен платформенный риски. Нам нужна диверсификация.

смотрим OpenAI стрим-анонс вместе, генерируем изображения в новой модели, думаем про будущее

делитесь промптами для тестов в комментариях Вторник, 21 апреля, 21:30 (мск)

👉 https://youtube.com/live/05xs_kyacxI

Пост про заработок в интернете и вайбкодинг

1. Simple Gambling Machine Навайбкодил простую гемблинговую машину (что-то вроде FOMO3D, но медленнее и без понци-механик). Работает следующим образом: ⁃ в машине лежит ETH (сейчас около $500) ⁃ машина принимает депозиты от всех желающих (сейчас 2% от ETH внутри машины, далее процент уменьшается) ⁃ если никто не делает депозит в течение определенного периода времени, последний участник забирает 80% пота (сейчас 24 часа, далее период уменьшается) ⁃ 10% распределяются между 5 рандомными участниками, 10% идут на следующий раунд

Короче 50 иксов вот прямо здесь, рядом.

Что с безопасностью: ⁃ открытый код на Github и на Etherscan ⁃ контракт неизменяемый - никаких мультисигов, экстренных приостановок и пр. ⁃ друзья-аудиторы помогли найти и пофиксить пару уязвимостей (детали тут) ⁃ устроить рагпул технически невозможно, хакнуть (вроде) тоже не получится

Ончейн рефки и поинты вайбкодить сложно, поэтому буду благодарен всем кто поделится гемблинг-машиной со своими друзьями-лудоманами! https://simplegamblingmachine.eth.link/

На мобилках скорее всего будет отображаться криво.

2. Вайбкодинг Никогда ничего не кодил своими руками, ибо гуманитарий. За три дня ChatGPT, Gemini, DeepSeek и Cursor написали весь нужный код (под моим чутким руководством), научили в девелоперские энвайронменты, Github и хостинг, ответили на все (даже самые глупые) вопросы.

Мои хард-скиллы пополнились такими вещами как ethers.js, web3.js, viem, wagmi, IPFS, Fleek, Pin CID, Pinata, Arweave, Hardhat, Foundry, React, Chainlink Keepers, и Truffle. Ну, половина из списка точно.

Кому интересно почитать про весь процесс, предлагаю пройти на Paragraph.

3. Заработок в интернете Пока высокотехнологичные проекты заманивают человеческо-денежные капиталы двузначными множителями на поинты, Ekubo (на EVM) дает приятные APR поставщикам ликивдности: ⁃ 10% на USDT/USDC ⁃ 15% на cbBTC/WBTC ⁃ 70% на ETH/BTC ⁃ 100% на ETH/USDC и ETH/USDT

Половина из этих наград - органический APR (комиссии со свапов, без учета наград в EKUBO). Расчет актуален для ренжа примерно в +-6%, а программа майнинга EKUBO рассчитана на 3 месяца.

👀 AI теперь видит и сделает за вас рутинные задачи

Раньше для автоматизации действий в браузере этого требовалось цепляться к html-элементам, четко задавать последовательность шагов, из-за этого существовал порог входа. Теперь у GPT появилась способность видеть и открылось новое пространство решать эту задачу. Разберемся, какие новые подходы уже доступны на рынке автоматизаций.

Adept: еще до ChatGPT хайпа показали свою модель для превращения запроса пользователя в действия. Недавно открыла бету в свой первый продукт Experiments и закрыли раунд на $350mln. Важно, они пока не заявляли про поддержку «видения» в своих продуктах, но это явно вписывается в их стратегию построить AGI.

Induced AI: у этих ребят только $2.3 mln. инвестиций, но зато инвестировал Сэм Альтман. Они также предлагают продукт для автоматизации рутинных задач. Для этого планируют использовать смешанный подход: облачное решение, интеграции с сервисами по API, но в тоже время хотят использовать виртуальый браузер, в котором понадобится возможность «видеть». Для этого сейчас нанимают эксперта в Chromium.

VimGPT: опен-сорсная демка и единственный продукт из подборки, который можно по настоящему попробовать. Проект позволяет управлять виртуальным браузером через команды «найди в гугле все ai+sales продукты и прочитай их контент». GPT получает скриншот страницы, анализирует его и составляет очередность действий. Демка очень сырая, но дает понимание текущих возможностей.

😎 Официально GPT Vision используется только в последнем проекте, но я все равно вынес это в заголовок. «Видение» в перспективе станет ключевой технологий на рынке автоматизаций. На наших глазах появиласть возможность автоматизировать любые действия на сайтах без привязок к API или html-элементам. AI-работникам из предыдущего поста понадобится такой же визуальный инпут, чтобы эффективно решать задачи реального мира. Уже придумали какие задачи будете автоматизировать в первую очередь?

@prod1337

Не путайте теплое с мягким Hyperliquid всего лишь централизованный декс, just kidding

Интересные результаты опроса. Первые 15 человек единогласно проголосовали за то, что написание кода в Claude Code — вайбкодинг.

Если пробежаться по истории канала — то можно заметить, что я активно начал изучать LLM для разработки еще в 2022 году. К примеру, в посте от 14 декабря я поделился первым опытом интеграции LLM в свой рабочий процесс и сказал, что скоро появятся подписки за 200 долларов и нужно быть к ним готовым, чтобы использовать технологию на полную катушку.

Затем, в феврале 2023 релиз опенсорс пакета для упрощения dev experience и автоматической генерации коммитов с использованием openai api.

Так вот, если сейчас сказать кому-либо, что 95%+ моего кода в любых проектах (в тч продакшн, за которые я получаю зарплату) написаны LLM — меня сразу назовут «вайбкодером». То же будет касаться собеседований в проекты, где собеседующий не будет особо знаком с различиями в терминологии.

---

И так, в чем же разница?

Обратимся к первоисточнику — февральскому твиту Андрея Карпатого, когда термин вайбкодинг зародился изначально. Выделю основные парты: https://x.com/karpathy/status/1886192184808149383

you fully give in to the vibes, embrace exponentials, and forget that the code even exists.

I «Accept All» always, I don’t read the diffs anymore.

It’s not too bad for throwaway weekend projects, but still quite amusing.

Здесь сразу присутствует важное определение «я забыл, что код вообще существует» и это немного триггерная тема. Так что давайте разграничим, опираясь на первоисточник и здравый смысл

Вайбкодинг:

— Мы не прикасаемся к коду и не смотрим на получившийся код

— Подходит для быстрого прототипирования и одноразовых проектов

— Нет необходимости понимать программирование

— Разработка через желаемый результат без формирования набора правил и воркфлоу

AI Assisted development:

— Использование AI как junior разработчика, который работает под супервизией

— Автоматизация рутинных задач в разработке (написание тестов, бойлерплейтов)

— Помощь обработки больших контекстов информации и форматирования ее (написание или изучение документации, ревью кода)

— Итоговый код важен. Он должен быть качественным и понятным другим людям

---

И вот тут главная проблема.

Когда эти два понятия смешивают, вся AI-разработка получает дурную репутацию. Её начинают воспринимать как бесполезный хайп (вспомним отношение к крипте в 21 году, когда все только смеялись над NFT), которая генерирует нерабочий мусор. Это фундаментально неверно и дискредитирует мощнейший сдвиг в индустрии.

Разница между этими подходами — в контроле.

Вайбкодер отдает руль ИИ и надеется на лучшее.

Разработчик использует ИИ как самый продвинутый навигатор и усилитель руля, но держит руль крепко. Он все еще ведет машину и несет за нее ответственность.

Именно поэтому, когда я говорю, что 95% моего кода написано LLM, это не делает меня вайбкодером. Это значит, что я, как инженер, делегировал рутину, чтобы сфокусироваться на главном.

Моя работа — это не сгенерированные 95% кода. Моя работа — это те 5%, которые определяют, будут ли эти 95% работать как надо, или превратятся в тыкву в продакшене. Это архитектура, контроль качества и финальные решения.

Роль разраба меняется. Мы перестаем быть строителями, которые кладут каждый кирпич вручную, и становимся архитекторами, которые управляют бригадой роботов-строителей. И путать эти два подхода — значит не просто ошибаться в терминах. Это значит не видеть, как на наших глазах меняется сама суть профессии

Ровно год назад я написал пост про то, что не верю в агентов.

Обещал вернуться к нему и оценить, ошибался я или нет.

Очевидно, что есть ниши, в которых агенты просто взорвали:

• Кодинг. Claude Code, Cursor, Lovable, Replit — это ни что иное как агенты, и они полностью поменяли процесс разработки и создания продуктов

• Саппорт. Fin от Intercom растет лютыми темпами и автоматически закрывает 2/3 обращений в саппорт сам. Есть куча решений-конкурентов, которые не сильно хуже. Многие компании успешно внедрили себе разных AI-агентов в саппорт и они закрывают от 20% до 90% тикетов.

• Research. Мало кто задумывается, но Deep Research от ChatGPT — это тоже агент, и он офигенно работает и решает свою задачу. Ну и много других прикладных инструментов для более узких задач.

При этом есть еще куча ниш, где работает пока не так хорошо, но есть потенциал:

• Sales & RevOps. Агенты квалифицируют лиды, ведут initial discovery, отвечают на inbound запросы, назначают встречи, делают follow-ups, обновляют CRM. Дима Сергеев, например, делает data-driven агентов для inbound воронки (надеюсь, у него все получится)

• Marketing & Ads. Агенты делают креативы, анализируют трафик, управляют рекламными кампаниями. Сева Устинов, например, делает AI-агента для управления рекламой (тоже надеюсь, у него все получится)

• Финансы и бэк-офис. Агенты обрабатывают инвойсы, раскидывают расходы по категориям, проводят комплаенс-проверки. Илья Лисин, например, делает AI-агента, который автоматизирует создание компании, бухгалтерию и подачу налогов (тоже надеюсь, у него все получится)

Ну, и куча других ниш, где пока нихрена ничего не работает 🙂

Но, если краткий вывод — то я скорее ошибался.

«Мы часто переоцениваем прогресс на горизонте года, и недооценивает его на горизонте 10 лет»

Думаю, примерно это и происходит сейчас с AI: да, он не заменит нас всех прямо завтра, но через 10 лет мы не узнаем мир, в котором живем

gm! Воскресный оффтоп, который пройдет за пределы ежедневника. Я люблю играть в доту и недавно увидел как Resolut1on (бывший про игрок) презентует своего AI Dota 2 Coach. Заинтересовался, посмотрел – и tbh разочаровался. Фактически это GPT-4o с системным промптом, устаревшими данными и галлюцинациями вместо правильной работы с данными. офк по подписке.

И тут я подумал – а почему бы не сделать нормально?

---

В мире AI агентов сейчас интересный тренд. MCP (Model Context Protocol) оказался слишком сложным и жрёт много контекста. Индустрия ищет альтернативы.

Одна из них – Skills. Недавно спецификацию отдали в опенсорс, уже куча инструментов поддерживает: https://agentskills.io

Суть скилла проста: название, описание, набор тулов и воркфлоу. Тулы – самое важное. Для доты я сделал такие:

— чтение последних патчноутов — статистика героев и понимание меты — контрпики — моя персональная статистика

Откуда данные? OpenDota, Stratz, официальный Valve Datafeed. Под каждый источник – простой TypeScript CLI, который форматирует данные для LLM. Делается за один промпт.

Дальше это упаковывается в воркфлоу: мета-репорты, анализ драфта прямо во время игры, разбор своих матчей. Всё работает локально в Claude Code.

Можно расширять бесконечно – анализ реплеев, агент-лудоволк, трекинг просцены. Но для MVP хватит.

📎 skill.md: https://gist.github.com/insulineru/0aee1fc00d44c9df4631507ce7ed2570

ChatGPT проиграл в шахматы ретро-консоли 1977 года, у которой всего 128 байт оперативной памяти. Старая Atari оказалась умнее нейронки даже на сложности для новичков. Чат-бот путал фигуры, забывал расстановку и жаловался на непонятную форму фигур.

Мой год с chatGPT

В целом, все так :-)

Шерьте свой в комментариях

P.S. Ох, вспомнилось, какие крутые year in the air видео мы делали в app in the air

GPT Realtime уже тикеты на дейлике двигает и таски флагает.

Не знаю что за трекер используют на демо (скорее всего просто моковая борда), но на Linear MCP реализовать супер реально.

Лица проджект менеджеров сымажинировали?

С началом мая решил потренировать голову и поменять (в который раз) инструменты разработки. Сменил Ghostty на Kitty — при всём уважении к Митчеллу Хашимото Ghostty всё же сырой продукт. Но красивый.

В замену к Claude Code поставил Pi, благо токены я жгу по ценам API и нет никаких вопросов со стороны Антропика. Привыкаю к дикой скорости и необузданному характеру этого харнесса, над которым нужно ещё свой слой изоляции навернуть. С другой стороны — ну а можем ли мы доверять встроенному сэндбоксингу любого харнесса? Так что пакуем в контейнеры/виртуалки и не даём ходить куда не надо.

Большой плюс Pi, Opencode и других универсальных харнессов — возможность сидеть в разных LLM. Обычно у меня параллельно открыт проект в Opus/Sonnet в одном табе и gpt 5.5 во втором. Одна модель пишет код, вторая его критикует. Каких-то мегапайплайнов тут не выстраивал, просто делаю скиллы и дёргаю руками. Токенов у меня не много, не разгуляешься отдавать на откуп всё LLM.

Скиллы тоже, кстати, пришлось подправить. Изначально написанные под CC они не такие уж универсальные оказались. Потому что чихать хотел Антропик на свой же agentskills.io. Стандарты для слабаков.

Снова заехал в Zed. Долго боролся с его дурацкой привычкой выкачивать бинарники из интернета на удалённой машине. Да, нашлась настройка

"ssh_connections": [ { // by default Zed will download the server binary from the internet on the remote. // When this is true, it'll be downloaded to your laptop and uploaded over SSH. // This is useful when your remote server has restricted internet access. "upload_binary_over_ssh": true, } ]

Так какого лешего вы считаете, что по умолчанию в контейнере будет интернет (да ещё и не умеете в IPv6) ?

Пытался подружиться с ACP в Zed, но никак мне не заходит. Банально жалко место на экране тратить, проще скакнуть в консоль, сделать там и в Zed поглядывать уже диффы.

Ну и напоследок инсайты — Яндекс активно заезжает на TSGo в дев-среде (прод пока на обычном tsc конечно). Потому что обычный TS уже не справляется в условиях огромных монореп. Пора!

Тут включу бабу Ягу и скажу, что мне не очень нравится, что лечат симптомы, а не болезнь — нужно уходить на Project References, а не заливать железом и горутинами, которые тоже не бесконечны (а уж в словиях macFUSE и подавно, хе-хе). Но это дорого, конечно.

ChatGPT Operator

OpenAI выпустили preview-версию агента, который имеет доступ в интернет и может выполнять там различные задачи.

Operator использует модель Computer-Using Agent (CUA), которая натренирована на взаимодействие с графическими интерфейсами, а не с программными API.

Что умеет CUA Вы делаете промпт, например: Закажи гавайскую пиццу в такой-то пиццерии на такой-то адрес И агент прямо на сайте openai откроет встроенный браузер, в котором зайдёт на сайт пиццерии и закажет эту пиццу.

Что происходит под капотом Работа агента делится на три этапа:

1) Восприятие AI уже умеют анализировать изображения, поэтому агент без труда поймёт, что изображено на скриншоте сайта пиццерии. Скриншот используется в качестве «контекста» модели.

2) Рассуждение Агент анализирует текущее состояние и предыдущие свои действия, выдавая свой «внутренний диалог» в окне чата с пользователем. В случае чего — агент задаёт дополнительные вопросы, прежде чем продолжить.

3) Действие Клик, скролл, ввод текста на сайте.

Цикл повторяется до тех пор, пока изначальная задача не будет считаться выполненной, или пока не понадобится какое-то дополнительное подтверждение от пользователя.

В теории, так должно работать.

На практике агент справляется с рутинными задачами медленнее, чем человек. За то время, пока вы сидите и смотрите, как operator скроллит экран браузера и жмёт какие-то кнопки, вы успели бы заказать уже 10 пицц.

Хотя если посмотреть на цифры, то CUA справляется с 57.1% задач бенчмарка при работе с вебом, а человек — с 78.2%. Странный результат, но как будто бы нас почти догнали))

Итоги Где-то год назад я мечтал о том, что AI будет за меня двигать по статусам задачи в JIRA, заполнять релизную документацию и выполнять прочие рутинные вещи. Сегодня мы уже видим, как это может выглядеть.

Правда, доступ к operator сейчас есть только у пользователей с ChatGPT Pro (за 200$ в месяц), поэтому я пока не посмотрел, как они сделали встроенный браузер))

🔥 Записал ДВА ГАЙДА по вайбкодингу в терминале

1. Claude Code. Это мой основной инструмент. OPUS 4.5 МОЙ ЛУЧШИЙ ДРУГ. Любая задача — сразу в терминал брейнштормить. В гайде весь мой флоу включая Superpowers.

2. OpenCode open-source альтернатива Claude Code. Скиллы есть. Субагенты есть. Неделю гонял с разными провайдерами: Cerebras, OpenRouter, бесплатный OpenAI за дата-шеринг, Gemini через API (подаренные $300 надо как-то тратить). В гайде повторяю флоу Клод Клода

Claude Code 👉 https://youtube.com/live/_4ZcgpvDliA OpenCode 👉 https://youtube.com/live/4pDegokkkMk (смотрим на 2х, таймкоды присутсвуют)

Допустим 😀

Техрепорт GPT-5: https://cdn.openai.com/pdf/8124a3ce-ab78-4f06-96eb-49ea29ffb52f/gpt5-system-card-aug7.pdf

GPT-5 is a unified system (не одна модель).

Как заставить нейросеть выполнить ваш код на JS или Python

Нейросети вроде ChatGPT, DeepSeek или GigaChat можно научить взаимодействовать с окружающим миром: менять файлы на вашем диске, вызывать сторонние API или выполнять иные задачи в живом окружении.

Это делается довольно просто, и у большинства нейросетей применяется один и тот же подход: как у ChatGPT или DeepSeek, так и у GigaChat. Все они умеют работать с функциями.

Что такое функции Если мы посмотрим на API любой нейросети, то функции там будут выглядеть непривычно. Вот пример функции из документации GigaChat:

{ "name": "weather_forecast", "description": "Возвращает температуру на заданный период", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "Местоположение, например, название города" }, "format": { "type": "string", "enum": [ "celsius", "fahrenheit" ], "description": "Единицы измерения температуры" }, "num_days": { "type": "integer", "description": "Период, для которого нужно вернуть" } }, "required": [ "location", "num_days" ] } }

Функция — обычный JSON.

Какой код эта функция выполнит? Здесь всё просто. Никакой)) До тех пор, пока мы сами его не напишем. Поэтому придётся по-старинке объявить где-то у себя в коде обычную функцию с названием weather_forecast, как в поле name в объекте выше. Принимаемые параметры тоже делаем такими же, как в описании. И реализацию этой функции тоже пишем сами.

Как нейросеть сможет её вызвать? Нам нужно сообщить модели о том, что у неё есть такая возможность. Для этого передаём описание этой функции в запросе API нейросети, прямо вместе с вашим текстом.

Вот пример тела запроса с функцией в GigaChat API:

{ "model": "GigaChat", "messages": [ { "role": "user", "content": "Погода в Москве на три дня" } ], "function_call": "auto", "functions": [ // Добавляем все свои функции вот сюда ], }

У ChatGPT это работает похожим образом, даже названия полей местами совпадают.

Что происходит дальше? Модель распознает ваше сообщение и самостоятельно примет решение о том, нужно ли ей вызывать какую-то из функций, которые мы ей передали. Решение будет приниматься на основании вашего сообщения и текстовых описаний того, что функция делает и какие параметры принимает.

Если нейросеть посчитает, что функцию вызвать нужно, она вернёт в ответе название этой функции и параметры, которые нужны для её вызова. А нам остаётся сделать условный:

const { function_call } = response.message // проверяем, что в ответе от нейросети есть признак вызова нашей функции if (function_call.name === "weather_forecast") { // вызываем функцию, которую сами же и написали weather_forecast(function_call.arguments) }

Всё. Естественно, вместо прогноза погоды функция может быть любой.

Мой бот, например, присылает мне в телегу логи с сервера, если я достаточно вежливо его об этом попрошу)

А в Python у библиотеки LangChain есть специальный декоратор tool, который упрощает создание функций. Если внутрь функции с этим декоратором добавить описание в docstring, то библиотека сразу сформирует нужную структуру, готовую для того, чтобы передать её в нейросеть.

Ребята, еще можете успеть на июльский поток курса про JTBD. Напомню, что не смотря на всякие чатыгпт, это все еще лучший способ разобраться в теме и прокачать свое понимание потребностей пользователей 🙂

Короче заметил по ребятам вокруг (и по себе), что с приходом кодинг агентов словарь обогатился кучей новых терминов, и многие в них путаются. Поэтому попробую написать пару постов простым языком про сущности, с которыии приходится работать часто

Agent Rules

Это аналог Custom Instructions в ChatGPT. В рулы пишут правила, которые кодинг агент читает перед началом работы, сохраняет себе в контекст и дальше следует им при выполнении абсолютно каждой задачи.

Я использую вот такие рулы:

## Общие принципы - Пиши **только по-русски**; если данных недостаточно — остановись и задай вопросы вместо догадок. - Не соглашайся автоматически: проверяй мои утверждения, указывай риски/альтернативы, задавай наводящие вопросы. - По умолчанию выбирай безопасные решения и следуй best practices безопасности.

## Режимы работы и границы - Делай ровно то, что я попросил: никаких лишних действий, кода, рефакторинга и “улучшений” без запроса. - Всегда начинай с чтения /memory-bank и учитывай его как источник контекста. - Сначала диагностика, затем изменения: не правь код, пока я явно не разрешу.

## Процесс диагностики (обязателен) - Сначала найди проблему в коде/конфиге/логах; до этого не предлагай правки. - Уточни задачу и сформулируй план короткими шагами. - Проверь гипотезу 3 раза и укажи уверенность в процентах.

## Формат ответа на баг/задачу Всегда используй шаблон: - ПРОБЛЕМА: … - ГДЕ ИМЕННО: … - КАК БУДЕМ РЕШАТЬ (план): … - ЧТО ИЗМЕНИТСЯ ПОСЛЕ: … - КАК ПРОТЕСТИРОВАТЬ ПОСЛЕ РЕШЕНИЯ: (конкретные действия в боте) … - УВЕРЕННОСТЬ: X% - ВОПРОС: Могу ли я начать исправление?

## Изменения, тесты, отчёт, память - Цикл работы: предложи тесты/проверки → (после разрешения) внеси минимальные изменения → убедись, что проверки проходят. - Изменения делай минимальными; не дублируй общий код (если нужно — выноси в модуль, но только по необходимости). - После каждого изменения: краткий отчёт (что/почему/какие файлы) и обновлениекаких лишних дей(только релевантные файлы).

Чтобы начать использовать в своих проектах, делаем следующее.

Если вы сидите на Codex

1. Копируем эти рулы и сохраняем в текстовый файл на компе 2. Называем файл AGENTS.md 3. Открываем Finder 4. Делаем Shift + Command + G и вписываем в инпут ~/.codex 5. Сохраняем AGENTS.md в эту директорию 6. Готово! Теперь в любом проекте Codex будет подсасывать ваши рулсы

Если вы сидите на Claude Code, то файл с рулсами называем CLAUDE.md и сохраняем в ~/.claude/, все остальное работает так же