Вкалывают роботы

У меня накопилось 10,000 заметок за 10 лет. Evernote, Google Docs, голосовые записи — всё свалено в кучу. Классическая проблема: информация есть, найти невозможно. Claude Code — это ИИ-ассистент, который работает в терминале и читает файлы прямо на диске. Я запустил его в папке с заметками и попросил помочь с квартальным отчётом. Он сам нашёл метрики, вытащил ключевые решения из еженедельных встреч, откопал забытую заметку про то, как писать инвестор-апдейты. Час вместо восьми. На Хабре написал пошаговую инструкцию: как перенести заметки в Obsidian, как автоматически рассортировать тысячи файлов по категориям, как настроить всё это с нуля — даже если у вас не установлен Python.

Вайбкодинг: как собрать сайт в стиле советского киберпанка за один вечер За шумом вокруг вайбкодинга скрывается важная перемена. Мы перестаем использовать нейросети как продвинутый поиск и начинаем работать с ними как с автономными агентами. Это новый уровень контроля: когда ИИ не просто предлагает идеи, а заходит в ваш терминал и своими руками создает из них готовый продукт. Предлагаю эксперимент: давайте вместе пройдем путь от чистого листа до живого сайта за 2 часа. В новой статье мы вместе с вами: – Приручаем терминал – Запускаем автономного ИИ-агента в Claude Code – Генерируем киберпанк-картинки в Nano Banana – Публикуем сайт на Replit Готовы узнать, насколько глубока кроличья нора?

Коротко о пользе вайбкодинга!

У нас огромное количество коммуникации в Телеграме. Десятки чатов, сотни сообщений, хаос. Удерживать этот контекст в голове — сложно. Я перестал бороться с этим вручную и собрал себе умного AI-ассистента. Я подключил Claude Code напрямую к своему аккаунту. Теперь это не «чат-бот в браузере», а ассистент, который в курсе всех моих дел. В чем Суперсила? Живой пример из видео: Агент напомнил мне «Позвонить Максиму». Фишка в том, что я обещал это Оксане в совершенно другом чате. Claude сам связал контекст, нашел обязательство и превратил его в задачу. 🎥 В новом видео показываю, как сделать себе такого ассистента. Всё работает локально, безопасно и настраивается за 30 минут. 👉 YouTube: https://youtu.be/iAM9D5vnILY

Прямо сейчас пилим игру-симулятор по обучению Claude Code. Если вкратце: как автоматизировать процессы в компании с помощью AI. Хочу потестить формат «создаем проект с ИИ в реалтайме»: буду на живом примере показывать каждый свой шаг. Если тема интересна – ставьте 🔥. Наберем 20 огоньков – и я начну подробный разбор процесса. 😅

Делаю на даче автооткрывание ворот. Собрал электрику и нужен был корпус, чтобы аккуратно всё это упаковать. Замерил штангенциркулем каждый модуль, скинул размеры Claude Code, попросил сделать корпус под 3D-печать. Выдал STL-файл. Напечатал — модули встали как влитые. С первого раза. Раньше между «есть плата» и «есть готовый корпус» стояли FreeCAD и полдня подгонки. Теперь — штангенциркуль и один промпт 🤯

Хватит общаться с ИИ. Пора ставить ему задачи. Мне нужно было найти пожарные компании и запросить у каждой коммерческое предложение. Обычно это пара часов: гуглишь, открываешь сайты, выписываешь контакты, потом каждой пишешь письмо. Я сделал это двумя сообщениями AI-агенту: 1. Найди компании по первым трём страницам Google, собери контакты 2. Зайди в мой Gmail и создай черновик запроса КП для каждой Всё. Агент сам искал, сам парсил сайты, сам писал письма в моей почте. Это не ChatGPT. Это AI-агент. И разница — фундаментальна. Подробный разбор: https://telegra.ph/Hvatit-obshchatsya-s-II-Pora-stavit-emu-zadachi-05-29

Самый частый вопрос, с которым сейчас приходят компании: «В какие процессы нам внедрять ИИ прямо сейчас?» На практике ИИ в компаниях пока часто используется очень примитивно: сотрудники по одной задаче копируют тексты в веб-интерфейс чат-бота, получают черновик и вручную переносят результат обратно в рабочую систему. Это может помогать отдельному человеку, но почти не меняет сам процесс. На другом полюсе — продавцы «магических агентов», которые обещают, что ИИ сам разберется в процессе: найдет данные, примет решение, оформит документы, загрузит результат и отчитается. В демо это выглядит убедительно. В реальной компании обычно разваливается на первом столкновении с грязными данными, исключениями, регламентами и ответственностью за ошибку. Работающий ИИ сегодня — это Human-in-the-Loop. Мы автоматизируем не финальный результат, а конвейер по его подготовке, где человек остается внутри петли контроля. Как устроен этот конвейер По сути, это цепочка из ИИ-агента и человека, где роли распределяются так: 1) Рамка: человек Вы проектируете конвейер: описываете задачу, правила игры, источники данных, допустимые действия и точки контроля. 2) Исполнение: ИИ Агент забирает на себя черную работу: перемалывает таблицы, выгрузки из API, записи звонков, договоры, сканы, транскрипты; запускает код, сверяет данные и собирает черновики файлов. 3) Суждение: человек Эксперт остается финальным контролером. Он проверяет работу в критических точках, дает добро или возвращает задачу на доработку. Три примера из практики 1. Контроль контрагентов и аудит договоров Компания отправляет контрагенту договор и получает обратно подписанный скан. Агент сверяет его с шаблоном и внутренними регламентами: суммы, сроки, ответственность, обязательные формулировки. Чтобы модель не отвечала абстрактно, она обязана ссылаться на конкретные пункты источников. Отдельный проверочный шаг валидирует, что эти пункты реально существуют, а не придуманы моделью. После этого документ уходит человеку на финально

LLM, персональные данные и 152-ФЗ LLM и агенты читают договоры, разбирают таблицы с клиентами, отвечают на тикеты, разгребают почту, лезут в CRM. А там ФИО, телефоны, ИНН, паспорта.. Написали статью про то, что считается персональными данными, какие правила и наказания, и какие есть варианты у того, кто хочет гонять документы через LLM и не словить штраф. С плюсами, минусами и рабочими схемами. https://habr.com/ru/articles/1078722/

Anthropic выпустили Claude Tag. По виду это обычный бот в Slack, но на самом деле — запуск автономных серверных агентов прямо внутри рабочего чата. Как это работает на практике. Я пишу в рабочий канал: «@Claude, подготовь для отдела продаж, пожалуйста, анализ по всем новым заявкам!» — и закрываю ноутбук. Клод безопасно подключается к внутренней CRM, вытягивает новые лиды, собирает информацию в интернете, сам создаёт отчёт в системе аналитики и пишет об этом в Slack. Утром команда заходит в чат, видит ссылку на готовый дашборд и прямо в ветке обсуждения просит бота скорректировать данные. Андрей Карпаты назвал это третьим мощным редизайном UX в истории LLM. Раз сам Карпаты так говорит, попробую и я распаковать. 1. Ответ для OpenClaw OpenClaw наглядно доказал спрос: людям нужен автономный цифровой сотрудник, а не просто интерфейс для работы с кодом. В Anthropic заметили этот тренд, не стали суетиться и разыграли свои карты точно. Они создали корпоративного агента внутри рабочей инфраструктуры компании. Вы к нему больше не ходите во внешние вкладки — он уже сидит в вашем Slack. 2. Tag — это Claude Code на сервере, то есть те самые Managed Agents По сути, это и есть технология управляемых агентов (Managed Agents), которую компания активно развивала и продвигала последние три месяца. Бот запущен на сервере, имеет доступ к внутренней инфраструктуре и работает полностью автономно. Он умеет запускаться по расписанию и выполняет задачи, пока ваш ноутбук вообще выключен. Но главное — здесь есть командный режим. С одним ботом в канале могут свободно общаться разные люди, подхватывая задачи друг за друга. Это гораздо продуктивнее локального приложения на компьютере. 3. Стратегия Anthropic Им нужно продавать именно токены по API, а не фиксированную подписку: токены выходят дороже, чем фикс по подписке, и не упираются в потолок выручки. А счёт за токены растёт пропорционально тому, сколько часов работает такой агент. Раньше вся эта серверная инфраструктура для автономных зад

5 принципов для успешной автоматизации ручной работы в Excel Если вы не знаете, с какой стороны подступиться к автоматизации с ИИ, посмотрите туда, где ваши сотрудники чаще всего открывают Excel. Там гарантированно живут процессы, куда уходят сотни часов ручного труда в месяц. Как это выглядит в реальности (примеры за последний месяц): - Крупный производитель вручную собирает ключевой отчет (данные берутся из 100+ листов). Руководитель видит реальную картину в лучшем случае на 15-й рабочий день и не успевает вовремя скорректировать курс. - В сервисной компании в пик сезона один сотрудник руками выставляет до полутора тысяч счетов в день. - В торговой компании специальный отдел ежедневно парсит карточки конкурентов и руками сводит гигантские таблицы. Полностью передать машине этот участок работы компании не готовы, потому что цена ошибки слишком чувствительна для бизнеса. Внутри этого процесса всегда зашито человеческое суждение. Например, нужно руками сопоставить небьющиеся артикулы с маркетплейсов или финально свести баланс так, чтобы активы равнялись пассивам. Отсюда и барьеры для внедрения ИИ: - Что будет, если агент начнет галлюцинировать? - Что если машина ошибется в вычислениях? А что если она ошибется в следующий раз? - И как мне проверить ее работу, чтобы дать финальный зеленый свет? Вопрос не в том, доверять ИИ или нет, а в том, как правильно спроектировать процесс. Вот 5 простых принципов из нашей работы, которые дают максимальный эффект: 1. Вычисления делает код, а не LLM Используйте агента, чтобы написать код, который сделает быстрые и корректные вычисления. 2. Один агент проверяет другого Запустите субагента, который с нуля перепроверит готовую работу. 3. Агент сохраняет результат в таблицу с формулами Таким образом руководитель может проверить всю цепочку вычислений агента точно так же, как он проверил бы работу человека. 4. В ключевых точках добавьте человека в контур процесса (human-in-the-loop) Человек контролирует алгоритм на важных этапах

Как собираются сложные скиллы для операционки Внедрять агентов в операционку тяжело, потому что в одном процессе завязана куча разных систем: почта, календари, CRM, пять табличек и так далее. Для таких задач нужно создавать сложные скиллы, и ниже я покажу на примере, как это делается. На этой неделе мы работали с операционным директором стартапа над банальной задачей: назначить встречу с инвестором после интро-письма. Надо ответить и предложить 3 конкретных слота в разные дни (например, «четверг в 14:00, пятница в 9:00»). Звучит просто, но под капотом довольно сложный процесс: надо найти свободное окно сразу у трех человек, состыковать таймзоны от Калифорнии до Сеула, учесть буферы между встречами и две разные почты. И главное: все эти правила нигде не записаны, они живут только в голове. В пик фандрейзинга назначается по 5-8 встреч в день, это реально фултайм-работа. Вот как выглядела работа по шагам: 1. Нарисовали процесс Сделали доску в Miro, где выписали все шаги от входящего письма до инвайта в календаре. 2. Выбрали самый жирный кусок Кусок, который забирает больше всего времени, это поиск слотов в календарях. Важно не пытаться сделать все сразу, а строить скилл кирпичик за кирпичиком. К тому же поиск слотов полезен сам по себе и сразу пошел в работу. 3. Подключили Claude через коннектор к Гугл-календарю и Gmail Протестировали, что он видит письма и встречи. 4. Skill-creator сам взял интервью и протестировал себя Инструмент от Anthropic сам интервьюирует пользователя и вытаскивает правила работы из его головы. Задает коварные вопросы из серии «окно в 3 дня, это подряд или любые дни?». Дальше он собирает скилл и тестирует его на проверочных кейсах. 5. Нашли косяк, добавили независимого контролера На живом запросе сразу вскрылся косяк: один участник был в командировке, а система решила, что главное, чтобы был фаундер, и предложила слоты без третьего человека. Вернулись назад: skill-creator прописал в конец независимую проверку. Это отдельный субагент-кон

Почему harness это слово года и почему вам нужно об этом знать ИИ-модели, такие как OpenAI, Anthropic или DeepSeek, открывают новые возможности. Но сами по себе они только один из ингредиентов. Одних моделей недостаточно, к ним нужно добавить дополнительную «обвязку», чтобы их можно было внедрить в реальные бизнес-процессы. Эта «обвязка» и называется harness. Harness это буквально упряжка, надстройка над моделью, которая позволяет обуздать ее. Без этой упряжки модель может галлюцинировать, выдумывать факты, ошибаться в вычислениях или выдавать низкопробный слоп. Harness закрывает слабые зоны и «слепые пятна» модели. В 2026 году «ИИ не справился» почти всегда означает «не справился harness». Из чего состоит harness: - Контекст. Модель из коробки не знает о том, кто вы, что делает ваша компания, какие есть проекты и так далее. - Доступ к данным и системам, в которых работает компания, таким как CRM или корпоративные мессенджеры. - Скиллы. Структурированное описание того, как в компании принято выполнять задачи. - Верификация. Способ проверить, например, точность расчётов или дать ссылку на документ, откуда взят тот или иной факт. - Автономность. Возможность агента выполнять задачи в фоне. - Человек. На самом деле harness может быть и человек. Человек внутри процесса тоже harness. Тот, кто сможет удостовериться, что агент делает всё правильно, или выполнить задачу, которая даётся агенту с трудом. В моменте это может не только не ускорить текущую работу, но также создать дополнительную работу по созданию этой обвязки. Несмотря на это, бизнесу стоит вкладывать сюда время и ресурсы. Модели доступны всем, но именно harness позволит получать измеримые результаты: кратное сокращение расходов, увеличение продуктивности, новые источники выручки.

Правила Clay против ИИ-слопа Меня задолбал низкокачественный ИИ-слоп, который я встречаю почти каждый день. Зачастую люди отдают написание текста ChatGPT и даже не читают, что получилось. Уверен, многие из вас разделяют мои чувства. :) Поэтому я хотел поделиться переводом поста сооснователя компании Clay Варуна Ананда. Это внутренняя политика компании по использованию ИИ в текстах. Он завирусился в LinkedIn и набрал 9640 реакций и 580 комментариев. Перевод политики: Хорошее письмо переносит идеи из твоей головы в голову другого человека. ИИ-модели пока не пишут так, чтобы неотредактированный результат достигал этой цели. Ты как автор обязан убедиться, что каждая мысль в тексте именно твоя, а документ стоит времени читателей. ИИ в брейншторме, черновиках и вычитке разрешён. Но обязательно следовать этим четырем принципам: 1. Ты отвечаешь за каждую мысль и каждое предложение. Если коллега спросит: «Что ты хотел сказать этой строкой?» - ответ «ой, это ИИ написал» не принимается. В лучшем случае заметят несостыковки, в худшем примут за твою позицию то, чего ты не думал. 2. Письмо это мышление. Время на письмо углубляет понимание темы. Спеки, статусы, ретроспективы - доказательство мыслительной работы. Перепоручить документ ИИ, чтобы пропустить думание, значит лишить его смысла. 3. Написание должно занимать больше времени, чем чтение. Сгенерировать длинный документ из короткого промпта значит не уважать время читателей. Документ пишет один, читают многие: каждая лишняя минута читателя умножается на всю команду. Потратил время на ясность до отправки - выиграли все. 4. Длиннее не лучше. Паскаль: «Я написал это письмо длиннее обычного, потому что не было времени написать короче». Если из короткого промпта получается длинный текст, может, отправить сам промпт? Преобразований живого текста без потерь не существует: каждый рерайт меняет смысл. Читатели предпочтут твои настоящие мысли, даже без «полировки». Дословно цитировать ИИ можно, если честно пометить: «Кло

Как сделать так, чтобы ИИ-агент не нарушал инструкции? Больше всего меня бесит, когда агент нарушает явную инструкцию. Мы перепробовали разные способы его обуздать и запилили для вас интерактивный урок. В нём на примере рассылки писем показываем, как контролировать агента. Вы узнаете: - почему агент может проигнорировать ваш запрет; - как хук проверяет его действия и блокирует отправку, если письмо нарушает правило. В роли агента у нас Бендер, который при любой возможности пытается нам нагадить. Мы просим его отправить каждому клиенту отдельное письмо. Он соглашается, но стоит отвернуться… 😏 Посмотреть урок