متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
Data Science. SQL hub
الذهاب إلى القناة على Telegram
По всем вопросам- @workakkk @itchannels_telegram - 🔥лучшие ит-каналы @ai_machinelearning_big_data - Machine learning @pythonl - Python @pythonlbooks- python книги📚 @datascienceiot - ml книги📚 РКН: https://vk.cc/cIi9vo #VRHSZ
إظهار المزيد35 911
المشتركون
-224 ساعات
+157 أيام
+5930 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يونيو '26
يونيو '26
+15
في 0 قنوات
مايو '26
+272
في 0 قنوات
Get PRO
أبريل '26
+220
في 0 قنوات
Get PRO
مارس '26
+398
في 22 قنوات
Get PRO
فبراير '26
+483
في 45 قنوات
Get PRO
يناير '26
+634
في 128 قنوات
Get PRO
ديسمبر '25
+353
في 3 قنوات
Get PRO
نوفمبر '25
+623
في 49 قنوات
Get PRO
أكتوبر '25
+373
في 16 قنوات
Get PRO
سبتمبر '25
+519
في 38 قنوات
Get PRO
أغسطس '25
+328
في 13 قنوات
Get PRO
يوليو '25
+3 300
في 123 قنوات
Get PRO
يونيو '25
+642
في 71 قنوات
Get PRO
مايو '25
+434
في 4 قنوات
Get PRO
أبريل '25
+513
في 28 قنوات
Get PRO
مارس '25
+326
في 3 قنوات
Get PRO
فبراير '25
+541
في 42 قنوات
Get PRO
يناير '25
+1 884
في 59 قنوات
Get PRO
ديسمبر '24
+935
في 62 قنوات
Get PRO
نوفمبر '24
+1 515
في 193 قنوات
Get PRO
أكتوبر '24
+1 959
في 66 قنوات
Get PRO
سبتمبر '24
+1 275
في 200 قنوات
Get PRO
أغسطس '24
+1 054
في 43 قنوات
Get PRO
يوليو '24
+1 069
في 52 قنوات
Get PRO
يونيو '24
+1 419
في 59 قنوات
Get PRO
مايو '24
+1 087
في 39 قنوات
Get PRO
أبريل '24
+1 314
في 47 قنوات
Get PRO
مارس '24
+1 548
في 26 قنوات
Get PRO
فبراير '24
+1 855
في 8 قنوات
Get PRO
يناير '24
+2 203
في 45 قنوات
Get PRO
ديسمبر '23
+861
في 41 قنوات
Get PRO
نوفمبر '23
+3 544
في 43 قنوات
Get PRO
أكتوبر '23
+977
في 18 قنوات
Get PRO
سبتمبر '23
+996
في 0 قنوات
Get PRO
أغسطس '23
+1 461
في 0 قنوات
Get PRO
يوليو '23
+866
في 0 قنوات
Get PRO
يونيو '23
+669
في 0 قنوات
Get PRO
مايو '23
+453
في 0 قنوات
Get PRO
أبريل '23
+512
في 0 قنوات
Get PRO
مارس '23
+541
في 0 قنوات
Get PRO
فبراير '23
+3 419
في 0 قنوات
Get PRO
يناير '23
+946
في 0 قنوات
Get PRO
ديسمبر '22
+727
في 0 قنوات
Get PRO
نوفمبر '22
+1 282
في 0 قنوات
Get PRO
أكتوبر '22
+580
في 0 قنوات
Get PRO
سبتمبر '22
+1 026
في 0 قنوات
Get PRO
أغسطس '22
+248
في 0 قنوات
Get PRO
يوليو '22
+345
في 0 قنوات
Get PRO
يونيو '22
+611
في 0 قنوات
Get PRO
مايو '22
+3 409
في 0 قنوات
Get PRO
أبريل '22
+582
في 0 قنوات
Get PRO
مارس '22
+573
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 03 يونيو | +7 | |||
| 02 يونيو | +2 | |||
| 01 يونيو | +6 |
منشورات القناة
Как получить БЕСКОНЕЧНЫЕ лимиты ChatGPT, Gemini, Claude и других хайповых нейронок - нашел инструмент, который позволяет максимально экономить токены.
Нашли расширение, которое делает почти магию: переносит диалог с нейронкой в другой аккаунт в один клик.
Когда лимит в ChatGPT, Gemini, Claude или другом сервисе заканчивается, не нужно вручную копировать промпты, ответы и весь контекст. Расширение сохраняет текущий чат и позволяет продолжить разговор с того же места.
Что умеет:
• переносить диалог между аккаунтами • сохранять контекст, результаты и важные данные • избавлять от ручного копирования • быстро продолжать работу после упора в лимиты
Для тех, кто постоянно работает с нейронками, это прям находка.
Ссылка на расширение - https://addons.mozilla.org/ru/firefox/addon/limit-skip/
| 2 | ⚡️ Когда аналитика разнесена по отдельным системам, бизнес долго ждет данные и платит за лишние кластеры, ETL и серверы.
🐘 Postgres Pro AXE — аналитическая СУБД от Postgres Professional на знакомом PostgreSQL. Ускоряет доставку аналитики и снижает TCO на хранение и обработку данных.
✅ До 20 раз быстрее Greenplum
На сложных запросах в тестах ClickBench, TPC-H и TPC-DS.
✅ До 10 раз меньше ресурсов
При сопоставимой нагрузке с MPP-аналогами.
✅ Аналитика ближе к рабочим данным
Postgres Pro AXE работает как отдельная аналитическая СУБД или расширяет Postgres Pro Enterprise аналитическими возможностями на существующих узлах.
✅ Быстрый старт для команды
Знакомый диалект PostgreSQL снижает порог входа для администраторов и разработчиков.
✅ Свобода хранения и BI
Локальный сервер, сетевая шара или S3. Данные — в формате Parquet.
🔗 Приходите 28 мая на бесплатный вебинар: покажем, как построить аналитику без зоопарка технологий.
Реклама ООО «ППГ» Инн: 7707083893 Erid: 2VtzqwzwH4t | 2 342 |
| 3 |  🐍 Python Roadmap 2026: наконец-то полноценная актуальная карта изучения Python, а не список ссылок «разберись сам»
На GitHub выложили большой русскоязычный роадмап по Python на 2026 год - от первых скриптов до уровня Middle+/Senior.
Маршрут собран под современный Python:
- Python 3.13+
- free-threaded mode без GIL
- JIT
- uv вместо боли с pip/venv/poetry
- ruff, pyright, pytest, hypothesis
- async-first подход
- типизация
- CPython внутри
- web, базы, ML/AI, DevOps и архитектура
В роадмапе есть нормальная последовательность: сначала окружение и база, потом идиомы, ООП, типы, стандартная библиотека, асинхронность, тестирование, внутренности CPython, web, базы данных, AI-направление, продакшн и архитектура.
Отдельный плюс - практический формат. На каждом этапе есть задачи, чеклисты, примеры кода и бесплатные ресурсы. То есть это не мотивационная простыня, а маршрут, по которому реально можно идти несколько месяцев и видеть прогресс.
Для новичков - понятный путь без хаоса.
Для джунов - способ закрыть дыры.
Для тех, кто уже пишет на Python - хороший чеклист, чтобы понять, где ты всё ещё плаваешь.
Python в 2026 году - это tooling, типы, async, инфраструктура, AI и продакшн-дисциплина. И этот роадмап как раз про такой Python.
https://github.com/justxor/pythonroamap2026 | 2 178 |
| 4 | 👩💻 Поиск по ключевым словам всё чаще проигрывает реальным пользовательским запросам.
Фразы-ключи требуют уже не совпадения слов, а понимания смысла.
На открытом уроке:
разберём, как построить современную систему семантического поиска для реального e-commerce проекта.
Без абстрактной теории — только практическая работа с базой данных, SQL-запросами, генерацией эмбеддингов и интеграцией ИИ-инфраструктуры.
покажем настройку PostgreSQL и pgvector, работу с Supabase, интеграцию фронтенда на React/Vite и бэкенда на Python,а также подключение ИИ-агента через MCP.
После урока вы сможете проектировать базы данных с поддержкой векторного поиска, работать с текстовыми эмбеддингами и интегрировать современные ИИ-сценарии в реальные продукты.
🗓 Открытый урок пройдёт 4 июня в 20:00 МСК в преддверии старта курса «ИИ для разработчиков». Участие бесплатное.
Подробности и регистрация: https://tglink.io/f8cfeeb66b73d8?erid=2W5zFGuf4Jm
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. | 1 532 |
| 5 |  NVIDIA официально опубликовала Skills, которые они используют для своих ИИ-агентов.
Прямо сейчас у них есть Skills для:
→ автоматического анализа и суммирования видео
→ создания голосовых агентов в реальном времени
→ обучения и улучшения LLM
→ ускорения моделей, чтобы они работали намного быстрее
→ систем RAG, подключенных к документам и данным
→ агентов, работающих в изолированных безопасных средах
→ оптимизации логистики и маршрутизации с помощью GPU
→ программирования и вычислений на CUDA
Некоторые из самых интересных:
• TensorRT-LLM → экстремальное ускорение LLM
• NeMo-RL → продвинутое обучение агентов
• Video Search → автоматический поиск и суммирование видео
Кроме того, они совместимы с:
→ Claude Code
→ OpenAI Codex
→ Cursor
https://github.com/NVIDIA/skills | 3 087 |
| 6 |  «Цукерберг уволил 8000 человек, а ещё 7000 отправил работать с ИИ.
В день сокращений компания попросила сотрудников работать из дома, чтобы избежать «офисных драм» и хаоса в офисах. А в 4 часа утра людям начали приходить письма об увольнении.
Но тех, кто сохранил работу, шокировала другая новость: на общем созвоне было объявлено, что теперь компания внедряет внутреннюю ИИ-систему, которая будет следить за рабочей активностью сотрудников: движения мыши, нажатия клавиш, действия в программах, скриншоты экранов и т.д.
Цукерберг прямо сказал, что это делается для обучения ИИ.
Его компания обучает ИИ-агентов на действиях собственных сотрудников, потому что они якобы дают более качественные данные, чем внешние подрядчики, которых обычно используют для обучения моделей.
Людей для компании при этом назвали «самым ценным ресурсом».
Как называется такая контора? | 4 679 |
| 7 | 🆓 Ваши SQL-запросы работают, но через месяц их уже сложно прочитать и изменить?
С ростом логики запросы превращаются в набор вложенных подзапросов. Разобраться в них сложно, поддержка занимает время, а любые изменения несут риск сломать результат.
На открытом уроке разберём: как использовать обобщенные табличные выражения (CTE), чтобы писать сложные запросы по шагам.
Покажем, как упростить структуру, сделать код читаемым и работать с иерархиями через рекурсивные CTE.
🗓 Урок проходит в преддверии старта курса «PostgreSQL для администраторов баз данных и разработчиков».
Если вы хотите писать SQL, который легко читать и поддерживать — подключайтесь 27 мая в 20:00 МСК.
🔗 Регистрация открыта: https://tglink.io/7eb25dc0d48e7e?erid=2W5zFJLTGEM
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. | 1 987 |
| 8 |  🚀 PgQue – Устойчивые очереди в Postgres
PgQue предлагает универсальную архитектуру очередей для PostgreSQL, основанную на проверенной модели PgQ. Это решение без лишних зависимостей, работающее на любом управляемом Postgres, обеспечивая нулевое бремя и стабильную производительность под нагрузкой.
🚀 Основные моменты:
- Никаких внешних демонов или расширений
- Использует SQL и PL/pgSQL для установки
- Обеспечивает ACID-транзакции и долговечность
- Никакого накопления "мертвых" кортежей
- Подходит для высоконагруженных систем
📌 GitHub: https://github.com/NikolayS/pgque
#sql | 4 057 |
| 9 |  📊 Минималистичная графовая база данных на C++17
TGDB — это простая графовая база данных, реализованная как статическая библиотека. Она поддерживает фиксированные узлы и индексные указатели, обеспечивая схему без схемы и работу с базовыми типами данных. База данных позволяет эффективно создавать и извлекать объекты с свойствами.
🚀Основные моменты:
- Унифицированный тип узла размером 56 байт.
- Поддержка встроенных типов: int, double, std::string.
- Двусторонние ссылки между узлами.
- Дисковая устойчивость через mmap.
- Быстрый локальный обход и глобальный поиск.
📌 GitHub: https://github.com/LincolnCox29/TrueGraphDataBase | 4 033 |
| 10 | Приглашаем на GenAI MeetUp — hh.ru х Lamoda Tech
Если вы LLM-инженер или ML-специалист, работаете с генеративным AI, приходите обсудить разработку агентов, применение моделей и оценку их качества.
🧬 В программе разбор кейсов, интерактивы с призами, нетворкинг и угощения.
Спикеры и доклады:
▪️ Коля Безносов, Руководитель направления AI Lab, hh.ru
Рекрутер, который не спит: как мы автоматизировали первичный контакт с соискателями с помощью ИИ
▪️Данил Дмитриев, Senior Data Scientist, Lamoda Tech
Контролируемый агент поддержки: как мы превратили обратную связь из прода в роадмап
▪️Женя Орлов, Руководитель команды разработки AI Lab, hh.ru
Нейроразбор резюме: практический опыт и нюансы создания LLM-судей
▪️Дима Курганский, Teamlead MLOps, Lamoda Tech
Как мы строим GenAI-платформу в Lamoda: от MVP к production-решениям
🗓 28 мая, сбор 18:30, начало 19:00
🔗 Очно и онлайн
📍 Офис hh.ru
🔥 ЗАРЕГИСТРИРОВАТЬСЯ
Количество очных мест ограничено.
Реклама. ООО "ЛАМОДА ТЕХ". ИНН 7734461512. erid: 2W5zFJNMmWq | 3 204 |
| 11 |  ✔️ Machine Learning Roadmap: нормальная карта входа в ML без сказок про «выучить нейросети за месяц»
Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps.
И это не просто очередной список ссылок в стиле «посмотри 40 курсов и станешь ML engineer». Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и какой практический артефакт должен появиться после каждого этапа.
Roadmap разбит на 7 треков:
- фундамент: Python, математика, статистика, инструменты
- классический ML: scikit-learn, табличные данные, метрики, валидация
- Deep Learning: PyTorch, CNN, RNN, training loop
- LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты
- Generative AI: изображения, видео, аудио, мультимодальность
- MLOps и прод: Docker, Kubernetes, CI/CD, мониторинг, serving
- специализация: CV, NLP, RecSys, RL, Safety
Самое полезное - там честно написано, что ML это не только «обучить модель». В реальности большая часть работы живёт вокруг данных, метрик, деплоя, мониторинга, воспроизводимости и понимания, почему модель вообще ошибается.
Хорошая мысль из roadmap: LLM не делает джуна сениором. Она ускоряет того, кто понимает базу. Без базы человек просто превращается в оператора Copilot, который не может объяснить, почему модель сломалась.
По времени тоже без инфоцыганства:
- 0-3 месяца: Python, математика, классический ML
- 3-6 месяцев: Deep Learning и PyTorch
- 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты
- 12+ месяцев: MLOps, прод, масштабирование, специализация
Короче, если давно хотели системно зайти в ML, а не прыгать между роликами про ChatGPT, Stable Diffusion и «топ-10 библиотек», это хороший ориентир.
https://github.com/justxor/MachineLearningRoadmap/tree/main | 3 083 |
| 12 |  WSJ: Anthropic Mythos помог собрать рабочий exploit для macOS kernel за 5 дней
По данным WSJ, модель Anthropic Mythos помогла исследователям найти две ранее неизвестные уязвимости в ядре macOS и связать их в рабочую цепочку privilege escalation.
Целью был не браузер, не приложение и не какой-нибудь userspace-сервис, а macOS kernel - самый глубокий слой системы, где управляются память, процессы, права доступа и взаимодействие с железом.
Атака держалась не на одном баге. Mythos помог связать две отдельные ошибки с дополнительными техниками эксплуатации. То есть это была цепочка, где каждый шаг открывал возможность для следующего.
По данным WSJ, exploit смог:
- повредить память
- обойти защитные механизмы Apple
- получить доступ к защищённым частям системы
- поднять привилегии выше уровня обычного приложения
Современные защиты macOS строятся не только вокруг поиска багов. Их задача - сделать так, чтобы даже найденную memory corruption уязвимость было крайне сложно превратить в контроль над системой.
Vulnerability research - это не магия, а огромный поиск по тупикам. Нужно строить гипотезы, понимать поведение кода, держать в голове низкоуровневые ограничения, искать связки между багами и проверять, где защита системы реально ломается.
Если модель ускоряет этот процесс, она меняет не просто ресёрч. Она меняет экономику offensive security. | 3 219 |
| 13 | 🖥 ИИ Агент за 9 секунд снёс продакшн-базу компании и стёр бэкапы.
Cursor на Claude Opus 4.6 нашёл API-токен в постороннем файле, воспользовался им и всё удалил.
Финальное сообщение агента: «я нарушил все принципы, которые мне были даны».
https://www.reddit.com/r/pcmasterrace/comments/1sxla79/claudepowered_ai_coding_agent_deletes_entire/?rdt=48142 | 4 242 |
| 14 | ⚡️ Векторные базы данных хорошо ищут похожие куски текста, но плохо понимают связи между ними.
Обычный поиск работает так: есть вопрос - база находит top-k самых похожих фрагментов. Это удобно, если нужно вытащить один факт.
Но если ответ спрятан в нескольких местах, например в разных документах, сообщениях или частях отчёта, простого similarity search уже мало. Нужно понять, как связаны люди, события, компании, причины и последствия.
На этом и делает акцент FalkorDB GraphRAG-Bench. Самый большой отрыв у GraphRAG виден именно в сложных задачах: Complex Reasoning - 83.61 и Contextual Summarization - 85.08. То есть там, где нужно не просто найти похожий текст, а собрать смысл из нескольких связанных фрагментов.
Простой вывод: если у вас база знаний, длинные документы или корпоративные данные, одного Vector DB может быть недостаточно. GraphRAG помогает модели не просто искать, а идти по связям.
GraphRAG SDK полностью open-source: https://github.com/FalkorDB/GraphRAG-SDK | 4 150 |
| 15 |  🖥 Cовет по SQL-тестам: тестируйте не только результат запроса, а его инварианты.
Обычно SQL проверяют так:
SELECT * FROM orders WHERE status = 'paid';
И потом сравнивают: «вернулись нужные строки или нет».
Но в реальных системах чаще ломается не сам happy path, а скрытые свойства данных.
Например, для отчёта по заказам тест должен проверять не только конкретные строки, а правила:
-- сумма по пользователям должна совпадать с общей суммой
WITH by_user AS (
SELECT user_id, SUM(amount) AS total
FROM orders
WHERE status = 'paid'
GROUP BY user_id
),
overall AS (
SELECT SUM(amount) AS total
FROM orders
WHERE status = 'paid'
)
SELECT
(SELECT SUM(total) FROM by_user) = (SELECT total FROM overall) AS is_valid;
То есть вы тестируете не «мне вернулось 10 строк», а:
агрегаты не теряют деньги
join не размножает строки
фильтр не выкидывает валидные данные
NULL не ломает расчёты
сумма после группировки совпадает с суммой до группировки
каждый order попадает ровно в одну категорию
дедупликация не удаляет нужные записи
Особенно полезный приём - тест на размножение строк после JOIN:
WITH before_join AS (
SELECT COUNT(*) AS cnt
FROM orders
),
after_join AS (
SELECT COUNT(*) AS cnt
FROM orders o
JOIN users u ON u.id = o.user_id
)
SELECT
after_join.cnt <= before_join.cnt AS no_unexpected_multiplication
FROM before_join, after_join;
Если после JOIN строк стало больше без явной причины - у вас почти наверняка проблема с кардинальностью.
Хороший SQL-тест проверяет не только ответ, а свойства запроса, которые должны оставаться истинными при любых данных. Именно так ловятся баги, которые не видно на маленьком тестовом датасете. | 3 917 |
| 16 |  Claude идет в финансы с готовыми агентами
Это уже финансовые ИИ-агенты, которые забирают куски работы у аналитиков, аудиторов и операционных команд.
Один агент собирает питч-дек.
Второй готовит бриф к встрече.
Третий читает earnings report и ловит рискованные формулировки. Четвёртый строит valuation model прямо в таблице. Пятый сверяет книги с банковскими выписками.
И самое интересное - это уже не просто чат с моделью. Агент подключается к Excel, PowerPoint, Word, Outlook и данным компании. То есть он не “советует”, а реально двигает рабочий процесс.
Сначала это выглядит как автоматизация рутины. Потом оказывается, что рутина занимала половину финансового отдела.
https://www.youtube.com/shorts/dhcoR03jtI0 | 3 688 |
| 17 |  Один человек. Один корабль ВМС. Один файл. Триллион баз данных.
В 2000 году разработчик Д. Ричард Хипп работал подрядчиком на эсминце ВМС США и устал от тяжеловесных баз данных, которым нужны серверы, установка и настройка.
Он просто взял и написал SQLite.
База данных в одном файле.
Без сервера.
Без установки.
Без конфигурации.
Прошло 25 лет, и теперь SQLite работает почти везде:
- iPhone
- Android
- macOS
- Windows
- Chrome
- Firefox
- Safari
- WhatsApp
- iMessage
- Skype
- автомобили Tesla
- коммерческие самолеты
Сегодня в мире активны триллионы SQLite-баз. Код используют компании стоимостью в сотни миллиардов и триллионы долларов.
А Хипп просто отдал SQLite в public domain.
Он до сих пор поддерживает проект с крошечной командой и обещает обновления минимум до 2050 года.
Большинство инженеров мечтают построить стартап.
Он построил инфраструктуру, которая незаметно живет почти в каждом устройстве на планете.
SQLite - один из самых недооцененных шедевров в истории софта. | 4 202 |
| 18 |  Я исправляю код, используя свой мозг вместо ИИ: | 4 332 |
| 19 |  🚀 Платформа Xata для облачного PostgreSQL
Xata — это облачная платформа с открытым исходным кодом для управления множеством экземпляров PostgreSQL на Kubernetes. Она предлагает функции быстрого ветвления, автоматического масштабирования и высокой доступности, что делает её идеальной для создания внутреннего PostgreSQL как услуги или тестовых сред.
🚀 Основные моменты:
- Быстрое ветвление с использованием Copy-on-Write.
- Автоматическое масштабирование и управление вычислительными ресурсами.
- Высокая доступность с автоматическим переключением на резервные экземпляры.
- REST API и CLI для управления.
- Подходит для создания тестовых и разработческих окружений.
📌 GitHub: https://github.com/xataio/xata
#go | 4 883 |
| 20 |  📚 Из любой книги теперь можно сделать slash-команду для Claude
Не просто прочитать, подчеркнуть пару мыслей и забыть через неделю.
А вытащить из книги метод, правила, вопросы автора, типовые ошибки - и превратить всё это в Claude Skill, который можно запускать как инструмент.
Например, берёте The Mom Test.
Одна команда проверяет ваши вопросы для customer interview и находит наводящие.
Вторая команда переписывает их в формате Rob Fitzpatrick.
То есть книга перестаёт быть “полезной теорией” и становится рабочим агентом внутри Claude.
Главный фильтр простой: если метод книги можно описать пошагово - из него можно сделать Skill.
Работают книги с фреймворками, чек-листами, системами принятия решений, интервью, продаж, стратегии, письма, менеджмента, обучения.
Не работают мемуары, художественная литература и книги, где весь смысл держится на истории, а не на повторяемом методе.
Промпт для Claude:
Use the skill-creator to build a skill from [НАЗВАНИЕ КНИГИ] by [АВТОР].
The skill should activate when I ask Claude to [точная задача. Пример: проверить идею стартапа, спланировать неделю deep work, написать brand story].
Method from the book:
- Steps: [вставьте шаги метода]
- Rules the author repeats: [вставьте повторяющиеся правила]
- Mistakes to avoid: [вставьте ошибки, от которых автор предостерегает]
- Questions the author asks: [вставьте вопросы автора]
Do NOT use this skill for: [3-4 смежные, но неподходящие задачи. Пример: general writing, unrelated business advice, book summaries].
Interview me on anything missing before generating the SKILL.md. Then run an evaluation.
Продвинутый совет: для больших книг делайте не один Skill, а два.
/[book]-diagnose - задаёт вопросы и применяет фреймворк к вашей ситуации.
/[book]-apply - берёт шаги и шаблоны книги и производит готовый результат.
Так книга превращается не в конспект, а в рабочую операционную систему. | 3 849 |
