متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
Пределы профессионализма
الذهاب إلى القناة على Telegram
2 096
المشتركون
+224 ساعات
لا توجد بيانات7 أيام
-430 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يونيو '26
يونيو '26
+13
في 0 قنوات
مايو '26
+34
في 0 قنوات
Get PRO
أبريل '26
+18
في 0 قنوات
Get PRO
مارس '26
+19
في 0 قنوات
Get PRO
فبراير '26
+25
في 0 قنوات
Get PRO
يناير '26
+26
في 1 قنوات
Get PRO
ديسمبر '25
+24
في 0 قنوات
Get PRO
نوفمبر '25
+41
في 0 قنوات
Get PRO
أكتوبر '25
+54
في 0 قنوات
Get PRO
سبتمبر '25
+59
في 1 قنوات
Get PRO
أغسطس '25
+51
في 0 قنوات
Get PRO
يوليو '25
+37
في 0 قنوات
Get PRO
يونيو '25
+37
في 0 قنوات
Get PRO
مايو '25
+58
في 0 قنوات
Get PRO
أبريل '25
+52
في 0 قنوات
Get PRO
مارس '25
+65
في 0 قنوات
Get PRO
فبراير '25
+46
في 0 قنوات
Get PRO
يناير '25
+71
في 0 قنوات
Get PRO
ديسمبر '24
+87
في 0 قنوات
Get PRO
نوفمبر '24
+27
في 0 قنوات
Get PRO
أكتوبر '24
+46
في 0 قنوات
Get PRO
سبتمبر '24
+54
في 0 قنوات
Get PRO
أغسطس '24
+53
في 0 قنوات
Get PRO
يوليو '24
+35
في 0 قنوات
Get PRO
يونيو '24
+47
في 0 قنوات
Get PRO
مايو '24
+56
في 0 قنوات
Get PRO
أبريل '24
+104
في 2 قنوات
Get PRO
مارس '24
+28
في 0 قنوات
Get PRO
فبراير '24
+34
في 0 قنوات
Get PRO
يناير '24
+40
في 0 قنوات
Get PRO
ديسمبر '23
+55
في 1 قنوات
Get PRO
نوفمبر '23
+53
في 0 قنوات
Get PRO
أكتوبر '23
+93
في 0 قنوات
Get PRO
سبتمبر '23
+44
في 0 قنوات
Get PRO
أغسطس '23
+60
في 0 قنوات
Get PRO
يوليو '23
+30
في 0 قنوات
Get PRO
يونيو '23
+47
في 0 قنوات
Get PRO
مايو '23
+34
في 0 قنوات
Get PRO
أبريل '23
+45
في 0 قنوات
Get PRO
مارس '23
+61
في 0 قنوات
Get PRO
فبراير '23
+114
في 0 قنوات
Get PRO
يناير '23
+159
في 0 قنوات
Get PRO
ديسمبر '22
+34
في 0 قنوات
Get PRO
نوفمبر '22
+48
في 0 قنوات
Get PRO
أكتوبر '22
+52
في 0 قنوات
Get PRO
سبتمبر '22
+180
في 0 قنوات
Get PRO
أغسطس '22
+1 161
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 22 يونيو | +1 | |||
| 21 يونيو | +2 | |||
| 20 يونيو | 0 | |||
| 19 يونيو | 0 | |||
| 18 يونيو | 0 | |||
| 17 يونيو | 0 | |||
| 16 يونيو | +1 | |||
| 15 يونيو | +1 | |||
| 14 يونيو | 0 | |||
| 13 يونيو | +1 | |||
| 12 يونيو | +1 | |||
| 11 يونيو | 0 | |||
| 10 يونيو | 0 | |||
| 09 يونيو | 0 | |||
| 08 يونيو | +1 | |||
| 07 يونيو | 0 | |||
| 06 يونيو | +2 | |||
| 05 يونيو | +1 | |||
| 04 يونيو | 0 | |||
| 03 يونيو | +1 | |||
| 02 يونيو | +1 | |||
| 01 يونيو | 0 |
منشورات القناة
Repost from N/a
Параметр, без которого ваше профессиональное развитие невозможно
Знакомое чувство: вы видите классную статью, добавляете полезное видео в «Смотреть позже», сохраняете ссылку в закладки… и никогда к этому не возвращаетесь. Мы успокаиваем себя удобным мифом: «Если возникнет проблема, я просто ее загуглю или спрошу у ИИ-агента».
Но это ловушка. Прямо сейчас в вашей профессии есть с десяток сложных нерешенных проблем, готовых ответов на которые в поиске просто нет. Вы не найдете там даже их грамотного описания. Но мы продолжаем откладывать обучение на потом, потому что нас придавило информационной плитой.
Несколько лет назад главный редактор издательства Livrezon (в котором я написал книжку) проводил курс по тому, как отслеживать важные изменения в своей профессии. Участники собирали систему подписок, чтобы ловить все главные тренды в своей сфере. Знаете, каков итог? Никто в моем окружении из этого издательства их не отслеживает. Причина до боли банальна: на это просто ни у кого нет времени.
Другая сторона проблемы: трата времени впустую. На прошлой неделе я побывал в Алматы на двух ИИ-митапах, один из которых организовал Google, к слову. Шесть больших докладов, несколько часов потраченного времени. Что нового я вынес? Упоминание технологии MCP Apps, которую сейчас по техническим причинам даже использовать толком нельзя. Часы личного времени ради одной крупицы новой, но бесполезной информации.
× × ×
Глядя на все эти залежи непрочитанного и бессмысленные траты времени на конференциях, я задаюсь тремя вопросами:
01. Почему складывается ощущение, что даже грамотные специалисты вокруг незаметно отстали от рынка на 1–2 года?
02. Почему, понимая это, люди смирились и даже не пытаются сократить разрыв?
03. Почему все наивно верят, что эти накопившиеся пробелы в знаниях можно будет «быстренько загуглить» прямо перед дедлайном?
Ответ кроется в одном-единственном параметре. Главный навык сегодня — это то, насколько быстро вы можете «выпотрошить» новый источник информации и сохранить суть в свою личную базу.
Если вы настроите немусорную, качественную систему подписок, каждый день в нее будет падать по 5–10 часов отборного видео и текстов. Ни у кого из нас нет лишнего часа, чтобы изучать это вдумчиво и линейно. Поэтому люди пугаются объема, копят непрочитанное и в итоге сдаются.
Решение не в том, чтобы искать 25-й час в сутках, а в том, чтобы радикально изменить подход к извлечению пользы.
Если часовой контент вы прорабатываете и сохраняете себе в базу дольше, чем за несколько минут — вы гарантированно отстаете.
Скорость потребления знаний — это ваш главный рычаг. Нельзя оставаться востребованным, если вы читаете и смотрите материалы «как раньше».
| 2 | Гайз, 3 июля выступаю на AgenticConf.
https://agenticdevconf.ru/
Начиная с недавнего времени многие из нас взаимодействуют своими low-tech тушками и мозгами с технологиями которые значительно превосходят человеческие возможности.
Я буду рассказывать базу про работу с несколькими агентами параллельно. Мы посмтроим модель в прямом эфире и посмотрим на интересные следствиям из нее. В докладе будет 7 основных принципов и куча конкретных практик и приемов.
Если кто еще планирует посетить - можем пересечься. | 549 |
| 3 | Мы наконец-то открываем публичный доступ к сервису Knowlume
Все, кто изучает множество видео, статей, докладов, конференций и т. п., — welcome.
В своё время я понял, что для меня и многих коллег основное узкое место при создании интеллектуальных продуктов — скорость проработки источников.
Нам просто некогда «смотреть» видео, читать тонны статей и т. п. Как правило, нужно просто вытащить переиспользуемые фрагменты для своих проектов, исследований и баз знаний в целом. Я решил не ускорять видео, а сократить путь от видео к извлечению знаний.
Сейчас Knowlume принимает ссылки на онлайн-статьи, видео или сырые тексты. Разбивает их на смысловые блоки и с помощью фильтров сразу выделяет ценные фрагменты. Найденные фрагменты в оптимальном формате экспортируются напрямую в Markdown или к вашим автоматизациям и агентам.
Что со всем этим дальше делать?
В процессе работы мы создали несколько пилотных проектов. В первом из них я с помощью Knowlume отобрал из YouTube-канала Starter Story полезные практики по продвижению продуктов, созданных соло-предпринимателями. Сейчас там 400+ видео, но у меня на выходе получилось всего 64 кейса. Их я объединил в простую модель, позволяющую за несколько кликов найти подходящую практику. Ссылку оставлю в первом комментарии.
Может ли так RAG? Нет.
Может ли так Claude Code со скиллами? Нет.
Может ли так любой суммаризатор? Нет.
Хотя бы просто потому что в них нет фильтров. Они не могут выделить самое важное в большинстве случаев.
Другой проект — подобным образом «отжатая» конференция Code with Claude 2026. Это 8 часов плотных докладов на канале Anthropic. Я проделал те же действия и преобразовал записи за 40 минут своего времени в 24 полезных фрагмента, а затем также структурировал их.
Я оцениваю получившиеся данные как очень ценные. Это знания из первых рук по технологиям на границе познания. Но в то же время без Knowlume я бы никогда не нашёл столько времени, чтобы (даже с помощью ИИ) выделить всё важное, отформатировать, добавить ссылки на первоисточник, подобрать названия, добавить метаданные с основными тезисами и т. п.
Сейчас вы можете отправлять источники в Knowlume прямо из Телеграма. Приложение их обработает и пришлёт ссылку на результат. Просто закиньте ссылку на видео, доклад или набор статей, и начните работать.
Попробовать Knowlume (подписка через Tribute) :
Минимальный тариф - 800 руб, ~30–40 часов видео.
Базовый тариф - 1350 руб, ~100 часов видео.
Максимальный тариф - 2500 руб, ~200 часов видео.
Можно оплачивать из любой страны
Документация Knowlume
Публичный канал Knowlume | 734 |
| 4 |  Личный ИИ-Сенин 24/7: зачем я перевожу свои проекты на нейросети
На старте работы над своей продуктивностью люди сталкиваются с одной и той же проблемой — саботажем базовых задач. Возьмем для примера диагностику на моих личных консультациях. Самый простой и эффективный старт — вести хронометраж времени. Я проверил под сотню таких отчетов: большинство людей прокрастинируют этот шаг или делают его неправильно. Без постоянного контроля внедрить новые привычки безумно сложно.
Именно поэтому я решил перевести все свои продукты, включая курсы, проект «Додзе по привычкам» и личные консультации, на ИИ-рельсы.
Многие думают, что нейросети нужны только для написания кода или текстов. Но они потрясающе справляются с обучением. Главное — задать правильную структуру. И здесь на сцену выходит не просто чат-бот, а проактивный ИИ-агент.
В этой системе моя роль меняется — я становлюсь мета-коучем. Я настраиваю агента (развернуть тот же OpenClaw можно даже без навыков программирования) и загружаю в него свои методики. В итоге вы получаете цифровую копию Николая Сенина, которая знает всё о личной эффективности, живет прямо в вашем Telegram и доступна круглосуточно.
× × ×
Как это работает на практике:
01. Безошибочная диагностика. Агент сам напомнит вам записать, на что ушло время, проконтролирует формат и аккуратно занесет данные в таблицу. В нужный момент он даже попросит снять показания сна с Apple Watch и переслать их для анализа.
02. Внедрение привычек. Когда вам нужно закрепить навык, запланировать день или неделю, агент ведет вас за ручку. Он пришлет столько напоминалок, сколько нужно лично вам, и ответит на любые вопросы в моменте.
03. Максимальная польза. Базовая рутина и контроль «домашки» полностью делегируются агенту. Благодаря этому наше с вами время на консультациях тратится не на организационные моменты, а на глубокую стратегическую работу.
× × ×
Агент не устает, не выгорает и всегда готов помочь. Он проводит вас по всей образовательной траектории с максимальным комфортом, закрывая все слепые зоны.
🚀 [Пределы профессионализма] | 796 |
| 5 |  «Персик» в проектном управлении: как не дать автоматизациям развалиться в самый важный момент
Вы когда-нибудь чувствовали, что ваши попытки внедрить нейросети и автоматизацию превращаются в бесконечный ремонт? Сегодня бот работает идеально, завтра он «забыл» инструкции, а послезавтра API обновилось, и вся связка рухнула. В итоге вместо экономии времени вы тратите часы на починку того, что должно было работать само.
В проектном управлении есть концепция, которая идеально решает эту проблему — модель «персика». Представьте: внутри у вас твердое ядро (косточка), а снаружи — изменчивая и податливая мякоть. Я постоянно применяю этот подход в своих ИИ-автоматизациях, и это самый короткий путь к стабильности без потери гибкости.
01. Твердое ядро — это ваши фундаментальные, железно работающие процессы. Те задачи, где цена ошибки высока и результат нужен гарантированно. Здесь мы используем детерминированные инструменты (например, n8n) и тщательно отлаженные промпты. На создание ядра уходит много времени, но оно становится фундаментом вашей личной экосистемы.
02. Изменчивая мякоть — это быстрые «агентские» решения вроде OpenClaw или Hermes agent. Вам не нужно их программировать: просто сказали боту, как себя вести, и он сам пишет скрипты под задачу. Это дешево и быстро, но это может сломаться в любой момент.
× × ×
Почему эта система выигрывает?
Если полагаться только на «мякоть», система подведет вас в самый неподходящий момент. Если строить только «ядро», вы станете неповоротливым и отрежете себя от современных технологий, которые позволяют собирать полезные вещи за считанные минуты.
Секрет продуктивности в том, чтобы брать лучшее от обоих миров: автоматизируйте критически важные узлы надежно, а всё остальное склеивайте быстрыми ИИ-агентами. Так вы получаете систему, которая не только работает, но и мгновенно адаптируется под новые задачи.
🚀 [Пределы профессионализма] | 811 |
| 6 |  Что на самом деле знают нейросети (и почему вы зря копите ссылки)
Мы постоянно сохраняем статьи, пишем конспекты и складируем закладки. Нам кажется, что мы накапливаем ценную базу для будущих проектов. Но сталкивались ли вы с тем, что в нужный момент просто забываете про эти залежи? Проблема в том, что мы тратим время на хранение информации, которую искусственный интеллект может выдать за секунды.
Изучая языковые модели для своего продукта Knowlume, я пришел к однозначному выводу: современные нейросети знают об этом мире гораздо больше, чем мы привыкли думать. И не использовать эту суперсилу — значит добровольно тормозить свою продуктивность.
Чтобы оценить, как развивалась их эрудиция, я периодически проводил сложный тест. Я просил новые модели порекомендовать 10 книг о том, как был организован легендарный коллектив французских математиков Бурбаки. Эволюция ответов выглядит потрясающе:
01. Первые поколения — выдавали несколько реальных книг, а остальные просто выдумывали (галлюцинировали).
02. Переходные версии — перестали фантазировать, но теряли логику: вместо книг о коллективе они предлагали труды самих математиков.
03. Современные модели — сразу выдают точнейшие английские и французские источники, архивные данные и статьи. Уровень стал настолько безошибочным, что я больше не трачу время на этот тест.
Именно поэтому трафик на StackOverflow падает: специалисты поняли, что топовая модель ответит быстрее, точнее и без токсичных комментариев, свойственных форумам.
× × ×
Это феноменальное знание касается не только сухих фактов, но и решения сложных бизнес-задач. Недавно вместе с коллегами мы тестировали неочевидные кейсы о работе коллективов: описывали начальную ситуацию и итоговый результат команды. Я решил проверить, угадает ли нейросеть, как именно произошла трансформация.
Модель выдавала 4-5 вариантов, и среди них почти всегда описывался тот самый оригинальный шаг, который мы кропотливо выискивали в текстах. Вывод очевиден: нейросети уже содержат в себе паттерны решения нетривиальных рабочих задач, нам больше не нужно собирать их вручную.
А недавно ученые провели еще один интересный эксперимент: обучили нейросеть исключительно на текстах до 1930 года. Естественно, она ничего не знала о Второй мировой войне. Но когда ей показали базовый язык Python, она легко уловила современные концепции программирования и даже смогла решить часть задач на бенчмарке. Это доказывает высочайшую способность ИИ к обобщению.
Как этот багаж знаний влияет на наш личный метод работы? В Knowlume мы внедрили простое правило оценки информации: если ИИ свободно владеет фактом и мгновенно его выдает, значит, это банальное знание.
Вместо того чтобы захламлять свои заметки базовой фактологией, лучше в нужный момент задайте вопрос хорошей нейросети. Собирайте и храните только свой уникальный опыт, личный контекст и собственные инсайты. Всё остальное для вас уже сохранил искусственный интеллект.
🚀 [Пределы профессионализма] | 886 |
| 7 |  Почему ИИ-решения не дают конкурентного преимущества
Многие сейчас живут в иллюзии, что доступ к топовым нейросетям — это волшебная палочка. Кажется, если ты платишь 20 долларов за подписку и умеешь собирать мультиагентные системы, ты уже на вершине мира. По статистике это так: энтузиастов, глубоко погруженных в ИИ, меньше 0,1% населения. Но вот в чем подвох: среди этого «топового топа» конкуренция не ниже, чем везде.
Я постоянно вижу в лентах продукты и идеи, которые полностью сгенерированы Клодом или ChatGPT. Люди находят проблему, просят ИИ предложить решение и думают, что создали уникальный бизнес-кейс. Но вот горькая правда: если проблема реальна и лежит на поверхности, о ней знают сотни других умных людей. И они точно так же могут зайти в нейронку и получить ровно тот же ответ.
Если ваше решение полностью придумано моделью, у вас нет никакого ноу-хау. Любой конкурент может повторить ваш путь за пять минут, просто вбив похожий промпт. В мире доступного интеллекта ценность «просто логичных» решений стремится к нулю.
× × ×
Как же тогда создавать что-то по-настоящему ценное? Единственный путь к устойчивому преимуществу — это выход за пределы того, что «уже знает» ИИ.
01. Опирайтесь на личную экспертизу. Ищите решения там, где ИИ не хватает контекста или глубокого практического опыта. Нейросеть мыслит вероятностями из прошлого, вы же видите нюансы настоящего.
02. Ищите неочевидные боли. Иногда люди даже не осознают наличие проблемы, пока вы её не подсветите. Выявление «скрытого» дефицита — это работа вашего интеллекта, а не генеративной модели.
03. Используйте ИИ как инструмент, а не как автора. Идеальная связка: ваша уникальная компетенция определяет и проблему, и архитектуру решения, а нейросеть лишь помогает в реализации.
Помните: если технологию может скопировать каждый, она перестает быть вашим преимуществом. Настоящая ценность создается там, где заканчиваются общие знания модели и начинается ваш уникальный опыт.
🚀 [Пределы профессионализма] | 818 |
| 8 |  Я закрыл «Додзе по привычкам»
Многие из вас знают про мое закрытое сообщество по внедрению привычек «Додзе». На данный момент я закрываю этот проект, и на это есть две причины. Во-первых, я не учел, что выживаемость подобных продуктов очень мала, и конкуренцию в этой нише выдержать очень сложно. Вторая проблема была в «человеческом факторе» — проект требовал колоссальных вложений моего времени на проверки и обратную связь. Как только наступали дедлайны по другим проектам или случались болезни, система начинала буксовать.
× × ×
За полтора года работы «Додзе» я собрал огромный массив данных: огромное количество привычек, описанных барьеров к ним и прочих полезных данных. В ближайшее время я хочу упаковать этот опыт в формат, который доступен каждому в любой момент.
01. Автоматизация экспертизы. С появлением таких инструментов, как Claude или Hermes, стало возможным создавать агентов, которые «ходят» в накопленную базу знаний и общаются с пользователем на уровне живого наставника.
02. Доступность 24/7. Бот будет жить прямо в Telegram. Больше не нужно заходить в сторонние сервисы — ваш менеджер привычек всегда под рукой, готов дать совет или зафиксировать прогресс.
03. Нулевое трение. Я планирую запустить обновленный формат в течение месяца. ИИ-бот будет считывать ваши привычки и давать рекомендации, основываясь на моих лучших практиках, но делать это мгновенно и без моего прямого участия.
× × ×
Многие мои методики сейчас переходят в формат умных ботов, и я уверен, что в будущем большинство образовательных продуктов ждёт та же участь. Это делает развитие навыков доступнее, а результат — предсказуемее.
🚀 [Пределы профессионализма] | 812 |
| 9 | Прямая ссылка - https://us02web.zoom.us/j/82993394966?pwd=6SKH3J8pzozASOiBhfFaJNDBnYyaEe.1 | 0 |
| 10 | StarCraft на работе: чему стратегии учат нас в управлении ИИ-агентами
Я нечасто провожу параллели между работой с современными инструментами и игровыми механиками. Но одна из самых точных метафор для понимания того, как стоит работать с ИИ-агентами сегодня — это классические стратегии в реальном времени (RTS), вроде StarCraft.
У вас есть «юнит» (персонаж), и вы даете ему задачу: «иди рубить лес». И тут включается своеобразная агентность. Юнит сам решает: к какому именно дереву подойти, как обойти препятствие, и в какое ближайшее здание отнести ресурсы. Вам не нужно говорить ему «подними топор» или «сделай шаг левой ногой». Он действует автономно в рамках простой цели.
В одной игре таких юнитов могут быть сотни. И здесь кроется невероятная статистика: профессиональные киберспортсмены в StarCraft совершают до 800 полезных действий в минуту (APM). Вдумайтесь: 800 осознанных решений за 60 секунд. Это мастерский уровень переключения контекста и контроля внимания. Казалось бы, вот она — мечта любого руководителя, управляющего командой ИИ-агентов. Но есть два существенных «но», которые отличают игру от нашей с вами интеллектуальной работы.
---
### 01. Сложность задач и микроменеджмент
Несмотря на автономность игровых юнитов, задачи, которые мы им ставим, примитивны: «добудь», «построй», «атакуй». Они не требуют глубокого размышления и не являются многокомпонентными.
В реальной работе задачи, которые мы сегодня поручаем ИИ (или сотрудникам), гораздо сложнее. «Проанализируй отчет и предложи стратегию» — это не то же самое, что «сруби дерево». Такие задачи требуют куда большего присмотра. Если в игре мы можем отправить отряд и забыть о нем на минуту, то с нынешними ИИ-агентами часто приходится заниматься микроменеджментом, проверяя каждый шаг.
### 02. Визуальный интерфейс vs Текст
Игроку проще: он видит поле боя. Человеческий мозг эволюционно заточен на обработку визуальной информации, мы работаем с картинкой намного быстрее, чем с текстом.
В работе с ИИ мы, к сожалению, заперты в текстовом интерфейсе. Прочитать и понять код, который для вас написал Claude или ChatGPT, или проверить длинный текст от нейросети — это когнитивно намного дороже и сложнее, чем бросить взгляд на карту и увидеть, что ваши ресурсы добываются.
---
### Что с этим делать нам?
Значит ли это, что опыт управления сотней процессов бесполезен? Нет. Мы стоим на пороге того, чтобы перенести подходы из стратегий в нашу рутину.
Нам нужно учиться тому самому «киберспортивному» переключению контекста, но с поправкой на сложность. И самое главное — ждать и требовать развития интерфейсов. Пока мы взаимодействуем с ИИ через «стену текста», наша продуктивность ограничена скоростью чтения.
Но как только управление агентами станет таким же наглядным, как управление базой в стратегии, мы сможем приблизиться к тем самым «800 полезным действиям», кратно увеличивая свою ценность на рынке. А пока — тренируемся четко ставить задачи своим цифровым юнитам. 🚀 [Пределы профессионализма] | 986 |
| 11 | 🔑 В этот четверт в сообществе Глеба Калинина рассказываю про базы знаний + AI. Думаю построить повествование как ряд фактов/мифов/принципов которые точно нужно знать.
Ну и расскажу про свои эксперименты по оценке знаний, моделированию, автоматическому построению экспертных систем, и т. п.
Подробности и регистрация, после которой сразу же будет ссылка на Zoom, здесь https://luma.com/5iavomhm | 796 |
| 12 |  Режим реферата в Knowlume
Я часто рассказываю про Knowlume как про инструмент, который экономит время, отжимая воду из подкастов и видео. Знаете это чувство: слушаешь час, а полезного — на две минуты? Именно здесь мой инструмент работает идеально, вылавливая те самые редкие жемчужины смысла.
Но когда я только начинал разработку, я получал много фидбека от коллег (да и сам натыкался на это): «Закинул жирную статью, где куча пользы, а инструмент говорит — мало что можно применить». Почему так? Потому что изначально алгоритм был заточен на жесткий отсев лишнего.
Однако я давно держу в голове концепцию из нашего издательства Livrezone. Помимо «отжимной» работы с литературой, у нас есть понятие режима реферата.
Представьте, что вы читаете книгу, где каждый абзац — золото. Фактурные примеры, интересные мысли, всё складывается в систему. Выбрасывать оттуда нечего, но читать целиком каждый раз — долго. В таком случае мы делаем реферат: уплотняем смысл и, что самое важное, — перестраиваем структуру.
Скоро этот режим появится и в Knowlume. Зачем он нужен и как это повысит нашу продуктивность?
01. Пересборка структуры
Часто бывает так: материал отличный, но структура ужасная. Этим грешат многие книги XX века, особенно классика психологии вроде Юнга или Фрейда. Там масса глубоких наблюдений (пусть иногда и спорных с современной точки зрения), но найти нужный ответ под конкретную рабочую задачу почти невозможно. Мысли размазаны, логика повествования устарела.
Режим реферата в Knowlume будет не просто сокращать текст, а переструктурировать его. Он пересобирает материал в адекватную, современную структуру, где легко найти решение вашей проблемы, даже если автор спрятал его на 300-й странице в сноске.
02. Обобщение кейсов
Иногда в материале нет прямой инструкции «делай раз, делай два». Зато есть десяток историй или кейсов. По отдельности они могут казаться просто развлекательным чтивом и не выглядеть как что-то воспроизводимое.
Но если взглянуть на них сверху, происходит магия обобщения. Режим реферата умеет собирать похожие данные в группы. Глядя на эту группу, вы (или ИИ-помощник) понимаете: «Ага, в этих пяти разных историях сработал один и тот же принцип».
Так разрозненные, казалось бы, бесполезные факты превращаются в декларативное знание — твердый принцип, который вы можете забрать себе в арсенал.
× × ×
В итоге, режим реферата — это инструмент для работы с насыщенными источниками. Он не просто фильтрует (хотя фильтры, конечно, останутся), он помогает увидеть лес за деревьями.
Это следующий шаг в работе с информацией: не просто отсеять мусор, а взять сложный, хаотичный массив знаний и превратить его в стройную систему, готовую к употреблению.
🚀 Пределы профессионализма | 808 |
| 13 |  Так ли хорош Daily Brief?
Сейчас один из самых популярных сценариев использования OpenClaw и ему подобных агентов — Daily brief. Вы просыпаетесь, а в Telegram уже висит сводка: задачи из календаря, встречи из Calendly, тренировки и рабочие созвоны.
Казалось бы, идеальное утро. Но давайте честно: просто знать список дел на сегодня — это еще не значит их сделать. Информационная сводка сама по себе имеет довольно низкую ценность, если она не превращена в выполнимый план.
Знакома ли вам ситуация, когда список дел на день выглядит как попытка впихнуть невпихуемое? Вы планируете 12 часов плотной работы, забывая про еду и дорогу, а к вечеру чувствуете себя выжатым лимоном, хотя половина задач так и осталась нетронутой. Это прямой путь к выгоранию.
× × ×
Чтобы ваш Daily Brief от ИИ стал по-настоящему полезным инструментом, а не просто очередным списком «надо», план должен соответствовать трем критериям:
01. Учет функционального предела. У каждого из нас есть лимит задач, которые мы можем выполнить за день без вреда для психики и тела. Если вы систематически переходите эту черту, пытаясь «догнать и перегнать», мозг включает защиту. Вы начинаете «уставать от работы», прокрастинировать, а затем просто выгораете.
02. Интеграция контекста и целей. Хороший план учитывает, где вы находитесь. Рабочий день дома и день в путешествии — это разные режимы нагрузки. ИИ-агент должен не просто собирать встречи, а соотносить их с вашими глобальными проектами и текущим окружением.
03. Отсутствие прокрастиногенных задач. План должен содержать уже принятые решения. Если задача сформулирована туманно, вы потратите силы не на работу, а на попытку понять, с чего начать. В правильном плане на день обязательно заложен отдых и четкие, понятные шаги.
× × ×
Именно об этом я раньше рассказывал на своих курсах: суть автоматизации должна быть не в том, чтобы нейросеть вывалила на вас список дел. Небходимо превратить этот хаос в структуру, которая учитывает ваши ресурсы.
🚀 [[Пределы профессионализма]] (https://t.me/prof_limits) | 0 |
| 14 |  Мы не понимаем, что такое знание?
Я давно увлекаюсь темой персональных баз знаний, и в обсуждениях с коллегами постоянно всплывает одна и та же проблема. Мы привыкли к очень узкому, ограниченному представлению о том, что вообще можно считать «знанием». Обычно для нас это просто текст или картинка. Но на самом деле всё гораздо глубже.
Есть потрясающая схема из книги Марвина Минского, которая наглядно показывает разные уровни знаний. И когда вы её осознаете, вполне вероятно что ваше понимание того что такое знание изменится. Главная ловушка в том, что мы привыкли цепляться за слова, но слова — это лишь верхушка айсберга, которая часто ограничивает саму суть знания.
Вот как устроены некоторые из этих уровней, если разложить их по полочкам:
01. Narrative stories — это то, что мы потребляем ежедневно. Статьи, посты, рассказы. Самый привычный, «человеческий» уровень, но не самый эффективный для глубокой обработки.
02. TransFrames — это описание преобразований. Условно: «начальное состояние → действие → результат». Например, когда мы берем кусок глины и превращаем его в произведение искусства. Мое приложение Knowlume как раз помогает «фильтровать» обычные тексты, вытаскивая из них эти четкие связки.
03. Semantic networks — сегодня их чаще называют графами знаний. Это когда мы видим не просто текст, а сеть сущностей и связей. Например, «ножка — часть стула», а «стул — предмет мебели». По таким графам можно «ходить», находя ответы на сложные запросы.
04. K-Lines и K-trees — более глубокий и специфический уровень. Это своего рода «триггеры», которые активируют нужные узлы в нашей памяти или графе знаний.
05. Neural Networks — это те самые нейросети. Главное открытие здесь в том, что знание внутри нейронки может быть гораздо масштабнее, чем то, что можно выразить словами. Она, например, может предсказывать результаты бизнеса, основываясь на исходных данных, даже если мы не можем четко сформулировать «как» и «почему» это работает.
× × ×
Современные LLM (вроде ChatGPT) — это уникальный класс инструментов, которые работают сразу на всех уровнях одновременно. Они генерируют нарративы, могут стоить семантические графы и вытаскивать трансфреймы из любого хаоса при должной обвязке.
🚀 [[Пределы профессионализма]] (https://t.me/prof_limits) | 0 |
| 15 |  ⭐️ Почему я жестко прокрастинирую работу и проведение нового потока моего базового курса по продуктивности?
На самом деле, я уже довольно давно работаю над AI-автоматизацией некоторых процессов, начиная с самых атомарных и тактических. Например, если взять тот же процесс дневного планирования, то даже те люди, которым он может давать x2-x3 в количестве выполненных задач и в количестве сохраненных нервов, все равно не всегда планируют даже несколько часов своего дня.
Потому что это во многом контринтуитивно и контринстинктивно. Соответственно, нужен некоторый алгоритм, который будет поддерживать эту привычку/навык, а еще лучше — автоматизировать составление плана.
Вот с этим как раз хорошо может справляться ИИшка.
И вообще, я убежден, что в будущем нас ждет в очень многих отраслях интеллектуальной работы преимущественное взаимодействие с одним либо несколькими AI-агентами. Разработчики уже "радуются жизни".
А это не просто цифровые сотрудники, которые работают на вас. Там совершенно другие правила.
× × ×
Таким образом, материал базового курса частично становится устаревшим, частично его нужно серьезно дополнять. Но в то же время некоторые моменты становятся намного более актуальными.
Например, отдых и переключение: как выключаться из работы, когда у вас может быть даже ночью работает несколько агентов, которые что-то пилят?
Это довольно сложный и нетривиальный вопрос. Как при этом отдыхать? Как не выгореть от всего этого вайб-кодинга, и так далее... | 0 |
| 16 | Через 20 мин я проведу для вписавшихся презентацию веб-версии Knowlume, моего приложения для работы со знаниями. Будет довольно много нового материала, и участники закрытой группы смогут начать пользоваться приложением.
Через некоторое время доступ будет у всех желающих. | 0 |
| 17 |  Кого слушать в шуме об Искусственном Интеллекте?
Вокруг ИИ сейчас столько шума, что невольно теряешься. Одни кричат, что мы достигли потолка и «пузырь скоро лопнет», другие пророчат скорое восстание машин. Кому верить, если вы хотите просто эффективно работать и повышать свою ценность на рынке?
Для себя я вывел простую формулу. Есть две категории людей, чьи слова имеют вес.
01. Ведущие ученые из топовых лабораторий (Google DeepMind, OpenAI и др.). Да, они лица заинтересованные, но они видят технологии изнутри.
02. «Классики» в своих профессиях — и это мой любимый маркер. Это топы в математике, юриспруденции, программировании. Люди, которые стали легендами еще до появления нейросетей. Если такой человек, со всем своим багажом скепсиса и опыта, говорит: «Окей, это работает», — это огромный звоночек.
Кого слушать не стоит? Научных журналистов и «рядовых» специалистов. Жалко это признавать, но многие профи сидят в пузыре своих стереотипов. Человек может быть отличным бухгалтером или инженером, но абсолютно не понимать, как на самом деле сейчас работают нейросети, и судить о технологиях по опыту двухлетней давности.
Разберем на примере самой точной из наук — математики.
× × ×
Не так давно один известный научный журналист (тоже математик по образованию) высказал мысль: мол, большие языковые модели достигли своего предела. Скейлинг (простое увеличение мощностей) перестал давать плоды, магии больше не будет.
Звучит логично? Вроде бы. Но в реальности прогресс просто сместился в другую плоскость — в сторону обучения с подкреплением (Reinforcement Learning). Грубо говоря, раньше модели учили просто «много читать», а теперь их учат «думать и проверять себя».
И вот вам факт против мнения журналиста. С конца прошлого года новые модели (уровня o1/Pro) начали как орешки щелкать задачи из списка Пола Эрдеша. Эрдеш — один из самых продуктивных математиков XX века, я как-то писал о нем. Его задачи — это «крепкие орешки», которые люди не могли расколоть десятилетиями.
Сейчас эти задачи решают не суперкомпьютеры в бункерах, а обычные пользователи (вроде нас с вами), просто имея подписку на топовую модель.
Главный аргумент: Теренс Тао. Это, пожалуй, самый авторитетный ныне живущий математик. Недавно он назвал одно из доказательств, сгенерированных ИИ, «самым недвусмысленным». Он признал, что это не копирование старого, а строгая, рабочая научная работа.
Эпоха, когда «ИИ вечно галлюцицинирует и ничего не может решить», ушла. Если «Классик» уровня Тао использует это в работе, значит, игнорировать этот инструмент — профессиональное самоубийство.
🚀 Пределы профессионализма | 0 |
| 18 |  Главный критерий оценки автоматизации
С появлением новых моделей многие бросились создавать сложные автоматизации, связывая n8n, почту и различные сервисы в единые цепочки. Это выглядит современно, но часто упускается суть: как сделать так, чтобы эта система действительно работала и приносила пользу, а не требовала постоянного внимания?
Главная характеристика любой успешной системы — это надежность. Есть замечательное высказывание: «Цивилизация определяется количеством операций, которое человек может выполнять, не задумываясь о них». Переводя на язык продуктивности: если вы «автоматизировали» процесс, но вынуждены постоянно его чинить и вспоминать, как он устроен, вы не сэкономили время. Вы просто потратили ментальную энергию на обслуживание инструмента, вместо того чтобы забыть о нем и получать результат.
Меня часто спрашивают, почему я выбираю примитивные решения — например, обычный Pastebin вместо Google Docs для передачи данных. Ответ всегда один: это надежнее. Ваше внимание — самый ценный ресурс. Если сложная система ломается в ответственный момент, и вам приходится тратить часы на её починку, проще и быстрее было бы сделать всё руками. В итоге ненадежная автоматизация просто умирает, потому что вы перестаете ей доверять.
Как же создавать системы, которые работают стабильно?
01. Используйте простые и популярные модули. При выборе инструмента отдавайте предпочтение тем, которыми пользуется большинство. Решение популярного сервиса или Open Source библиотека с тысячами пользователей всегда надежнее, чем чей-то самописный код с 20 звездами на GitHub. В массовых продуктах баги находят и исправляют быстрее, а «экзотика» может подвести в любой момент.
02. Тестируйте промпты на вариативность. В работе с ИИ (LLM) появляется фактор случайности. Чтобы добиться надежности, нужно использовать «эвалы» — своего рода тесты для нейросетей. Попробуйте прогнать ваш промпт на 10–20 разных примерах входных данных. Если во всех случаях результат вас устраивает — значит, система устойчива.
03. Стремитесь к модульности. Разбивайте сложные цепочки на отдельные независимые части. Каждую часть должно быть легко проверить и протестировать отдельно. Это позволит быстро находить и устранять неполадки, не перебирая весь механизм целиком.
× × ×
Критерий успеха прост: если ваша система делает даже одну простую вещь, но работает без сбоев и вашего вмешательства пару месяцев — это отличная автоматизация. Не гонитесь за функциональностью, гонитесь за надежностью. Лучше простая система, которая работает, чем умная, которую нужно постоянно чинить. | 0 |
