GoPractice!

«Самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас». Ожидания от продакта в эпоху AI: взгляд изнутри Anthropic Команды, работающие над Claude, не только делают один из передовых AI-продуктов, которым пользуются профессионалы во всем мире, но и одни из первопроходцев новых реалий продуктовой работы в эпоху AI. Lenny Rachitsky поговорил с Cat Wu, которая руководит продуктами Claude Code и Cowork, а мы сделали сокращенный и адаптированный перевод их разговора.

В команде Claude Code многие продакты раньше были инженерами или продолжают писать код. Дизайнеры тоже нередко имеют инженерный опыт. Немало инженеров в команде способны пройти весь путь самостоятельно — от того, чтобы заметить жалобу пользователя в социальной сети до готовой фичи к концу недели — практически без участия продакта. Это эффективный способ шипить. Это не значит, что продакт-менеджеры больше не нужны. Скорее наоборот: границы между ролями становятся менее жесткими, а самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас. Для этого важно мыслить шире: понимать, как меняется технология, что сейчас ограничивает команду, и где именно ты можешь принести наибольшую пользу.

🔗 https://gopractice.ru/skills/cat-wu-pm/ 💎 Чтобы быть таким специалистом в команде, который может брать на себя важную работу в моменте и создавать максимум ценности, нужно освоить разностороннее применение AI для решения разных задач. Именно этому мы учим в «AI-мастерской». Присоединяйтесь. @gopractice

Как создать видеоролик с помощью AI. Несколько рекомендаций 1️⃣ Не начинайте сразу с видео. Число неудачных попыток приведет к большим затратам. Вместо этого превращайте простые формы в более сложные. Сперва сделайте первые кадры всех сцен, убедитесь в их консистентности и соответствии ожиданиям, а лишь после этого — анимируйте. Собранный таким образом пайплайн даст вам гораздо больше шансов получить желаемое видео и сэкономит деньги. 2️⃣ При работе с изображениями, начинайте с генерации ассетов. Это поможет сохранить консистентность. Перед тем, как генерировать первые кадры основных сцен, создайте все ключевые ассеты: актеров, локации, ключевые объекты. Дальше передавайте их в модель при генерации как референсы. Это позволит избежать ситуации, в которой в разных сценах герой будет выглядеть по-разному в ряде мелких деталей, либо другие важные факторы визуального ряда будут расходиться. Генерация медиа с помощью AI стремительно растет и все больше проникает в совершенно разные сферы жизни Хотите научиться создавать видеоролики с помощью AI? Присоединяйтесь к новому кейсу AI-мастерской — своя AI-видеостудия: от идеи до готового видео. Учиться будем на мультфильме — это наглядный пример, а навык и принципы переносятся на любые типы видео. Мы пройдем весь путь продакшна мультфильма: идея → сценарий → дизайн героев → раскадровка → анимация и звук → монтаж. Цель — получить инструмент, с помощью которого можно делать любые видео по вашим правилам. 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно (и нужно!) обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. А заодно — делиться получившимися роликами и обсуждать их ⭐️ @gopractice

Выходим на новый уровень владения AI-инструментами — и-ии-ии создаем мультфильм! Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы научитесь создавать свой собственный мультфильм — от идеи до готового видео. Вы можете сказать, что это, конечно, очень классно и замечательно, но вопрос — зачем вам это нужно 🧐 Дело в том, что принципы работы собственной AI-видеостудии универсальны для любых форматов. По тому же принципу вы сможете быстро и качественно создавать: — Рекламные креативы и промо для продукта ✔️ — Обучающие ролики и онбординг-видео ✔️ — Демо для новых фич и продуктов ✔️ — Видео для питча ✔️ — Варианты одного и того же ролика под разные аудитории и рынки ✔️ При этом стиль видео на выходе может быть любым: фотореалистичным, мультипликационным, минималистичным и так далее. Вы не ограничены ничем, кроме собственных идей. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 4 кейса в AI-мастерской: 1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI. 2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике. 3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных. 4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Ждем вас! 🐭 @gopractice

Как перенести сервис в облако для себя и для внешней аудитории В AI-мастерской стартовал новый кейс — перенос сервиса в облако. В предыдущих кейсах мы создали ряд сервисов, которые работают локально. Но у такого подхода есть ряд ограничений. Например, нельзя выключить компьютер, на котором запущен сервис, а также он остается недоступен другим пользователям. Решение очевидно — разместить сервис в облаке. Это позволит: — Дать доступ к сервису другим людям: коллегам, пользователям, инвесторам; — Запускать сервис по расписанию без вашего участия, например, собирать данные каждую ночь; — Получать данные от реальных пользователей и развивать продукт на их основе. Мы разберем два сценария переноса: 1️⃣ Быстрый деплой для себя. Это простое решение по переносу в облако, которое подходит для личного сервиса или демо-версии 2️⃣ Деплой для внешних пользователей. Когда сервисом будут пользоваться другие люди, архитектуре и безопасности нужно уделить заметно больше внимания. Основную работу по-прежнему можно передать кодинг-агенту, но ключевые решения принимаете вы: где хранить данные, что закрыть от посторонних, как настроить сервис в облаке. Мы разберем эту задачу на примере сервиса, созданного в предыдущем кейсе про RAG. Если вы его не проходили, то сможете использовать код по нашей ссылке. В дальнейшем вы сможете применить знания для переноса в облако любого созданного вами сервиса или продукта. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы освоите работу с хостингами, с GitHub для хранения кода и с облачной базой данных Supabase. Навыки на выходе: — Быстрый деплой сервиса на облачную машину: DigitalOcean, SSH — Перенос кода на GitHub с защитой ключей и доступов — Миграция данных в облачную базу: Supabase, PostgreSQL, pgvector — Раздельный деплой сервисов бэкенда и фронтенда — Деплой сервиса на хостинг с кодинг-агентом: Render, MCP — Защита сервиса и мониторинг после запуска: Supabase Auth, логи, аналитика Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Также из материалов кейса вы узнаете, как лучше подходить к планированию архитектуры сервиса, чтобы не переусложнять ее заранее. @gopractice

Некоторые профессии — это просто «задачи» Когда вы автоматизируете задачу, работа исчезает. Классический пример — лифтеры: они управляли рычагом, но когда лифты автоматизировали, профессия исчезла. Но в большинстве профессий задача, за которую вы думаете, что вам платят, — не то, за что вам платят на самом деле. Зачем вы нанимаете McKinsey? Чтобы получить презентацию на 75 слайдов? Claude Cowork сделает ее, но это будет откровенная ерунда. Не то, что вы получили бы от McKinsey. И в любом случае — это не то, за что вы им платите. За то, что кто-то две недели ходит по вашей компании и вытаскивает из тридцати человек то, что они никогда не скажут вслух на общем совещании — и сводит это в одну картину. За доступ к бенчмаркам, которых нет в открытых источниках: они видели эти же цифры у семи ваших конкурентов. За то, что партнер сядет напротив вашего совета директоров и сделает вывод, который внутри компании не может произнести никто, потому что у всех есть карьера. За то, что на нем — ответственность за рекомендацию: если решение окажется неверным, есть с кем разговаривать. Все это и есть их работа. А PowerPoint — просто артефакт. То же самое относится к разработке программного обеспечения: Claude может написать код, но какой код вам нужен? Кто ваш клиент? Какой продукт вам нужен? Как вы выведете его на рынок? Именно эти вопросы не исчезают из-за одной только автоматизации. 👆 Эти и другие размышления — в свежем кратком пересказе беседы технологического аналитика Benedict Evans (его большие отчеты о состоянии технологической индустрии мы все с большим интересом ежегодно читаем) и продуктового эксперта Lenny Rachitsky. 1️⃣ AI уже меняет мир. Но пока никто не знает, как именно 2️⃣ Автоматизация не уничтожает профессии. Наоборот, работы становится больше 3️⃣ Некоторые профессии — это просто «задачи». А за что вам на самом деле платят? 4️⃣ Сам AI развивается быстро. Но перестройка бизнеса займет годы 5️⃣ Самая плохая стратегия — игнорировать AI 🔗 https://gopractice.ru/skills/evans-rachitsky/ 👋 Спешим напомнить, что мы придумали образовательный продукт, который позволяет освоить AI-инструменты в бодром темпе на основе тематических кейсов. Присоединяйтесь к AI-мастерской от GoPractice: получите и навыки, которые можно переиспользовать, и собственные AI-продукты, которыми сможете пользоваться сами, а также делиться с коллегами и друзьями. @gopractice

От базы вайбкодинга до деплоя своего продукта на внешних пользователей. В AI-мастерской уже доступны три кейса, а четвертый на подходе Присоединяйтесь к студентам AI-мастерской, чтобы научиться создавать новые AI-продукты, заточенные под ваши задачи — без разработчика. Проведем вас по всему пути от самой-самой базы до опубликованного сервиса в интернете, которым могут пользоваться ваши клиенты, коллеги или друзья. 1️⃣ Научитесь работать с кодинг-агентами в онбординг-кейсе. Вы получите базовые навыки работы с Cursor, Codex и Claude Code. На выходе: персональный AI-помощник, которого можно адаптировать под ваши задачи, и уверенность в том, что вы способны собрать работающий продукт, не программируя сами. 2️⃣ Создайте первый AI-продукт — сервис мониторинга конкурентов. Вы соберете сервис, который отслеживает разные источники, анализирует изменения через LLM и присылает отчеты в Telegram. На выходе: работающая система, которая заменяет несколько часов ручного анализа в неделю, — плюс готовая схема, по которой потом соберете любой похожий инструмент: следить за источником и сообщать об изменениях. 3️⃣ Освойте RAG, чтобы выйти за пределы ChatGPT. Это архитектура, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. На выходе: система, которая отвечает по вашим данным, а не выдумывает, — основа для ботов поддержки, внутренних баз знаний и ассистентов для исследований. 4️⃣ Освойте деплой, чтобы ваши продукты были доступны в интернете. Вы научитесь публиковать ваш сервис в интернет двумя способами — простым и быстрым (для себя) или более безопасным и внимательным (для внешней аудитории). Этот кейс будет доступен с 18 августа. 🔗 https://gopractice.ru/course/aicases/ Эксперты, которые создали кейсы, будут рады обсудить с вами в закрытом чате ваш прогресс и вопросы по текущему кейсу. @gopractice

Ищете возможности применения AI/ML в своем продукте? 🔍 В AI/ML-симуляторе для продакт-менеджеров вы на практике пройдете путь от поиска таких возможностей до запуска AI-решений и оценки их влияния на бизнес. Татьяна Чикалина и Антон Усов уже прошли симулятор и поделились тем, чем он оказался для них полезен. Их отзывы мы оформили в карточки — листайте выше ⬆️ Если хотите пройти AI/ML-симулятор с поддержкой опытного ментора, присоединяйтесь к ближайшей группе. 👥 Что вас ждет: — 10 групповых онлайн-встреч с ментором — разбор кейсов и дополнительная практика — поддержка на каждом этапе обучения 🗓 Новый поток стартует 10 августа — осталось 4 места. ✍️ Оставьте заявку — мы все организуем.

Освойте RAG, чтобы выйти за пределы ChatGPT Обычно AI-инструменты работают на основе общих знаний модели. Если вы задаете вопрос по конкретной теме, то получите ответ на основе того, что LLM видела во время обучения. Данные могут оказаться устаревшими, неточными или придуманными. RAG (Retrieval-Augmented Generation) решает эту проблему. Это архитектура, при которой модель не формирует ответ из памяти, а сначала получает релевантные данные на основе поиска по заданной базе данных и только потом составляет ответ на их основе. Этот подход меняет то, что можно строить на базе LLM. Любой массив данных (отзывы пользователей, внутренняя документация, результаты интервью, каталог продуктов) легко превращается в источник для точного семантического поиска и структурированных ответов. Корпоративные базы знаний, боты поддержки, инструменты для анализа исследований — за всем этим стоит RAG. Представьте онбординг-бот, который отвечает на вопросы строго по внутренним регламентам компании. Или инструмент для анализа пользовательских интервью, который ищет паттерны только в ваших данных. Это и есть RAG: AI, который работает на основе ваших данных, а не на основе общих знаний модели. В AI-мастерской стартовал новый кейс — RAG на практике: строим AI на своей базе. Вы узнаете, как использовать RAG — архитектуру, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. Разберем это на примере сервиса поиска кофеен Белграда. Пользователь пишет «тихое место с фильтр-кофе рядом с Калемегданом», а сервис находит подходящие места по смыслу запроса и по ключевым словам одновременно, учитывает географию и объясняет почему каждое место подходит. Вы научитесь применять RAG для своих задач, где нужен AI-поиск на ваших данных. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы научитесь работать с эмбеддингами и использовать векторную базу данных ChromaDB, задействовать геопоиск, обогащать данные через веб-исследования. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Также из материалов кейса вы узнаете, какие бывают виды RAG по способу поиска (векторный, графовый, SQL, гибридный, по ключевым словам), и когда их лучше использовать. @gopractice

Выпускница курса «Профессия: продакт-менеджер» Анна Чистякова поделилась своей историей обучения. Мы оформили ее впечатления в карточки — листайте выше ⬆️ Если вы начинающий продакт-менеджер или только задумываетесь о переходе в профессию, присоединяйтесь к студентам программы «Профессия: продакт-менеджер». На курсе вы получите необходимые знания и практические навыки, которые помогут сделать первые шаги в профессии. 🗓 Ближайший поток стартует 5 августа. Осталось 5 мест! ✍️ Оставьте заявку — мы все организуем.

Скоро в AI-мастерской: RAG на практике Через неделю в AI-мастерской стартует новый кейс — RAG на практике: строим AI на своей базе. Вы освоите RAG — архитектуру, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. Мы разберем это на примере сервиса поиск кофеен в большом городе, где для выдачи релевантного ответа пользователю нужно учесть ряд параметров. Вы научитесь применять RAG для своих задач, где нужен AI-поиск на ваших данных. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Первые два кейса AI-мастерской — уже доступны 1️⃣ В первом онбординг-кейсе вы получите базовые навыки работы с кодинг-агентами (Cursor, Codex, Claude Code). На выходе — ваш персональный AI-помощник, которого можно заточить под ваши задачи. 2️⃣ Во втором кейсе — создание сервиса для мониторинга конкурентов. На выходе сервис будет уметь отслеживать разные источники, анализировать изменения через LLM и отправлять отчеты в Telegram. Бонус к этому посту — универсальные принципы работы с кодинг-агентами, которыми мы настоятельно рекомендуем руководствоваться. Сохраните их себе — это пригодится как для работы над нашими кейсами, так и для самостоятельной практики. @gopractice

4 индустрии — 4 взгляда на юнит-экономику — Как вывести в плюс сервис доставки еды? — Как распределить инвестиции в приложении для знакомств? — Где искать точки роста в образовательном продукте? — На чем зарабатывают сервисы оплаты частями? Мы собрали подборку GoPractice по юнит-экономике, чтобы показать, как одна и та же тема раскрывается в разных бизнес-моделях. Внутри — видеоразборы и кейсы от экспертов из разных индустрий, а также материалы для самостоятельного изучения. Подборка будет полезна, если вы работаете с продуктом, развиваете бизнес или хотите лучше понимать, как продуктовые решения влияют на экономику продукта. 📚 Посмотреть бесплатно @gopractice

Создайте мониторинг конкурентов и получайте апдейты прямо в Telegram В AI-мастерской стартовал новый кейс — создание сервиса для мониторинга конкурентов. Кейс построен на примере мониторинга в X/Twitter. Сервис, который вы получите на выходе, будет уметь отслеживать нужное количество источников, анализировать изменения через LLM, отправлять отчеты в Telegram. Итоговый продукт будет готов к переносу в облако, чтобы он мог работать автономно, без привязки к вашей локальной машине. Также вы сможете адаптировать его под себя и свои задачи. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы сделаете интеграцию с LLM (OpenAI, Claude, Deepseek) и рабочим мессенджером (например, Telegram или Slack), научитесь использовать платформу для веб-поиска и исследований, а также утилиту для связи локальной машины с интернетом. Навыки на выходе: — Создание сервиса для мониторинга изменений с помощью Parallel — Безопасная передача обновлений из интернета в сервис с помощью ngrok и webhooks — Использование кодинг-агента для ad hoc аналитики Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Также из материалов кейса вы узнаете, когда лучше делать автоматизацию с помощью кодинг-агентов, а когда — лучше использовать специализированные платформы вроде n8n и Zapier. Бонусом к этому посту — сравнение двух подходов. @gopractice

Спасибо всем, кто поучаствовал в нашем турнире Territory в Agents with Friends! В игре поучаствовали 1132 агента и была оооочень активная конкуренция — мы впечатлены! 🙌 Вот пара отзывов: 💬 Вообще абсолютно бомбический экспириенс, давно так не включался во что-то) 💬 Спасибо, давно так не залипал ни во что :D Мы запускаем следующий турнир: 🏹 Новая игра Archers 🗓 Турнир идет до конца среды 22 июля GMT+3 🏆 Победитель получает два месяца доступа к AI-мастерской Как это устроено: — Перейдите по ссылке https://agentswithfriends.com/ — там вы найдете правила игры и ссылку на турнир (нужно зарегистрироваться) — Используйте любой кодинг-агент, чтобы создать агента на основе шаблонного промпта. Вам нужно будет только определить базовую стратегию для поведения вашего агента — Загрузите агента в турнир и наблюдайте за его результатами — Обновляйте агента, чтобы добиться лучших результатов (число итераций не ограничено) — Вступайте в телеграм-чат для вопросов и обсуждений (ссылка на странице турнира) Ждем всех! @gopractice

Несколько постов назад мы обсуждали, что узкое место из создания продуктов сместилось в зону, где надо понять, что именно строить и как потом донести это до клиентов. В разговоре Lenny Rachitsky с Evan Spiegel, сооснователем Snapchat, хорошо подсвечена эта тема. Напомним, что Snapchat, созданный 15 лет назад, входит в топ-5 популярных мессенджеров в мире, а его месячная активная аудитория — около миллиарда пользователей. И именно там появились многие креативные идеи для общения, которые затем были адаптированы и другими продуктами, например, сгорающие со временем Stories и AR-линзы для обработки селфи. «Главный челлендж сегодня — не создать сам продукт, но обеспечить дистрибуцию» Большинство команд по-прежнему сосредоточены на продукте: ищут product/market fit, думают о функциональности, пытаются сделать сервис, который люди полюбят. Но гораздо меньше внимания они уделяют вопросу, как этот продукт вообще попадет к пользователям. Когда запускался Snapchat, ситуация была совсем другой. App Store только набирал популярность, люди постоянно скачивали новые приложения и были готовы экспериментировать. Cегодня все иначе. Получить дистрибуцию для новой идеи стало гораздо сложнее. Люди уже не скачивают столько приложений, как раньше. Если сегодня вы создаете массовый потребительский продукт, стратегия дистрибуции может оказаться важнее самого продукта. «Софт больше не дает большого преимущества» Дистрибуция — не единственная проблема. Даже если пользователи пришли, сам продукт сегодня очень легко повторить. Это было правдой и 15 лет назад, когда конкуренты копировали фичи, созданные в Snapchat (Stories, AR-линзы и другие). Но именно эту уязвимость сегодня все заново открывают для себя на фоне развития AI. Ответом Snapchat стало создание экосистемы. Компания сознательно инвестировала в создание платформы, где ценность рождается не только внутри самого продукта, но и благодаря людям, которые строят его вместе с создателями. Snapchat работала с этим на нескольких уровнях: развивала отношения с креаторами и пользователями, строила платформу дополненной реальности, где разработчики создали миллионы AR-линз. Устойчивое преимущество все реже находится в самом коде и все чаще — в экосистеме вокруг него. «Snapchat рос благодаря качеству связей, а не их количеству» Необычный взгляд на сетевые эффекты помог Snapchat получить шанс вырасти. Было распространено мнение, что более крупные сети всегда более устойчивы — и, например, соцсеть Марка Цукерберга невозможно превзойти. Snap посмотрел на проблему иначе. Команда предположила, что пользователю важнее быть связанным не со всеми знакомыми сразу, а с несколькими, но действительно близкими людьми. С партнером, с лучшим другом, с супругом. Именно вокруг таких близких связей строился ранний рост Snapchat. Ценность создавалась не количеством контактов, а качеством отношений внутри сети. Это позволило сервису расти, несмотря на значительно меньшую аудиторию по сравнению с конкурентами. *** Создавать продукты с помощью AI действительно стало в чем-то проще. Но и это требует хорошего понимания процессов, скрытых за «магической кнопкой». В кейсах AI-мастерской мы помогаем усвоить основные принципы и даем переиспользуемые навыки для практической работы. Глубже изучить подходы к дистрибуции и сформулировать гипотезы, как разблокировать узкие места, поможет наш «Симулятор управления ростом продукта». Ключевые критерии готовности продукта к росту и масштабированию пока никто не отменял.

Разыскиваются лучшие вайбкодеры 🚨 Мы организовали турнир, где вам нужно создать агента, который сыграет в игру Territory против агентов других участников сообщества и студентов GoPractice (и части команды тоже!) Как это устроено: — Перейдите по ссылке https://agentswithfriends.com/ — там вы найдете правила игры и ссылку на турнир (нужно зарегистрироваться) — Используйте любой кодинг-агент, чтобы создать агента на основе шаблонного промпта. Вам нужно будет только определить базовую стратегию для поведения вашего агента — Загрузите агента в турнир и наблюдайте за его результатами — Обновляйте агента, чтобы добиться лучших результатов (число итераций не ограничено) 📅 Турнир будет продолжаться до конца рабочей недели (23:59 GMT+3, пятница, 17 июля). 🏆 Победитель турнира получит в подарок доступ к AI-мастерской GoPractice на два месяца. @gopractice

Скоро в AI-мастерской: мониторинг конкурентов Через неделю в AI-мастерской стартует второй кейс — создание сервиса для мониторинга конкурентов. Вы разберете кейс на примере мониторинга в X/Twitter. Сервис будет уметь отслеживать нужное количество источников, анализировать изменения через LLM, отправлять отчеты в Telegram. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Уже сейчас доступен стартовый онбординг-кейс, в котором вы получите навыки работы с кодинг-агентами и сможете применить их для создания AI-помощника. Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. @gopractice

Готовы пройти от первого промпта до личного AI-помощника? Первый кейс AI-мастерской — это онбординг-кейс, в котором вы получите базовые навыки работы с кодинг-агентами и примените их для создания AI-помощника. Приступить к работе можно с любым кодинг-агентом на ваш выбор — Cursor, Codex, Claude Code. В процессе вы научитесь подключаться к Gmail-почте и анализировать переписку с помощью LLM. Затем — генерировать черновики для рабочих переписок и ставить задачи в любой таск-трекер. AI-помощник, которого вы получите на выходе, будет запускаться автоматически по установленному вами расписанию. Вы сможете улучшить его и адаптировать именно под свои задачи. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Через полторы недели мы перейдем к следующему кейсу, о котором расскажем через несколько дней. P.S. Также из материалов кейса вы узнаете, почему OpenClaw, о котором было очень много разговоров и образовательных интенсивов, может быть не лучшим, а часто и опасным решением для подобных задач. @gopractice

Встречайте AI-мастерскую от GoPractice! Сегодня мы запускаем новый образовательный продукт — AI-мастерскую, которая решает две задачи: — Дает фундаментальные и переиспользуемые навыки для работы с кодинг-агентами и другими AI-инструментами — Учит создавать свои собственные продукты для решения конкретных задач с помощью AI Процесс обучения построен следующим образом: — Вы будете работать над практическими кейсами. Каждые две недели — новый кейс. — На выходе из каждого кейса — работающий продукт, созданный с помощью AI, и набор переиспользуемых навыков. — Фокус на освоении ключевых принципов, подходов и инструментов, а не на выполнении серии инструкций, которые ведут к состоянию «сделал, но не понял, как». — Продукт на выходе из кейса можно адаптировать под себя и свои специфичные задачи. Вы сможете задавать вопросы по всем новым кейсам в закрытом чате вместе с экспертами, работающими над программой. Все, чему вы научитесь, сможете переиспользовать в работе. 🗓 Вы будете обучаться и создавать продукты на регулярной основе, при этом каждый новый кейс будет актуален на момент выхода. Это позволяет получать самые свежие знания и опережать на шаг значительную долю рынка специалистов. 🔗 Получить больше информации об AI-мастерской и присоединиться к обучению вы можете по ссылке. ⚙️ Первый кейс уже доступен, и вы можете начать работать над ним прямо сейчас. По пути со всеми вопросами вам помогут эксперты в закрытом чате для студентов. Это онбординг-кейс. Вы сделаете личного AI-помощника, который будет автоматически сортировать письма в почте, готовить черновики ответов и ставить задачи в таск-трекер. В процессе работы над кейсом вы получите базовые навыки работы с кодинг-агентами, научитесь настраивать интеграции с внешними сервисами (почтой, таск-трекером, LLM), запускать помощника по расписанию. Также вы сможете адаптировать его под себя. Присоединяйтесь! В ближайшие недели вас ждут кейсы о том, как создать сервис мониторинга и анализа изменений у конкурентов, и как использовать RAG для создания AI на своей базе данных. Теперь несколько слов о том, почему мы создали продукт именно в формате регулярных практических кейсов. 💡 AI-технологии и решения развиваются очень быстро. Проблема, которая существовала вчера, завтра уже может быть решена. Инструменты, которые были актуальны вчера, могут стать неоптимальными завтра. 💡 Фундаментальные навыки и принципы создания и разработки продуктов остаются неизменны и актуальны. Но получать их в течение месяцев, а не дней, ни у кого нет времени и сил. Выбранный нами формат обучения решает одновременно и проблему устаревания материала (все перешли в новый AI-продукт, а в старых программах его нет), и разовых интенсивов на выходные (обучение навыкам подменяется созданием простого прототипа), и глубоких длинных программ (нужно инвестировать очень много времени до достижения ценности). Andrew Ng, один из ведущих экспертов по AI в мире, сформулировал следующее: “AI won’t replace human workers, but people that use it will replace people that don’t.” → «AI не заменит людей, но люди, которые пользуются AI, заменят тех, кто им не пользуется». Нравится это или нет, AI уже здесь, и его роль в ускорении производства будет только возрастать. Наша цель — дать нашим студентам все для того, чтобы вы могли двигаться вперед вместе с рынком или даже опережать его. Как и всегда раньше, мы будем делать это системно, структурно и практично. Ждем вас в AI-мастерской! @gopractice

Привет, это Олег. Расскажу, почему при работе над новыми продуктами я оставляю препятствия на пути к ценности. Когда я запускаю раннюю версию, с помощью которой проверяю гипотезы о ценности будущего продукта, я хочу, чтобы на старте у ранних пользователей было много препятствий на пути к ценности. Цена может быть высокой. Сайт может быть некрасивым и неудобным. Путь к регистрации может быть длинным и запутанным. Вместо хорошей платформы могут быть гугл-доки. Звучит контринтуитивно. Объясню, зачем это нужно. Главный риск большинства продуктов — не плохой интерфейс, а то, что проблема, которую вы решаете, на самом деле не так уж болит у пришедших к вам пользователей. Очень неприятно обнаружить спустя год работы, что вы сделали продукт-витаминку, от которого легко отказаться. Лишние препятствия в ранних версиях — это фильтр. Они помогают убедиться, что есть люди, для которых проблема настолько важна и критична, что они готовы много платить и продираться через любые препятствия, лишь бы ее решить. Препятствия отсеивают тех, для кого проблема неважна, и доказывают, что есть те, у кого боль настоящая. Именно это помогает нащупать product/market fit. Важный момент: наличие препятствий на пути к ценности вовсе не означает, что опыт первых пользователей будет плохим. Наоборот, на этом этапе он должен быть идеальным. Нужно сделать все возможное, чтобы их проблема была решена — это валидирует ценность решения. Просто идеальным вы делаете его сами — ведете первых пользователей за руку, сидите рядом, затыкаете собой все дыры, которых на раннем этапе в продукте очень много. Вы осознанно оставляете препятствия на пути к ценности (цена, интерфейс, онбординг), но потом делаете все возможное, чтобы проблема пользователя была решена идеально. Я часто вижу обратное: команды с первого дня оптимизируют воронку и убирают фрикшн. Вам дорого? Давайте снизим цену. Сомневаетесь? Дадим бесплатных кредитов. Не хотите заполнять форму о себе? Заполним за вас. Не получается выделить время, чтобы настроить интеграции? Давайте мы отправим к вам инженера. Их сложно винить — мы так делаем в любом живом продукте, чтобы улучшить метрики. Но на старте задача другая. Вы не растите метрики — вы ищете product/market fit. Вы ищете сегмент, где проблема настолько критична, что даже вашего сырого продукта достаточно, чтобы человек очень захотел с его помощью эту проблему решить. И ровно поэтому лишние препятствия на пути к ценности в ранних версиях — не баг, а фича. - - - - - - О важности проверки гипотезы ценности и других ключевых гипотез в основе будущего продукта — подробно в программе «Профессия: продакт-менеджер» и «Симуляторе управления продуктом на основе данных». Оставьте заявку на обучение, если ваша цель — переход в продуктовую роль.

«Как мы можем работать». О ценности AI-инструментов для нетехнических специалистов «Мы создаем инструменты, а затем инструменты создают нас». Эта цитата Джона Калкина всплывает на поверхность всякий раз, когда новый технологический виток меняет способы решения старых задач и вынуждает людей переучиваться заново тому, что, как им казалось, они уже давно умели. Проникновение AI-инструментов вышло за пределы сугубо технологической среды. Ими уже активно пользуются специалисты, чьи задачи решаются не через написание кода, а через организацию знаний и управления ими. В этом материале Тэйлор Пирсон рассуждает, как AI меняет работу для нетехнических специалистов и делится примерами на основе собственного опыта. Мы подготовили адаптированный перевод. 🔗 https://gopractice.ru/skills/as-we-may-work/ Пара шагов к тому, как освоить AI-инструменты, если вы — нетехнический специалист, но готовы к решению продуктовых задач: 1️⃣ «Генеративный AI для продакт-менеджеров» 2️⃣ «AI-прототипирование: от идеи до продукта за 1 день» @gopractice