Пределы профессионализма

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]

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]

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]

Прямая ссылка - https://us02web.zoom.us/j/82993394966?pwd=6SKH3J8pzozASOiBhfFaJNDBnYyaEe.1

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]

🔑 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

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

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)

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)

⭐️ 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...

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.

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

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.

⭐️ Самое неожиданное выигрышное решение за последнее время Я уже писал на канале что увеличение диагонали экрна повышает эффективность работы с текстом и таблицами. Есть ряд исследований на эту тему. Скорее всего причина - в уменьшении переключений контекстов. Так вот. Я уже несколько лет юзаю два widescreen монитора. Один дома, другой - в коворкинге. И на данный момент они бустят целых три сценария работы : 1) Чтение. Позволяют открывать от 4 до 8 страниц одновременно. 2) Работа со знаниями в Obsdiain. Это база. Открываю сразу несколько заметок и делаю медленное паралелльное чтение. 3) Мультиагентная работа. Широкий экран позволяет открывать до 7 агентов для кодинга, других задач и работать с ними в параллели. PS : Тесты по Knowlume для тех кто записался запустим в конце этой недели - первой половине следующей.

Модульные навыки: Skills от Anthropic Примерно год назад на вебинаре про личную экосистему я делился своим прогнозом. Я говорил, что будущее — не за десятком разных нейросетей, а за одним «Генеральным Агентом» (General Agent). Представьте себе умного помощника, к которому вы просто подключаете нужные модули для конкретных задач, как насадки на мультитул. Тогда это была теория. Но пару месяцев назад Anthropic (создатели Claude) выпустили технологию, которая воплощает эту идею в жизнь — Skills. Это не просто очередная функция, а новый способ построения сложных рабочих процессов. Если упростить, то у вас есть «двигатель» — это большая языковая модель (Claude). И есть «навыки» (skills) — маленькие специализированные модули. Раньше я использовал простые самодельные скрипты для атомарных действий вроде перевода текста, форматирования или объяснения сложного материала. Skills выводит это на новый уровень. В чем суть? Это модульные истории, которые позволяют создавать сложные цепочки действий (пайплайны). 01. Индивидуальные инструменты. Вы создаете навык ровно под свою рабочую рутину. 02. Обмен опытом. Можно не писать ничего самому, а взять готовый скилл, созданный другим человеком. 03. Умные ресурсы. Внутри навыка можно зашить не только инструкции, но и изображения, текстовые базы знаний и даже вызов обычного программного кода. × × × Как это работает на практике? Представьте, что у вас есть задача: проанализировать отчет и составить по нему план действий. Раньше вам нужно было бы загрузить файл, написать длинный промпт, проверить результат, попросить исправить. Со Skills вы один раз настраиваете модуль «Анализ отчета» со всеми вашими критериями. Теперь, когда вы кидаете файл модели, нужный скилл активируется сам или по вашему запросу и отрабатывает задачу по четкому сценарию. Я инвестировал немного времени в создание скиллов под свои задачи и поиск готовых. Хотя в публичных репозиториях пока много мусора, найти жемчужины можно. Идея проста: вы один раз настраиваете процесс, а потом просто «вызываете» его, когда нужно. Но есть ложка дегтя в бочке меда. Так как скиллы — это по сути инструкции на естественном языке, они иногда ведут себя как капризный сотрудник. 01. Ложные срабатывания. Скилл может активироваться, когда не нужно, или промолчать, когда он необходим. 02. Пропуск инструкций. Модель, особенно если это не топовая версия, может просто «забыть» выполнить пару пунктов из вашего алгоритма. Над решением проблемы «забывчивости» я сейчас работаю, хорошего решения пока нет. А вот проблему вызова решить проще — через более жесткие, детерминированные команды. Почему это важно изучать сейчас специалисту, далекому от кода? Потому что эта концепция (как и протокол MCP) становится отраслевым стандартом. Эти навыки уже можно переносить между инструментами — использовать их в Cursor, Windsurf и других средах. Пока что это больше про код, но уже появляются скиллы для работы с базой знаний Obsidian и другими «некодерскими» приложениями. Самые мощные инструменты — это те, которые настроены под ваши процессы. Это та самая инвестиция времени, которая потом экономит часы жизни. ← Предыдущая техника #1000техник@prof_limits

ИИ и выгорание: почему мы успеваем больше, а устаем сильнее? Недавно в Harvard Business Review вышло любопытное исследование о работе с AI-агентами. Ученые наблюдали за группой из 200 человек и обнаружили парадокс: сотрудники действительно работали быстрее и закрывали более широкий круг задач, но при этом добровольно, без просьб начальства, удлиняли свой рабочий день. Итог — рост продуктивности рука об руку с выгоранием. Почему так происходит? Обычно работа с нейросетями выглядит как 5–10 открытых диалогов, где мы пытаемся параллельно решать разные вопросы. Раньше у нас была естественная пауза — «проблема чистого листа», когда мы не знали, с чего начать, и мозг получал передышку. Сейчас ИИ мгновенно набрасывает варианты. Исчезли моменты ментального отдыха, а нагрузка от постоянного переключения контекста возросла в разы. × × × Если неумело использовать AI-системы, можно загнать себя в ловушку. Я вижу два направления, которые помогут сохранить эффективность и здоровье: 01. Осознанный отдых. Большинство людей, с которыми я работаю, совершенно не умеют отдыхать и не планируют восстановление. Запомните: чем больше вы используете ИИ для ускорения работы, тем больше вам требуется времени на перезагрузку. Это базовая техника безопасности для вашего мозга. 02. Автономность через планирование. Нужно смещать фокус с хаотичных переписок с ботом на автономное выполнение задач. Секрет в сверхдетальном планировании проекта. Если задача разложена по полочкам, вероятность переделок и лишних переключений снижается. Вы можете запустить работу в 4–5 потоков и просто наблюдать за результатом. Чем лучше распланирован проект, тем меньше вы вовлекаетесь в рутину, позволяя инструментам работать параллельно, а себе — сохранять фокус и энергию.

Как сохранять информацию, чтобы ее использовать? Я уже начал рассказывать про Knowlume, и сегодня хочу углубиться в самое «мясо» — в то, как именно мы сохраняем знания. Большинство людей сохраняют информацию по принципу «кладбища ссылок»: закинул в закладки и забыл. Но цель продуктивности — не накопление, а переиспользование. Какая разница, сколько вы прочитали, если не можете быстро внедрить это в работу? В моем инструменте сохранение работает через необычную, но крайне логичную структуру. Это не просто «текст + заголовок». Это трехуровневая система, где каждый этаж выполняет свою функцию. 01. Уровень 1. Резюме в 1 предложение Это ярлык на коробке. Его задача — дать сверхбыстрое понимание. Работая в своей базе знаний (я использую Obsidian), я должен за долю секунды понять: о чём это? Нужно ли мне это сейчас? Если название «продает» мне содержание, я иду дальше. 02. Уровень 2. Связки Самая интересная часть. ИИ автоматически вычленяет логику события: «Было → Действие → Стало». Алгоритм такой: Начальное состояние: В какой ситуации мы находимся? (Есть ли у меня похожие условия?) Преобразование: Что конкретно было сделано? (Есть ли у меня ресурсы это повторить?) Конечное состояние: Какой результат получили? (Нужен ли мне такой итог?) На этом уровне вы понимаете механику успеха или провала, даже не читая полный текст. В одном кейсе таких связок может быть несколько. 03. Уровень 3. Исходный контекст Многие суммаризаторы грешат тем, что выкидывают детали. Но дьявол, как известно, в них. Мы всегда сохраняем полный исходный текст фрагмента. Иногда в названии и связке не уместить нюанс, который станет решающим при внедрении. Исходник делает знание верифицируемым и полным. × × × Как это выглядит на практике? Я потребляю контент «промышленными масштабами» — до 5 часов в день параллельно с делами. Недавно слушал интервью про историю Facebook. Там был отличный бизнес-кейс: Раньше в Facebook были просто «Группы». Команда и не думала, что это площадка для торговли. Но, проанализировав нецелевое поведение пользователей (люди стихийно начали продавать вещи в группах), они обнаружили скрытый спрос. Итог? Они не стали бороться с этим, а создали под этот спрос продукт — Facebook Marketplace. Я нашел и сохранил эту жемчужину меньше чем за 20 секунд. Как это выглядит в системе: Титул: Анализ нецелевого поведения пользователей ведет к созданию продукта, удовлетвoряющего скрытый спрос. Связка: Пользователи используют группы не по назначению→Анализ паттернов→Запуск отдельного продукта. В этом же видео был второй пример: анализ показал, что 60% просмотров в профилях были от людей противоположного пола, с кем не было дружбы. Результат того же алгоритма — запуск Facebook Dating. В чем сила? Я знаю всего пару коллег, кто способен так структурировать данные вручную. Это колоссальный труд. Но когда рутину берет на себя автоматизация, вы начинаете оперировать готовыми ментальными моделями, а не просто складировать информацию. P.S. Почему важна именно структура Начало→Действие→Результат? Потому что наш мозг ищет решения именно так. Когда у вас возникает проблема (Начальное состояние), вы подсознательно ищете в памяти: «А кто уже был в такой ситуации и что он сделал?». Knowlume просто раскладывает информацию по полочкам так, как её удобнее всего «взять» нашему мозгу. 🚀 [[Пределы профессионализма]] (https://t.me/prof_limits)

Knowlume — фильтр для знаний. Конкуренты Ожидаемый вопрос после анонса Knowlume: «Такие инструменты ведь уже есть, в чём разница?». Это справедливый вопрос, и ответ на него раскрывает всю суть моего подхода. Если коротко: Knowlume конкурирует не с другими приложениями, а с ручным, неэффективным трудом. В продуктивной работе есть фундаментальное правило: инструмент должен решать задачу целиком, а не создавать новые промежуточные шаги. Когда я анализировал рынок, я не нашёл ни одного сервиса, который бы решал задачу «превращения информации в знание» под ключ. Все существующие решения останавливаются на полпути. Давайте разберёмся. × × × Категория 1: Агрегаторы (RSS-читалки и аналоги) Это классические инструменты для сбора информации из разных источников в одну ленту. Они решают проблему «где найти», но не «что читать». В лучшем случае, вы можете настроить фильтрацию по ключевым словам. Такой фильтр не отличает «воду» от концентрата. Статья с заголовком «Новые тренды в AI» может быть как глубоким анализом, так и поверхностным пересказом новостей. Агрегатор этого не понимает. В итоге вы всё равно вынуждены вручную просматривать десятки или сотни материалов, тратя на это часы. Процесс оформления и сохранения знаний даже не затрагивается. × × × Категория 2: Транскрибаторы и суммаризаторы Эти сервисы делают шаг вперёд: они могут превратить видео в текст и даже сделать из него краткое саммари. Кажется, это то, что нужно. Но есть два ключевых нюанса. 01. Нюанс первый: «мусор на входе — мусор на выходе». Эти системы не понимают, что такое «вода». Они берут исходный материал — например, двухчасовую лекцию, где 20 минут ценности, а остальное — вводные слова и отступления, — и делают саммари всего подряд. Вы получаете краткий пересказ «воды». 02. Нюанс второй: цена. По какой-то причине большинство таких сервисов неоправданно дороги. За обработку одной лекции можно заплатить несколько долларов. Мой подход к архитектуре Knowlume позволяет снизить эту стоимость на порядок — до центов за тот же объём. Это делает системную работу со знаниями доступной, а не эксклюзивной. × × × Категория 3: «Умные» чёрные ящики Есть несколько эзотерических сервисов, которые заявляют, что у них есть некий «умный» фильтр. Но как он работает — непонятно. У них нет внятной теоретической базы, объясняющей, по какому принципу они отделяют важное от неважного. Вы доверяете фильтрацию своих знаний непрозрачному алгоритму. Мой же подход строится на чёткой и проверяемой методологии «отжима воды». Я могу объяснить, почему система считает тот или иной фрагмент ценным. × × × Так в чём же главное отличие? Другие инструменты предлагают вам либо лопату, чтобы копать вручную, либо экскаватор без водителя, который копает где попало. Knowlume — это система, которая берёт на себя весь цикл от «сырой информации» до «готового знания». Она находит ценность, отсекает шум, структурирует, оформляет и складывает на вашу «полку знаний». Она освобождает ваше время для самого главного — для размышлений и применения этих знаний на практике. × × × Закрытый доступ и планы Сейчас я готовлю knowlume к первому публичному релизу и хочу провести закрытое тестирование с небольшой группой (около 30 человек), чтобы быстро собрать обратную связь и доработать продукт. Если вам интересно стать одним из первых пользователей и помочь мне в этом, напишите в комментариях. Позже я проведу для всех участников небольшое демо, где покажу и объясню, как всё работает. 🚀 Пределы профессионализма

✅ Ваша идея получена: Автоматизация опыта: как превратить ошибки в инструкции для ИИ С начала года в индустрии снова небольшой переполох: новые модели от ведущих вендоров начали программировать радикально лучше. Да, они могут быть чуть медленнее, но теперь они способны создать с одной попытки целое приложение по хорошему техзаданию. Что это значит для нас? Труд программиста стремительно перетекает в общение с ИИ-агентом. И это касается не только кодеров. Я убежден, что любой интеллектуальный труд сейчас дрейфует в эту сторону: мы перестаем быть «руками», которые делают, и становимся «архитекторами», которые управляют агентами. Но здесь есть скрытая проблема, которую мало кто замечает. Куда деваются наши профессиональные знания? Недавно прошла новость, что трафик на Stack Overflow (главный форум программистов) упал почти до нуля. Почему? Ответ очевиден: люди теперь идут с вопросами к LLM. Ответ там быстрее, качественнее и без токсичности. Но это означает вот что: процесс решения проблемы теперь скрыт в приватной переписке. Когда у вас что-то не получается, вы жалуетесь нейросети. Когда получается — вы радуетесь там же. История ваших побед и поражений остается в закрытом чате, который потом благополучно забывается. И это — потерянный капитал. × × × Здесь открывается интересная возможность для управления знаниями. Сейчас появляются инструменты класса Low-code/No-code, позволяющие работать с ИИ-агентами (вроде Cowork или продвинутых сред разработки). В них часто есть такая штука, как Hooks («хуки»). Для тех, кто не в теме программирования: хук — это просто «спусковой крючок». Функция, которая срабатывает при определенном событии. Например, «когда я закрываю диалог с ИИ» или «перед тем, как чат очистится». И вот мой рецепт, как это использовать для кратного роста продуктивности: Я настроил простой алгоритм. Когда сессия с ИИ заканчивается, срабатывает хук. Он отправляет весь наш диалог другой модели с одной задачей: «Найди выученные уроки». Промпт выглядит примерно так: «Проанализируй этот диалог. Найди моменты, где пользователь пытался решить задачу 2-3 раза разными способами и преуспел только в конце. Выдели, что именно сработало, а что было ошибкой, и запиши это как инструкцию». И система сама, без моего участия, создает файл (например, lesson_learned.md) или новый «навык» в базе знаний. Почему это важно? 01. Автоматический дневник ошибок. Мы часто наступаем на одни и те же грабли. Система теперь сама запоминает: «Ага, в прошлый раз этот подход не сработал, не делай так снова». 02. Инструкции для себя = Инструкции для ИИ. Я заметил удивительную вещь: чек-листы, которые я писал для себя, чтобы не забыть порядок действий, отлично понятны и нейросети. Если я «скармливаю» ей свою же инструкцию, она работает идеально. 03. Масштабирование. Этот опыт можно сохранять не только для себя, но и для коллег, и для их ИИ-агентов. По сути, мы превращаем процесс работы в конвейер по созданию лучших практик. Вы просто работаете, ошибаетесь, исправляетесь — а система в фоне фильтрует этот опыт и превращает его в золото. Попробуйте начать с малого: даже если вы не умеете настраивать хуки. Закончив сложный диалог с ChatGPT или Claude, не закрывайте вкладку. Попросите его в том же чате: «Сформулируй краткую инструкцию на основе того, как мы решили эту проблему, чтобы в следующий раз я мог просто скопировать её тебе». Сохраните этот текст. Это и есть ваша растущая ценность на рынке — не просто умение решать задачи, а накопленная база алгоритмов их решения. 🚀 Пределы профессионализма

✅ Ваша идея получена: Автоматизация опыта: как превратить ошибки в инструкции для ИИ С начала года в индустрии снова небольшой переполох: новые модели от ведущих вендоров начали программировать радикально лучше. Да, они могут быть чуть медленнее, но теперь они способны создать с одной попытки целое приложение по хорошему техзаданию. Что это значит для нас? Труд программиста стремительно перетекает в общение с ИИ-агентом. И это касается не только кодеров. Я убежден, что любой интеллектуальный труд сейчас дрейфует в эту сторону: мы перестаем быть «руками», которые делают, и становимся «архитекторами», которые управляют агентами. Но здесь есть скрытая проблема, которую мало кто замечает. Куда деваются наши профессиональные знания? Недавно прошла новость, что трафик на Stack Overflow (главный форум программистов) упал почти до нуля. Почему? Ответ очевиден: люди теперь идут с вопросами к LLM. Ответ там быстрее, качественнее и без токсичности. Но это означает вот что: процесс решения проблемы теперь скрыт в приватной переписке. Когда у вас что-то не получается, вы жалуетесь нейросети. Когда получается — вы радуетесь там же. История ваших побед и поражений остается в закрытом чате, который потом благополучно забывается. И это — потерянный капитал. × × × Здесь открывается интересная возможность для управления знаниями (Knowledge Management). Сейчас появляются инструменты класса Low-code/No-code, позволяющие работать с ИИ-агентами (вроде Cowork или продвинутых сред разработки). В них часто есть такая штука, как Hooks («хуки»). Для тех, кто не в теме программирования: хук — это просто «спусковой крючок». Функция, которая срабатывает при определенном событии. Например, «когда я закрываю диалог с ИИ» или «перед тем, как чат очистится». И вот мой рецепт, как это использовать для кратного роста продуктивности: Я настроил простой алгоритм. Когда сессия с ИИ заканчивается, срабатывает хук. Он отправляет весь наш диалог другой модели с одной задачей: «Найди выученные уроки». Промпт выглядит примерно так: «Проанализируй этот диалог. Найди моменты, где пользователь пытался решить задачу 2-3 раза разными способами и преуспел только в конце. Выдели, что именно сработало, а что было ошибкой, и запиши это как инструкцию». И система сама, без моего участия, создает файл (например, lesson_learned.md) или новый «навык» в базе знаний. Почему это важно? 01. Автоматический дневник ошибок. Мы часто наступаем на одни и те же грабли. Система теперь сама запоминает: «Ага, в прошлый раз этот подход не сработал, не делай так снова». 02. Инструкции для себя = Инструкции для ИИ. Я заметил удивительную вещь: чек-листы, которые я писал для себя, чтобы не забыть порядок действий, отлично понятны и нейросети. Если я «скармливаю» ей свою же инструкцию, она работает идеально. 03. Масштабирование. Этот опыт можно сохранять не только для себя, но и для коллег, и для их ИИ-агентов. По сути, мы превращаем процесс работы в конвейер по созданию лучших практик. Вы просто работаете, ошибаетесь, исправляетесь — а система в фоне фильтрует этот опыт и превращает его в золото. Попробуйте начать с малого: даже если вы не умеете настраивать хуки. Закончив сложный диалог с ChatGPT или Claude, не закрывайте вкладку. Попросите его в том же чате: «Сформулируй краткую инструкцию на основе того, как мы решили эту проблему, чтобы в следующий раз я мог просто скопировать её тебе». Сохраните этот текст. Это и есть ваша растущая ценность на рынке — не просто умение решать задачи, а накопленная база алгоритмов их решения. 🚀 Пределы профессионализма