GoPractice!

Узнаем, советуют ли вас ChatGPT, Gemini и Claude: собираем сервис мониторинга видимости в ответах LLM Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем. Несколько советов для тех, кто строит мониторинг видимости в LLM: — Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину. — Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации. — Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ. — Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново. — Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими. Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 6 кейсов 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. 5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик. 6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Присоединяйтесь к обучению! @gopractice

Привет, это Олег. Сегодня немного личный анонс. Последний год мы с небольшой командой исследовали, как применять AI-агентов для прикладных задач. В процессе появился Unreal Agent — харнесс или обвязка, которая управляет работой агента, позволяющая существенно снизить стоимость решения задач без потери качества. На бенчмарке Terminal-Bench 4.0 наше решение показывает результат на том же уровне, что Codex + Astra, но при этом обходится на 40% дешевле. Сегодня мы выпускаем Unreal Agent в open source: открываем код и данные тестов, а в техническом посте рассказываем, как всё устроено и за счёт чего удалось повысить эффективность. Буду благодарен за поддержку запуска: перейдите в наш пост в X и напишите комментарий или сделайте репост. https://x.com/unreallabsai/status/2102435462065385775?s=20

Агент внутри SaaS или SaaS как инфраструктура для Codex и Claude Code? Привет, это Олег. Поделюсь мыслями на этот счет. Между SaaS-компаниями и продвинутыми пользователями AI-инструментов формируется конфликт интересов: компании хотят встроить агента внутрь своего продукта, а пользователи — встроить сами продукты внутрь своего агента, например Cowork, Codex или Hermes. Для SaaS-компаний первая стратегия логична. Она позволяет сохранить контроль над пользовательским опытом, улучшать его и забирать себе большую часть создаваемой ценности. Но пользователи, которые уже привыкли работать через универсальных агентов, хотят другого. Они уже платят за подписку и получают в ее рамках объем токенов, который при оплате через API стоит в разы дороже. Они уже собирают весь свой контекст в одном месте. Поэтому они предпочитают подключать нужные сервисы через MCP. Им не нужен отдельный агент внутри каждого продукта — со своей подпиской, оплатой токенов и ограниченным контекстом. Им нужен один агент, который знает их контекст и умеет работать со всеми необходимыми инструментами. Например, получить данные из аналитики и CRM, проанализировать их, отправить результат по почте и создать задачи. И все это — без необходимости открывать четыре разных продукта и переносить между ними данные и контекст. Если работа через Codex, Cowork и другие универсальные агенты станет массовым сценарием — а такая вероятность есть, — роль SaaS-сервисов заметно изменится. Интерфейс, контекст и управление рабочим процессом начнут перемещаться внутрь универсальных агентов. А сами SaaS-сервисы могут превратиться в инфраструктуру, которая предоставляет данные, API, возможность выполнять определенные действия или уникальную доменную логику. Для пользователей это удобнее и дешевле. Для SaaS-компаний — опасно. Они теряют прямой контакт с пользователем, контроль над его опытом и возможности для дифференциации. Подобное расхождение стимулов часто создает пространство для новых игроков. Существующие сервисы будут стараться удержать агента внутри собственного продукта. И именно здесь может открыться возможность для новых компаний: изначально строить не очередной SaaS со своим интерфейсом и агентом, а лучшую инфраструктуру для агентов, которыми люди уже пользуются. Скорее всего, обе модели будут сосуществовать. Главный вопрос в том, где пройдет граница между ними и какая ставка окажется более выигрышной в долгосрочной перспективе. Хотите обсудить? Тегайте в X (Twitter). *** P.S. Присоединяйтесь к студентам AI-мастерской, чтобы получить прикладные навыки работы с AI-инструментами, которые мы считаем важными и полезными. @gopractice

Как превратить разрозненные источники в связанную базу знаний, которую ведет агент В AI-мастерской стартовал новый кейс — LLM wiki: ваш новый рабочий инструмент. Вы узнаете, как с помощью кодинг-агента собрать личную вики — связанный набор страниц по вашей области, который агент пишет и поддерживает сам. Задачи, которые вы сможете решать: — Подготовка к обсуждению — собрать все, что коллекция знает по теме встречи, вместе с расхождениями между источниками; — Анализ гипотезы — проверить свою идею на накопленном материале и увидеть, что ее поддерживает, а что ей противоречит; — Своя заметка — записать собственный вывод так, чтобы он участвовал в каждом следующем ответе вики; — Обзор новой области — составить картину незнакомой темы и увидеть, чего по ней в коллекции не хватает. На выходе вики будет уметь сводить каждый новый источник со всем, что уже записано, фиксировать расхождения между источниками с указанием, кто и что утверждает, вести отдельный список того, чего в коллекции не хватает, и отвечать на вопросы со ссылками на исходные материалы. Учиться будем на коллекции статей по продуктовому менеджменту, но вики можно сразу строить на своем материале — тогда на выходе у вас будет не учебный пример, а рабочий инструмент. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. Markdown-редактор можно использовать любой, но мы выбрали Obsidian. Репозиторий в GitHub понадобится для хранения версий. Навыки на выходе: — Работа с кодинг-агентом как с редактором базы знаний: схема в CLAUDE.md, протоколы загрузки источника, запроса и аудита — Связанная markdown-вики в Obsidian: типы страниц, перекрестные ссылки, граф связей, индекс и журнал — Сопоставление источников между собой: фиксация расхождений, аудит связности, список пробелов в коллекции — Версионирование вики в GitHub и запуск облачных сессий агента с телефона 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. @gopractice

Выходим на новый уровень работы со знаниями — собираем личную вики, которую ведет AI Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы соберете собственную базу знаний, которая не просто хранит прочитанное, а сводит источники между собой, показывает пробелы и расхождения, и помогает принимать решения. Несколько советов для тех, кто заводит личную LLM-вики: — Храните вики в обычных текстовых файлах. Markdown, папка на вашем компьютере, чтение в Obsidian. — Сразу заведите приватный репозиторий на GitHub. С репозиторием любое ошибочное изменение легко отменить. — Оптимизируйте добавление материалов с помощью MCP. Notion, Google Documents, таск-трекеры и общий диск подключаются к агенту, и документы можно загружать в вики без ручного копирования файлов. — Держите вики под рукой. У Obsidian есть бесплатные приложения для iOS и Android, а Claude Code можно использовать из браузера или приложения на телефоне. — Используйте возможности агентов для создания html-артефактов на данных вики. — Запускайте регулярный аудит вашей вики. Он покажет, что устарело, какие новые противоречия появились, что стоит прочитать следующим. Собирать вики можно на любом материале: свой рынок и конкуренты, пользовательские интервью, регламенты и внутренние документы, отчеты по экспериментам, новая для вас предметная область. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 5 кейсов 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. 5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Присоединяйтесь к обучению! @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