Пределы профессионализма

Работа с текстом в Vim Мы проводим огромную часть жизни, редактируя текст. Пишем ли мы код, статью или коммерческое предложение — мы постоянно возвращаемся назад, удаляем слова, меняем параграфы местами, исправляем опечатки. И делаем это поразительно неэффективно. Стандартный способ — это вечный танец между клавиатурой и мышкой. На самом деле от мышки можно избавиться почти полностью, а скорость редактирования увеличить в разы. Речь пойдет о Vim. Если кратко, это текстовый редактор. Но на самом деле это целая философия, язык для взаимодействия с текстом. Его главная идея, ломающая мозг новичку, — это режимы. В одном режиме вы вводите текст, как обычно. Но в другом, основном, текст вводить нельзя. Вместо этого каждая клавиша на клавиатуре становится командой: «удалить слово», «скопировать строку», «перейти в конец абзаца». Но настоящая магия начинается, когда понимаешь, что Vim — это не просто набор команд, а полноценный язык со своей грамматикой. Есть «глаголы» (действия), «существительные» (объекты) и «предлоги». 01. Глаголы: d (delete), c (change), y (yank/копировать). 02. Существительные: w (word/слово), p (paragraph/абзац), s (sentence/предложение). 03. Предлоги: i (inside/внутри), a (around/вокруг). И вы можете их комбинировать. Фраза diw дословно переводится как delete inside word (удалить внутри слова). А dip — delete inside paragraph (удалить внутри абзаца). Вам не нужно тянуться к мышке, чтобы выделить слово или абзац. Вы просто говорите редактору, что сделать, на его языке. × × × Сравним простую операцию. Задача: найти абзац примерно в середине большого документа и полностью его удалить. Классический способ (Word/Блокнот): Рука срывается с клавиатуры и ищет мышку. Глаза находят полосу прокрутки. Судорожно крутим колесико. Наконец, находим нужный абзац. Наводим курсор, неуклюже выделяем текст от начала до конца. Рука возвращается на клавиатуру, чтобы нажать Delete. Если промахнулись с выделением — начинаем заново. Долго. Очень долго. Способ Vim: Руки остаются на клавиатуре. Я нажимаю несколько клавиш для быстрой навигации в середину документа. Затем — dip. Всё. Абзац исчез. Вся операция занимает одну-две секунды. Никаких лишних движений. Никакого переключения внимания с текста на элементы интерфейса. Это не просто быстрее. Это принципиально другой уровень взаимодействия с текстом, где инструмент не мешает, а становится продолжением мысли. Конечно, есть входной барьер. Vim требует слепой десятипальцевой печати — без этого никуда. Но если этот навык у вас есть, то базовый уровень осваивается за пару недель, а мастерство приходит с практикой за несколько месяцев. Я и сам постоянно пользуюсь комбинациями Vim и планирую в ближайшее время углубить свои знания, потому что потенциал для ускорения имеется. Даже с появлением ИИ мы никуда не денемся от редактирования текста. Так почему бы не перестать тратить на это полжизни?

Эвристика для создания идей в AI Этот пост, возможно, самый ценный для тех, кто хочет не просто пользоваться AI, а создавать в этой сфере что-то новое. Я не data scientist, но я много читаю, изучаю основы и пытаюсь видеть паттерны. И вот одна эвристика, которую я заметил давно и которая, похоже, помогает порождать жизнеспособные идеи. × × × Представим все, что связано с LLM, в виде трех уровней: 01. Уровень AI-системы (Макро): Это самый верхний уровень, где мы строим системы из нескольких моделей. Вспоминаем тот же LangGraph: у нас есть узлы, в каждом из них может происходить вызов LLM, и каждый узел выполняет свою функцию. Это оркестр из моделей. 02. Уровень Промта (Микро): Это один-единственный вызов к модели. У нас есть промт — инструкция, в которую мы можем закодировать нужное поведение, знания, роли. Это партитура для одного конкретного музыканта. 03. Уровень Нейросети (Нано): Самый низкий уровень. Это архитектура самой модели, ее внутреннее устройство, то, как «думают» нейроны. Это конструкция самого музыкального инструмента. × × × Эвристика заключается в следующем: мы можем брать приемы и практики с одного уровня и «таскать» их на другой. И если спросить себя: «А что, если перенести этот прием на другой уровень?», ответом часто будет интересная инновация. Приведу пару примеров. Механика роутера — когда система решает, по какому пути пойдет выполнение задачи. Она уже живет на всех трех уровнях: 01. На уровне нейросети: Это архитектура Mixture of Experts, где разные части сети отвечают за разные области (математика, код, разговорная речь). 02. На уровне промта: Мы можем прямо указать в инструкции: «Если запрос про X — используй эту часть промпта, если про Y — другую». Это работает. 03. На уровне AI-системы: Мы ставим одну простую модель-диспетчера, которая распределяет запросы по разным, более сложным и специализированным моделям. Или механика рассуждения (reasoning). Долгое время она жила только на двух верхних уровнях: на уровне промта как Chain of Thought («думай шаг за шагом»), а на уровне систем — как отдельная модель-рефлексолог, которая гоняла по кругу свой же ответ. Но примерно год назад это реализовали на уровне нейросети — рассуждение встроили в саму архитектуру модели. Техника спустилась на уровень ниже, породив инновацию. Понятно что перенос был не один-в-один, но идея та же. × × × В этом и заключается суть эвристики. Множество идей, реализованных в архитектурах нейросетей, ждут чтобы быть переосмысленными на уровне промптов или сложных систем. И наоборот. Для этого не обязательно быть ученым из OpenAI. 🚀 [Пределы профессионализма](https://t.me/prof_limits)

Забытые способы организации знаний Есть такое выражение: «век живи — век учись». Я всегда считал, что тему организации знаний прокопал довольно глубоко — рассказывал об этом на стримах, перечитал массу литературы. А недавно взялся за классика Computer Science Дугласа Энгельбарта и его работу «Augmenting Human Intelligence». И понял, что был неправ. Энгельбарт — это не только человек, который изобрел компьютерную мышь. Это мыслитель, который еще в 70-е предсказал, что мы будем тонуть в информации, и начал системно создавать для этого инструменты. Какие-то его идеи через Xerox PARC дошли до Microsoft и Apple и стали тем, чем мы пользуемся сегодня. Другие же оказались незаслуженно забыты. Изучая его работу, я наткнулся на два необычных способа извлекать информацию, о которых раньше даже не слышал. 01. Организация по ощущению. Представьте, что у вас есть некий концепт — идея, заметка, статья. Как его найти позже? Обычно мы используем теги или папки. Энгельбарт же предлагал раскладывать концепты по нескольким интуитивным шкалам. Например: «веселое/грустное», «активное/пассивное», «яркое/тусклое». Главное отличие от привычных тегов в том, что это не строгая логика, а ваше личное, субъективное ощущение от информации. По его словам, такой метод отлично работал для поиска. Правда, он не уточнял, на каких объемах данных это тестировалось — в те времена вычисления стоили в миллионы раз дороже. 02. Извлечение по правилам. Второй способ — запрашивать информацию не по ключевым словам, а по правилам, описывающим связи между элементами данных. Для этого нужно заранее разметить данные: указать, что один объект «является частью» другого или «следует из» третьего. Тогда вместо поиска по тексту, как в Google, вы можете задать правило. Например: «покажи мне все части вот этого объекта». Или, что еще интереснее, можно искать логические паттерны. Например, найти все «замкнутые причинно-следственные связи» — круговую аргументацию, когда утверждения поддерживают сами себя. Классика: «Почему Бог существует? Потому что так написано в Библии. А почему Библия — истина? Потому что это слово Божье». Запрос мог бы звучать так: «Найди мне все цепочки аргументов, которые замыкаются сами на себя». × × × Итак, вот два «новых старых» способа работать со знаниями: - Кодировать не объективные параметры, а субъективное ощущение от информации. - Искать не по ключевым словам, а по правилам и структурным связям между данными. Оба подхода требуют от пользователя большего вовлечения. В первом случае — глубокой рефлексии над своими ощущениями, во втором — освоения языка правил и дисциплины в разметке данных. Это не для новичков. Но они открывают потенциально новые сценарии. Сегодня эти идеи могут получить вторую жизнь. Современные LLM в теории способны переводить наш естественный язык в такие сложные запросы на основе правил. Для меня главный урок здесь в том, что даже в теме, которую считаешь изученной вдоль и поперек, могут скрываться фундаментальные и мощные идеи. Теперь интересно доисследовать, насколько эти подходы Энгельбарта могут быть применимы сегодня. 🚀 [\Пределы профессионализма\](https://t.me/prof_limits)

Перестаньте сжигать токены: 5 способов укротить расходы на LLM Большие языковые модели могут быть прожорливыми. Я хочу поделиться несколькими способами, как можно работать с LLM более экономно, а зачастую — и более эффективно. 01. Управление контекстом. Самый очевидный, но часто игнорируемый способ. Посмотрите на свои промпты. Есть ли там повторяющаяся часть, которая не влияет на результат? Нерелевантные примеры? Просто лишний «воздух»? Всё это можно и нужно убирать. Есть даже радикальная техника «сворачивания слов»: убирать из каждого слова все гласные или просто вторую половину. Контекст серьезно сокращается, а LLM всё прекрасно понимает. Все, кто пробовал писать в ChatGPT на корявом русском с ошибками, знают — модель чаще всего справляется. 02. Кэширование. Почти все провайдеры API предлагают эту функцию. Суть проста: если вы отправляете несколько запросов подряд, у которых одинаковое начало, эта общая часть «кэшируется». Провайдер не обрабатывает её заново и, соответственно, не тарифицирует. Недавно [разработчики агента Manus](https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus) назвали это одним из ключевых принципов разарботки подобных систем. Для агентов, которые гоняют десятки запросов в минуту, это главный способ и ускорить ответ, и сократить расходы. 03. Chain of Drafts. Промпт-инжиниринг — это не только про качество, но и про стоимость. Популярная техника Chain of Thought заставляет модель подробно расписывать свои рассуждения. Это даёт хороший результат, но тратит много токенов. Позже исследователи нашли более экономный прием — [Chain of Drafts](https://arxiv.org/abs/2502.18600). Модель как бы думает короткими «черновиками», а не полноценными мыслями. Результат почти тот же, а токенов съедается значительно меньше. × × × Следующие два способа — это уже переход на уровень выше, к выбору самих инструментов. 04. Бесплатные API. На рынке постоянно появляются бесплатные возможности. На том же [OpenRouter](https://openrouter.ai) всегда есть несколько open-source моделей, которые можно использовать бесплатно с определенными лимитами. [Cloud.ru](https://cloud.ru), например, до конца октября дает доступ к нескольким моделям. Да, везде есть ограничения по количеству запросов, но для многих задач их вполне хватает. 05. Роутеры. Это самая интересная технология. Роутер — это сервис-посредник, который анализирует сложность вашего запроса. Если задача простая, он отправляет её на быструю и дешёвую модель. Если же нужно «подумать», то подключает более мощную и дорогую. Вы общаетесь с одной «точкой входа», а система сама решает, какой инструмент использовать. Один из таких сервисов — [Switch Point](https://www.switchpoint.dev/). По цене он сопоставим с недорогими моделями, но даёт производительность, близкую к топовым. Например, на задачах кодинга он показывает улучшение в 37% по сравнению с моделями той же ценовой категории. Единственный минус — небольшая задержка, так как роутеру нужно время на принятие решения. × × × Так что в следующий раз, когда будете проектировать свой рабочий процесс с LLM, подумайте не только о том, что вы просите, но и о том, как вы это делаете. Зачастую в этом «как» и кроется ключ к эффективности. 🚀 [Пределы профессионализма](https://t.me/prof_limits)

Рабочие пространства > Дисциплина? Я часто наблюдаю, как специалисты тратят колоссальное количество ментальной энергии на рутину: открыть нужные файлы, расположить окна на экране, найти тот самый сайт для проекта. Большинство считает это неизбежной частью работы. Но это не так. Вот,к примеру, вы работаете над четырьмя разными проектами в течение дня. Каждое переключение — это поиск и запуск нужных приложений, открытие вкладок, файлов и заметок. На это уходит 5, 10, а то и 15 минут. Умножаем на три-четыре перехода — и вот потерянный час рабочего времени. И это не считая когнитивной нагрузки на то, чтобы заново «въехать» в контекст. Здесь на помощь приходит одна из самых недооценённых техник повышения эффективности — рабочие пространства (workspaces, spaces). Суть проста: мы сохраняем конфигурацию окон, файлов и приложений для конкретного проекта или типа задач, чтобы затем восстановить её в один клик. Где эта механика реализована хорошо, а где — не очень? Эталон — Obsidian. Прямо из коробки, бесплатно. Можно создавать и сохранять любую конфигурацию окон и заметок. У меня есть воркспейсы для написания текстов, дневного и стратегического планирования, разбора заметок и для каждого отдельного проекта. Когда нужно вернуться к задаче, к которой я точно ещё вернусь, я просто сохраняю текущий сетап как временный воркспейс. Браузеры. Лучший пример — Arc Browser (увы, до сих пор неполноценный на Windows). Его механика Spaces позволяет сохранять не только наборы сайтов, но и их расположение на экране, например, в режиме раздельного окна. Операционные системы. Как ни странно, это самое слабое звено. На macOS есть платные приложения для менеджмента окон с похожим функционалом. Например, в Raycast есть встроенный Window Management, но эта фича доступна только в платной подписке. На Windows ситуация ещё хуже — без самописных скриптов найти что-то стоящее практически невозможно. × × × Дело не только в сэкономленных минутах. Воркспейсы — это способ «выгрузить» из головы рутинные операционные задачи. Когда вы одним хоткеем разворачиваете нужную среду, вы мгновенно погружаетесь в контекст. Не нужно вспоминать, какой файл был открыт и где лежала та самая заметка. Это особенно ценно при асинхронной работе, когда нужно быстро переключиться на правки от заказчика, а потом вернуться к основной задаче. Более того, можно пойти дальше: - В каждом воркспейсе держать отдельную заметку «На чём я остановился?». - Создавать пространства не только под проекты, но и под типы деятельности (анализ, креатив, коммуникация). - Одним кликом закрывать 30 вкладок после безудержного сёрфинга и открывать чистое рабочее окружение. Предлагаю посчитать: Прикиньте, сколько времени вы тратите на ручное переключение между задачами в течение дня. А затем попробуйте создать всего один воркспейс для своего самого частого проекта — в том же Obsidian или с помощью скрипта. Вы вернёте себе не просто час времени — вы вернёте себе фокус. ← Предыдущая техника #1000техник@prof_limits

Claude Code = Cursor на стероидах? Некоторое время назад я плотно экспериментировал с Claude Code — новым консольным инструментом от Anthropic. Если упрощать, это как Cursor, но в терминале: вы открываете его в любой папке на компьютере и получаете мощного ИИ-ассистента. Но есть ключевое отличие — здешний агент на порядок умнее. Я считаю, что его главная сила не в помощи с кодом, а в том, что это «агент общего назначения». Он не ограничен рамками IDE и может работать с любыми файлами в директории: текстами, заметками, документами. По сути, он видит всю вашу рабочую среду так же, как и вы. При этом его можно научить пользоваться вашими инструментами из командной строки. Всё, что вы можете запустить в терминале (а это очень многое), может стать частью его арсенала. Это превращает Cloud Code из простого чат-бота в полноценного цифрового помощника, интегрированного в вашу систему. Почему это важно? Вы один раз пишете инструкции, как работать с вашими проектами, ежедневными заметками в Obsidian или базой знаний. Агент их усваивает. И вот вы ставите ему задачу, а он не просто отвечает текстом, а сам находит нужные файлы, создаёт подпапку `scripts/` и при необходимости пишет туда скрипт для автоматизации вашей рутины. Скрипт, который вы сможете запускать снова и снова. × × × Многие сразу вспомнят про Obsidian Copilot. Да, функциональность на первый взгляд похожа, но есть два фундаментальных «но»: 🔵 Качество кода. Copilot может сгенерировать код с помощью LLM, но он не сумеет профессионально «докодить» (агентно продолжать и редактировать код в файле), как это делает Claude Code. 🔵 Ресурсы. За Obsidian Copilot стоит, насколько мне известно, один разработчик. У него физически нет ресурсов, чтобы создать и поддерживать агента, способного конкурировать с разработкой Anthropic. С Claude Code мы получаем одного из лучших ИИ-агентов на рынке, который работает локально поверх ваших файлов. Это двойной выигрыш: мощь передовой модели и глубокий персональный контекст. Главный минус — цена. Чтобы комфортно пользоваться инструментом без «хаков», нужно платить около $200 в месяц, и даже тогда остаются лимиты. К счастью, есть обходной путь. С помощью расширений вроде [Claude Code Router](https://github.com/musistudio/claude-code-router) можно подменить API Anthropic на OpenRouter и подключать любые модели. Я тестирую эту связку с gpt-4.1: агент становится менее автономным, ему нужно больше подсказок, но он отлично справляется с задачами. Сегодня я бы попробовал новую Kimi K-2. Учитывая, как быстро модели умнеют и дешевеют, к концу года мы можем получить невероятно мощного и доступного персонального ассистента. Это, пожалуй, самый интересный инструмент за последний год. 🚀 [[Пределы профессионализма]](https://t.me/prof_limits)

ИИ-инструменты: Ускоритель или Тормоз? [Недавнее исследование о влиянии Cursor](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study.pdf) на продуктивность разработчиков вызвало бурные обсуждения среди моих коллег. Результаты: в среднем инструмент замедлял участников на 20%. Но прежде чем делать выводы, давайте разберёмся, почему эти цифры — не всегда истина в последней инстанции. ✏️ Проблема №1: Опыт ≠ Навык 93% участников имели опыт работы с ChatGPT, 44% — с Cursor. Но что скрывается за этими цифрами? 🔵7% вообще не использовали ИИ-инструменты до исследования. 🔵Большинство работало с ChatGPT в формате «напиши код → скопируй → вставь» — подход, который неэффективен в реальных проектах. 🔵Даже те, кто пробовал Cursor, могли ограничиться поверхностным знакомством («открыл → сделал тестовый проект»). Вывод: Если инструмент используют как «волшебную кнопку», результат предсказуем. Cursor не ChatGPT — он требует глубокого понимания контекста: архитектуры, правильных доков подключенных библиотек. ✏️ Проблема №2: Задачи «против» ИИ Участникам дали задачу исправить баг в репозитории с миллионом строк кода. Здесь и кроется ловушка: 🔵Современные ИИ-инструменты отлично справляются с созданием проектов с нуля (архитектура, выбор библиотек, генерация кода). 🔵Но при работе с чужим legacy-кодом их эффективность падает — нужно глубоко погружаться в контекст, чего инструменты не делают автоматически. Для сравнения: на бенчмарках [SWE-bench](https://www.swebench.com/) (реальные задачи) LLM показывают 50% успеха автономно, а на [SWE lancer](https://openai.com/index/swe-lancer/) (фриланс-задачи) — решают задачи на $100-200k из общего пула в 1 млн $. Почему же в исследовании результат хуже? Главный нюанс: Как именно использовали Cursor? В твиттере участник исследования признался: «Я нажимал на Cursor, а пока он генерил код — листал соцсети. Потом регулярно не замечал того что агент закончил работать». Ирония в том, что проблема — не в инструменте, а в отсутствии workflow. Другой участник, ускорившийся на 40%, поделился секретом: 1️⃣ Чётко определял задачи, где Cursor силён (веб-разработка). 2️⃣ Избегал использовать его для низкоуровневого кода. 3️⃣ Постепенно интегрировал инструмент в свой процесс, а не действовал «методом тыка». × × × Исследование отражает только то, что в него вложили. Если велосепидистов без прав пересадить на авто, то далеко не факт что они доберутся до пункта назначения быстрее чем на привычном средстве передвижения. Но не потому что автомобили медленные. Эксперимент: Возьмите свою текущую задачу и попробуйте два подхода: 🔵«Слепой» запрос в Cursor: «Почини баг Х». 🔵Подробный контекст: «Вот структура проекта, документация библиотеки Y, примеры похожих исправлений, вот четкая спецификация по тому чего бы хотелось». 🚀 [[Пределы профессионализма]] (https://t.me/prof_limits)

123

ㅤ Операционная система вашей команды Во всех коллективах, где я состоял, я вижу одну и ту же картину. Рабочие процессы почти всегда укладываются в два сценария. Первый, и самый убогий — хаос. Вся коммуникация свалена в чат в Telegram. У каждого сотрудника своя локальная файловая помойка. Если нужно что-то найти, приходится скроллить историю переписки за месяц. Автоматизировать тут нечего, а общую потценальную эффективность можно делить на пять. Второй сценарий — «корпоративный стандарт». Коллеги по издательскому делу, например, часто создают систему из Google Docs и Google Sheets. Это уже лучше: есть структура, версионность. Но система остается жесткой и негибкой. Попробуйте поменять одну точку на запятую во всех файлах вашего проекта. Это можно сделать, но сильно, сильно, сильно сложнее, чем должно быть. Проблема в том, что в обоих случаях команда подстраивается под инструменты, а не инструменты под команду. Идея, к которой я пришел, — это создание кастомной цифровой экосистемы под команду. Создание Docker-образа коллектива. Представьте себе готовую к запуску производственную линию. Это полностью настроенная среда, где все станки-приложения уже подключены, ключевые технологические процессы отлажены, а рутинные операции автоматизированы. Она стоит и ждет. Вы просто «запускаете» в эту систему людей, которые начинают генерировать результат в разы быстрее, потому что им не нужно бороться с рутиной. В проекте, связанном с книгами, такой подход позволил мне оптимизировать/автоматизировать 80-90% пайплайна. Поиск по базам, скачивание подборок, преобразование форматов — всё это делает система, а люди фокусируются на более нестандартных и креативных задачах. × × × В чем фундаментальное отличие такого подхода? В гибкости и контроле. Когда вся работа построена на закрытых платформах, вы их заложник. Когда же в основе лежат простые, открытые форматы (например, обычные текстовые файлы), вы можете делать с данными что угодно. Захотелось изменить формат работы? Написали небольшой скрипт, и он за несколько секунд поменял все файлы в системе. Появился новый AI-инструмент? Его легко подключить, потому что он работает с понятными ему данными, а не пытается пробиться сквозь API корпораций. Команды, которые не разворачивают у себя такую систему, теряют очень много: 01. гибкость. Способность мгновенно менять процессы, не дожидаясь, пока разработчики софта добавят нужную вам функцию. 02. контроль. Ваша работа и процессы принадлежат вам. Их легко сохранить (сделать бэкап) и перенести куда угодно. 03. масштабируемость. Всю эту «производственную линию», всю систему, можно свернуть в один файл и развернуть для другого коллектива, который занимается чем-то похожим. Эффективность команды все реже определяется суммой талантов ее участников. На первый план выходит технологический фундамент, на котором эта команда работает. Можно собрать гениев, но если их рабочий процесс — хаос из чатов и разрозненных файлов, они проиграют слаженной команде середнячков, работающей в выверенной цифровой экосистеме. 🚀 [[Пределы профессионализма]]

Искусство чистого листа Купил новый Макбук. Первое, что предлагает любая современная система при переезде, — это волшебная кнопка «Перенести всё». Нажимаешь, ждёшь, и вот на новом устройстве возникает идеальная копия старого. Со всеми файлами, настройками и приложениями. Я сознательно этого не делаю. Переезд — это редкая возможность провести тотальную ревизию своих цифровых ресурсов, а не просто перевезти весь накопленный хлам в новый дом. Вместо бездумного копирования я переношу всё вручную. 1️⃣ Каждое приложение проходит проверку: действительно ли оно мне всё ещё нужно? Какую задачу оно решало, когда я его ставил? Не появилось ли сейчас более оптимальное решение? Мой главный принцип — минимизация. Пусть лучше будет меньше приложений, даже если я немного потеряю в какой-то узкой функциональности. Яркий пример — Raycast. Он мне заменил сразу пять других инструментов: два разных лаунчера, менеджер окон, приложение для скриншотов и кучу самописных скриптов. 2️⃣ Второе — я рисую схему своей текущей системы. Это простая карта в Miro или Obsidian Canvas, которая показывает, какие инструменты за что отвечают и как связаны. Если в будущем я захочу что-то добавить, я сперва посмотрю на схему — возможно, решение уже есть, и я просто о нём забыл. 3️⃣ И, наконец, навожу порядок в файлах. На старом компьютере у меня было разбросано множество локальных репозиториев с кодом. Сейчас я создаю единую логику, где всё будет лежать в одном месте. Но самая большая работа, наверное, предстоит с моим Obsidian — буду расхламлять и реструктурировать свою базу знаний с десятком подсистем. × × × Этот принцип работает не только с компьютерами. То же самое происходит, когда вы переезжаете в новую квартиру. Вы можете бездумно перевезти все коробки, а можете использовать переезд как повод избавиться от всего лишнего и взять с собой только то, что действительно ценно. Любая смена окружения — будь то новый телефон, компьютер или место жительства — это не просто перемещение из точки А в точку Б. Это возможность остановиться и задать себе вопрос: «Что из этого я действительно хочу взять с собой в будущее?». Бездумный перенос — это продолжение инерции. Осознанный — это акт проектирования своей будущей, более эффективной жизни. 🚀 [[Пределы профессионализма]]

Прочитать 300 книг и не умереть На консультациях или во время общения на конференциях часто сталкиваюсь с фразами вроде: «Процессинг сотни книг по теме? Звучит очень смешно. Как человек как может обработать столько информации?» Спойлер: обычный — никак. Но если вы хотите стать немного необычным — например, не просто ходить на работу, а реально стать лучшим специалистом в своей области — придётся выстраивать инфраструктуру, которая позволяет этого достичь. Такой персональный «интеллектуальный экзоскелет». Вот пример. Я сейчас работаю над исследованием связанным с моей второй книгой, где нужно анализировать сотни книг на английском. Из них реально полезной информации окажется в пяти-десяти. Остальные — проходной шум. Почему нельзя просто обработать топ 10 книг? Потому что вы не узнаете, какие книги реально входят в топ — пока не наткнетесь на них через 100 неудачных попыток. Для анализа книг мне понадобилась небольшая, но умная система: собрать релевантные книги по ключевым темам, отфильтровать по метаданным, выгрузить электронные версии, перегнать в нужный формат, перевести, оценить по оглавлению и визуальной структуре (а не детская ли книга? а не альбом ли с картинками?). И только потом — передать в основную работу. Каждый этап автоматизирован или полуавтоматизирован, в том числе через LLM, потому что руками этим заниматься просто невозможно. Любой исследователь, фаундер или консультант, работающий на десятилетнем горизонте, поймёт, о чём я. Обработка больших объемов информации — это условие выживания в мире высокой конкуренции. × × × Создать такую систему под себя — пара недель неспешной сборки пайплайна. Но потом — вы обгоняете всех, кто продолжает «читать пять Ремарков в год». Потому что начинаете не просто «начитывать» книги, а выстраивать из них профессиональное основание: приёмы, практики, повторы, исключения, статистику. И эти знания потом складываются в глубину понимания, а с ней — в ваши ценность, репутацию и финансовые результаты. 🚀 [[Пределы профессионализма]]

Контекст > Интеллект? Я уже не раз писал, что в работе с LLM побеждает тот, кто собирает и передаёт моделям свой личный, выверенный контекст. Зачастую это оказывается важнее, чем любые хитрые техники промптинга. Чем подробнее вы описываете окружение задачи, тем выше качество решения. Любое утверждение имеет смысл только в рамках этого окружения — и LLM не исключение. Недавно наткнулся на мнение: чем больше у нас контекста, тем меньше требуется собственного интеллекта. В некотором смысле это так — часто если вы идеально описали систему, модели остаётся лишь "соединить точки". Но есть нюанс: контекст может быть мусорным. Можно скормить LLM данные, не имеющие отношения к задаче, и получить бесполезный ответ. Так что интеллект никуда не девается — он просто смещается с решения на подготовку данных для решения. Здесь есть интересное сравнение: связь контекста с ресурсным подходом из ТРИЗ. Суть этого подхода проста: мы смотрим на всё, что есть рядом с системой, и думаем, как это можно использовать для решения задачи. Эти «ресурсы» могут быть чем угодно — от людей и технологий до процессов и даже ограничений. Пример из бизнеса: нужно "продвинуть" продукт в аэропорту. Что у нас есть? Пассажиропоток, стойки, экраны… и обычная электрическая розетка. Превращаем розетку в бесплатную зарядную станцию, ставим её рядом с нашим PR-объектом — и вот люди, заряжая телефоны, невольно вынуждены изучать то, что нам нужно. Розетка, незаметный элемент инфраструктуры, стала мощным бизнес-ресурсом. × × × Когда мы передаём LLM контекст, мы, по сути, передаём ей список доступных ресурсов для решения задачи. Модель начинает «мыслить» ими, а не абстрактными идеями из своего общего набора знаний. Качество ответа неизбежно растёт. Предлагаю эксперимент: Возьмите любую свою рабочую задачу и опишите её LLM как есть. А затем попробуйте снова, но на этот раз подробно перечислите всё «окружение»: какие у вас есть данные, инструменты, ограничения, люди, навыки, даже неиспользуемые розетки. Почувствуйте разницу. PS : Нас уже 2000) Через некоторое время анонсирую небольшую активность по этому поводу. 🚀 [[Пределы профессионализма]]

Сетка аргументов В мире, где информация льется нескончаемым потоком, логический анализ текстов становится необходимостью. Для структурирования информации, я пробразовываю контент в сетку аргументов. По крайней мере такой тул у меня лежит на готове. Сейчас реализую с помощью LLM, разумеется. В такой логической карте ввиду отжима воды сразу видны пробелы, нестыковки, а иногда и неожиданные повороты мысли автора. Подход не только экономит время, но и позволяет быстро выявлять слабые места в аргументации, что особенно ценно для тех, кому необходимо критически мыслить. В быстром обучении подобная структура работает вообще как чит-код. Качественный текст всегда строится на логических связях, а значит, разложив его на элементы, можно мгновенно уловить суть, не утонув в деталях. Напоминает сборку конструктора: когда детали разложены по коробочкам, собирать сложную модель становится в разы проще. × × × Навык логического анализа текста доступен каждому. Начать его развивать можно с простого: после чтения задавать себе вопросы «что утверждается?», «на чём основано?», «есть ли альтернативы?». Со временем вы будете лучше знать, какие вопросы нужно задавать, и научитесь строить целые сетки аргументов. PS : на скрине часть анализа пятичасового разбора дебатов 🚀 [[Пределы профессионализма]]

Навык переключения Вы когда-нибудь ловили себя на том, что после важного совещания не можете сразу погрузиться в работу — или наоборот, после глубокого фокуса на задаче вдруг оказываетесь на созвоне и не можете выдать ни одной внятной мысли? Поздравляю, вы столкнулись с проблемой переключений. По этой теме на канале был большой лонгрид эквивалентный небольшой книге, советую начать с него. В современном мире интеллектуал редко ограничивается одной ролью или одним режимом работы. Созвоны, глубокая работа, отдых, монотонные задачи — всё это требует не только разных навыков, но и разных состояний ума и тела. И если вы не научились осознанно переходить из одного режима в другой, вы теряете больше, чем кажется на первый взгляд. Я однажды буквально потерял сделку на несколько сотен тысяч рублей — просто потому, что не смог вовремя «переключиться» с режима аналитика на режим переговорщика. Это было болезненно, но очень поучительно. Без навыка переключения вы: - Не сможете отдыхать по-настоящему - Не сможете делать амбициозные проекты - Не сможете эффективно продавать свои услуги - Будете тяжело завершать рутинные задачи Что же такое «переключение» на практике? Это вполне конкретное действие, которое помогает выйти из одного состояния и войти в другое. Например, чтобы настроиться на сон, я выключаю основной свет и включаю специальную лампу — этот ритуал стал для моего сознания и организма сигналом «пора отдыхать». Или, скажем, смена одежды: переодеться в свободную футболку, чтобы расслабиться. Даже такие мелочи, как смена положения тела или короткая прогулка, могут стать вашим личным триггером для перехода между режимами. × × × Попробуйте прямо сейчас: 1. Посмотрите свой недельный график 2. Отметьте сложные моменты переключения 3. Придумайте для них простые ритуалы Пусть это будет смена освещения, чашка чая, смена одежды или даже просто глубокий вдох. Ваша продуктивность удивит вас уже после первых осознанных переключений. ← Предыдущая техника #1000техник@prof_limits

▶️ Начинаем через 20 мин. Пока еще можно заскочить в лайв и пообщаться после стрима по вашим кейсам.

Демонстрация голосового ассистента для планирования проектов Я подготовил для вас небольшое демо. В этом видео я показываю, как мой голосовой ассистент, созданный на базе ElevenLabs и n8n, помогает мне спланировать проект: 01. он задает наводящие вопросы, чтобы собрать ключевую информацию. 02. фиксирует мои ответы. 03. автоматически отправляет все данные в базу и создает заготовку для плана проекта. Посмотрите, как это работает: https://youtu.be/ShB-LXd2bCk Эта реальный инструмент, который экономит время и помогает не повышать детализацию планов. И самое главное — вы сможете создать такой же для себя, или просто забрать мой шаблон сразу после стрима. Этот кейс — лишь один из шести, которые мы пошагово разберем на моем стриме по n8n, который пройдет уже в эту субботу. Если вы хотите научиться создавать подобные решения даже без навыков программирования, этот стрим для вас. Там вы: 01. погрузитесь в основы n8n: получите базу, с которой сможете решать основные задачи. 02. увидите, как собирались 6 мощных кейсов, которые выбрали участники сообщества по ИИ. 03. получите готовые исходники n8n-флоу 04. попадете в наше закрытое сообщество, где мы обмениваемся опытом работы с ИИ Информация по стриму:

💸 Стоимость участия: 6600₽ 🗓 Дата и время: 19 июля 18:00 по мск ✏️ Длительность: 3.5-4 часа Запись будет

До встречи на стриме! 👉 Для записи писать в ЛС: @nick_senin

⚡️ Стриму по n8n быть! ⚡️ По просьбе участников нашего ИИ-чата проведу стрим, где наглядно покажу, как создавать полезные автоматизации, даже если вы не программист. ⚫️Разберу основы n8n. Я объясню ключевые понятия в работе с n8n, как со средой автоматизации и интеграции сервисов. Моя цель — дать вам знания, с которыми вы сможете все остальное загуглить и быстро понять, что делать. ⚫️Обозначу возможности и ограничения сервиса. У n8n много ограничений. Если их не понимать, можно либо построить сверхсложную систему, которую будет невозможно поддерживать, либо впустую потратить ресурсы на нереализуемый проект. Расскажу, как этого избежать. ⚫️Продемонстрирую работу на реальных кейсах.  Это практические задачи, которые выбрали сами участники чата по ИИ. Каждый кейс я воспроизведу с нуля, чтобы вы увидели, как все работает. Исходники, конечно, будут доступны: 1️⃣ Автоматическая разметка статей и материалов и передача данных в базу знаний 2️⃣ Обработка транскриптов встреч с шерингом и добавлением в базу знаний 3️⃣ Персональный голосовой ассистент в тг-боте, который помогает спланировать проект по наводящим вопросам, а затем создает страницу проекта в базе знаний. 4️⃣ Бот, имитирующий поведение пользователя и поддерживающий диалог в необходимом вам русле (работает с вашего аккаунта). Многие из этих решений — мои авторские разработки, которые вы вряд ли найдете в открытом доступе. ❇️ Бонус Участники стрима попадут в наше сообщество, которое стихийно возникло после прошлого эфира по ИИ. Там мы обсуждаем новости ИИ, делимся кейсами и помогаем друг другу в реализации задач.

💸 Стоимость участия: 6600₽ 🗓 Дата и время: 19 июля 18:00 ✏️ Длительность: 5-6 часов (возможно разделим на 2 части)

Для покупки писать мне : @nick_senin

Прожарка плана на аутсорсе Я продолжаю разрабатывать свой ИИ-планировщик. В процессе обнаружил, что даже с сырым инструментом начал выполнять дневной план быстрее, чем раньше. Причина оказалась не в каком-то одном секрете, а в умении тупо применять десятки известных мне практик планирования и оптимизаций — ровно там, где они реально нужны. При самостоятельном планировании каждый день приходится принимать сотни мелких решений. Ведь на каждую из двадцати задач находится по сотне техник выполнения, которые нужно проверить на релевантность. В этом разнообразии и рождается ускорение: удачно выбранная практика сокращает время на выполнение задачи на 15–20%, и при применении сразу нескольких практик этот эффект накапливается. Очевидно, мне, как и многим ученикам, физически не хватало мыслительных ресурсов и времени, чтобы «примерить» на каждую задачу сотню потенциально подходящих практик. Но с LLM теперь это доступно, и каждая задача проходит полную прожарку перед тем, как попасть ко мне в расписание. Время на планирование сократилось, а качество выросло. Но даже сейчас ловлю себя на повторяющихся ошибках — например, на неконкретных формулировках задач. Когда удаётся их исправить (а это удается все чаще благодаря планировщику), план становится детальным и понятным, а выполнение — ощутимо быстрее. Именно в детализации и конкретике рождается настоящее ускорение: появляется чёткое понимание, что делать, и исчезает лишняя неопределённость. × × × В общем, совсем скоро допилю планировщик — по сути, личный Николай Сенин для каждого. А пока предлагаю вам поделиться своим опытом в использовании LLM в процессах планирования. Может, подсмотрю пару фишек для внедрения 😉 🚀 [[Пределы профессионализма]]

ㅤ Всеобщая неорганизованность Я недавно оказался в забавной ситуации: зашел в магазин, чтобы купить компактную зарядку с четырьмя портами, которая спасает в поездках и избавляет от необходимости таскать с собой кучу зарядных устройств. На сайте магазина товар был, по телефону подтвердили наличие. Но когда я пришёл, начался квест: консультант метался между стеллажами, перебирал коробки, оправдывался — мол, у нас тут три тысячи наименований, попробуй найди. В какой-то момент я уже подумал, что уйду ни с чем. Но чудо случилось — нужная коробочка нашлась. И знаете, эта история — не только про магазины. Она про то, как мы организуем любые ресурсы: вещи, знания, заметки, даже свои идеи. Если система поиска не работает, мы теряем время, нервы и, возможно, клиентов. Попробуйте найти старую заметку или идею в своём цифровом архиве. Если поиск занимает больше пары минут — скорее всего, вы просто забьёте и пойдёте гуглить. То же самое происходит с корпоративными базами знаний: если структура хаотична, люди предпочитают искать ответы в интернете, а не в вашей базе. Почему так происходит? Потому что большинство людей не учат принципам организации информации. Даже в магазинах, где речь идёт о реальных деньгах, часто нет внятной системы. А ведь есть простая математика: если у вас три тысячи товаров и вы делите их по пяти независимым параметрам, каждый из которых разбивает ассортимент примерно пополам, то в итоге получаете 32 группы по 93 товара. Это уже не хаос, а вполне обозримые списки, с которыми справится даже новичок. Главная сложность — найти эти параметры. Они должны быть независимыми, легко определяемыми и делить множество примерно пополам. Например: 01. Освещение/не освещение 02. Аудио/не аудио 03. Размер большой/маленький Такой подход к подбору параметров — это универсальный принцип, который отлично работает и для организации знаний, и для личных заметок. × × × Если вы хотите, чтобы ваши ресурсы — будь то товары, идеи или документы — были всегда под рукой, инвестируйте время в продуманную структуру. Не обязательно изобретать велосипед: начните с простых фильтров, найдите ключевые параметры, по которым можно быстро отсечь лишнее. Даже минимальная систематизация превращает хаос в управляемый порядок. И если вы когда-нибудь задумывались, почему ваши заметки или база знаний превращаются в «чёрную дыру», из которой ничего не достать, — возможно, пришло время пересмотреть структуру. Иногда достаточно пары новых «разделителей», чтобы поиск стал быстрым и приятным. Подробно тему организации базы знаний я раскрыл на закрытом вебинаре «Архитектура базы знаний». Получить доступ к записи можно и сейчас, подробности на сайте. 🚀 [[Пределы профессионализма]]

https://github.com/dantetemplar/pdf-extraction-agenda - сборка бенчей для PDF to md