Attention Is All You Need

Как освоить Claude Code бесплатно Наткнулся на ролик, в котором автор разобрал около 20 бесплатных курсов от Anthropic и, что гораздо важнее, объяснил, в каком порядке их проходить: Ролик: YouTube Сама подача ролика мне не очень зашла. Но материал внутри действительно очень хороший, поэтому решил поделиться выжимкой. Главная мысль: не нужно проходить все курсы подряд. Anthropic собрала уже не просто несколько обучающих видео, а полноценную образовательную систему. В ней есть отдельные маршруты для обычных пользователей, разработчиков, тех, кто хочет освоить Claude Code, API, MCP и облачные интеграции. Если ваша цель именно Claude Code, я бы двигался так: 1. Claude Code 101 Базовое понимание того, как работает coding agent: исследование проекта, планирование, написание кода и фиксация изменений. 2. Claude Code in Action Более практический курс про ежедневную работу: файлы, команды, контекст, GitHub и полноценный workflow разработки. 3. Introduction to Agent Skills Как создавать переиспользуемые инструкции для тестирования, code review, деплоя и других повторяющихся задач. 4. Introduction to Subagents Как делегировать отдельные части работы изолированным агентам и не перегружать основной контекст. 5. Introduction to MCP И уже затем можно идти в MCP, подключение внешних инструментов, сервисов и данных. Если вы хотите не просто пользоваться Claude Code, а разрабатывать собственные AI-продукты, маршрут немного другой: Claude Platform 101 → Building with the Claude API → Introduction to MCP → Model Context Protocol: Advanced Topics Если вы только начинаете работать с AI, можно стартовать ещё проще: Claude 101 → AI Capabilities and Limitations → AI Fluency А курсы по Amazon Bedrock и Google Vertex AI имеет смысл брать только тогда, когда вы действительно работаете с этими облачными платформами. Что мне особенно нравится: это официальные курсы от самой Anthropic. Они дают не просто набор команд и отдельных фишек, а ту модель работы с Claude, которую закладывает сама команда продукта: как ставить задачи, исследовать кодовую базу, планировать изменения, управлять контекстом, использовать skills, subagents и внешние инструменты. Большинство вводных курсов довольно короткие, примерно от 20 минут до часа. При этом курс по Claude API уже полноценный, больше восьми часов. Всё бесплатно. Есть тесты и сертификаты. Поэтому, если вы хотите освоить Claude Code и с английским у вас всё неплохо, это, на мой взгляд, одна из лучших точек входа на сегодняшний день. Ссылка на все курсы Anthropic ✨

Я не собираюсь побеждать телефон силой воли. Это нечестная драка. Есть австралийский жук-златка Julodimorpha bakewelli. Его самцы пытались спариваться с выброшенными пивными бутылками. Коричневое рельефное стекло выглядело как сверхсильная версия сигнала, который жук привык искать в природе. Не слабость характера. Просто прошивка встретилась со стимулом, против которого не была рассчитана. Когда утром я открываю Telegram, почту или ленту, происходит что-то похожее. Моё внимание сразу оказывается внутри чужих приоритетов. Поэтому я перестал тренировать «дисциплину» и начал менять среду. Сейчас мои правила такие: • первый час дня принадлежит мне, а не входящим • телефон беру после обеда • звук выключен, Do Not Disturb включён, экран чёрно-белый • работу начинаю с самой сложной задачи; • на день выбираю максимум три результата. Остальное не маскирую слово Это не идеальная система. Иногда я всё равно залипаю, откладываю и сбиваюсь. PS: С чб телефоном хожу уже около 2х лет - реально работает (в 1,5-3 раза меньше экранное время). А на пост меня вдохновило это видео. Очень рекмонедую глянуть - весьма позновательно) Возможно, проблема не в том, что нам не хватает силы воли. Возможно, стоит создать среду в которой вы управляете вашим вниманием. #DeepWork #MyStory

Эпоха, когда мы просто ждали хорошего ответа от нейронки, постепенно проходит. Вся ценность смещается в сторону полноценного делегирования агентам. Выстроить грамотную оркестрацию, настроить память и эвалюацию - вот где сейчас основная инженерия. (разумеется после того как определили бизнес-цель и ключевые метрики). Даже самые передовые модели вроде Sol / Fable требуют жёсткой обвязки, пусть пока эти системы местами несовершенны, без них уже никуда. Собрал небольшой дайджест полезных ссылок по теме 👇 Будет супер полезно тем, кто внедряет ИИ в свои процессы: 1. Planner → agent → evaluator: как собирать долгоживущих агентов 2. Пирамида метрик качества для LLM-систем 3. AI-native Control Center для нескольких проектов 4. Почему в AI-индустрии пока нет best practices 5. Детерминированные workflows для недетерминированных агентов 6. Репозиторий-агент для трендвотчинга 7. Карта современного agent harness Читайте, внедряйте, задавайте вопросы надеюсь материал окажется полезным 🫶

Для чего я использую Routines в Claude Code Сейчас в ai-каналах на хайпе выражение Loop Engineering. Я не ебу, что оно означает на самом деле, но как его понимаю его я – это про разработку цепочек обратной связи, которые запускаются и исполняются без тебя и ты их (почти) не контролируешь (триггер - обычно webhook или расписание) Большинство моих loops реализованы через Routines: 1. On-call SRE (SRE - service reliability engineer) - агент, который запускается либо когда в логах обнаружена ошибка/алерт, либо когда в саппорт-боте пользователь сообщает о баге. Сам чинит баг, делает PR, фиксит проблемы если в CI что-то упало, пишет мне отчёт 2. AI Support – (не через Routines, но по теме же) - агент, который обрабатывает 90% обращений в поддержку, работает 24/7 и отвечает быстро, решает вопросы с оплатами, банами, багами, фиче реквестами (заводит тикеты в Triage в Linear) 3. Support Manager - работает каждый день. По сути "сон" для саппорт-агента, просматривает диалоги, в том числе сообщения где я вмешивался. Актуализирует FAQ на основе свежих коммитов за день, а также переписок, чтобы AI Support меньше ошибался, тупил, знал больше контекста 4. COGS Engineer - агент который раз в неделю или по триггеру из дашборда ревьюит или где резко вырос кост, или где проседает cache hit %, смотрит свежие коммиты, логи, детектирует проблемы, говорит мне где я теряю деньги и что можно сэкономить 5. A/B Analyst - 2 агента спавнятся раз в день, один ревьюит дашборд с живыми A/B тестами по продукту, второй мониторит живые A/B тесты пейволла. Говорит всё ли ок, не просели ли вспомогательные метрики, сколько ещё стоит ли держать тест или можно закрывать с фиксацией эффекта или откатом к исходной вариации 6. Backlog Engineer - мелкий агент который разгребает triage/беклог, а именно тикеты которые попали туда из саппорта или из запросов пользоваетелей которые я закинул. Проставляет лейблы, приоритезирует, дедуплицирует 7. Dispatch Engineer - клод код который спавнится когда какой-либо тикет в Linear попадает в статус Dispatch. По сути когда я говорю "с этим справится клод без моего присмотра", я просто перекидываю тикет в этот статус и либо он доводит его до мержа (статус "Done"), либо говорит что нужны мои решения / моё ревью / мой тест (статус "Attention Required") 8. CEO Review - агент, который спавнится каждый понедельник, анализирует итоги недели, смотрит top-line метрики на дашборде и других аналитических платформах по продукту и маркетингу, пишет отчёт что сейчас ботлнек (где новая просадка) и какие тикеты имеет смысл взять в работу Делегирование в 2026 be like...

Последний месяц пользуюсь Claude Code, Codex и Cursor одновременно. И не могу назвать один «лучшим». Для сложной разработки я бы оставил Claude Code. По моему опыту, он глубже работает с кодом и лучше держит большие неоднозначные задачи. Обратная сторона - цена и лимиты. Если нужно быстро проверить идею или собрать прототип с небольшим бюджетом, я бы взял Cursor. Он быстрый, даёт много моделей и за свои деньги часто ощущается выгоднее Codex. Codex для меня - золотая середина. Код, браузер и управление компьютером собраны в одном приложении. При этом он действует прямолинейно: соблюдает правила, не любит сомнительные обходы и не изображает, что сделал то, чего не делал. Стабильно использую его как ревьюера для CC. Для обычного пользователя, возможно, лучший старт. Но главное различие между ними не в моделях и лимитах. Все три достаточно сильны, чтобы автоматизировать многое. И все три не умеют одного - решить, что для вас действительно главное. Выполнить цель они могут. Но поставить её, отсечь лишнее и вовремя сказать «нет» должны вы. Какой инструмент на столе - меньше важно, чем кто за столом сидит. #aiAgents #productivity

Замечаю за собой и другими интересную ловушку. Одновременно работают две системные ошибки самооценки. Первая шепчет: «Измениться всё равно не получится». Вторая вторит: «Да и признавать проблему не хочется». Это не лицемерие, а две формы одной защиты. Одна говорит, что мы не справимся, другая убеждает, что нам это и не нужно. Результат всегда один: сохранение статуса-кво и никаких действий 🌚 Возможно, настоящая зрелость начинается там, где получается удерживать в голове две неприятные мысли сразу: Я далеко не так идеален, как любит рисовать мое эго. Но при этом я не настолько беспомощен, как иногда ощущается. Суть не в том, чтобы твердить «я особенный и точно добьюсь своего». Суть в принятии: «я могу ошибаться и быть слабее, чем хотелось бы, но это не лишает меня права пробовать шаг за шагом». #vision #myStory

Меня всё чаще спрашивают: как вы вообще понимаете, что агент стал лучше? Собрал ответы на частые вопросы в один пост. Разве не видно по ответам? Нет. Агент говорит «Записал вас на четверг» - и это не значит ровно ничего. У Anthropic в гайде по эвалам сформулировано жёстко: результат работы агента - это конечное состояние среды, а не его реплика. Вопрос в том, появилась ли строка в базе и как сработал tool-calling. Демо смотрит на реплику, эвал смотрит на систему. Поэтому демо всегда прекрасное. А LLM-судья разве не решает проблему? Решает, но со сдвигом. В июне вышел замер 21 судьи (включая Opus 4.6, GPT-5.4). На простых задачах они почти не плывут. А вот на сложных медиана ошибок - 17%, у отдельных судей до 38%. Чем труднее задача, тем ближе судья к монетке. И самое неприятное: судья стабильно ошибается одинаково (95%+). Его смещение не поймать повторным прогоном - только калибровкой об людей. Оценка от 1 до 10? Бинарно. Прошёл или не прошёл. Разница между 3 и 4 субъективна, а неуверенность все прячут в середине шкалы. Бинарный вердикт заставляет назвать причину отказа, а не поставить семёрку. Сколько кейсов нужно? Десятки, не тысячи. Начинайте с 20-50 задач, собранных из реальных отказов. 30 злых кейсов с прода бьют тысячу синтетических. Значит, эвалы пишут до промптов? Звучит логично (как TDD), но нет. У LLM поверхность отказов бесконечна. Заранее вы покроете те поломки, которые вообразили, а не те, которые случатся. Порядок другой: запустить → посмотреть трейсы → написать эвал на реальный отказ. Пока вы смотрите на реплики, вы меряете не агента, а его вежливость. #aiAgents

AI-инструменты стали настолько быстрыми, что я поймал себя на мысли: я начал «ускорять» сам процесс своего мышления. С одной стороны это круто. Тактически. Но стратегически это может быть ошибкой. Мы гонимся за эффективностью: прочитал быстро, законспектировал с помощью ИИ, выдал результат. Но в этой гонке исчезает главный этап - переваривание информации. Настоящее понимание рождается в паузах. Когда ты задаешь себе вопрос, не идешь за ответом в чат, а остаешься с этим вопросом один на один. Я смотрю на свой Obsidian и на то, как я использую AI, и понимаю: это не библиотека. Это не база данных. Это верстак. Позволяю сложным проектам лежать там днями. Не пытаясь закрыть их «на горячую». База знаний нужна не для того, чтобы сохранять мысли других людей, а для того, чтобы там прорастали твои собственные. Чтобы было где «крутить» сложную задачу часами, не отвлекаясь на уведомления и соблазн получить готовый ответ за секунду. Главный скилл ближайших лет - не промпт-инжиниринг. А умение выключать ускорение тогда, когда ты работаешь над чем-то по-настоящему важным. PS: Вдохновило на пост это видео.

Недавно расшарил конспекты по ML - и в PS спросил, собрать ли так же подборку по AI-инжинирингу. Реакций накидали, так что собрал 💫 Пара мыслей, зачем она. AI-инженер сегодня - это не про «уметь обучить модель»: готовых LLM хватает, а базовый код скоро и Claude напишет за тебя. Главное - довести продукт до результата: гипотеза → план → деплой → мониторинг Это R&D, где заранее не знаешь, что сработает, поэтому смотришь на деньги и метрики, а не на красивую архитектуру. Поэтому конспект - не про обучение моделей, а про то, как собрать рабочее LLM-приложение целиком. Вендор-нейтрально: модели по осям, а не по брендам. 🔹 Основы: модели, провайдеры, токенизация Ландшафт по осям вместо «кто №1», выбор модели под задачу, и почему счёт за токены растёт на ровном месте. 🔹 Промптинг, контекст и токен-экономика Context engineering, prompt caching, reasoning-бюджеты - где в 2026 реально утекают деньги. 🔹 Tool Calling и Structured Output Function calling, строгий типизированный вывод, когда что использовать и типичные грабли. 🔹 RAG Retrieval-стратегии, чанкинг, гибридный и multimodal RAG, и когда RAG лучше long-context или fine-tuning. 🔹 Агенты, фреймворки и экосистема Агент против воркфлоу, лестница автономности, multi-agent и его цена, MCP и память агента. 🔹 Production Эвалы, observability, serving, FinOps, fine-tuning как last resort и безопасность. Это не курс и не замена практике. Скорее карта местности: что из чего складывается, когда строишь LLM-приложение в 2026. Если только заходите - начал бы с первых двух частей 🫶✨ #goodFinds #myStory

Безопасность Codex: права это градиент, не тумблер 5 / 5 В прошлом посте запускали агента автономно. Финал серии: как дать ему свободу и не потерять репозиторий. ▪️ Не давайте full access по дефолту. Глянцевые туры зовут сразу открыть всё, отсюда истории про снесённую папку. Codex задуман наоборот: начинай restrictive, ослабляй точечно. Три режима sandbox: read-only, workspace-write (рабочий дефолт, агент сам пишет в проект) и danger-full-access (туда не надо). Старый --full-auto удалён, теперь это --sandbox workspace-write. ▪️ Прячьте секреты правом, а не верой. Никакого .codexignore, его просят, но в Codex его нет. Документированный способ: permission-профиль, наследуешь широкий через extends и бьёшь узким deny. Узкое перекрывает широкое: "**/*.env" = "deny". ▪️ Сеть по белому списку, и одна ловушка. Домены разрешаются явно, но *.example.com это ТОЛЬКО субдомены, без самого домена. Нужен и апекс, пишите **.example.com. Docker открывается точечно (docker.sock), запись в соседний пакет монорепо через --add-dir, не вскрывая весь диск. ▪️ Sandbox это граница, её не снимают. Песочница не идеальна, для чужого кода её усиливают контейнером или VM. Но снять её значит убрать единственный слой между агентом и диском. 💡 Гем, которого нет в ютуб-турах: MITM-инъекция. Прокси Codex сам дописывает токен в исходящий запрос из env, а агент ключ НЕ видит, ни в контексте, ни в логах. Конец практике «экспортнул ключ в shell и молись». Профили, vs, конфиг MITM и чеклист безопасного дефолта в финальном гайде ✔️ #aiTools #Codex

Хороший стрим для тех, кто хочет отличать реальную AI-автоматизацию от инфобизнесовой магии. Сейчас вокруг AI много контента в стиле: «20 агентов работают за тебя» «бизнес на автопилоте» «один промпт заменит отдел» «Claude + n8n и деньги сами пошли» Звучит красиво. Иногда даже демки выглядят убедительно. Но в реальности сложная часть обычно не там, где её показывают. На деле AI может сильно усиливать человека и команду. Но он не отменяет: 🔹 бизнес-процесс 🔹 нормальную постановку задачи 🔹 данные, контекст, логи и ограничения 🔹 проверку результата 🔹 ответственность за то, что происходит на выходе И точно не превращает хаотичный процесс в работающий бизнес одним кликом. Агент без контекста и контроля не становится сотрудником. Автоматизация без понимания процесса не становится системой. Красивая демка без эксплуатации, метрик и ответственности не становится продуктом. Вот поэтому такие разборы полезны. Не потому что “AI не работает”. Работает. А потому что важно трезво понимать, где реальная польза, а где начинается упаковка, хайп и продажа ожиданий. ⚡️ Неформальная лексика, местами жёстко. Но смотреть нескучно, а после стрима голова становится заметно холоднее. 🔗 Ссылка на стрим #aiAgents #aiTools

Почему «проверю в конце» - самый дорогой способ проверять Любое большое дело: ремонт, запуск, книга, переезд - это не один рывок, а сорок шагов. И почти все смотрят на результат в конце: будет готово, тогда и оценим. Зачастую в этом подходе есть проблема. Неверное решение на десятом шаге к сороковому не остаётся локальным: на нём уже стоит всё остальное. Финальная проверка честно покажет, что не так, но решение, которое успело врасти в фундамент, она уже не вытащит. Переделать значит переделать всё. Поэтому проверять надо не в конце, а на чекпойнтах: после плана, после каждого крупного куска. Поймать кривизну на десятом шаге дешевле на порядок, чем на сороковом. Второй вопрос: кто проверяет. «Сам перечитаю» работает слабо. Ты спрашиваешь тот же мозг, который и ошибся: где ты уверенно неправ, там ты так же уверенно это пропустишь. Своя слепая зона коррелирует сама с собой. И друг из той же сферы помогает не сильно: у вас одна оптика, одна эхо-камера, одни и те же слепые пятна. Нужен взгляд из другого «семейства»: человек с другим бэкграундом, который думает не как ты. Он повторит твою ошибку в разы реже, потому что заходит на задачу с другой стороны. Но и чужой фидбэк нельзя применять слепо. Любой советчик что-то «находит», иначе он чувствует себя бесполезным. Половина списка - это вкусовщина и «я бы сделал иначе» про контекст, которого у тебя нет. Поэтому ценность не в ревью, а в триаже: каждое замечание дели на реальную проблему / мимо / придирку. И правь только первое. Применить всё подряд значит добавить шум к шуму. Проверка - это не печать в конце, а второй руль по ходу. И руль должен быть из другого семейства. P.S. Для тех, кто пишет код с ИИ-агентами: ровно эта схема ложится на Claude Code, где ревьюером ставишь Codex как модель из другого «семейства», и он зовётся сам на чекпойнтах. Команды, режимы и строчку в CLAUDE.md, чтобы он подключался автоматически, собрал в гайде на 5 минут ✔️ #aiAgents #ClaudeCode #Codex

Codex в автопилоте: /goal, планы и ревью 4 / 5 Сегодня поговорим о том как заставить агента работать автономно и не сжечь бюджет на пустые итерации. ▪️ Оцифрованная цель (/goal). Она прилипает к сессии и работает как триггер завершения. Не просите «сделать лучше». Требуйте «добиться зеленого pytest -q». ▪️ Сначала план (/plan). Пусть агент напишет план в файл. Вы его ревьюите, и только потом запускаете реализацию. Разгребать слепой дифф - слишком дорого. ▪️ Параллельная работа. Реализуется через git worktree. Главная боль - свежие деревья не содержат .env и библиотек. Лечится настройкой setup script для зависимостей и файла .worktreeinclude для секретов. ▪️ Двойной контроль. Используйте /review для проверки текущего кода и @codex review для GitHub PR. Лучший сетап - плагин codex-plugin-cc, который ставит Codex проверяющим внутри Claude Code. Пока ревью не пройдено - задача не закрыта. 💡 Фишка: spawn_agents_on_csv - экспериментальная, но дико крутая функция, которая поднимает отдельного воркера на каждую строку CSV-таблицы (например, для парсинга или рефакторинга сотен файлов). Полный разбор со всеми нюансами и кодом лежит в отдельном гайде ✔️ А вы как предпочитаете: рулить агентом шаг за шагом в реальном времени или отдаете жесткую спеку и уходите пить кофе? #aiTools #Codex

Вижу по реакциям, что серия про Codex уходит в хардкор. Для разработчиков это самый сок: worktrees, настройки ревью, права, длинные агентские задачи и контроль результата. Но если вы не пишете код каждый день, такой формат может быть тяжеловат. Поэтому собрал для вас несколько видео-обзоров Codex на YouTube, где всё показано проще: на уровне приложения, с примерами и без погружения в инженерные детали. Многое из того, что я разбираю в серии, там тоже есть. Просто в более наглядном формате. 1. Никита Ефимов - я бы начал с него. 2. Матвей Шульга - чуть глубже и с более агрессивной подачей. 3. Олег Стефанов - фастран за 26 минут: плотно, без воды. Серию я всё равно доведу до конца. Дальше пойдут разборы worktrees, пресетов ревью и уровней доступов. А пока забирайте эти видео, пробуйте Codex и экономьте своё время 💫 #aiTools #Codex

AGENTS.md, который Codex реально слушает 3 / 5 Прошлый пост был про лимиты и стоимость: пост 2 / 5. Сегодня про AGENTS.md, файл с постоянными инструкциями, который Codex подгружает в каждую сессию. И про то, почему он часто не работает. Сначала честно. Частая жалоба в трекере: задал правило («тесты зелёные перед коммитом»), а агент всё равно предлагает закоммитить с красными, даже после напоминания. Это не баг конкретно у тебя. Надо понимать одно: AGENTS.md это контекст и нормы, а не механизм принуждения. Текст влияет на поведение, но не гарантирует его. Отсюда вытекает вся стратегия настройки. 🔹 Пиши как linter-config, а не как README. Лучший совет сообщества дословно: «read less like a README and more like a linter config». Используй императивы DO/DON'T с короткой причиной вместо описательной прозы. Не «у нас принято аккуратно работать с базой», а жёстко: NEVER create external DB accounts. Use the existing PostgreSQL instance. Длинный текст модель легко заболтает сама в себе и найдёт повод проигнорировать. Короткий список жёстких правил цепляется отлично. 🔹 Только то, чего модель не знает сама. «Пиши чистый код», «думай о пользователе» это сжигание токенов. Модель это и так знает, а в файле оно лишь занимает место при каждом запросе. И держи файл коротким: раздутый агент начинает игнорировать целиком. 🔹 developer_instructions: приоритет, но не защита. Эти инструкции по роли сильнее обычного промпта и жёстко фиксируются на всю сессию, это отличное место для устойчивых политик. Но не гарантия, что агент не запушит в main: он по-прежнему может найти логичное оправдание, чтобы обойти текстовое правило. 🔹 Настоящие запреты делай исполняемыми механизмами. То, что нарушать нельзя в принципе, выноси из текста в код: execpolicy (правила .rules на Starlark, где decision = "forbidden" перебивает вообще всё) и hooks (PreToolUse физически блокирует вызов тула). Это уже не просьба, а бетонная граница. И мелочь, которая снимает половину проблем «настройка не сработала»: запускай со --strict-config, тогда опечатка в ключе конфига падает с ошибкой, а не глотается молча. Полный разбор (иерархия загрузки, что НЕ писать, пример linter-config и codex execpolicy check) собрал в отдельном гайде ✔️ #aiTools #Codex

Наткнулся на интересную рамку внедрения AI в бизнес. Не «уволим всех и заменим агентами», а наоборот: пока AI лучше всего работает как усилитель нормальных людей. Раньше человек закрывал одну функцию - подключил AI, собрал контекст, настроил процессы и уже тянет две-три смежные. 1. База данных для AI, ваш конткест Самый недооценённый слой. Все спорят про модели и промпты, а прирост начинается раньше - с context layer: AI должен понимать, кто ты, чем занимаешься, какие проекты, как пишешь, какие принципы и чего нельзя. Минимум - 4 файла: - досье (факты) - tone of voice (как пишешь) - анти-файл (чего делать не нужно) - конституция (принципы, красные линии) Ниже промпт как их собрать под себя🫶✨ Хранить лучше в GoogleDrive, чтобы за 2 клика подгружались в Claude, ChatGPT, Gemini и любую следующую систему. 2. Проекты внутри AI-инструментов Разложить работу по направлениям: отдельный проект под Telegram, YouTube, ресёрч, продукт, работу. Тогда AI не просто «пишет текст», а держит контекст направления - что делали, какие решения, какой стиль, куда идём. Бонусом резко упрощается онбординг: человек заходит не в пустой чат, а в готовую среду с историей и правилами. 3. Агенты для рутины Без фантазий: компанией они не управляют, но повторяющееся закрывают - утренний ресёрч, мониторинг рынка, поиск гостей, анализ конкурентов, follow-up письма, сбор и фильтрация идей. Ключевое слово - подготовка: агент собрал и предложил, человек проверил и решил. 4. Свои маленькие AI-инструменты Внутренние тулзы, скиллы под свои процессы. Дашборды: где просадка по KPI, что сработало, что делать на неделе. Это уже не чатик, а маленькая ОС под процесс. 5. AI как mini chief of staff Самый интересный уровень. Сейчас отставание от KPI ловит руководитель. AI видит картину и предлагает сотруднику: «Мы отстаём. Исторически у тебя работали вот такие действия. Вот план на 3 дня, начни с этого». Пока сложно - часто контекст размазан по чатам, звонкам, заметкам. В идеале замкнуть систему так, чтобы AI видел не только документы, но и фидбек, решения, динамику. Тогда он становится операционным слоем бизнеса. AI полезнее не от одного гениального промпта, а когда вокруг есть контекст, структура проектов и процессы. Без контекста - умный собеседник. С контекстом - рабочая система. Я бы начал с первого уровня. Готовый промпт проводит интервью и собирает все 4 файла: забрать здесь ✔️

Codex без лишнего расхода: как не сжечь лимиты 2 / 5 В прошлом посте поставили Codex и сделали первую задачу. А дальше почти у всех один удар: «дали 5 часов, а я выжег за час». Был и у меня - в первый же серьёзный день улетел в недельный потолок к обеду. «5 часов» - это не пять гарантированных часов работы. Это окно расхода, внутри которого цена запроса зависит не от таймера, а от нагрузки задачи: модель, reasoning, размер репозитория, объём контекста и выводы инструментов. Окон таких два - короткое и недельное. Три ручки, которые реально режут расход: 🔹 Reasoning под задачу. По умолчанию medium. Держать high/xhigh на всё - это ехать по трассе на первой передаче. Высокое усилие - только на планирование и сложное, рутина живёт на low/medium. 🔹 Один тред = одна задача. Не тащи три темы в один распухший чат: каждая следующая реплика волочёт за собой весь контекст и стоит дороже. /new под новую задачу дешевле, чем тянуть гору истории. 🔹 Огромные выводы - под нож. Один cat гигантского лога или болтливый MCP-тул забивают окно мусором, и ты упираешься в лимит раньше времени. Многие лечат это /compact, но корень - неограниченный вывод инструментов: ограничь его, и контекст останется плотным. Прежде чем крутить - измеряй: /status показывает остаток в окне и когда сброс. Не угадывай по ощущению «вроде много накликал». Ориентир, который держу в голове: 🔧 рутинная правка → low/medium → текущий тред 🔧 разбор и планирование → high → текущий тред 🔧 новая несвязанная задача → любой effort → /new И последнее, что экономит не токены, а день простоя: держи запасной маршрут. Лимиты у разных провайдеров не синхронизированы. Выжег недельный у основного агента - переключился на запасной движок, а не сидишь и ждёшь сброса. Полный разбор - собрал в отдельном гайде ✔️ В следующем посте - AGENTS.md, который Codex реально слушает. 🫶 #aiTools #Codex

Codex с нуля: ставим за вечер и делаем первую задачу 1 / 5 Открываю серию практических гайдов по OpenAI Codex - агенту, который реально работает с твоим кодом. Без хайпа, по делу. Сначала просто: что это. Codex - не «ChatGPT, который выдаёт сниппеты». Это агент, который сам читает твой проект, правит файлы и запускает команды - в рамках выданных ему прав. Ты задаёшь задачу и границы, а потом проверяешь результат и diff. Опыт с другими агентами не нужен. Пробовал Claude Code или Cursor - будет знакомо. Нет - начнём с нуля. Что важно на старте: 🔹 Четыре входа, одно ядро. CLI, расширение для IDE, десктоп-приложение (macOS и Windows) и облако. Одна подписка даёт доступ к основным поверхностям - отдельная для каждой не нужна. 🔹 Установка в одну строку. npm install -g @openai/codex Именно с неймспейсом @openai. Пакет codex без него - не тот. Дальше открываешь папку проекта, запускаешь codex и логинишься через ChatGPT. 🔹 /init - первое, что делаешь. Codex создаст стартовый каркас AGENTS.md - файла с постоянными инструкциями для агента. Его стоит проверить и дополнить под свой проект. Это открытый формат, а не проприетарная особенность Codex. 🔹 Модель и «сколько думать». По умолчанию используется gpt-5.5. Чем выше reasoning effort, тем лучше он может справляться со сложными задачами, но тем дольше ответ и выше расход лимитов. Я сам использую Codex в основном reasoning effort medium для ревью и обследования репозиториев - на Plus ($20) его базового режима мне обычно хватает. На тарифах от 100$ доступна gpt-5.5 Pro - я пока не пробовал, но очень хвалят, особенно на сложных задачах (для них мне хватает Claude). И принцип, который экономит часы: Не надейся, что агент сам угадает контекст. Дай его явно. Хороший результат = чёткая задача + нужный контекст, а не магия. Полный гайд - установка под разные ОС, тарифы, оплата из РФ, конфиг, AGENTS.md и шпаргалка команд - собрал в отдельном документе ✔️ #aiTools #Codex

Вчера в одном чате спросили: «Есть конспекты по ML?» Есть. Скинул - человек залип, говорит, давно искал что-то, где без воды и сразу по делу. Решил расшарить и здесь. Возможно, среди вас есть те, кто хочет вкатиться в ML, освежить базу или просто чуть лучше понимать, что происходит под капотом всех этих нейросетей. 🔹 Machine Learning Линейные модели, метрики, регуляризация, деревья, бустинг, нейросети, NLP, трансформеры, Self-Attention, A/B, SQL, ML System Design. 🔹 Линейная алгебра Матрицы, векторы, собственные значения, SVD, разложения и всё, без чего сложно понимать ML. 🔹 Математический анализ Пределы, производные, интегралы, градиенты, ряды и базовая математика оптимизации. 🔹 Математическая статистика Оценки, доверительные интервалы, p-value, критерии, корреляции, бутстрэп. 🔹 Теория вероятностей Байес, распределения, матожидание, дисперсия, ЦПТ, закон больших чисел, Монте-Карло. Это не полноценный курс и не замена учебникам. Скорее добротный фундамент чтобы понять как ML работает под капотом. А если хочется понять, как работают под капотом модели и агенты, которыми мы пользуемся каждый день (Claude Code, OpenClaw, Codex..), я бы начал с разделов про трансформеры и Self-Attention. PS: Если нужно могу сделать отдельную подборку по AI-инжинирингу. Мне несложно)