Пределы профессионализма

⭕️ Запись моего доклада на Agentic Conf про эффективную работу с несколькими AI агентами. Зачем это смотреть? Основное - доклад дает понятный roadmap того как совершенствовать свой AI-сетап, и в результате меньше выгорать, больше делать, и т. п. Многие идеи из этого доклада можно неплохо реализовать с помощью хайпующего сейчас prime agent. Я даже в ответах на вопросы упоминал про RLM, технологию на которой он работает) ЗАПИСЬ : https://youtu.be/2hEiDR5lR-c https://youtu.be/2hEiDR5lR-c https://youtu.be/2hEiDR5lR-c

PS : Завтра хочу опубликовать свой доклад на Agentic Conf про эффективную работу с нескольими агентами. Stay tuned

📁 Так как мой продукт по AI+продуктивность находится в стадии "сам делаю дофига но времени оформлять в курс нет" предлагаю ознакомиться с следующим предложением) Ребят из AI Mindset давно знаю, постоянно тусуюсь и выступаю в их коммьюнити. Могу смело сказать что ребята делают хорошо. Ниже описание их новой лабы. —- Почему ИИ так и не сделал вас продуктивнее Знакомое чувство: вы честно пытаетесь работать эффективнее — читаете про нейросети, пробуете инструменты, собираете подборки лайфхаков, — а к вечеру ощущение, что весь день кого-то догоняли, но так и не сдвинулись. Давайте разберем механику. Любой ИИ-инструмент помогает ровно настолько, насколько он знает именно вас: ваши задачи, решения, историю, приоритеты. А этот контекст у большинства разбросан — заметки, переписки, транскрипты созвонов, тысячи непрочитанных в Saved Messages. Каждый раз, садясь за работу, вы сначала ищете, где все бросили. Вот здесь и прячется главный убийца продуктивности — латентность. Не сложность задачи, а секунды и минуты на то, чтобы вспомнить контекст и переключиться. Пока вы их тратите, поток просто не начинается. Дело не в том, сколько у вас инструментов, а в том, на какой контекст они опираются. Даже самый умный ассистент на неубранном рабочем столе станет еще одним источником шума. × × × Ровно об этом в августе 3-недельная лаборатория Summer Lab от команды AI Mindset — про продуктивный поток в эпоху ИИ. Не про то, как настроить еще один инструмент, а про то, как собрать свою систему, которая защищает мышление и держит один рабочий мир. Логика выстроена как русло реки — от истока к устью, шесть шагов, каждый опирается на предыдущий: 01. Контекст. Сначала аудит жизни и инвентаризация поверхностей. Вы вычищаете Saved Messages и собираете контекст-слой, из которого ИИ наконец получает ваш реальный профиль, а не обрывки. 02. Состояние. Дальше тело и вход в фокус. Поток встает только на собранный контекст: без ясной цели никакая среда не удержит внимание. Работа чередуется с восстановлением, спокойное тело дает продуктивность. 03. Агенты и делегирование. И только теперь — недельный цикл вместе с ИИ: план и ретро без вечного надзирательства. Плюс отдельный разговор про то, что вы отдаете не машинам, а людям, и на каких условиях. × × × Финал: к 31 августа каждый участник выносит не конспект, а один работающий инструмент и показывает свой реальный процесс в формате before / after / next: что зависало в фоне раньше, как проходит теперь и что продолжается без вашего постоянного возвращения в инбокс. Ведет Александр Поваляев с командой проводников-практиков, которые годами живут внутри собственных систем контекста и делегирования. Старт 10 августа, Demo Day — 31-го. Программа и запись

⭕️ Правильный ответ: продуктивность увеличится, но ненамного. При достаточно зрелом сетапе (харнесе), если вы запускаете хотя бы 3–4 агентов параллельно, выгода составит около 10–15%. Но никак не 150%. Причины: 1. Скорость инференса практически не влияет на скорость ревью, планирования и промптинга. Это главное. 2. Неотработанные типы задач будут так же тормозить ваш воркфлоу, как и в обычном режиме. 3. При работе с несколькими агентами проблемы из пп. 1 и 2 масштабируются. Поэтому загружать работой ещё больше агентов не имеет смысла. OpenAI обещает экономию десятков часов в неделю. Но это, конечно, не так. P. S. Есть и другие, не такие хайповые параметры мультиагентной работы, которые дают на порядок бОльшую отдачу.

От Лос-Аламоса до Cirque du Soleil: разбор кейсов выдающихся команд Почти два года я участвую в проекте, который начинался как любопытное исследование, а постепенно превратился в коллективную книгу о командах, способных менять мир. Сборника «десяти секретов идеального коллектива» в ней не будет. Мы внимательно разбираем то, что уже случилось: как под сводами Лос-Аламоса физики за три года открыли атомную эпоху, как в цирке без животных Cirque du Soleil придумали новый театральный жанр, как небольшая скульптурная мастерская в Финляндии превратила обломки тюленьих костей в арт-объекты, которые обошли весь мир. В каждой истории мы ищем решения, которые можно воспроизвести в других условиях. Сначала мы просто собирали истории. Потом поняли: без системы получится красивая, но бесполезная россыпь. Поэтому ввели правило: в выборку попадают только команды, чья работа получила признание далеко за пределами одной страны или профессиональной области. Сейчас в нашей базе сорок подробно разобранных коллективов: от Манхэттенского проекта и Баухауса до японских анимационных студий и команд, выводивших людей в открытый космос. Мы читаем мемуары, письма, технические отчёты, дневники художников и инженеров. Из этого массива достаём то, что можно повторить в другом месте и в другое время. Мы уже собрали больше тысячи кейсов, которые повторяются в успешных случаях: как изолировать группу и поднять концентрацию, как обходить цензуру, не ломая себе карьеру, как вовремя распасться, чтобы идея выжила, а участники не сгорели. Следующий этап — масштаб. В бэклоге ещё шестьсот коллективов, чьи истории ждут своей очереди. Любую гипотезу, родившуюся после разбора первых сорока команд, мы проверяем на всей выборке. Так отсеиваем совпадения и оставляем закономерности. Постепенно из них складывается модель, которая показывает типичные риски и способы повлиять на результат. Пока мы собираем модель, отдельные наблюдения публикуем в телеграм-канале «Коллективика». Там уже вышли заметки о «точках невозврата», после которых команда либо взлетает, либо распадается; о власти, которая может усиливать творчество; о ярких успехах, за которыми нередко следует резкий раскол. Скоро начнём публиковать лонгриды о том, как отдельные приёмы складываются в систему. Если вам интересно, как устроены команды с результатами мирового масштаба, подписывайтесь. Будем и дальше разбирать их работу и публиковать приёмы, которые можно попробовать в своей команде.

📥 Вопрос к знатокам Сегодня OpenAI выкатили fast режим для своего фронтира Sol-5.6. Стоит дороже, но быстрее в 2.5 раза. Вопрос : На сколько увеличится ваша продуктивность в работе в Codex или в приложении ChatGPT при включенном fast режиме. Ваши ответы в комменты. Правильный ответ расскажу в понедельник.

⭕️ Заметки из практики (тестирую новый жанр) По довольно банальной логике чем более высокоуровневая и стратегическая цель, тем больше на нее нужно тратить времени, тем больше нужно собирать данных и знаний. Но когда у человека проблемы с продуктивностью или достижением этих самых целей я в 90% вижу ровно обратное. Большая часть ресурсов уходит на принятие совершенно незначительных решений.

Стрим: улучшение агентов через DSPy Ну что, возобновляем сезон стримов. Есть такая чудесная штука DSPy - инструмент этот позволяет агентов улучшать и LLM-пайплайны в автоматизированном режиме. А качество мелких LLMок с его помощью и вовсе можно улучшить в разы. На недавнем митапе я познакомился с Николаем Сениным, который не просто активно пользуется DSPy, но и получает великолепные результаты с его помощью. У Николая уже была готовая теоритическая преза, которую он рассказывал на недавней конференции, но поскольку инструмент непростой быстро стало ясно, что нагляднее всего будет показать его на примере реального кейса. В кач-ве кейса выбрали проект Николая - умный суммаризатор-разметчик для материалов (YouTube, книги и др), который умеет здорово размечать действительно нетривиальные и полезные идеи из текста, сервис называется Knowlume. Главное, что будет возможность заглянуть под капот сервиса - и код посмотреть и понять как там вообще все работает. Время: вторник 21 июля 13:00 МСК (15:00 по Алматы). Регистрация по ссылке. А еще, открыта предварительная запись на стрим про CodeAlive и контекстные движки в четверг в 11:00 МСК (13:00 по Алматы). Полноценный анонс будет чуть позже. @ai_driven

Для всех кто занимается разработкой связанной с AI. Во вторник буду рассказывать базу у Родиона Мостового на стриме.

Параметр, без которого ваше профессиональное развитие невозможно Знакомое чувство: вы видите классную статью, добавляете полезное видео в «Смотреть позже», сохраняете ссылку в закладки… и никогда к этому не возвращаетесь. Мы успокаиваем себя удобным мифом: «Если возникнет проблема, я просто ее загуглю или спрошу у ИИ-агента». Но это ловушка. Прямо сейчас в вашей профессии есть с десяток сложных нерешенных проблем, готовых ответов на которые в поиске просто нет. Вы не найдете там даже их грамотного описания. Но мы продолжаем откладывать обучение на потом, потому что нас придавило информационной плитой. Несколько лет назад главный редактор издательства Livrezon (в котором я написал книжку) проводил курс по тому, как отслеживать важные изменения в своей профессии. Участники собирали систему подписок, чтобы ловить все главные тренды в своей сфере. Знаете, каков итог? Никто в моем окружении из этого издательства их не отслеживает. Причина до боли банальна: на это просто ни у кого нет времени. Другая сторона проблемы: трата времени впустую. На прошлой неделе я побывал в Алматы на двух ИИ-митапах, один из которых организовал Google, к слову. Шесть больших докладов, несколько часов потраченного времени. Что нового я вынес? Упоминание технологии MCP Apps, которую сейчас по техническим причинам даже использовать толком нельзя. Часы личного времени ради одной крупицы новой, но бесполезной информации. × × × Глядя на все эти залежи непрочитанного и бессмысленные траты времени на конференциях, я задаюсь тремя вопросами: 01. Почему складывается ощущение, что даже грамотные специалисты вокруг незаметно отстали от рынка на 1–2 года? 02. Почему, понимая это, люди смирились и даже не пытаются сократить разрыв? 03. Почему все наивно верят, что эти накопившиеся пробелы в знаниях можно будет «быстренько загуглить» прямо перед дедлайном? Ответ кроется в одном-единственном параметре. Главный навык сегодня — это то, насколько быстро вы можете «выпотрошить» новый источник информации и сохранить суть в свою личную базу. Если вы настроите немусорную, качественную систему подписок, каждый день в нее будет падать по 5–10 часов отборного видео и текстов. Ни у кого из нас нет лишнего часа, чтобы изучать это вдумчиво и линейно. Поэтому люди пугаются объема, копят непрочитанное и в итоге сдаются. Решение не в том, чтобы искать 25-й час в сутках, а в том, чтобы радикально изменить подход к извлечению пользы. Если часовой контент вы прорабатываете и сохраняете себе в базу дольше, чем за несколько минут — вы гарантированно отстаете. Скорость потребления знаний — это ваш главный рычаг. Нельзя оставаться востребованным, если вы читаете и смотрите материалы «как раньше».

Гайз, 3 июля выступаю на AgenticConf. https://agenticdevconf.ru/ Начиная с недавнего времени многие из нас взаимодействуют своими low-tech тушками и мозгами с технологиями которые значительно превосходят человеческие возможности. Я буду рассказывать базу про работу с несколькими агентами параллельно. Мы построим модель-симуляцию в прямом эфире и посмотрим на интересные следствия из нее. В докладе будет 7 основных принципов и куча конкретных практик и приемов. Если кто еще планирует посетить - можем пересечься.

Мы наконец-то открываем публичный доступ к сервису Knowlume Все, кто изучает множество видео, статей, докладов, конференций и т. п., — welcome. В своё время я понял, что для меня и многих коллег основное узкое место при создании интеллектуальных продуктов — скорость проработки источников. Нам просто некогда «смотреть» видео, читать тонны статей и т. п. Как правило, нужно просто вытащить переиспользуемые фрагменты для своих проектов, исследований и баз знаний в целом. Я решил не ускорять видео, а сократить путь от видео к извлечению знаний. Сейчас Knowlume принимает ссылки на онлайн-статьи, видео или сырые тексты. Разбивает их на смысловые блоки и с помощью фильтров сразу выделяет ценные фрагменты. Найденные фрагменты в оптимальном формате экспортируются напрямую в Markdown или к вашим автоматизациям и агентам. Что со всем этим дальше делать? В процессе работы мы создали несколько пилотных проектов. В первом из них я с помощью Knowlume отобрал из YouTube-канала Starter Story полезные практики по продвижению продуктов, созданных соло-предпринимателями. Сейчас там 400+ видео, но у меня на выходе получилось всего 64 кейса. Их я объединил в простую модель, позволяющую за несколько кликов найти подходящую практику. Ссылку оставлю в первом комментарии. Может ли так RAG? Нет. Может ли так Claude Code со скиллами? Нет. Может ли так любой суммаризатор? Нет. Хотя бы просто потому что в них нет фильтров. Они не могут выделить самое важное в большинстве случаев. Другой проект — подобным образом «отжатая» конференция Code with Claude 2026. Это 8 часов плотных докладов на канале Anthropic. Я проделал те же действия и преобразовал записи за 40 минут своего времени в 24 полезных фрагмента, а затем также структурировал их. Я оцениваю получившиеся данные как очень ценные. Это знания из первых рук по технологиям на границе познания. Но в то же время без Knowlume я бы никогда не нашёл столько времени, чтобы (даже с помощью ИИ) выделить всё важное, отформатировать, добавить ссылки на первоисточник, подобрать названия, добавить метаданные с основными тезисами и т. п. Сейчас вы можете отправлять источники в Knowlume прямо из Телеграма. Приложение их обработает и пришлёт ссылку на результат. Просто закиньте ссылку на видео, доклад или набор статей, и начните работать. Попробовать Knowlume (подписка через Tribute) : Минимальный тариф - 800 руб, ~30–40 часов видео. Базовый тариф - 1350 руб, ~100 часов видео. Максимальный тариф - 2500 руб, ~200 часов видео. Можно оплачивать из любой страны Документация Knowlume Публичный канал Knowlume

Личный ИИ-Сенин 24/7: зачем я перевожу свои проекты на нейросети На старте работы над своей продуктивностью люди сталкиваются с одной и той же проблемой — саботажем базовых задач. Возьмем для примера диагностику на моих личных консультациях. Самый простой и эффективный старт — вести хронометраж времени. Я проверил под сотню таких отчетов: большинство людей прокрастинируют этот шаг или делают его неправильно. Без постоянного контроля внедрить новые привычки безумно сложно. Именно поэтому я решил перевести все свои продукты, включая курсы, проект «Додзе по привычкам» и личные консультации, на ИИ-рельсы. Многие думают, что нейросети нужны только для написания кода или текстов. Но они потрясающе справляются с обучением. Главное — задать правильную структуру. И здесь на сцену выходит не просто чат-бот, а проактивный ИИ-агент. В этой системе моя роль меняется — я становлюсь мета-коучем. Я настраиваю агента (развернуть тот же OpenClaw можно даже без навыков программирования) и загружаю в него свои методики. В итоге вы получаете цифровую копию Николая Сенина, которая знает всё о личной эффективности, живет прямо в вашем Telegram и доступна круглосуточно. × × × Как это работает на практике: 01. Безошибочная диагностика. Агент сам напомнит вам записать, на что ушло время, проконтролирует формат и аккуратно занесет данные в таблицу. В нужный момент он даже попросит снять показания сна с Apple Watch и переслать их для анализа. 02. Внедрение привычек. Когда вам нужно закрепить навык, запланировать день или неделю, агент ведет вас за ручку. Он пришлет столько напоминалок, сколько нужно лично вам, и ответит на любые вопросы в моменте. 03. Максимальная польза. Базовая рутина и контроль «домашки» полностью делегируются агенту. Благодаря этому наше с вами время на консультациях тратится не на организационные моменты, а на глубокую стратегическую работу. × × × Агент не устает, не выгорает и всегда готов помочь. Он проводит вас по всей образовательной траектории с максимальным комфортом, закрывая все слепые зоны. 🚀 [Пределы профессионализма]

«Персик» в управлении: как не дать автоматизациям развалиться в самый важный момент Вы когда-нибудь чувствовали, что ваши попытки внедрить нейросети и автоматизацию превращаются в бесконечный ремонт? Сегодня бот работает идеально, завтра он «забыл» инструкции, а послезавтра API обновилось, и вся связка рухнула. В итоге вместо экономии времени вы тратите часы на починку того, что должно было работать само. В проектном управлении есть концепция, которая идеально решает эту проблему — модель «персика». Представьте: внутри у вас твердое ядро (косточка), а снаружи — изменчивая и податливая мякоть. Я постоянно применяю этот подход в своих ИИ-автоматизациях, и это самый короткий путь к стабильности без потери гибкости. 01. Твердое ядро — это ваши фундаментальные, железно работающие процессы. Те задачи, где цена ошибки высока и результат нужен гарантированно. Здесь мы используем детерминированные инструменты (например, n8n) и тщательно отлаженные промпты. На создание ядра уходит много времени, но оно становится фундаментом вашей личной экосистемы. 02. Изменчивая мякоть — это быстрые «агентские» решения вроде OpenClaw или Hermes agent. Вам не нужно их программировать: просто сказали боту, как себя вести, и он сам пишет скрипты под задачу. Это дешево и быстро, но это может сломаться в любой момент. × × × Почему эта система выигрывает? Если полагаться только на «мякоть», система подведет вас в самый неподходящий момент. Если строить только «ядро», вы станете неповоротливым и отрежете себя от современных технологий, которые позволяют собирать полезные вещи за считанные минуты. Секрет продуктивности в том, чтобы брать лучшее от обоих миров: автоматизируйте критически важные узлы надежно, а всё остальное склеивайте быстрыми ИИ-агентами. Так вы получаете систему, которая не только работает, но и мгновенно адаптируется под новые задачи. 🚀 [Пределы профессионализма]

Что на самом деле знают нейросети (и почему вы зря копите ссылки) Мы постоянно сохраняем статьи, пишем конспекты и складируем закладки. Нам кажется, что мы накапливаем ценную базу для будущих проектов. Но сталкивались ли вы с тем, что в нужный момент просто забываете про эти залежи? Проблема в том, что мы тратим время на хранение информации, которую искусственный интеллект может выдать за секунды. Изучая языковые модели для своего продукта Knowlume, я пришел к однозначному выводу: современные нейросети знают об этом мире гораздо больше, чем мы привыкли думать. И не использовать эту суперсилу — значит добровольно тормозить свою продуктивность. Чтобы оценить, как развивалась их эрудиция, я периодически проводил сложный тест. Я просил новые модели порекомендовать 10 книг о том, как был организован легендарный коллектив французских математиков Бурбаки. Эволюция ответов выглядит потрясающе: 01. Первые поколения — выдавали несколько реальных книг, а остальные просто выдумывали (галлюцинировали). 02. Переходные версии — перестали фантазировать, но теряли логику: вместо книг о коллективе они предлагали труды самих математиков. 03. Современные модели — сразу выдают точнейшие английские и французские источники, архивные данные и статьи. Уровень стал настолько безошибочным, что я больше не трачу время на этот тест. Именно поэтому трафик на StackOverflow падает: специалисты поняли, что топовая модель ответит быстрее, точнее и без токсичных комментариев, свойственных форумам. × × × Это феноменальное знание касается не только сухих фактов, но и решения сложных бизнес-задач. Недавно вместе с коллегами мы тестировали неочевидные кейсы о работе коллективов: описывали начальную ситуацию и итоговый результат команды. Я решил проверить, угадает ли нейросеть, как именно произошла трансформация. Модель выдавала 4-5 вариантов, и среди них почти всегда описывался тот самый оригинальный шаг, который мы кропотливо выискивали в текстах. Вывод очевиден: нейросети уже содержат в себе паттерны решения нетривиальных рабочих задач, нам больше не нужно собирать их вручную. А недавно ученые провели еще один интересный эксперимент: обучили нейросеть исключительно на текстах до 1930 года. Естественно, она ничего не знала,например, о Второй мировой войне, компьютерах. Но когда ей показали базовый язык Python, она легко уловила современные концепции программирования и даже смогла решить часть задач на бенчмарке. Это доказывает высочайшую способность ИИ к обобщению. Как этот багаж знаний влияет на наш личный метод работы? В Knowlume мы внедрили простое правило оценки информации: если ИИ свободно владеет фактом и мгновенно его выдает, значит, это банальное знание. Вместо того чтобы захламлять свои заметки базовой фактологией, лучше в нужный момент задайте вопрос хорошей нейросети. Собирайте и храните только свой уникальный опыт, личный контекст и собственные инсайты. Всё остальное для вас уже сохранил искусственный интеллект. 🚀 [Пределы профессионализма]

Почему ИИ-решения не дают конкурентного преимущества Многие сейчас живут в иллюзии, что доступ к топовым нейросетям — это волшебная палочка. Кажется, если ты платишь 20 долларов за подписку и умеешь собирать мультиагентные системы, ты уже на вершине мира. По статистике это так: энтузиастов, глубоко погруженных в ИИ, меньше 0,1% населения. Но вот в чем подвох: среди этого «топового топа» конкуренция не ниже, чем везде. Я постоянно вижу в лентах продукты и идеи, которые полностью сгенерированы Клодом или ChatGPT. Люди находят проблему, просят ИИ предложить решение и думают, что создали уникальный бизнес-кейс. Но вот горькая правда: если проблема реальна и лежит на поверхности, о ней знают сотни других умных людей. И они точно так же могут зайти в нейронку и получить ровно тот же ответ. Если ваше решение полностью придумано моделью, у вас нет никакого ноу-хау. Любой конкурент может повторить ваш путь за пять минут, просто вбив похожий промпт. В мире доступного интеллекта ценность «просто логичных» решений стремится к нулю. × × × Как же тогда создавать что-то по-настоящему ценное? Единственный путь к устойчивому преимуществу — это выход за пределы того, что «уже знает» ИИ. 01. Опирайтесь на личную экспертизу. Ищите решения там, где ИИ не хватает контекста или глубокого практического опыта. Нейросеть мыслит вероятностями из прошлого, вы же видите нюансы настоящего. 02. Ищите неочевидные боли. Иногда люди даже не осознают наличие проблемы, пока вы её не подсветите. Выявление «скрытого» дефицита — это работа вашего интеллекта, а не генеративной модели. 03. Используйте ИИ как инструмент, а не как автора. Идеальная связка: ваша уникальная компетенция определяет и проблему, и архитектуру решения, а нейросеть лишь помогает в реализации. Помните: если технологию может скопировать каждый, она перестает быть вашим преимуществом. Настоящая ценность создается там, где заканчиваются общие знания модели и начинается ваш уникальный опыт. 🚀 [Пределы профессионализма]

Я закрыл «Додзе по привычкам» Многие из вас знают про мое закрытое сообщество по внедрению привычек «Додзе». На данный момент я закрываю этот проект, и на это есть две причины. Во-первых, я не учел, что выживаемость подобных продуктов очень мала, и конкуренцию в этой нише выдержать очень сложно. Вторая проблема была в «человеческом факторе» — проект требовал колоссальных вложений моего времени на проверки и обратную связь. Как только наступали дедлайны по другим проектам или случались болезни, система начинала буксовать. × × × За полтора года работы «Додзе» я собрал огромный массив данных: огромное количество привычек, описанных барьеров к ним и прочих полезных данных. В ближайшее время я хочу упаковать этот опыт в формат, который доступен каждому в любой момент. 01. Автоматизация экспертизы. С появлением таких инструментов, как Claude code или Hermes, стало возможным создавать агентов, которые «ходят» в накопленную базу знаний и общаются с пользователем на уровне живого наставника. 02. Доступность 24/7. Бот будет жить прямо в Telegram. Больше не нужно заходить в сторонние сервисы — ваш менеджер привычек всегда под рукой, готов дать совет или зафиксировать прогресс. 03. Нулевое трение. Я планирую запустить обновленный формат в течение пары месяцев. ИИ-бот будет считывать ваши привычки и давать рекомендации, основываясь на моих лучших практиках, но делать это мгновенно и без моего прямого участия. × × × Многие мои методики сейчас переходят в формат умных ботов, и я уверен, что в будущем большинство образовательных продуктов ждёт та же участь. Это делает развитие навыков доступнее, а результат — предсказуемее. 🚀 [Пределы профессионализма]

🤕 StarCraft на работе: чему стратегии учат нас в управлении ИИ-агентами Я нечасто провожу параллели между работой с современными инструментами и игровыми механиками. Но одна из самых точных метафор для понимания того, как стоит работать с ИИ-агентами сегодня — это классические стратегии в реальном времени (RTS), вроде StarCraft. У вас есть «юнит» (персонаж), и вы даете ему задачу: «иди рубить лес». И тут включается своеобразная агентность. Юнит сам решает: к какому именно дереву подойти, как обойти препятствие, и в какое ближайшее здание отнести ресурсы. Вам не нужно говорить ему «подними топор» или «сделай шаг левой ногой». Он действует автономно в рамках простой цели. В одной игре таких юнитов могут быть сотни. И здесь кроется невероятная статистика: профессиональные киберспортсмены в StarCraft совершают до 800 полезных действий в минуту (APM). Вдумайтесь: 800 осознанных решений за 60 секунд. Это мастерский уровень переключения контекста и контроля внимания. Казалось бы, вот она — мечта любого руководителя, управляющего командой ИИ-агентов. Но есть два существенных «но», которые отличают игру от нашей с вами интеллектуальной работы. --- ### 01. Сложность задач и микроменеджмент Несмотря на автономность игровых юнитов, задачи, которые мы им ставим, примитивны: «добудь», «построй», «атакуй». Они не требуют глубокого размышления и не являются многокомпонентными. В реальной работе задачи, которые мы сегодня поручаем ИИ (или сотрудникам), гораздо сложнее. «Проанализируй отчет и предложи стратегию» — это не то же самое, что «сруби дерево». Такие задачи требуют куда большего присмотра. Если в игре мы можем отправить отряд и забыть о нем на минуту, то с нынешними ИИ-агентами часто приходится заниматься микроменеджментом, проверяя каждый шаг. ### 02. Визуальный интерфейс vs Текст Игроку проще: он видит поле боя. Человеческий мозг эволюционно заточен на обработку визуальной информации, мы работаем с картинкой намного быстрее, чем с текстом. В работе с ИИ мы, к сожалению, заперты в текстовом интерфейсе. Прочитать и понять код, который для вас написал Claude или ChatGPT, или проверить длинный текст от нейросети — это когнитивно намного дороже и сложнее, чем бросить взгляд на карту и увидеть, что ваши ресурсы добываются. --- ### Что с этим делать нам? Значит ли это, что опыт управления сотней процессов бесполезен? Нет. Мы стоим на пороге того, чтобы перенести подходы из стратегий в нашу рутину. Нам нужно учиться тому самому «киберспортивному» переключению контекста, но с поправкой на сложность. И самое главное — ждать и требовать развития интерфейсов. Пока мы взаимодействуем с ИИ через «стену текста», наша продуктивность ограничена скоростью чтения. Но как только управление агентами станет таким же наглядным, как управление базой в стратегии, мы сможем приблизиться к тем самым «800 полезным действиям», кратно увеличивая свою ценность на рынке. А пока — тренируемся четко ставить задачи своим цифровым юнитам. 🚀 [Пределы профессионализма]

🔑 В этот четверг в сообществе Глеба Калинина рассказываю про базы знаний + AI. Думаю построить повествование как ряд фактов/мифов/принципов которые точно нужно знать. Ну и ,конечно, про свои эксперименты по оценке знаний, моделированию, автоматическому построению экспертных систем, и т. п. Подробности и регистрация, после которой сразу же будет ссылка на Zoom, здесь https://luma.com/5iavomhm

Режим реферата в Knowlume Я часто рассказываю про Knowlume как про инструмент, который экономит время, отжимая воду из подкастов и видео. Знаете это чувство: слушаешь час, а полезного — на две минуты? Именно здесь мой инструмент работает идеально, вылавливая те самые редкие жемчужины смысла. Но когда я только начинал разработку, я получал много фидбека от коллег (да и сам натыкался на это): «Закинул жирную статью, где куча пользы, а инструмент говорит — мало что можно применить». Почему так? Потому что изначально алгоритм был заточен на жесткий отсев лишнего. Однако я давно держу в голове концепцию из нашего издательства Livrezon. Помимо «отжимной» работы с литературой, у нас есть понятие режима реферата. Представьте, что вы читаете книгу, где каждый абзац — золото. Фактурные примеры, интересные мысли, всё складывается в систему. Выбрасывать оттуда нечего, но читать целиком каждый раз — долго. В таком случае мы делаем реферат: уплотняем смысл и, что самое важное, — перестраиваем структуру. Скоро этот режим появится и в Knowlume. Зачем он нужен и как это повысит нашу продуктивность? 01. Пересборка структуры Часто бывает так: материал отличный, но структура ужасная. Этим грешат многие книги XX века, например классика психологии вроде Юнга или Фрейда. Там масса глубоких наблюдений (пусть иногда и спорных с современной точки зрения), но найти нужный ответ под конкретную рабочую задачу почти невозможно. Мысли размазаны, логика повествования устарела. Режим реферата в Knowlume будет не просто сокращать текст, а переструктурировать его. Он пересобирает материал в адекватную, современную структуру, где легко найти решение вашей проблемы, даже если автор спрятал его на 300-й странице в сноске. 02. Обобщение кейсов Иногда в материале нет прямой инструкции «делай раз, делай два». Зато есть десяток историй или кейсов. По отдельности они могут казаться просто развлекательным чтивом и не выглядеть как что-то воспроизводимое. Но если взглянуть на них сверху, происходит магия обобщения. Режим реферата умеет собирать похожие данные в группы. Глядя на эту группу, вы (или ИИ-помощник) понимаете: «Ага, в этих пяти разных историях сработал один и тот же принцип». Так разрозненные, казалось бы, бесполезные факты превращаются в процедурное знание — твердый принцип, который вы можете забрать себе в арсенал. × × × В итоге, режим реферата — это инструмент для работы с насыщенными источниками. Он не просто фильтрует (хотя фильтры, конечно, останутся), он помогает увидеть лес за деревьями. Это следующий шаг в работе с информацией: не просто отсеять мусор, а взять сложный, хаотичный массив знаний и превратить его в стройную систему, готовую к употреблению. 🚀 Пределы профессионализма