Стримы вопросов и ответов

Навигатор по Q&A сессиям курса

1. Основы ИИ-агентов и персонализированные ассистенты

Дата: 28 апреля 2025 | Файл: QA-28-04-25.md

1. Для создания сайта с бэк-офисом и автоматизацией возможно использование ИИ, но требуется правильная архитектура и техническое задание
2. Сервисы для создания интерфейсов (v0.dev, bolt.new, lovable.dev) значительно снизили барьер входа для разработки
3. Понятие «цифровой двойник» — это агент, обученный на уникальном контенте человека и отвечающий вместо него
4. Агенты способны действовать автономно в рамках широкой миссии, в отличие от простых ассистентов
5. Можно создавать несколько агентов для разных целей и партнёров одновременно
6. Автоматизация выявления потребностей клиента возможна через гибкий опросник с ИИ
7. Custom GPT работает как «умный исполнитель без памяти», что накладывает ограничения на работу с контекстом
8. Промт-инженерия — это критический навык для работы с ИИ
9. Архитектура и правильная постановка задачи важнее выбора конкретного сервиса

2. Кастомные GPT и проблемы управляемости ИИ

Дата: 5 мая 2025 | Файл: QA-05-05-25.md

1. Обычный ChatGPT часто даёт лучшие результаты, чем кастомный GPT, из-за диалога и памяти контекста
2. Основная проблема генеративного ИИ — управляемость и невозможность достичь 100% консистентности
3. Жёсткие требования (strict brief) требуют ручной работы — ИИ здесь неэффективен
4. Мягкие брифы (soft brief) хорошо подходят для ИИ, особенно для концептуальных картинок
5. Дрейф модели (model drift) — когда ИИ забывает контекст и теряет качество ответов
6. Кастомный GPT без диалога выполняет задачу «тупо», без нюансов и адаптации
7. Важно понимать границы текущих технологий, чтобы не тратить дни на нерешаемые задачи
8. RAG (Retrieval-Augmented Generation) позволяет работать с уникальным контентом
9. Иногда проще использовать ручной подход, чем часы настройки ИИ

3. Контекст данных, автоматизация и технология RAG

Дата: 12 мая 2025 | Файл: QA-12-05-25.md

1. Плохие данные на входе = плохие результаты на выходе (garbage in, garbage out)
2. JSON и Markdown — форматы, которые ИИ лучше всего понимает и обрабатывает
3. Важно всегда прикидывать объём задач и стоимость работы с ИИ (токены = деньги)
4. Telegram-бот должен отвечать из загруженного контекста, а не из базы общих знаний
5. RAG — технология для приоритизации загруженных файлов над общими знаниями модели
6. Pinecone и похожие инструменты позволяют эффективно работать с большими объёмами данных
7. Разница в доступах между разными тарифами API может быть критична для реализации
8. SimilarWeb — сервис для проверки надёжности по трафику (большой трафик = стабильный сервис)
9. Преодоление «выученной беспомощности» — одно из главных умений в работе с ИИ

4. Архитектура агентов и документирование автоматизаций

Дата: 19 мая 2025 | Файл: QA-19-05-25.md

1. Полноценный агент имеет «агентность» — способность действовать автономно, работать с неопределённостью
2. Трудности часто не в самом агенте, а в инструменте и деталях документации
3. Custom GPT полезен только для монетизации через фронтенд с paywall и платежной системой
4. Существует два подхода к упаковке Custom GPT: классический фронтенд или взаимодействие через мессенджеры
5. Правильная документация автоматизации критична для её восстановления и масштабирования
6. JSON-файл из Make можно загрузить в ChatGPT для полного анализа архитектуры сценария
7. Make, Zapier, N8N — это инструменты автоматизации, не связанные с ИИ, но с ним интегрируемые
8. Архитектура и здравый смысл важнее выбора конкретного инструмента
9. Новые парадигмы придут через 2-3 года — интерфейс «всё в одном диалоге с агентом»

5. Проектирование решений и анализ архитектурных ошибок

Дата: 26 мая 2025 | Файл: QA-26-05-25.md

1. Google выпускает фокус на математические задачи и программирование, а не на автоматизацию
2. Большинство обновлений ориентированы на разработчиков, потому что программирование хорошо формализуется
3. Кейс с рекомендацией кроссовок показал типичную системную ошибку — усложнение вместо упрощения
4. Рекомендательные системы должны опираться на реальную базу данных, а не на угадывание ИИ
5. Базовая задача «форма → анализ → рекомендация» решается через алгоритмы, а не ИИ
6. Часто проще нанять ресёрчера за $1000, чем строить сложный краулер для актуализации данных
7. Архитектурные ошибки важнее технических — правильный подход к проектированию критичен
8. Концептуальный контекст важнее прикладных деталей при обучении
9. Perplexity лучше ChatGPT для задач, требующих актуальной информации и ссылок

6. Оракулы для агентов и интеграция с Google Drive

Дата: 2 июня 2025 | Файл: QA-02-06-25.md

1. Оракулы — это сервисы, которые измеряют физические параметры и преобразуют их в цифровые данные для систем
2. Датчик работает по принципу преобразования физического параметра в электрический сигнал, затем в цифровой через АЦП
3. Поддерживающие базы данных создаются под конкретные задачи агента и служат основой для принятия решений
4. Для подключения Google Drive нужны специальные настройки проекта и выбор правильных API
5. ChatGPT может обрабатывать PDF-файлы в определённых режимах, но требует передачи текста в правильном формате
6. Проблемы интеграции часто решаются через правильную конфигурацию доступа и фильтрацию данных
7. Самообучающаяся система требует обработки ошибок и использования модуля Break для отладки
8. Архитектура агента включает триггеры, фильтры, анализ и отправку данных в нужные каналы

7. Airtable, диалог как инструмент продаж

Дата: 9 июня 2025 | Файл: QA-09-06-25.md

1. Поле «Created» в Airtable критично для триггеров — система отслеживает его для определения новых записей
2. View (представления) в Airtable позволяют скрывать/показывать поля и делиться таблицами с ограниченным доступом
3. Конверсия — результат цепочки коммуникаций, а не одного предложения
4. Главная ошибка в бизнесе — фокус на сайте вместо фокуса на коммуникации и диалоге с клиентом
5. Customer Journey Map — карта путешествия клиента, которая показывает цепь взаимодействий для достижения конверсии
6. AI должна решать проблемы коммуникации и убеждения, а не просто демонстрировать красивый сайт
7. Диалог — это игра, где нужно подвести человека к решению без явной манипуляции
8. Работа с View в Make требует правильного выбора источника данных для получения нужных полей

8. Входящие каналы, автоматизация резюме и обработка ошибок

Дата: 16 июня 2025 | Файл: QA-16-06-25.md

1. Телеграм-бот должен получать message ID и user ID — разные ID для разных типов сообщений
2. Для личных сообщений в Telegram нужно вытаскивать правильный user ID иначе отправка не сработает
3. Автоматизация резюме работает через кастомный GPT, который адаптирует базовое резюме под каждую вакансию
4. Агент может сканировать вакансии с сайтов и автоматически отправлять адаптированные резюме
5. Фильтрация данных в Make критична — нужно отделять релевантные и нерелевантные источники
6. Google Gemini способен генерировать HTML-код из описания задачи в режиме Deep Research
7. Обработка ошибок требует правильной настройки фильтров и проверки источников данных
8. RSS-ленты позволяют автоматически отслеживать обновления на сайтах без необходимости прямого парсинга

9. Контент-агрегация и генерация изображений для Instagram

Дата: 23 июня 2025 | Файл: QA-23-06-25.md

1. Мусор в информации — 95% контента в источниках может быть нерелевантным или ненадёжным
2. Paywall и защита от ботов — основные проблемы при автоматизации сбора информации с сайтов
3. ChatGPT через API может имитировать человека и получить доступ к защищённым сайтам лучше, чем Make
4. Генерация изображений из абстрактного текста требует промежуточного шага — конвертирования текста в графический промпт
5. Эстетическая составляющая изображения критична для Instagram — невозможно просто использовать промпт, нужны референсы
6. Мёбиус — культовый художник, его стиль является желанной целью для стилизации, но сложен в реализации через AI
7. Архитектура агента требует несколько этапов фильтрации перед анализом информации
8. Самообучение агента происходит через постоянное чтение и анализ новых источников информации

10. Эволюция интерфейсов и смена парадигм ИИ

Дата: 30 июня 2025 | Файл: QA-30-06-25.md

1. История интерфейсов показывает, что люди подсознательно воспроизводят старые парадигмы при использовании новых инструментов
2. Старая парадигма — детерминированные алгоритмы, новая — AI с предикцией и принятием решений
3. Люди продолжают воспроизводить старые паттерны (копируют Telegram, Instagram) даже имея AI
4. 2025 год — год агентских систем, но переход от чат-ботов займёт несколько лет
5. Manos и другие агентские системы справляются только в 20% сложных случаев из-за накопления неопределённостей
6. Молодое поколение будет создавать прорывные проекты, так как они привыкли мыслить в новой парадигме
7. Гипотеза симуляции (Ник Бостром) предполагает, что мир — это компьютерная программа
8. Научный метод не создаёт открытий, а только снижает вероятность ошибок через опровержение гипотез
9. RSS-ленты — эффективный способ автоматического отслеживания обновлений на сайтах без парсинга
10. Google Gemini способен генерировать веб-страницы и полные отчёты из промптов за считанные минуты

11. Оптимизация сценариев в Make и финансовый контроль затрат

Дата: 21 июля 2025 | Файл: QA-21-07-25.md

1. JSON-формат требует итеративной отладки — использование промптов в ChatGPT для корректировки формата через 5-6 циклов тестирования
2. Парсеры нестабильны при работе с «грязным» HTML — коммерческие сайты содержат много мусора, лучше использовать Cleaner-модули
3. Финансовая оптимизация критична — замена GPT-4 на GPT-3.5 снижает затраты в 5-6 раз при сохранении качества
4. Объединение сценариев упрощает структуру — слияние отдельных workflow избегает дублирования логики
5. N8N как альтернатива Make — Community Edition (бесплатный) или $5/месяц на Hostinger обеспечивает лучший контроль
6. Дорогие модели вызывают только для интеллектуальных операций — перевод, анализ требуют GPT-4, но парсинг хорошо работает с дешевыми моделями
7. Корректирующие модули часто бесполезны — лучше оптимизировать основной промпт

12. Инструменты поиска, генерация изображений и SaaS-продукты

Дата: 28 июля 2025 | Файл: QA-28-07-25.md

1. ChatGPT vs Perplexity для поиска — ChatGPT для объяснений, Perplexity для ответов с источниками (RAG)
2. Midjourney доминирует в генерации изображений — лучше всего создает концептуальные и эстетичные визуалы
3. ИИ-ассистент может увеличить производительность в 10 раз — но не гарантирует пропорциональный рост дохода
4. Три элемента SaaS-продукта: бизнес-логика (Make/N8N), удобный фронтенд, монетизация (подписка)
5. N8N более гибкий, чем Make — возможность вставки кода и самостоятельного хостинга на VPS
6. Вирусность зависит от промпта — способность четко ставить задачу ИИ является ключевым фактором успеха
7. Будущее за самообучающимися системами — ИИ должен автоматически оптимизировать промпты на основе обратной связи
8. Быстрота реализации важнее совершенства — фокус на MVP и быстром тестировании идей
9. Bold с Netlify рекомендуется для фронтенда — обеспечивает быстрый результат с минимальными затратами

13. Революция возможностей и преодоление психологических барьеров

Дата: 4 августа 2025 | Файл: QA-04-08-25.md

1. Генеративный ИИ как «наркотик» для творчества — быстрый результат от идеи вызывает сильный творческий эффект
2. Психологические барьеры рухнули — раньше создание игр, кино, IT-стартапов требовали огромных команд и бюджета
3. Разработка продукта теперь в 100 раз быстрее — MVP можно создать за дни вместо месяцев
4. Не слушайте критику профессиональных разработчиков — они привыкли к Enterprise-стандартам, неприменимым для стартапов
5. Привлечение первых 10 пользователей — основная проблема; масштабирование решается деньгами
6. Бизнес — это 99% интернет-продажи — ИИ-автоматизация облегчает маркетинг, бухучёт, логистику
7. Три шага: автоматизация → фронтенд → масштабирование
8. WordPress будет вытеснен ИИ — автоматическое создание и поддержка сайтов будет быстрее и дешевле
9. Supabase для бэкенда — удобный интерфейс с протоколами безопасности
10. ИИ-агенты для сложных процессов — многоступенчатую автоматизацию делать агентами

14. Bolt, VS Code, GitHub и роль ИИ-агентов в разработке

Дата: 11 августа 2025 | Файл: QA-11-08-25.md

1. Только 5% разработчиков — настоящие инженеры, остальные — техники, использующие готовые инструменты
2. ИИ угрожает большинству разработчиков — люди без специального образования теперь могут создавать приложения
3. Bolt хорош для прототипирования новичками — быстро работает, но дает меньше контроля; VS Code — полный контроль
4. GitHub критичен для контроля версий и совместной работы — позволяет откатывать изменения
5. Claude Code использует специализированные ИИ-агенты — каждый модуль отвечает за конкретную задачу
6. Правильный процесс: требования → референсы → адаптация
7. Figma — стандарт индустрии для дизайна — готовые шаблоны можно использовать как основу
8. ИИ не умеет писать творческий текст — может помочь с черновой редакцией, но финальная доработка обязательна вручную
9. Нужен собственный контроль над инструментами — нельзя полностью полагаться на ИИ
10. Комбинируйте инструменты — ChatGPT для отладки, Figma для дизайна, VS Code для контроля

15. Парадокс простоты: почему люди не делают простые вещи

Дата: 25 августа 2025 | Файл: QA-25-08-25.md

1. Ошибка № 1: оптимизация вместо достижения результата — сначала результат, потом оптимизация
2. Искушение простотой парализует действие — люди знают, что надо просто это сделать, но не делают
3. Различие между знанием и применением — знание без действия не имеет ценности
4. Цикл прокрастинации: знаю → не делаю → забываю → повторяю — этот цикл разрушает жизни
5. Фокус на ценности, а не на сложности — создание продукта зависит от того, дает ли он пользователю ценность
6. Метод постепенного прогресса — лучше малый, но реальный прогресс каждый день
7. Борьба с перфекционизмом — идеальные условия не наступят; нужно начинать с тем, что есть
8. Обучение через практику, а не теорию — читание о том, как создавать продукты, не равно их созданию
9. Деньги приходят от результатов, не от знаний — интеллектуальные деньги получают те, кто производит ценные продукты
10. Критическое количество попыток для успеха — успех приходит после множества неудачных попыток

16. Достижение мастерства в работе с ИИ-инструментами

Дата: 1 сентября 2025 | Файл: QA-01-09-25.md

1. Участники курса преодолели начальный этап и теперь испытывают удовольствие от работы с ИИ
2. Ключевой прорыв — переход от хаотичных запросов к системному подходу с созданием правил и архитектуры
3. Для эффективной работы необходимо освоить Git, GitHub и Visual Studio Code синхронизацию
4. Практика важнее теории; необходимо сталкиваться с ошибками и находить выход из тупиков
5. Claude Code экономически выгоднее Bolt для разработки; тариф $20/месяц для большинства подходит
6. Создание специальных файлов архитектуры и правил критично для эффективной работы с ИИ
7. Философия успеха: не сдаваться при первой неудаче (Уолт Дисней привлекал финансирование 400 раз)
8. Необходимость перехода от Bolt к Claude Code через GitHub для более контролируемой разработки
9. Финансовые затраты зависят от интенсивности использования; профессионалы платят $200+/месяц
10. Использование VS Code расширений и правильная интеграция Claude Code ускоряет разработку

17. (Содержание отсутствует)

Дата: 15 сентября 2025 | Файл: QA-15-09-25.md

Файл содержит только структуру без наполнения.

18. (Содержание отсутствует)

Дата: 22 сентября 2025 | Файл: QA-22-09-25.md

Файл содержит только структуру без наполнения.

19. (Содержание отсутствует)

Дата: 29 сентября 2025 | Файл: QA-29-09-25.md

Файл содержит только структуру без наполнения.

20. Агенты как разработчики: архитектура и безопасность

Дата: 6 октября 2025 | Файл: QA-06-10-25.md

1. Смена парадигмы: Claude Code и Codex функционируют как полноценные агенты, а не просто ассистенты
2. Агент генерирует архитектуру и структуру данных автоматически на основе бизнес-логики
3. Оптимальный подход: Claude Code как основной разработчик, Codex как независимый аналитик для проверки безопасности
4. Для публичных проектов критична безопасность; необходимы специальные файлы-инструкции
5. Контроль версий: использование одного репозитория с несколькими ветками (branch)
6. Централизация автоматизаций в одном месте (Supabase с real-time триггерами) вместо разрозненных сервисов
7. Make и Zapier потенциально устареют; OpenAI выпустят агентов для No-Code платформ
8. ИИ как «Великий Уравнитель» — предоставляет доступ к мощным инструментам, ранее монополизированным корпорациями
9. Сдвиг конкурентного преимущества: от «Как делать?» к «Что делать?»
10. История диалогов в агентах сложно удаляется; корпорации используют их для обучения моделей

21. Ландшафт ИИ-моделей и память агентов как ограничение

Дата: 20 октября 2025 | Файл: QA-20-10-25.md

1. Главное ограничение — память (Memory) агентов; в остальном обычные пользователи не отстают от корпораций
2. ChatGPT лучше для абстрактных рассуждений, Claude — для кода, Gemini идеален для длинных текстов, DeepSeek — критический аналитик
3. Для анализа сложных научных статей используйте AI-«объяснятор»; под сложной математикой часто скрывается простая архитектура
4. Продажи — это управление вниманием и переводом человека из состояния покоя в состояние поиска решения
5. Реальность маркетинга: рынок — зона аномалий, 2% конверсия считается успехом
6. Три элемента продукта: Маркетинг (понимание боли), Проектирование (решение), Монетизация
7. Бизнес требует принятия рисков; лучшая мотивация — безвыходная ситуация
8. Невозможно научиться бизнесу в теории; обучение происходит только на практике
9. Лайфхак для кода: сгенерируйте документацию по кодовой базе один раз и скармливайте её агентам
10. Фронтир развития находится именно в решении проблемы памяти агентов

22. Финансовая логистика и бизнес-интеграции для ИИ-проектов

Дата: 17 ноября 2025 | Файл: QA-17-11-25.md

1. Опыт работы с Tribute и финансовая логистика для российской аудитории
2. Стратегическое решение: стоит ли овчинка выделки при выборе платежных систем
3. Специфика работы с российской аудиторией и альтернативы криптовалютам
4. Роль AI в решении технических проблем интеграции
5. Make, n8n и Supabase — выбор инструментов автоматизации
6. Философия воронки продаж: путь клиента и конверсия
7. Техническая база курса и переход к бизнесу
8. Проект Trinity и агрегация новостей
9. Мотивация и целеполагание при работе с проектами

23. Теория Каст и Ролей: командная разработка и архитектура агентов

Дата: 24 ноября 2025 | Файл: QA-24-11-25.md

1. Организация командной работы в GitHub с управлением правами доступа и ролями
2. GitHub идеально подходит для литературных проектов (книги, статьи, документация), превосходя Notion
3. VS Code с кодовыми агентами может автоматизировать 80% рутины: ресерч, структурирование, проверку фактов
4. Фреймворк «памяти» проекта с метафайлами (.claud) помогает восстанавливать контекст человеку и ИИ после пауз
5. Pull Requests как безопасный способ внесения изменений и экспериментов без нарушения основной версии
6. Low-code платформы (Make/n8n) становятся тупиковой ветвью для сложных AI-агентов; чистый код дает больше контроля
7. Архитектура AI-агента из субагентов: Менеджер, Коммуникатор, Исследователь, Планировщик
8. Обзор AI-моделей (Gemini 3) и причины не доверять синтетическим бенчмаркам
9. Разбор кейса WordPress + Docker: локальная среда, плагины, типичные ошибки интеграции
10. Продуктовое мышление: поиск «болей» пользователей и рыночных ниш

24. Восстановление контекста и безопасность кода

Дата: 1 декабря 2025 | Файл: QA-01-12-25.md

1. Тренды 2024/25: рост кодовых агентов, снижение интереса к low-code (n8n, Zapier)
2. Что делать, если вылетел VS Code и ИИ забыл контекст — восстановление через history.json
3. Файл claude.md и снапшоты спасают от потери данных при сбоях
4. Решение рассинхронизации между локальным кодом и репозиторием GitHub
5. Кибербезопасность: хакеры ищут root-доступ, 80% взломов — социальная инженерия
6. Проблема захардкоженных API-ключей в коде и очистка истории коммитов
7. ИИ как аналитик безопасности: связка Claude (разработчик) + Cursor (аудитор) для поиска уязвимостей
8. Admin-права в Supabase для ИИ-разработчика на этапе создания структуры, отзыв после завершения
9. Правильная последовательность разработки: Функционал → Тесты → Безопасность

25. Выбор архитектуры автоматизации и оптимизация токенов

Дата: 8 декабря 2025 | Файл: QA-08-12-25.md

1. Тренд отката от Make/n8n к кодовым агентам
2. ИИ как разработчик vs человек в low-code платформах — разные подходы
3. Отладка в Make/n8n требует копирования кода в ChatGPT и обратно; Claude Code видит всё сразу
4. Make лучше для простых линейных процессов (до ~10 модулей); код масштабируется лучше
5. Infrastructure: облачные решения (Make/n8n) vs локальный/развертываемый код
6. В Make отсутствует комментирование, документация, интеграция с ИИ
7. Задача генерации документации по ГОСТ (150 страниц) — выбор между Make и кодом
8. Стоимость токенов: Claude 3.5 Sonnet оптимален; Opus исчерпывает лимиты быстро
9. Стратегия разбиения больших задач для экономии ресурсов

26. Стабилизация фреймворка и RAG для экспертных систем

Дата: 15 декабря 2025 | Файл: QA-15-12-25.md

1. Стабилизация фреймворка Claude Code с двумя протоколами: «Холодный старт» и «Завершение спринта»
2. Субагенты для автоматизации миграции: три сценария (новые проекты, Legacy-код, обновление фреймворка)
3. Supabase обеспечивает больше встроенных политик безопасности, чем нативный WordPress для авторизации
4. Маркетинговые воронки: пары «Landing Page → Thank You Page» для сегментации аудитории
5. Автоматизация Membership: автоматическое присвоение уровней доступа и открытие курсов в LMS
6. UI/UX патчи: ИИ за 5 минут может исправить раздражающие элементы интерфейса покупных плагинов
7. RAG (Retrieval-Augmented Generation): переход от ключевых слов к семантическому поиску; Markdown превосходит PDF
8. Векторный поиск в Supabase для контроля над извлечением данных и предотвращением галлюцинаций модели
9. Оптимизация токенов: Claude 3.5 Sonnet оптимален; индексные файлы экономят лимиты
10. Командная разработка на GitHub: переход слушателей к полноценному сотрудничеству через Pull Requests

27. Инженерия промптов и оптимизация разработки с ИИ

Дата: 5 января 2026 | Файл: QA-05-01-26.md

1. Алгоритм оценки промптов — система автоматического анализа качества prompt engineering через логи диалогов с ИИ
2. Метод «Петли обратной связи» — пошаговая отладка: работающий паттерн → проверка результатов → корректировка → повторение
3. Психология откровения — знания внедряются только через микро-просветления («Теперь я могу!»), а не через информацию
4. Жесткие приоритеты — продуктивность это четкое понимание того, что НЕ БУДУТ делать ни при каких обстоятельствах
5. Оптимизация токенов — контроль расходов Claude Code через исключение диалогов и создание метафайлов состояния
6. Open Source коллаборация — участие в GitHub как соавторы фреймворка через Pull Requests
7. Инфраструктурные решения — переход на Amazon SES для почты, N8N для автоматизации воронок

28. Организация обучения и поддержка студентов

Дата: 12 января 2026 | Файл: QA-12-01-26.md

1. Личная поддержка — все тикеты поддержки читает лично автор; это прямой канал для сбора обратной связи
2. Структура обучения — основной метод это наблюдение за решением реальных задач «с нуля»
3. Эффективность общения с ИИ — результат зависит от умения четко «разжевывать» задачи
4. Hard Fun концепция — настоящее удовольствие и результат приходят через преодоление трудностей
5. Платежи через Tribute — для РФ используется Tribute для оплаты рублями; требует ручного контроля
6. Инвестиции в инструменты — платные подписки (ChatGPT, Gemini, Claude, Make) это инвестиции с огромной экономией времени
7. Голосовая революция — MacWhisper экономит 80% времени на наборе текста через API OpenAI Whisper

29. Кризис программирования и революция кодовых агентов

Дата: 19 января 2026 | Файл: QA-19-01-26.md

1. Кризис классического программирования — роль «чистого» разработчика исчезает; достаточно навыков постановки задач
2. No-code vs Code граница — Make/n8n/Zapier эффективны для простых процессов (до 10 модулей), сложное лучше кодить ИИ
3. Проблема «черного ящика» — закрытость облачных платформ препятствует отладке; собственный код полностью прозрачен
4. Безопасность и MCP — сторонние коннекторы представляют риск утечки паролей
5. Инъекции в промпты — невозможно 100% защитить ИИ от скрытых команд в тексте (Prompt Injection)
6. Экономика токенов — для 95% задач достаточно дешевых моделей (GPT-4o mini)
7. Claude Code Starter фреймворк — решает проблему «памяти» агента через метафайлы (Claude.md)
8. Отказ от дизайна «с нуля» — использование готовых библиотек шаблонов (Tailwind) дает промышленный уровень
9. Связка Claude Code + Claude Coworker — первый пишет код, второй скачивает ресурсы; работают через общую папку-бридж
10. Методология обучения через фрустрацию — ставить цели, которые не знаешь как достичь, преодолевать стену методом проб

30. От рутины к автономному кодингу с агентами

Дата: 26 января 2026 | Файл: QA-26-01-26.md

1. Разделение задач — для бизнес-рутины (почта, CRM) используй Make/Zapier; для идей приложений — кодовые агенты
2. Эволюция автоматизации — Make теперь «умные трубы» с ИИ, понимают смысл текста и принимают решения
3. Codex как Архитектор — лучше всего для планирования, анализа и написания ТЗ; предпочитает автономность
4. Claude Code как Прораб — идеальный исполнитель для глубокого кодинга; требует внимания и уточняющих вопросов
5. ТЗ как свобода — хорошее техническое задание должно отвечать на все вопросы, чтобы агент работал автономно
6. Фреймворк для автономии — агент задает 150 вопросов, пишет ТЗ и уходит кодить самостоятельно
7. Бригада в терминале — можно запустить 4-5 терминалов с разными агентами одновременно
8. Bridge скрипт — автоматическая передача вопросов одного ИИ в ответы другого
9. Параллельная разработка — разные агенты работают в разных Git-ветках; оркестратор собирает результаты
10. Рынок Компаньонов — золотая жила: ИИ-эксперты ведут клиента по дорожной карте; ценность в уникальных данных и базе знаний

31. От парного программирования к полной автономности: Новая парадигма использования ИИ-агентов в 2026 году

Дата: 02 января 2026 | Файл: QA-02-01-26.md

1. Качественный скачок в автономности ИИ

За последние два месяца ситуация в индустрии кардинально изменилась. Если раньше разработчики относились к ИИ-агентам со скепсисом, то после выхода новых моделей (Claude 3.5 Sonnet/Opus) и появления таких инструментов, как Claude Code, наступил период «паритета». Теперь вопрос стоит не «использовать или нет», а «как достичь максимальной автономности».

2. Переход от «парного программирования» к агентской модели

Изначально ИИ-инструменты работали как помощники, требующие постоянного контроля («микроменеджмента»). Сейчас происходит сдвиг: ИИ становится полноценным исполнителем. Пользователь берет на себя роль архитектора и постановщика задач, а агент самостоятельно пишет код, тестирует его и исправляет ошибки.

3. Парадигма «Проектирование важнее исполнения»

Главное «бутылочное горлышко» сейчас — время, затрачиваемое на общение с ИИ. Чтобы ускорить процесс, нужно сначала создавать максимально полное техническое задание (ТЗ). Когда у ИИ есть детальный проект системы, его автономность резко растет: он сам берет на себя функции архитектора, девелопера и специалиста по безопасности.

4. Сравнение ключевых агентов: Claude Code, Cody и Cline

Каждый инструмент имеет свои особенности:

• Claude Code — надежный и мощный «трактор», работающий в терминале.

• Cody (Sourcegraph) — позиционируется как архитектор с высокой самостоятельностью.

• Cline — гибкий диспетчер, позволяющий подключать любые модели (Gemini, GPT и др.), но требующий отдельной оплаты за токены.

5. Преимущества VS Code как универсальной среды

Автор призывает переносить в VS Code все текстовые задачи (не только код, но и налоги, написание книг, стратегии). Преимущество среды в том, что ИИ-агент видит контекст всего проекта целиком, что невозможно в обычном окне чата.

6. Использование Coworker для автоматизации браузера

Инструмент Coworker (десктопный клиент Anthropic) позволяет ИИ выходить в интернет, анализировать страницы и взаимодействовать с файловой системой. Это превращает его в автономного сотрудника, который может, например, открыть 10 вкладок в Chrome, собрать с них данные и сформировать отчет без участия человека.

7. Эффективная работа с форматами данных (PDF vs Markdown)

Для качественной работы ИИ критически важен формат данных. Markdown — самый «родной» и понятный для моделей язык. Перевод больших PDF-файлов в структурированный Markdown и создание индексных файлов для навигации ИИ по главам существенно повышает точность и скорость ответов.

8. Экономика использования: API против платных тарифов

При выборе инструментов важно учитывать бизнес-модель. Работа через нативные тарифы (как у Claude или Cody) часто выгоднее и стабильнее для больших объемов задач, в то время как использование сторонних «надстроек» через API может привести к неожиданным расходам за каждый миллион токенов.

9. Кейс «Новости»: автоматизация сбора трафика

Автор продемонстрировал цепочку автоматизации: расширение для Chrome собирает ссылки в JSON, а агент Coworker переводит их, делает саммари и готовит посты. Это экономит 5–7 часов рутинной работы в неделю, превращая процесс чтения новостей в полуавтоматический выпуск контента.

10. Кейс «Amazon Sender»: замещение дорогих сервисов

Разработка собственного решения на базе Amazon SES и Supabase позволяет заменить дорогостоящие сервисы рассылок (типа ActiveCampaign), экономя около $6,000 в год. ИИ позволяет неспециалисту создать сложную систему, которая работает на бесплатной базе данных и дешевом API для отправки писем.