Провожу два бесплатных воркшопа для GWC

Сезон публичных активностей для меня открыт! 29 августа и 5 сентября я проведу два бесплатных воркшопа по AI для GWC. Воркшопы - по сути, адаптированные версии первых двух тем моих тренингов. Мероприятие будет проходить на английском, и зарегистрироваться может любой желающий.

- Воркшоп 1: Introduction to AI Technology
- Воркшоп 2: AI Basics and Prompt Engineering

GWC - это организация, которая создаёт возможности для профессионального развития женщин, и я очень рад присоединиться к ним в качестве спикера и ментора, чтобы помочь другим в их карьерном пути. Для меня это отличная возможность сделать что-то весомое для женщин, ведь в течение моей жизни именно они помогали мне двигаться в ту сторону, куда я хотел. Начиная с моей мамы, которая открыла для меня невероятное количество возможностей, и заканчивая моими коллегами и руководителями.

В Skyeng моим первым руководителем и менеджером, которая наняла меня, была как раз-таки женщина. Её зовут Виолетта, и это один из самых крутых руководителей, встречавшихся мне до сих пор: отношение к команде, умение “заразить” рабочим энтузиазмом, качество принимаемых решений и то, как она вкладывается в развитие сотрудников, для меня до сих пор остаются эталоном.

Очень надеюсь, что данное мероприятие поможет кому-то подняться по карьерной лестнице или затянет кого-то в AI, как в своё время Виолетта затянула меня в Skyeng.

👉 Зарегистрироваться на мероприятие можно по ссылке

P.S. если хотите видеть меня в качестве спикера на своем мероприятии или конференции - не стесняйтесь писать мне в ЛС или в сообщения канала, есть еще пара слотов под это 😉

Выступаю на конференции WANNABE AI GENIUS

30 августа пройдет очередная конфа, на которой я выступлю в роли спикера. Буду проводить воркшоп для продактов по прототипированию AI-продуктов с помощью AI.

Воршкоп будет состоять из двух частей: на теоретической мы разберем, в чем особенности прототипирования и тестирования AI-продуктов, а во второй части, вместе, под моим руководством соберем небольшой прототипчик с помощью AI-кодинга. Моими целями на нем будут: во-первых, показать, что AI-кодинг это не страшно, а во-вторых, помочь вам сделать первые шаги и начать экспериментировать 🙂

Конфа будет проходить с 11 до 17 по мск и будет включать ряд тем по использованию AI для продактов и продуктовых дизайнеров: от исследований и оптимизационных лайфхаков до быстрого прототипирования. Помимо меня будут еще другие классные спикеры, например, уже знакомый вам Коля, автор канала AI и Грабли, полный лайнап можете глянуть по ссылке ниже, все ребята компетентные и довольно приятные.

Конфа на этот раз платная, купить место можно по ссылке

Что я узнал, потеряв life-work balance при уходе из найма

Я всегда был ярым сторонником life-work balance. Всегда находилось время на 6 тренировок (зал + велик), почитать книжку, выспаться и сделать вообще все по работе. Настроение всегда отличное, стабильный вес и другие показатели здоровья, цели на квартал закрывал минимум на 96%. Так бы продолжалось и дальше, если бы после Pearson я пошел куда-то еще.

Но вмешался переезд в США: другой рынок, усталось от EdTech и несовпадение моих целей желаниями работодателей. В США есть возможность найти работу, но это всегда офис, зачастую в другом Штате, или опять EdTech. За пределами Штатов звали на позицию Head of AI в пару компаний с релокацией на Кипр/ОАЭ и очень хорошим окладом, но опять не то. Главная причина моего переезда в США - желание быть рядом с женой, которая здесь учится, а тут нужно было уехать. В итоге это завело меня на путь предпринимательства: сначала были отдельные проекты, затем агентство, потом подтянулись тренинги.

За 1.5 года мне удалось с нуля вернуться на нормальный доход, но при этом я стал работать по 14 часов в день, перестал читать книги, тренируюсь 1-2 раза в неделю, и набрал 10 кг веса. На днях рефлексировал и думал о том, какие бы дал себе советы, чтобы это изменить, захотелось поделиться ими в канале.

Обеспечьте финансовую подушку. Так сложилось, что вся моя ушла на переезд. Мне казалось, что я нормально откладывал, но США - это слишком дорого. Наличие большей финансовой подушки помогло бы принимать более взвешанные решения. Помимо базовых накоплений, старайтесь создать себе подушку для подушки. Например сейчас у меня есть счет, куда я просто скидываю деньги и даже не знаю, сколько там.

Планируйте свой уход. У меня все вышло спонтанно. Чтобы уйти из найма плавно - нужно быть готовым как финансово, так и психологически. А я не был 🙂 Практика с коучем помогла донастроить майндест на работу в новых условиях. Также, я совершил ошибку, не приняв оффер в РФ-компанию, пока я еще был там: даже если бы я уволился через 3 месяца в связи с переездом - это бы дало больше гибкости.

Не бросайтесь на все подряд. Если вы крутой спец - на вас будет спрос. Моей ошибкой после ухода из Pearson была паника от предстоящего переезда. В результате я набрал себе ряд абсолютно тупых проектов, которые приносили деньги, с которых было сложно слиться, когда буквально через месяц появились нормальные. Итог? Сидение за комьютером круглые сутки, в выходные и в отпуск…

Если цели не достигаются - пробуйте еще. Вообще все мои инициативы начинались так себе. Первые несколько клиентов агентства, с которыми мы должны были работать - отвалились. Первые потоки тренингов собрали крутую ОС, но финансово меня не удовлетворили. Но и там и там я видел спрос и понимал, что просто так сложилось, поэтому я просто продолжил работать.

Не забывайте про то, что вы любите. Время в календаре, которое я выделял на музыку, спорт и чтение, я стал отдавать рабочим встречам либо использовать как “время на поработать”. Мой доход начал расти, но я не стал от этого счастливее. Хобби - это не пустая трата времени, это то, что помогает вам не двинуться кукухой.

Не пилите себя. Моя главная ошибка, касающаяся вообще всего. Пара месяцев без дохода - это не страшно, если ты пытаешься. Брать меньшие веса в зале - не страшно, если ты меньше тренируешься. Умирать в горку на велосипеде - не трагедия, когда ты не штурмуешь подъемы каждую неделю. Мой контекст изменился кардинально, при этом требования к себе остались на прежнем уровне. Я хотел прогрессировать всегда и жестко критиковал себя за любой откат. Откатывался еще сильнее и сильнее себя критиковал, живя в постоянном напряжении. В переходные периоды такое бывает, но мне нужно было время, чтобы это усвоить.

Дайте себе отдохнуть. На август я останавливаю вообще все тренинги и не беру новых проектов лично себе. Сопровождаю имеющееся, а остальное время занимаюсь восстановлением привычек и отдыхом. Работа без перерыва - прямой путь к выгоранию.

Любите себя и помните, что мир не крутится вокруг работы и денег.

Топ сфер, где, на мой взгляд, AI сделает наибольшую разницу

Как правило, весь AI-хайп сегодня строится вокруг LLM. В каждом пресс-релизе нам говорят о том, что модели стали умнее, быстрее и демонстрируют знания уровня PHD. Однако говорить о том, что LLM - это то, что сделает наш мир лучше, повысит качество жизни и так далее - на мой взгляд, ошибочно. Ранее я уже писал, что с одними LLM, AGI мы не достигнем. Да и есть много чего другого интересного в сфере AI.

До бума генеративного ИИ огромное количество прорывов совершалось в классическом ML, который сегодня, на мой взгляд, незаслуженно уходит на второй план за всем шумом вокруг ChatGPT и других генеративных ИИ. В этом посте хочется поделиться видением того, где, на мой взгляд, AI даст нам наибольший буст, вне зависимости от применяемых технологий.

Направление 1 - медицина.
Я безумно люблю медтех, так как вижу это наиболее полезной для человека сферой, ведь при отсутствии здоровья все остальное становится неважным. AI активно используется для диагностики медицинских данных изображений, вроте КТ, МРТ и ОКТ-снимков, выявляя болезни и биомаркеры с точностью 95%+. Это может быть как базовая диагностика, так и превентивная медицина для выявления болезней на самых ранних стадиях. Мы в EAI как раз занимаемся разработкой подобных систем и это просто крутое чувство, когда ты думаешь о том, качество жизни скольких людей может улучшить твоя разработка и сколько болезней может предотвратить.

Другой сценарий применения AI - это работа с генетикой. Считается, что геном человека полностью расшифровали в 2023, и теперь, имея современные ML-алгоритмы и мощности, мы можем вести речь о том, чтобы работать над исправлением различного рода генетических поломок.

Третий важный кейс на мой взгляд - это разработка вакцин. Помните Pfizer? Здесь не обошлось без AI. Есть еще исследования: 1, 2.

В общем, медтех + AI - мое любимое сочетание.

Направление 2 - персональные мультиагентные системы.
Более приземленный, но наиболее близкий к реализации вариант. Добавить к LLM пару других сеток и готово. Наличие у каждого человека ассистента наподобие Джарвиса из железного человека, который знает информацию о вас, вашем календаре, почте и помогает в повседневных задачах. На последней презентации Made By Google, компания показала, функцию Magic Cue для новых Pixel 10, которая именно это и делает. Прикрутить к этому всему еще голос - и Джарвис готов. Лично у меня есть огромная куча задач, где такой ассистент бы пригодился

Направление 3 - исследования космоса.
Как бы грустно ни было, но Земля и наша Солнечная система не являются вечными и причин исследовать космос довольно много: от понимания того, как устроена вселенная до поиска новых ресурсов и мест обитания. Примеров применения AI уже достаточно, от интеллектуальных систем Space X, обеспечивающих повторное использование Шатлов и автономных марсходов NASA до исследований глубокого космоса, как например, сделал студент, выиграв грант на $250 к. Там, где нужно ловить минимальные вероятности и искать скрытые закономерности AI нам реально поможет, а исследование космоса именно таким делом и является.

Направление 4 - физика и квантовые вычисления.
Если бы меня попросили выбрать одну-единственную сферу, в которую стоит сейчас погружаться, я бы назвал именно эту. Текущие вычислительные мощности уже почти на своем пике, а вот в квантовых вычислениях - непаханое поле.

Квантовые компьютеры способны решать задачи, которые для классических компьютеров просто не под силу. Они могут моделировать сложные молекулярные структуры, что откроет новые горизонты в создании лекарств и материалов. В области криптографии квантовые вычисления могут как создать абсолютно защищенные системы, так и взломать существующие, что приведет к настоящей революции в сфере безопасности. В общем, потенциал у квантовых вычислений - огромен. И все, где сейчас применяется и будет применяться AI, при переходе к квантовым вычислениям будет давать результат в десятки, а-то и тысячи раз лучше и быстрее.

Какие направления, на ваш взгляд, я упустил? Делитесь в комментариях!

Как AI помог мне в ремонте ноутбука и сэкономил денег на запчастях

Моя детская мечта стать инженером и любовь собирать различные конструкторы преобразовалась в то, что если что-то из моей техники, будь это ноутбук, гитара или велосипед, нужно как-то обслужить/отремонтировать, я делаю это сам, когда есть время.

На днях сел заменить в своем маке термопасту. Делать это надо хотя бы раз в год, чтобы ноут не перегревался, особенно если гоняете его в тяжелых задачах вроде монтажа видео и локальных моделек. Свою текущую модель я разбирал в первый раз, поэтому первым делом я нашел соответствующее видео на YouTube. Но в процессе, по своей невнимательности и из-за отсутствия соответствующего предупреждения автора, при разборке я порвал шлейфы вентиляторов. Поломка максимально неприятная, так как из-за их конструкции обрыв было не спаять. Естественно, я пошел искать замену в интернете и никаких шлейфов не нашел ни у iFixIt ни на ebay ни где-либо еще. Сложилась гипотеза, что данную запчасть вообще не продают, позвал на помощь Deep Research и заодно пару AI-браузеров. Все, как один подтвердили мою правоту, даже нашли на Reddit-е несколько веток, где такое обсуждалось. Рекомендация ИИ - покупать вентриляторы в сборе.

Я пошел искать нужные части на известных мне сайтах, стоимость одного вентилятора, БУ составляла в среднем от 30 до 35 баксов. На сайте iFixIT БУ вентилятор стоит как раз те самые $35. Я подумал, что здесь мне снова может помочь AI. Запустил Perplexity Labs с задачкой найти мне вентиляторы в сборе по Part Number и получил результат лучше, чем ожидал. Меня ждала ссылочка на магазин, где комплект из двух новых оригинальных вентиляторов стоил те же самые 35 долларов. С ноткой сомнения я оформил заказ, т.к. замену мне нужно было сделать как можно быстрее, ведь в пятницу у меня конференция.

В итоге вчера вентиляторы доехали до меня, я распаковал их и они они реально оказались оригинальными, 1 в 1 с теми, что стояли в моем маке. Размеры, маркировка, штрих-коды, защитные пленочки - все на месте.

В процессе обратной сборки ноута, я столкнулся с другой проблемой: после сборки у меня почему-то не работала клавиатура и микрофон. Позвал на помощь Gemini Live, снял на видео внутрянку мака. Gemini сказал мне, на какие соединения смотреть и подсказал, что на на этих шлейфах должна быть защелка. Так и оказалось. В отличие от предыдущей модели, Apple изменили конструкцию нескольких шлейфов и после их соединения нужно было подвинуть защелку. В итоге этот пост я пишу с полностью рабочего ноута.

Итого получился кейс, где AI во-первых, помог мне проверить правильность хода своих мыслей, затем обеспечил экономию на оригинальных запчастях в два раза и, наконец, помог разобраться и исправить мои косяки.

Google начали раскатывать Gemini в Chrome на всех - записал быстрый обзор

Сегодня открыл свой ноутбук и там меня ждало обновление, которого я очень ждал! Gemini в Chrome начала выходить из беты и это прямо прикольно. Сразу скажу, что в отличие от Comet и Genspark - это не агент, который может контролировать ваш компьютер и принимать решения за вас, но с точки зрения коллаборативной работы Gemini меня прямо порадовал.

Решил прямо сходу протестировать этот функционал, так еще и на русском (я не знал, ответит ли мне модель). К посту приложил запись экрана.

Задачку взял простую: у меня был открыт обзор велосипедного седла, я попросил Gemini помочь мне определиться, подходит ли мне это седло, а после - найти, где я могу его купить подешевле.

Коротко про результат
В целом, модель справилась неплохо с точки зрения анализа, и на троечку с точки зрения поиска информации. Думаю, связано это с тем, что в угоду работе в режиме реального времени, они используют легкую Flash модель. В результате, когда я попросил найти мне ссылки на магазины - она дала всего две ссылки на разные седла. Это были седла той же серии, на которую я смотрел обзор, но не прямо те же конкретные.

А как хотелось бы?
С точки зрения работы на результат, было бы круто, если бы они реализовали это в мультиагентном режиме. Условно: для базового общения с пользователем используется Gemini Flash, которая отвечает за речь и информирование пользователя о том, что происходит, а при детекции сложной задачи - она бы отдавала ее PRO с каким-то набором инструментов. При переключении на PRO было бы круто информировать пользователя о том, что выполняется действие (например, ведется поиск), а параллельно спрашивать, может ли ИИ чем-то еще помочь. В Comet это +- так реализовано, но там модель более глупая и в схожем сценарии завалила меня кучей лишних вопросов.

Итог и для чего может быть полезно сейчас
В общем, до прямо крутого AI браузинга нам еще далеко, но формат взаимодействия с AI именно голосом и с маленьким окошком мне кажется более нативным и удобным. Сейчас основной сценарий, который я вижу - голосовое взаимодействие и коллаборация по материалам на разных страницах, браузинг конкретных страниц без рук (например, пока готовишь - можно пообщаться с ИИ), анализ UI-интерфейсов (часто делал так анализ первичных прототипов).

В общем, пока польза очень специфическая, но когда Google добавят агента, это может быть уже интересно

AI Agent vs. Agentic AI: Почему “больше” не всегда значит “лучше”?

На днях один из моих заказчиков прислал мне схему и попросил просто и понятно объяснить, в чем же разница между AI Agent и Agentic AI. Можно долго рассуждать о корректности архитектуры на изображении, но если отбросить детали, фундаментальное различие между этими концепциями действительно есть, и оно крайне важно.

Если упростить до предела, то разница вот в чем:

AI Agent - это, как правило, один специализированный ИИ-помощник, который выполняет за вас конкретную, часто узконаправленную задачу. Отличный пример - любая модель с функцией Deep Research. Вы ставите задачу, контролируете процесс и получаете результат.

Agentic AI - это уже мультиагентная система. Представьте себе команду, где несколько ИИ-агентов (например, аналитик, тестировщик, разработчик) распределяют задачи между собой, чтобы в итоге выдать вам готовое комплексное решение.

Иными словами, первый подход предполагает ваше активное вовлечение, а второй работает по принципу “отдал задачу и забыл”. Интуитивно всем хочется второго сценария, ведь это звучит как настоящая магия. Но действительно ли он лучше?

Далеко не всегда. Я бы даже сказал, что в подавляющем большинстве случаев для серьезной работы - нет. И вот почему.

1. Рентабельность: цена за автономность
Как правило, инструменты, работающие по принципу “отдал и забыл”, потребляют колоссальное количество токенов. И это неизбежно, какими бы качественными ни были внутренние пайплайны и промпты. В контексте бизнеса такая конструкция окупается очень тяжело, если окупается в принципе. Автономность стоит дорого, и за нее приходится платить буквально.

2. Эффект домино: каскадные галлюцинации
Галлюцинации у LLM - это данность, особенно при работе с большими объемами информации. А теперь представьте: когда у вас работает один агент, вы имеете дело с одним потенциальным источником ошибки. Но когда у вас три агента, работающих последовательно, риски многократно возрастают. Ошибка или неточность первого агента становится входными данными для второго. Тот, в свою очередь, может добавить свои фантазии поверх уже искаженной информации, и так далее. В итоге конечный результат может кардинально отличаться от первоначальных требований.

3. Проблема “черного ящика”: потеря контроля и прозрачности
Чем автономнее система, тем меньше у нас контроля над промежуточными этапами. Агент реже возвращается к вам, чтобы показать свои наработки, и в результате наше понимание того, что происходило «под капотом» и откуда взялись те или иные выводы, стремится к нулю. Здесь в полный рост встает проблема Lost in the Middle, о которой мы говорили на эфире про управление контекстом. И неважно, над какой задачей мы работаем - будь то код, исследование или стратегия, - человеку становится гораздо сложнее включиться в процесс и скорректировать его. Это и есть цена, которую мы платим за делегирование.

Так что же, Agentic AI совсем не нужен?
И казалось бы, при всех этих недостатках, есть ли у таких систем будущее? На мой взгляд - да, и еще какое. Важно понимать, что описанные проблемы по большей части временные. Я верю, что вопросы стоимости и галлюцинаций в сложных системах со временем удастся решить.

Но самый главный поинт - это разница в сценариях использования. Если вам нужно что-то сделать очень быстро, Agentic AI может быть невероятно полезен. Например, собрать прототип для проверки гипотезы - инструмент вроде Shotgun здесь будет идеальным выбором. Но если вы хотите построить надежный продукт и продумать его архитектуру, здесь придется больше думать самостоятельно и использовать более контролируемые AI-агенты.

Какой из этого можно сделать вывод? Всё дело в правильном выборе инструмента для конкретной задачи. Для глубокой, вдумчивой и контролируемой работы - используем AI Agents. А там, где нужна скорость, быстрое прототипирование и проверка идей - на помощь приходит Agentic AI. Вот такая выходит разница.

Google релизнули AI-тул для создания мини-аппов и простых AI-агентов

В очередной раз залез в Google Labs и наткнулся там на полезное. Google сделали новый тул, который называется Opal.

Что это такое?
Многие из вас слышали про n8n. Лично я не фанат этого сервиса и подобного способа работы: рисование сложных блок-схем и ограниченность функционалом конструктора заставляют меня отдавать предпочтение кодингу.

Но что, если я вам скажу, что Opal - это тул, который берет лучшее и от n8n и от Cursor?
Дело в том, что данный конструктор апок работает по следующему принципу:

Вы в чате пишете, что вам нужно -> моделька пишет код вашей апки и также преобразует его в блок-схему -> вы можете менять как блок-схему, так и вносить правки, описывая нужные изменения.

В результате получается тул, который не так ограничен, как n8n, но при этом не так сложен, как AI-кодинг. Все, что вам нужно - уметь четко формулировать, что вам нужно.

Какие функции имеются у Opal?
1. Прямые обращения к LLM.
2. Планирование действий (для агентских задач).
3. Проведение Deep Research по нужным темам или ссылкам.
4. Генерация картинок, речи, видео или музыки.
5. Tool-use для LLM (сейчас доступны поиск, получение погоды, скрейпинг страниц и поиск по картам)

Все это может взаимодействовать с видео на ютубе, вашими файлами в Google Drive и много чем еще. В общем, на мой взгляд, концептуально очень прикольный и полезный получился инструмент. С точки зрения практической реализации - надо понять, какие лучше в него скидывать задачи и как с ним взаимодействовать.

Попробовать можно тут. Я попробовал себе быстренько сделать собиратор новостей, чтобы присылал мне саммари на русском, но переводить он пока отказывается, поэтому буду еще тыкать.

Кто уже попробовал - делитесь кейсами, для чего используете Opal 😁

Как маркетологи превращают AI из конкурентного преимущества в мусор

Вернувшись в США, я, ожидаемо стал видеть больше рекламы в разных сервисах, которыми пользуюсь: от контекстной рекламы до YouTube, запрещенной сети с фотографиями и почты. И, что я заметил, так это то, что за пару месяцев моего отсутствия все еще больше сошли с ума и пихают AI вообще повсюду, зачастую, туда, где он тебе даже не нужен.

Стоит тебе что-то загуглить - будь уверен, что тебя настигнет реклама с AI про это. AI-конструктор сайтов, AI-SEO, AI-писатель, AI-тренер, AI-учитель, AI-трейдер, AI-друг, AI-девушка - и так можно продолжать до бесконечности. И проблем здесь несколько.

Проблема 1 - обесценивание технологии
Во-первых, большинство из того, что нам рекламируется либо не является AI либо является каким-то ну очень базовым ИИ. Как результат - люди пользуются этим, получают плохой результат, формируют мнение о том, что "AI-это какая-то фигня" и, условно, что все продукты, может, кроме ChatGPT - это скам. И если раньше эта болезнь была местечковой (помню, как маркетологи Skyeng гордо писали, что мы обучили свою версию GPT4 (тогда я Сэм Альтман)), то сейчас это превращается из попыток хайпануть в маркер некомпетентности.

Проблема 2 - Маркетинговая слепота
Другая проблема, которая перекачевала из ритейла - банерная слепота. Помните, сколько разноцветных ценников с разными акциями можно увидеть в условной "Пятерочке"? Работая с Х5 в 2017 мы пытались решить эту задачку, создавая умные интерактивные стеллажи с подсветкой. Но с AI ситуация сложнее.

Вся реклама идет в цифровом мире и способов влияния на человека здесь не так много. В итоге, я, как потребитель, не понимаю, что мне выбрать, потому что пресловутый AI вообще везде. В то же время, я, как разработчик, даже если у меня реально крутой AI - сталкиваюсь с проблемой того, что мой продукт сложнее позиционировать. AI - это уже не конкурентное преимущество, а клеймо.

Что с этим делать?
Вне зависимости от того, выступаете вы в роли продакта или пользователя, вам нужно задать себе два простых вопроса:

- "Решает ли данный продукт мою проблему/проблему пользователя?"
- "Достигается ли это благодаря AI?".

Если вы выбили "Да" по обоим вопросам - поздравляю, возможно перед вами стоящий AI продукт. Во всех остальных случаях - проверьте свои уши, скорее всего с них что-то свисает :)

AI-это новая нормальность, а не конкурентное преимущество. На мой взгляд, идеальная реклама - это та, просмотрев которую, я открываю приложение банка и перевожу деньги на платежную карту, вообще не думая про AI, а не та, где эти две буквы упоминаются по 3 раза в одном предложении.

Как сделать написание AI-кода более предсказуемым и контролируемым

Одна из проблем, на которую поголовно жалуются все, кто пробовал писать код с AI - это то, что агенты творят всякую дичь. Вы либо сталкивались сами либо читали про ситуации, когда все работало, а после добавления новой функции вдруг перестало, либо агент радостно вам сообщает, что сделал какие-то оптимизации в коде, “потому что это лучшая практика”. Ни то ни другое ни к чему хорошему не приводит. Сегодня делюсь своими способами того, как с этим бороться.

Гит - ваш лучший друг
Базовый совет, которым многие принебрегают. Сохраняйте весомые изменения. ВСЕГДА. Сделали фичу - залейте в гит. Потратите 30 секунд времени, но избавите себя от головной боли с откатом изменений.

Откажитесь от автономных мультиагентных систем
Я писал об этом ранее. Как бы соблазнительно ни звучала идея того, что AI за вас и ТЗ напишет и тесты - на данный момент этот подход я называю “наговнякать и оно как-то работает”. Помимо того, что это дорого и чревато каскаднымы галлюцинациями, есть куча других “бонусов”. Вы не будете знать архитектуру, вы не будете понимать, какой файл и за что у вас отвечает, вы не будете знать, что грузить в контекст LLM, а что нет. В конечном итоге вы утратите контроль над процессом

ТЗ - всему голова
Уделите особое внимание написанию ТЗ. По моему опыту - это ~70% вашего результата. Не нужно уходить в технические дебри. Опишите подробные сценарии, как бы вы сделали для человека. Само ТЗ разбейте на этапы с точки зрения User Stories, чтобы их можно было потестить. При работе просите агента изолированно реализовать каждую функцию, дайте ему общий контекст о том, что вы делаете, а затем - только описание нужной вам фичи.

Одно изменение за раз
Старайтесь избегать ситуаций в стиле “Увеличь мне кнопку, добавь картинку, а еще сделай мобильный адаптив”. Это три разные задачи, причем третья может быть вообще огромной. Можно объединять в одной задаче “изменения” - типа изменения вида и положения элементов. “Добавления” и “Создания с нуля” - лучше всегда выносить отдельно.

Отключите лишние MCP
Они засоряют контекст. В результате вы сталкиваетесь с тем, что модель что-то упускает, либо делает то, что вы ее не просили. Не работаете с фигмой? Выключите Figma MCP. Скармливаете модели документацию вручную? Отключите Context 7, он вам не нужен, и так далее.

Смоук-тесты - ваша опора
Хорошей практикой будет писать тесты. Тесты мы просим LLM писать с опорой на ТЗ. При каждом изменении перед публикацией в Гит - прогоняем тесты. С написанием тестов лучше справляются консервативные модели, вроде GPT o3 и GPT-5.

Вникайте в код
Даже если вы не технарь. Читайте, что AI вам пишет. Просите объяснить, как и что работает, почему сделано методом А, а не методом B. На дистанции вы начнете замечать определенные патерны и сможете избегать типовых ошибок.

Не пытайтесь “ваншотить”
Сделать что-то с “одного промпта” - звучит классно, но на деле получается так себе. Базовый минимум - спросить сначала агента, КАК и ЧТО он будет делать, а только потом приступить к реализации на основании этого плана. Вам - больше контроля, а AI - больше системности.

Выносите сложные куски в другие AI и понижайте температуру
Не работайте испключительно в Cursor, Claude Code или где-либо еще. Сложные фичи я рекомендую пробовать реализовать в той же AI Studio. Где вам нужен четкий результат - скрутите температуру в 0. Чаще всего это будет работать.

А какие у вас лайфхаки по работе с кодом?

Apple потеряли себя не только в AI

За "прогресс" в AI Apple не пнул только ленивый. И, честно говоря, их отставание здесь было вполне ожидаемым - ребята из Купертино делают ставку на приватность, а эта идея зачастую противоречит быстрому обучению и развитию моделей. Но это еще полбеды.

Я никогда не был ярым фанатом Apple, но как человек, который проектирует кучу интерфейсов и приложений, всегда считал их золотым стандартом UX и UI. Однако недавно произошло то, за что мне самому захотелось пнуть компанию - продукты Apple перестали быть похожи на продукты Apple.

И я сейчас не про сомнительный дизайн новых iPhone или слабую презентацию, которая была неделю назад. Я про радикальные изменения в новых версиях операционных систем.

Еще когда представили Liquid Glass, он мне не зашел. Но я обычно не сужу по ранним бета-версиям, ведь многое может поменяться. И вот, я обновился, и могу сказать: красивый, интуитивный и буквально “вылизанный" до идеала дизайн - это больше не про Apple. Сужу по iPadOS, так как после этого обновлять Mac желания нет от слова "совсем".

Дизайн: привет из 2012-го
Это какой-то странный возврат в 2012 год с его трендом на неоморфизм, но выглядит все как дешевая китайская поделка с телефонов того же периода.

1. Тени на иконках выглядят так, будто их пересветили с выкрученной на максимум экспозицией.
2. Вместо невесомых, элегантных границ у элементов - грубые линии.
3. Кнопки, которые раньше были естественной частью интерфейса и не отвлекали внимание, превратились в какие-то пуговицы.

Главная причина, почему неоморфизм когда-то канул в Лету, - это жертвование функциональностью ради дизайна. И Apple снова наступает на те же грабли. А самое обидное, что это даже некрасиво: держишь в руках устройство за $1000, а интерфейс выглядит максимум на $100.

UX: было просто - стало непонятно
В свое время Apple взорвали индустрию тем, что любой мог взять их устройство и сразу начать им пользоваться. В новой ОС этого нет. Чтобы понять, как работают новые фичи, мне - человеку с огромной насмотренностью и общением с техникой на "ты" - пришлось скачивать приложение Tips.
И что еще хуже - вместе с добавлением новых функций Apple не дает возможности вернуть "как было". На iPad появилась мультиоконность, но при этом убрали Split Screen, где можно было удобно разместить браузер слева, а Telegram справа. В новом режиме это неудобно, а старые жесты, которыми мы пользовались годами, больше не работают.

Консистентности больше нет
Еще одной киллер-фичей Apple была консистентность: ты мог без проблем переключаться между устройствами, потому что расположение кнопок и элементов было идентичным. iPadOS хотели сделать похожей на macOS, но провалили эту задачу.

- Родные приложения, вроде заметок, обросли каким-то мусором.
- Кнопки управления размером окна почему-то расположены по центру, когда оно развернуто на весь экран, а когда свернуто - снова в левом углу, как на Mac.
- И таких мелких нелогичных моментов - целая куча.

Грустно наблюдать, как компания, бывшая для многих эталоном, превратилась в анти-пример. Отстать в AI, испортить дизайн и ОС всего за полтора-два года - для этого нужен особый талант. Искренне надеюсь, что это последний год Тима Кука у руля.

Что думаете по этому поводу? Может, я слишком критичен, или вам тоже не нравится вектор развития компании?