25221
Product Management & AI Occultism, Philosophy & Logic, YO: @mirvla (c-f 𓇶 Meteoagent.com). SATOR AREPO TE8ET OPERA ROTAS Каналы для продактов: https://t.me/addlist/YvmnHCHUp700Nzky
Свобода и несвобода фич в продукте
Продукт свободен, когда все идеи-фичи имеют единую, последовательную и связанную логику ⇄ механику ⇄ архитектуру ⇄ CJM ⇄ JTBD, являясь частью Единого Целого настолько, что перестают быть отдельными элементами Системы.
Из-за консистентной (наше новое любимое слово с ИИ) логики-механики-архитектуры, такие фичи внедряются с минимальным вложением усилий в эту самую логико-механику-архитектуру. Минимум разработки/багов, минимум новых неизвестных действий для пользователя, единые связанные метрики.
Другими словами, каждая новая фича на 98% становится лишь новой фронтовой обёрткой вокруг-поверх-после механики и логики другой, создавая новые линии связей между ними, а не плодит новые "уникальные" фиче-сущности-объекты.
Именно благодаря этому, они усиливают друг друга пропорционально, и каждая новая фича кратно увеличивает единственный набор метрик, не вынуждая продакта использовать ранние/запаздывающие/прокси и прочие показатели.
И именно поэтому такие фичи работают с минимальными объяснениями – их суть давно понятна на примере прошлых, механика стала привычна, а логика всё неизменно подтверждает.
Найти такую фичу просто – удали одну такую фичу из цепочки, и рухнет добрая часть всего продукта.
Несвобода же определяет трение
Так трение определяет несвободу
Займи слот ИТ-Пикником от Т-Банка
8 августа — время отложить ноутбуки и встретиться офлайн на ИТ-Пикнике от Т-Банка в музее-заповеднике «Коломенское». Вот сколько всего запланировано:
— научпоп-лекции;
— мастер-классы;
— дискуссии об ИИ и больших языковых моделях;
— доклады о кибербезопасности;
— примеры, как данные из логов становятся решениями;
— много музыки.
Бери с собой друзей, супругов и детей — каждый найдет себе что-то по душе.
Зарегистрироваться и узнать больше можно здесь
ClaudeMD автоматического выбора ИИ-модели для продуктовой работы
Рейтинги – это стартовая калибровка, а не фиксированные данные и чем выше число, тем лучше.
Модель / Стоимость / Интеллект / Вкус
sonnet-5 / 8 / 6 / 6 /
opus-4. / 8 / 5 / 8 / 7 /
fable-5 / 3 / 9 / 8 /
– Стоимость. То, что ощущается в лимитах токенов и скорости.
– Интеллект. Насколько сложную, многошаговую или неоднозначную задачу можно доверить модели без присмотра.
– Вкус. Качество структуры документа, формулировок, тона в коммуникации и чуткость к контексту.
Откалибруй эти цифры под собственный опыт после пары недель использования. Важна не точность чисел, а сам принцип: не гонять сложные решения через дешёвую модель и не тратить дорогую модель на рутину.
Как применять:
– Это дефолты, а не ограничения. Если результат дешёвой модели не дотягивает, то не спрашивай разрешения, перезапускай с более сильной. Суди по результату, а не по тому, что модель просто должна была справиться.
Пересогласование стоит дешевле, чем решение, принятое на слабом анализе
По мере того как роли в сферах разработки продуктов, дизайна, Data Science и других сливаются воедино благодаря ИИ, я размышлял о том, как они могут выглядеть в будущем (Boris Cherny, Claude Code)
Например, глядя на команду Claude Code, я выделяю пять архетипов:
1. Прототипировщик (Prototyper): генерирует совершенно новые идеи; выдает множество идей, большинство из которых не доходят до стадии реализации.
2. Создатель (Builder) быстро превращает прототип или идею в готовый к эксплуатации продукт или инфраструктуру.
3. Упорядочиватель (Sweeper): приводит в порядок интерфейс, упрощает код и систему, удаляет лишнее, оптимизирует производительность.
4. Развиватель (Grower): берёт уже созданный продукт и дорабатывает его для улучшения соответствия продукта рынку (Product-Market Fit).
5. Поддержка (Maintainer): отвечает за зрелую систему, обеспечивая её безопасность, надёжность, быстродействие и эффективность по мере масштабирования.
Многие специалисты совмещают две, а иногда и три роли. Я также заметил, что эти роли не жестко привязаны к должностным обязанностям.
Например, в Anthropic есть дизайнеры, соответствующие категориям 1, 2 или 3; то же самое касается инженеров, продакт-менеджеров и специалистов по данным.
Здоровой команде требуется сочетание этих ролей в зависимости от продукта:
Что фундаментально изменило мир к худшему, но люди этого ещё не осознали?
То, что смартфоны и алгоритмические ленты сделали со скукой и... пользой от неё.
Потому что на протяжении большей части человеческой истории скука не была проблемой, которую нужно было решать.
Это было когнитивное состояние, которое переводило мозг в режим, который сегодня мы называем «сеть пассивного режима работы мозга» (default mode network) – своего рода фоновую ментальную обработку, во время которой он консолидирует воспоминания, развивая мышление через (не)осознанное воображение, фантазию, эмпатию, генерируя творческие идеи и выстраивая связ(ан)ное-ощущение-Себя-и-мира.
Когда мы смотрели в окно, ждали автобус или тихо сидели после ужина, наш мозг выполнял одну из самых важных своих работ.
Скука была, в самом прямом смысле... двигателем сознания и внутренней жизни.
8 советов по работе с логами продукта
1. Ведите decision log с условиями пересмотра, а не просто с решениями
Записывайте не только «что решили», но и «при каком сигнале пересмотрим», например, «откатим приоритет, если retention упадёт ниже X».
Так решение превращается из мнения в понятную и для всех проверяемую ставку, а вы с командой перестаёте каждый раз спорить о том, что уже обсуждали ранее. Полгода спустя этот лог будет лучшим свидетельством того, какие (и чьи) гипотезы сбылись, а какие нет.
2. Калибруйте собственные прогнозы и лог: дата релиза, ожидаемое внедрение, ожидаемый эффект и через время сверяйте их с фактом.
Почти никто этого не делает, поэтому почти никто не знает, систематически ли он оптимист по срокам или пессимист по импакту. В то время, как через десяток подобных записей вы начнёте давать оценки, которым можно доверять всё больше и больше.
3. Размечайте решения как «дверь в одну сторону» или «в две стороны»
Обратимые решения принимайте быстро и дёшево, необратимые – с реальной строгостью.
Ошибка многих продактов в том, что они тратят одинаковую энергию себя и команды на оба типа, и в этом главная утечка скорости. Само наличие такого тега заставляет команду не раздувать процессы там, где цена ошибки это просто один откат фичи.
4. Инструментируйте спеку, а не продукт
Определяй метрики и названия событий прямо в PRD, ещё ДО разработки (а не «допишем аналитику потом»). Потому что «мы забыли это трекать» это самая частая и самая дорогая (и лекго предотвратимая) ошибка продакта.
События/метрик нет в документе = их и не будет после
Де-рискинг самого опасного допущения и вот вы уже перестаёте строить уверенно поверх того, во что на самом деле не верите
Сильный продакт узнаётся по тому, как быстро он объясняет, почему "нет"
ИИ уже меняет бизнес — вопрос только в том, кто им управляет 😎
Магистратура «Управление внедрением ИИ в бизнес» от МИФИ и «Школы 21» — для тех, кто хочет быть этим человеком.
Фокус обучения:
🔹 живые сценарии — куда встроить ИИ, чтобы было быстрее, дешевле, эффективнее;
🔹 управление продуктами и понимание технологий, чтобы разговаривать с разработчиками на одном языке;
🔹 реальные проекты от компаний прямо во время учёбы;
🔹 в конце — диплом МИФИ и портфолио, с которым можно идти на собеседование
Все подробности и заявка — на сайте
Метод Стэнфорда — это прежде всего способ мышления через многосторонний обзор + карту противоречий + синтез + взаимную проверку
4 последовательных промпта от ребят из Стенфорда, которые помогут с написанием статьи, отчёта и презентацией, перед принятием важного бизнес-решения, собеседованием, переговорами, инвестированием и освоением нового навыка.
Никакого ПО, никакого GitHub, никакой сложной настройки — скопируйте и вставьте промпты и через 5 минут вы будете знать о выбранной теме больше, чем те, кто потратил на её изучение десятилетия, годы, месяцы, недели, дни (Господи, что я несу, как же дико это звучит)
Летом 2024 года McDonald’s свернул тестирование голосового ИИ в Макавто и разорвал партнёрство с IBM, потому что ИИ пробивала клиентам мороженое с беконом, сотни наггетсов и путала напитки. Эксперимент обошёлся в круглую сумму, а на выходе компания получила лишь баги и вирусные тиктоки с негативом (но это не остановило её от экспериментов с ИИ).
О чём этот кейс говорит менеджерам и руководителям?
Управлять ИИ-проектом — не то же самое, что пилить классические решения. Стандартные подходы не спасут от галлюцинаций ИИ, грязных данных для обучения и улетевших в космос расходов на токены.
И чтобы не повторить судьбу ИИ-Макавто, нужно понимать специфику ИИ-проектов: как выстроить работу ИИ, как считать экономику, и как контролировать процесс.
Усилить свои компетенции в области ИИ можно на курсе «Управление ИИ-проектами» от Академии Эдюсон.
За 3−4 месяца на практике вы:
– научитесь анализировать готовность компании к внедрению ИИ, проводить аудит бизнес-процессов, оценивать сроки, риски и бюджет;
– научитесь переводить метрики в понятные бизнесу цифры и защищать бюджеты;
– освоите инструменты разработки без кода (n8n, Dify, Flowise, Cursor/Bolt), чтобы создавать ИИ-агентов и автоматизировать нужные процессы;
Обучение построено на опыте экспертов из «Яндекса», «Сбера» и других крупных компаний. Год на связи личный куратор, а доступ к материалам и будущим обновлениям останется у вас навсегда. По окончании курса – портфолио из 8 личных проектов.
Оставьте заявку с промокодом PMAI и забирайте скидку 65% и второй курс в подарок.
ИИ-ассистент: как найти рутину, собрать рабочий сценарий и посчитать экономию времени – тема бесплатного практикума «ИИ-ассистент отдела без кода» от ОТУС
О чём будет эфир:
— зачем обучать сотрудников работе с ИИ;
— где в команде обычно прячется рутина
— как собрать ИИ-ассистента без кода
— как понять, что ИИ экономит время, а не создаёт хаос
— ошибки, риски и безопасность
Практикум будет полезен руководителям команд и отделов, менеджерам продуктов, аналитикам и всем, кто регулярно работает с документами, отчётами, письмами, и типовыми задачами.
👉 Бесплатное участие
Реклама ООО «Отус онлайн-образование»
Главная точка сбора ИТ-коммьюнити этим летом 🌞
Т-Банк снова проводит «Сезон кода» — летний фестиваль про продукт и разработку. В этом году он пройдёт в двух городах: 20 июня в Санкт-Петербурге и 4 июля в Казани.
В программе три направления:
📌клиентоориентированный код с разбором решений для миллионов пользователей;
📌новая секция «Продуктовая кухня» про то, как гипотезы превращаются в рост продукта;
📌 «Бэкенд-методичка» с практиками и инструментами из ежедневной работы инженеров.
Помимо докладов — демозоны, нетворкинг, активности и традиционное афтепати с летним DJ-сетом.
Участие организовано через благотворительный взнос: 2000 ₽ в Санкт-Петербурге и 1500 ₽ в Казани.
Если хотите провести выходной среди разработчиков, продактов, архитекторов и аналитиков, успейте зарегистрироваться.
Сотрудники Anthropic едут на работу после IPO
Читать полностью…
На PeopleSense'26 одна из панелей была посвящена тому, как ИИ меняет работу ИТ-руководителей. В своем выступлении управляющий директор направления первичной недвижимости Авито Недвижимости Дмитрий Алексеев показал, как смещается акцент с контроля процессов на ответственность за результат.
Происходит вот что:
1) Еще недавно руководителем считался тот, кто контролирует процессы и держит все под контролем.
2) С появлением ИИ‑агентов стало понятно, что именно этот слой работы автоматизируется первым. Как раз для этого такие инструменты и создаются — забирать рутину и контролировать поток задач.
То, что не автоматизируется, — это ответственность.
Полномочия можно передать алгоритму, ответственность — нет. И чем выше уровень ответственности, которую человек готов нести, тем выше его ценность — независимо от должности и количества прямых подчиненных.
Еще один сдвиг: эпоха руководителя, который только управляет процессами, уходит. Останутся те, кто умеет сочетать управление с личной вовлеченностью в создание результата, а не только в согласование планов и отчетов.
Рецепт от Алексеева на понедельник утром, чтобы к пятнице не оказаться не у дел: разберитесь в экономике своего продукта — где он создает ценность, а где теряет деньги. Выберите одну бизнес-метрику, за которую готовы отвечать лично, и выстройте вокруг нее продуктовую, коммерческую и финансовую части. Рутину отдайте ИИ, а сами занимайтесь решениями.
Пока одни команды тратят недели на проверку гипотез, другие используют ИИ для ускорения исследований, анализа обратной связи и подготовки решений.
17 июня в 19:00 МСК ОТУС проведёт открытый урок курса «Менеджер продукта в ИТ», на котором вы узнаете:
— как превращать сырые наблюдения в проверяемые идеи;
— какие задачи можно делегировать ИИ при работе с интервью и данными;
— где ИИ действительно сокращает время проверки гипотез;
— на каких этапах решение всё ещё зависит от продуктового мышления.
👉 Бесплатное участие
В результате вы получите практическую схему применения ИИ в ежедневной работе менеджера и сможете быстрее проходить путь от идеи до выводов без потери качества решений. Реклама ООО «Отус онлайн-образование»
Как собрать дизайн-систему с Claude Code для реального AI SaaS от концепта до готовых экранов?
Есть идея, есть PRD, есть понимание, каким должен быть продукт. Но чтобы дойти до реальных экранов, нужно собрать дизайн-систему, развести компоненты, сверстать каждый экран. А гипотезы хочется проверить уже сейчас, но вы неделями собираете UI руками. Знакомо? А что если этот Путь пройдёт ИИ-агент?
3 июня в 18:00 мск Даниил Шишко из Pixel Perfect проведёт эфир, на котором возьмёт концепт и соберёт дизайн-систему через Claude Code и Figma MCP на реальном стартапе для голосовых ИИ-агентов и на её базе сверстает готовые экраны продукта.
Чем полезно занятие:
– научишься собирать дизайн-систему через Claude Code и Figma MCP сам;
– 4 скилла для Claude Code: для сборки и поддержки своей ДС;
– поймёшь, как отдать агенту рутину поддержки больших ДС.
👉 Эфир пройдёт в канале Даниила: /channel/+2YaLKdHv_p5lNDZi
🌞 Июньский дайджест звучен Солнцем
– Продакт-менеджмент не профессия
– Продакты будущего
– Про пессимизм менеджера
– Эра нулевого клика
– Foundational Mental Models & Skills
– 5 когнитивных искажений конверсии
– Мотиваторы, потребности и ценность
– Как готовить ИИ-фичи: вводный гайд
– Когда работа перестаёт учить
– Стратегия ≠ План
– Целевой клиент ≠ Целевая аудитория
– Защитные метрики
– Почему вам не нужна ИИ
– Отмена – самая дешёвая точка роста
– Откуда берутся «источники» в ИИ
– 10 причин провала ИИ-трансформации
– Не складывайте слабости
– Гант маминой подруги
– Не весь фидбэк нужно принимать
– Команды галлюцинируют о клиенте
– Метод Дельфи для брейншторма
– Output vs Outcome
– Продуктовые собесы с ИИ
– Проблемы продукта из вакансий
– STAR на собесе: структура ответа
– 2026 Product Hiring Trends Report
– Чего не хватает ИИ в аналитике
– Особенности синтетических фокус-групп
– Твой лендинг теперь читают двое
– Путь за рамками интерфейса
– Как снизить усталость в интерфейсах
– What Designers Struggle with on Product
– Какие бывают дизайнеры
– Путь к ИИ в модели мира
– Я выпустил нейросеть в реальный мир
– Спасет ли нас Human-in-the-loop
– Гравитации как силы нет
Вы мантру пропеть могли бы под гул водопроводных труб?
Почему ИИ на самом деле не научился «видеть» так, как видим мы
Профессор Стэнфорда Джуди Фан выступила на сцене MIT и объяснила, почему люди так хорошо умеют делать невидимое видимым.
1. Природа никогда не давала нам прямых линий или острых углов. Числовая прямая, координатная плоскость, основы геометрии — всё это изобретения человека.
Мы создали инструменты, которых не существует в природе, просто потому, что нам нужен был способ мыслить яснее.
2. Система координат, изобретенная Декартом, решила проблему, которая веками ставила математиков в тупик — удвоение объема куба. После изобретения этот инструмент стал настолько незаменимым, что практически каждая математическая программа на Земле до сих пор зависит от него.
4. Каждый крупный научный прорыв опирался на визуальный инструмент, который делал невидимое видимым. Дарвину нужны были изображения зябликов, расположенные рядом, чтобы увидеть вариации, которые иначе были бы слишком незначительными, чтобы их заметить. Кахалю нужны были подробные рисунки нейронов под микроскопом, чтобы составить карту строения нервной системы.
Исследовательская группа Фан изучает нечто обманчиво простое: как люди решают, что включить в рисунок, а что опустить
Нельзя оптимизировать один рисунок для достижения обеих целей одновременно. Визуальная коммуникация всегда предполагает компромиссы
Люди и системы ИИ упрощают рисунки принципиально разными способами, когда ресурсы становятся дефицитными.
Трамп отменил ограничения на Fable и она снова доступна 🔥 По такому случаю поделюсь опытом, который был отложен как раз до этого дня:
TLDR: Fable – самая умная и быстрая ИИ, что я видел за всё время
Она способна анализировать огромные объёмы данных и целые системы (и сжигать токены с такой же скоростью, "рекорд"моей сессии с одним промптом был 8 минут, поработал и хватит), совершая теоретический ноль ошибок по сравнению с предыдущими моделями и выдавая просто фантастические результаты.
В вайб-кодинге я застал её раскатку в самом начале пока её режим авто-защиты и переключения на более глупые модели при запросах на анализ безопасности кода ещё не был нормально прокачан, и успел ради теста прогнать через неё целиком один опенсорсный таск-менеджер.
В общем... за 5 минут Fable нашла в нём порядка 6 критических уязвимостей, дающих полный доступ ко всем проектам и данным внутри системы и ещё около десятка мелких, расписав по шагам как их активировать и использовать.
Прикинув, сколько лет заключения начинало бы светиться на кончиках моих пальцев, начни я проверять это всё на практике, я быстренько закрыл сессию от греха подальше и удалил её на всякий случай 🙂
Окей, к продуктовому опыту:
1. Отдавай Fable только «последнюю милю» рассуждения, а не весь процесс, ибо прогонять весь объём работы через самую сильную модель дорого и нецелесообразно.
Используй связку Sonnet → Fable → Sonnet как цикл
Прибереги Fable для decision log, а не для повседневных апдейтов
4. Не давай Fable контекст, который ты сам не перечитал
Авито открыл набор на магистерские программы по ML и продакт-менеджменту, разработанные совместно с МФТИ и НИУ ВШЭ
В основе всех программ реальные кейсы из самого Авито, а занятия ведут эксперты компании, которые поделятся опытом разработки, запуска и управления сервисами.
Магистратура «Управление продуктом в IT-бизнесе» в ВШБ НИУ ВШЭ опирается на матрицу компетенций продакт-менеджера в Авито и охватывает всё управление продуктами: от аналитики и пользовательских исследований до бизнес-моделей и работы с данными.
В рамках «Прикладное машинное обучение и анализ данных» и «Машинное обучение (ML) в цифровом продукте» будут осваивать навыки, начиная от классического ML и компьютерного зрения до рекомендательных систем и генеративного ИИ.
👉 Больше информации о магистратуре
Сейчас у Авито запущено всего 12 программ высшего образования, включая магистратуры, для студентов и выпускников со всей страны.
Совершенствуем не только продуктовые процессы, но и собственные рабочие с помощью loop engineering и ИИ
– Самые важные знания, возможности и инсайты скрываются в паттернах и закономерностях, лежащих в основе результата, и только потом в результате
– Ценность представляет контролируемое накопление улучшений
– Цикл, который нужно запускать вручную, вспоминая о нём — это не цикл
♾️ agent loop skills
♾️ agent improvement loop
♾️ AI agent orchestration loop
Loop Engineering for Product Managers
Лучшими продакт-менеджерами станут не те, у кого самая большая библиотека промптов, а те, кто понимает, какие этапы продуктовой работы стоит превратить в устойчивые циклы, какие артефакты должны ими управлять, и какие решения должны оставаться прерогативой человека.
Анатомия и структура продуктовых ИИ-циклов, практика их создания, частые сбои и чем продакту снова поможет GitHub в материале ниже
Следующее Приложение — это не приложение
Если прямо сейчас открыть телефон и пересчитать иконки приложений, то можно насчитать от десятка до сотни иконок.
И каждое приложение за иконкой это очередная обёртка-обещание продакта и продукта: «Скачай меня и ___ станет проще/дешевле/веселее *» (и у каждой аппы: «* Но сначала потрудись изучить меня от и до»). Мы все с этим смирились и приняли это как данность: нужно сначала найти самую яркую иконку в множественной яркости других, открыть её, вспомнить, как работает этот апп, добраться до нужной функции, воспользоваться ей, увидеть и осознать результат, и т.д. что там по CJM.
Но интерфейсы и механики всегда упрощаются (а это значит – исчезают), потому что лучший интерфейс — это отсутствие интерфейса
Поэтому в эпоху ИИ иконок больше не будет.
Появятся «нити пространства диалогов», находящиеся в Том-Самом-Нечто, выполняющим работу, которую раньше приходилось делать с помощью разноцветных иконок.
Следующее "приложение" – ПространствоЧитать полностью…
Everything Is Recorded Now (с) a16z
Большинство наших рабочих обсуждений теперь записываются по умолчанию. И вам, вероятно, стоит исходить из того, что всё, что вы говорите, отныне записывается.
С технологической точки зрения очевидно, что на основе этого живого контекста компании будет построена новая система, под которую уже выстроена новая категория ПО с ИИ, организованная вокруг голоса, а не текста.
Сегодняшняя система записей — это структурированные данные: записи в CRM, тикеты, вики и документы.
Но наиболее ценный контекст живёт в разговоре: нюанс звонка клиенту, реальный спор на продуктовом обзоре, мимолётное замечание на встрече руководства, которое меняет обсуждение и дорожную карту. ИИ умеют брать эти неструктурированные голосовые данные и делать их структурированными и доступными для поиска и запросов.
Это большая возможность для ПО, и мы всё ещё находимся на ранней стадии понимания того, как будет выглядеть этот программный слой и кому он будет принадлежать.
Granola — яркий пример: у неё лучший контекст о культуре a16z, наших инвестициях и о том, как мы на самом деле думаем, чем почти у любого другого инструмента, которым мы пользуемся, потому что ИИ «была в комнате».
Устные и письменные культуры
Компании делятся на устные (verbal cultures) и письменные (written cultures).
Историческим узким местом для устных культур было то, что важный контекст происходил в разговоре, а затем исчезал. Когда ИИ может посещать каждую встречу и синтезировать произошедшее, устная культура наконец-то масштабируется.
Это не значит, что компании с письменной культурой не выиграют. Предоставление ИИ доступа к продуманным текстам также хороший способ быстро ввести ИИ в курс дела. Но в целом, я думаю, что ИИ будет продвигать и усиливать именно устную культуру.
– Сначала ИИ пришла в ваш корпоративный Gmail, потом в Slack, в таск-менеджер. Теперь ИИ с вами в комнате и на созвонах.
< место для мема Are they AI in the room with us right now?>
Мне не особо нравится популярность правила Парето
Во многих контекстах 80/20 действительно полезно и является отличным способом для быстрого выявления перекосов, утечек производительности и поиска эффективного пути решения проблем в уже существующих Системах.
Но величайшая угроза для Великих компаний кроется именно в этом – неустанной погоне за "эффективностью", которая, по факту тянет к... среднему, которое лишь размывается.
Мышление в духе 80/20, осознанно и добросовестно применяемое, ускоряет это размытие и падение. Так, вы становитесь ещё "успешнее и эффективнее" в том, что уже умеете и что уже работает, но... теряете способность к тому, что ещё не могли вообразить.
Проблема в том, что основатели не оптимизируют существующие Системы. Они пытаются создать То-чего-ещё-не-существует
Если хотите быть Великими, нацельтесь на 90% и выше. Правило 80/20 — это неправильный компас для пути.
Loop Engineering — это замена себя как человека, который пишет промпты ИИ, на Систему, которая делает это за вас
5 компонентов цикла (и один бонусный)
Для цикла нужно пять вещей и одно место, где хранить состояние.
1. Автоматизации, которые срабатывают по расписанию и сами занимаются поиском и сортировкой.
2. Worktrees («рабочие деревья»), чтобы два агента, работающих параллельно, не мешали друг другу.
3. Навыки (Skills) — прописанное знание о проекте, которое агенту не придётся угадывать каждый раз.
4. Плагины и коннекторы для подключения агента к уже используемым инструментам.
5. Суб-агенты, чтобы один агент генерировал идею, а другой её проверял.
И шестое — память: markdown-файл, который живёт вне отдельного разговора и хранит, что уже сделано, а что следующим, потому что ИИ забывает всё между запусками, поэтому память должна быть на диске, а не в контексте.
1. Автоматизации — сердце цикла
Именно автоматизации превращают разовый запуск в настоящий цикл. В Codex вы создаёте автоматизацию на вкладке Automations: выбираете проект, промпт, частоту запуска и то, где он будет выполняться.
Результаты попадают в папку Triage, а те запуски, которые ничего не нашли, просто архивируются. OpenAI использует это внутри для ежедневной сортировки задач, подготовки commit-отчётов и поиска недавно внесённых багов.
Claude Code достигает того же через планирование и хуки: /loop запускает промпт или команду с заданным интервалом, можно настроить cron-задачу, хуки на разных этапах жизненного цикла, или отправить всё в GitHub Actions.
Существует ещё одна важная примитива: /goal — в отличие от /loop, который повторяется по расписанию, /goal продолжает работу, пока не выполнится заданное условие, причём после каждого шага отдельная небольшая модель проверяет, завершена ли цель.
2. Worktrees: чтобы параллельность не превращалась в хаос
Когда запускается больше одного агента, файлы начинают конфликтовать. Git worktree решает эту проблему: это отдельная рабочая директория в своей ветке, но с общей историей репозитория. Codex и Claude Code поддерживают эту изоляцию — либо встроенными средствами, либо через флаг --worktree.
3. Навыки (Skills): чтобы не объяснять проект каждый раз заново
Навык — это папка с файлом SKILL.md, содержащим инструкции и метаданные, а также опционально скрипты, справочные материалы и ресурсы. Codex вызывает навык по $название или /skills, а иногда и сам, когда задача соответствует описанию навыка. Claude Code делает то же самое.
Навык — это однократно записанное намерение, которое агент читает при каждом запуске
Самое полезное структурное решение в цикле — отделить того, кто пишет, от того, кто проверяет.
Цикл не знает разницы. Вы знаете.
Всё дело в поиске: а) правильного б) Баланса
Что такое циклическая работа ИИ-агентов (agent looping) и открытые/закрытые циклы (по мотивам Anthropic Workshop: Build Agents That Run for Hours)
Последние два года ИИ-агентам давали задания пошагово: одна задача = один промпт. Сейчас этот подход меняется и вместо того чтобы просить ИИ-агента создать условный кусок кода или документ, а затем самому контролировать каждый этап, вы настраиваете цикл, который берёт на себя всё: исследование, планирование, выполнение, проверку и итерации до тех пор, пока цель не будет достигнута.
Циклический процесс — это выстроенная вами Система
Жизнь роботов в 2026: пассажир авиакомпании Southwest Airlines в США решил взять с собой в салон андроида, и вот что из этого получилось
Аарон Мехдизаде летел из Лас-Вегаса в Даллас и взял в салон своего робота Стьюи, который не пролезал по габаритам ручной клади, а отравлять багажом выходило дорого. Поэтому Аарон просто взял и оформил роботу... билет на соседнее кресло (услуга, которую обычно заказывают для перевозки хрупких вещей).
В аэропорту робот успешно прошёл предполётный досмотр: специально для этого на него была установлена батарея уменьшенной ёмкости, сам дошёл до гейта, а потом и в самолёте до своего места возле иллюминатора.
PS. После полета Southwest Airlines быстро опубликовала новые правила перевозки, в которых прописала запрет на перевозку роботов в салоне или зарегистрированном багаже вне зависимости от их размера и назначения. Причина банальна — безопасность при перевозке литий-ионных аккумуляторов.
Так майский дайджест протекает по Колумбии огнём
– Алхимическая задача
– Настройки мышления
– Гольф глазами продакта
– Галлюцинации ИИ = твои галлюцинации
– Не пользователи, а люди
– Personas это JTBD
– 55 когнитивных искажений
– Библиотека идей, законов и концепций
– Минимализм умер
– Postmortems for UX
– Единство аффекта и интеллекта
– Почему мы делаем разные выводы
– Теория карьерных якорей
– 8 часов работы делают тупее
– Продакшен — ничто
– Про первый лайк
– Причина тех долгов – продакт
– ИИ психоз у CEO и у компаний
– AI-native Startup Founder's Playbook
– The “Bug-Free” Workforce
– Agent Memory That Survives
– Промпт-инжиниринг для не-инженеров
– Structured-Prompt-Driven Development
– Как экономить токены
– State of AI 2025–2026
– Design Systems Report
– Why research needs to research itself
– Пытаясь спланировать непонятное
– Решение уравнения без решений
– Почему близнецы не симметричны
😌 Persistent Visions by Mark Seelig
🧘♂️ Ya-man from The Disciple's Path
Ad: Если нужен английский для работы, то AgileFluent – лучшее решение
Гипотезы, задачи, фичи – всё начинается как план. Сначала план (но это всё не точно)
0) Сначала сохрани контекст, что в голове, потом планируй. Помни о главном – цели.
Промпт (люблю писать для ИИ капсом):
Задача: ___ Аудитория:___ Контекст:___ бла-бла-бла
НО СНАЧАЛА ОТДЕЛЬНО СФОРМУЛИРУЙ ПЛАН: как ты будешь разбирать и что проверишь перед задачей, прежде чем писать предложение. Прежде чем составлять сам план, задай мне 5–7 уточняющих контекст и ситуации вопросов, ответы на которые сильнее всего повлияют на результат (по одному за раз).
Синхронность и фрактальность в userflow→UX→UI→кодеНикогда не думал, что скажу такое, но...
КАК ЖЕ СИЛЬНО техническое мышление разрабов может помогать продакту в осознании и познании механик продукта и пользователей.
Каждая (всякая ((Единая))) сущность в коде и в Системе должна быть собой, порождая своё фрактальное подобие, то есть использовать саму себя