Блог
Серж Федик об ИИ в работе: разборы инструментов и пошаговые приёмы.
- Две Claude Code сессии на одном ПК могут остановить друг другаЭтот разбор для разработчиков, которые держат несколько CLI-сессий Claude Code на одной машине. Случай показывает неприятную границу автономности: инструмент может сам заметить конфликт и начать искать выход, но общий порядок работы между сессиями всё равно должен задать человек.
- Агент перестаёт ждать команды и начинает работать рядомЭто для разработчиков и продуктовых команд, которые уже используют ИИ в ежедневной работе и хотят получить от него не очередной чат, а второго участника процесса. Главный сдвиг здесь не в новой кнопке: агент может видеть контекст приложения, вносить предложения параллельно с человеком и попадать в корпоративный бюджет.
- Агент на общей доске превращает исследование в управляемую работуЭто для разработчиков и руководителей небольших команд, которые уже пробуют ИИ-агентов, но не хотят получать от них работу в формате чёрного ящика. Связка агента, общей доски и изолированного запуска помогает видеть ход исследования, вмешиваться вовремя и снижать риск при параллельных экспериментах.
- Автономному агенту нужна зона ответственности, а не бесконечный чатЭто разбор подхода для тех, кто хочет передать ИИ регулярную работу: мониторинг сайтов, разбор почты, сбор новостей, подготовку черновиков. Главная ценность здесь не в красивом демо, а в смене модели работы: один раз описать правила, расписание и границы доступа, а потом получать результат и проверять его.
- Зачем команде свои маленькие упражнения с ИИЭтот текст для разработчиков, техлидов и тех, кто внедряет ИИ в работу небольшой команды. Он о том, почему собственный мини-проект иногда полезнее ещё десятка обзоров: на нём быстро видно, что реально работает, где модель ошибается и какие привычки в разработке пора менять.
- Блокировка Claude начинается не с лимита, а с несостыковокЭто разбор для тех, кто использует Claude в работе и не хочет однажды потерять доступ к текущим задачам. Здесь нет обещаний обойти ограничения: только наблюдения из пользовательских обсуждений, границы этих наблюдений и практичные действия без игры в маскировку.
- Агенту нужен не новый промпт, а среда для работыЭто для тех, кто собирает ИИ-агентов вокруг реальных задач команды, а не гоняет модель в чате ради красивого ответа. Разберём, почему сила агента часто упирается в его рабочую среду, проверку результатов и разбиение задачи, а не в ещё один вызов модели.
- LLM-проекты не стали другими - они стали быстрее собиратьсяЭтот разбор для продуктовых и технических команд, которые уже внедряют LLM в рабочие процессы или только считают экономику первого пилота. Главная перемена не в новых магических архитектурах, а в том, сколько ручной работы теперь можно снять до того, как человек примет первое важное решение.
- После запуска ИИ-продукта начинается работа, которую агенты не возьмут на себяЭто текст для соло-разработчиков и небольших команд, которые уже быстро собрали продукт с ИИ и вывели его к живым пользователям. На этом этапе главный риск не в том, что вы медленно добавляете функции, а в том, что система становится сложнее вашей способности за неё отвечать.
- Бесплатный ИИ оплачивается данными, железом или вниманиемЭто разбор для тех, кто выбирает ИИ-инструменты для себя или небольшой команды и не хочет менять удобство на риск вслепую. Бесплатный доступ не означает нулевую цену: сначала стоит понять, чем именно вы платите в каждой задаче.
- ИИ для 3D и игр уже ускоряет прототипы, но ещё не заменяет производствоЭто разбор для тех, кто пробует ИИ в Blender, Unity и браузерных игровых прототипах. Здесь важен не эффектный ролик с готовой сценой, а рабочая схема: где модель экономит время, почему режим рассуждений может мешать и почему результат пока нельзя путать с готовым продуктом.
- Экономия в агентных моделях начинается с режима работы, а не со смены всего стекаЭто разбор для разработчиков и небольших команд, которые гоняют языковые модели в агентных сценариях и считают стоимость каждого запуска. Новые версии не всегда дают скачок качества. Иногда полезнее внимательно выбрать режим модели и перестать платить за рассуждения, которые вашему пайплайну не помогают.
- Не верьте впечатляющей демке ИИ, пока не проверите 3 слоя работыЭто для тех, кто собирает сайты, пробует вайб-кодинг или хочет убрать ручную рутину из видеопроизводства. Демонстрации новых моделей выглядят убедительно, но ценность появляется только там, где результат можно проверить: в данных, в следующих итерациях и в правилах вашего бренда.
- Не выбирайте ИИ по общему счёту: соберите свой тест из 3 задачЭто для тех, кто выбирает GPT-6 Astra или Fable 5.1 под рабочие процессы команды. Сравнение на 15 задачах полезно не счётом 10:5, а простой границей: где важнее впечатление, а где результат обязан быть проверяемым. И главное - оно показывает, почему новый флагман нельзя пускать в критичный процесс сразу после релиза.
- «Впадлу» как фильтр для автоматизации: что убирать из процесса, а что оставлять человекуЭтот подход пригодится тем, кого выматывают одинаковые действия в рабочих инструментах и бесконечные просьбы «помоги». Раздражение от рутины можно превратить в нормальную карту улучшений - без попытки отдать машине то, за что пока должен отвечать человек.
- Skills в Claude Code ломаются не от сложности, а от плохой структурыЭтот материал для тех, кто пишет и поддерживает Skills в Claude Code. Он поможет убрать инструкции, которые модель не видит, не вызывает или выполняет слишком вольно, и проверять настройку на реальных задачах, а не по ощущению.
- Один репозиторий, два агента и приложение, которое не развалилось по дорогеЭто разбор для тех, кто собирает небольшой продукт с ИИ-агентами и хочет выйти дальше красивого первого экрана. Здесь важен не рекорд скорости, а способ разложить работу так, чтобы сайт, нативное приложение и сервер потом можно было действительно соединить и проверить.
- Jev стоит ставить перед LLM там, где нужно выбрать, а не написатьЭтот разбор для тех, кто собирает ИИ-агентов, автоматизации и инструменты для разработки. Jev предлагает вынести простые решения из LLM в отдельный быстрый слой: сначала выбрать маршрут или действие, потом тратить дорогой интеллект только там, где он действительно нужен.
- Выбирайте ИИ по цене спокойной работы, а не по громкости релизаЭто для тех, кто пишет код, решает рабочие задачи с ИИ и регулярно упирается в лимиты. Новые модели могут стать умнее, но в ежедневной работе важнее другой вопрос: сколько полезной работы получится сделать до того, как сервис заставит остановиться.
- Когда видеогенерацию выгоднее оплачивать по факту, а не по подпискеЭто разбор для авторов с нерегулярными задачами по видео и для тех, кто подключает генерацию к ИИ-агентам. Он поможет не покупать месячный пакет на глаз, настроить доступ безопасно и выбрать оплату под реальный объём работы.
- Резюме в эпоху ИИ: выигрывают факты, а не гладкий текстЭто для тех, кто обновляет резюме сам и использует ИИ как рабочий инструмент. Главная задача здесь не обмануть отбор, а сделать опыт видимым для системы и убедительным для человека.
- Память ИИ нужно не накапливать, а проектироватьЭто для тех, кто ведёт длинные рабочие задачи в ИИ-чатах и устал повторять одни и те же правки. Проблема обычно не в том, что модель «забыла» инструкцию. Проблема в том, что у памяти нет границ, владельца правил и даты, после которой старые решения нужно убрать.
- Opus 5.5 стоит проверять на скучном рабочем приложении, а не на красивой демкеЭто разбор для тех, кто делает небольшие веб-приложения с ИИ и хочет понять пределы вайб-кодинга без восторга от бенчмарков. Один прикладной тест показал важную вещь: модель способна пройти путь от плана до работающего развёртывания, но принимать результат на веру всё ещё опасно.