Как перенести сервис в облако для себя и для внешней аудитории
В AI-мастерской стартовал новый кейс — перенос сервиса в облако.
В предыдущих кейсах мы создали ряд сервисов, которые работают локально. Но у такого подхода есть ряд ограничений. Например, нельзя выключить компьютер, на котором запущен сервис, а также он остается недоступен другим пользователям.
Решение очевидно — разместить сервис в облаке. Это позволит:
— Дать доступ к сервису другим людям: коллегам, пользователям, инвесторам;
— Запускать сервис по расписанию без вашего участия, например, собирать данные каждую ночь;
— Получать данные от реальных пользователей и развивать продукт на их основе.
Мы разберем два сценария переноса:
1️⃣ Быстрый деплой для себя. Это простое решение по переносу в облако, которое подходит для личного сервиса или демо-версии
2️⃣ Деплой для внешних пользователей. Когда сервисом будут пользоваться другие люди, архитектуре и безопасности нужно уделить заметно больше внимания. Основную работу по-прежнему можно передать кодинг-агенту, но ключевые решения принимаете вы: где хранить данные, что закрыть от посторонних, как настроить сервис в облаке.
Мы разберем эту задачу на примере сервиса, созданного в предыдущем кейсе про RAG. Если вы его не проходили, то сможете использовать код по нашей ссылке. В дальнейшем вы сможете применить знания для переноса в облако любого созданного вами сервиса или продукта.
Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы освоите работу с хостингами, с GitHub для хранения кода и с облачной базой данных Supabase.
Навыки на выходе:
— Быстрый деплой сервиса на облачную машину: DigitalOcean, SSH
— Перенос кода на GitHub с защитой ключей и доступов
— Миграция данных в облачную базу: Supabase, PostgreSQL, pgvector
— Раздельный деплой сервисов бэкенда и фронтенда
— Деплой сервиса на хостинг с кодинг-агентом: Render, MCP
— Защита сервиса и мониторинг после запуска: Supabase Auth, логи, аналитика
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
Также из материалов кейса вы узнаете, как лучше подходить к планированию архитектуры сервиса, чтобы не переусложнять ее заранее.
@gopractice
В AI-мастерской стартовал новый кейс — перенос сервиса в облако.
В предыдущих кейсах мы создали ряд сервисов, которые работают локально. Но у такого подхода есть ряд ограничений. Например, нельзя выключить компьютер, на котором запущен сервис, а также он остается недоступен другим пользователям.
Решение очевидно — разместить сервис в облаке. Это позволит:
— Дать доступ к сервису другим людям: коллегам, пользователям, инвесторам;
— Запускать сервис по расписанию без вашего участия, например, собирать данные каждую ночь;
— Получать данные от реальных пользователей и развивать продукт на их основе.
Мы разберем два сценария переноса:
1️⃣ Быстрый деплой для себя. Это простое решение по переносу в облако, которое подходит для личного сервиса или демо-версии
2️⃣ Деплой для внешних пользователей. Когда сервисом будут пользоваться другие люди, архитектуре и безопасности нужно уделить заметно больше внимания. Основную работу по-прежнему можно передать кодинг-агенту, но ключевые решения принимаете вы: где хранить данные, что закрыть от посторонних, как настроить сервис в облаке.
Мы разберем эту задачу на примере сервиса, созданного в предыдущем кейсе про RAG. Если вы его не проходили, то сможете использовать код по нашей ссылке. В дальнейшем вы сможете применить знания для переноса в облако любого созданного вами сервиса или продукта.
Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы освоите работу с хостингами, с GitHub для хранения кода и с облачной базой данных Supabase.
Навыки на выходе:
— Быстрый деплой сервиса на облачную машину: DigitalOcean, SSH
— Перенос кода на GitHub с защитой ключей и доступов
— Миграция данных в облачную базу: Supabase, PostgreSQL, pgvector
— Раздельный деплой сервисов бэкенда и фронтенда
— Деплой сервиса на хостинг с кодинг-агентом: Render, MCP
— Защита сервиса и мониторинг после запуска: Supabase Auth, логи, аналитика
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
Также из материалов кейса вы узнаете, как лучше подходить к планированию архитектуры сервиса, чтобы не переусложнять ее заранее.
@gopractice
👍9🔥4
This media is not supported in your browser
VIEW IN TELEGRAM
Выходим на новый уровень владения AI-инструментами — и-ии-ии создаем мультфильм!
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы научитесь создавать свой собственный мультфильм — от идеи до готового видео.
Вы можете сказать, что это, конечно, очень классно и замечательно, но вопрос — зачем вам это нужно 🧐
Дело в том, что принципы работы собственной AI-видеостудии универсальны для любых форматов. По тому же принципу вы сможете быстро и качественно создавать:
— Рекламные креативы и промо для продукта ✔️
— Обучающие ролики и онбординг-видео ✔️
— Демо для новых фич и продуктов ✔️
— Видео для питча ✔️
— Варианты одного и того же ролика под разные аудитории и рынки ✔️
При этом стиль видео на выходе может быть любым: фотореалистичным, мультипликационным, минималистичным и так далее. Вы не ограничены ничем, кроме собственных идей.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 4 кейса в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Ждем вас! 🐭
@gopractice
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы научитесь создавать свой собственный мультфильм — от идеи до готового видео.
Вы можете сказать, что это, конечно, очень классно и замечательно, но вопрос — зачем вам это нужно 🧐
Дело в том, что принципы работы собственной AI-видеостудии универсальны для любых форматов. По тому же принципу вы сможете быстро и качественно создавать:
— Рекламные креативы и промо для продукта ✔️
— Обучающие ролики и онбординг-видео ✔️
— Демо для новых фич и продуктов ✔️
— Видео для питча ✔️
— Варианты одного и того же ролика под разные аудитории и рынки ✔️
При этом стиль видео на выходе может быть любым: фотореалистичным, мультипликационным, минималистичным и так далее. Вы не ограничены ничем, кроме собственных идей.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 4 кейса в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Ждем вас! 🐭
@gopractice
❤13🔥8🏆1
This media is not supported in your browser
VIEW IN TELEGRAM
Как создать видеоролик с помощью AI. Несколько рекомендаций
1️⃣ Не начинайте сразу с видео. Число неудачных попыток приведет к большим затратам.
Вместо этого превращайте простые формы в более сложные. Сперва сделайте первые кадры всех сцен, убедитесь в их консистентности и соответствии ожиданиям, а лишь после этого — анимируйте.
Собранный таким образом пайплайн даст вам гораздо больше шансов получить желаемое видео и сэкономит деньги.
2️⃣ При работе с изображениями, начинайте с генерации ассетов. Это поможет сохранить консистентность.
Перед тем, как генерировать первые кадры основных сцен, создайте все ключевые ассеты: актеров, локации, ключевые объекты. Дальше передавайте их в модель при генерации как референсы.
Это позволит избежать ситуации, в которой в разных сценах герой будет выглядеть по-разному в ряде мелких деталей, либо другие важные факторы визуального ряда будут расходиться.
Генерация медиа с помощью AI стремительно растет и все больше проникает в совершенно разные сферы жизни
Хотите научиться создавать видеоролики с помощью AI? Присоединяйтесь к новому кейсу AI-мастерской — своя AI-видеостудия: от идеи до готового видео.
Учиться будем на мультфильме — это наглядный пример, а навык и принципы переносятся на любые типы видео. Мы пройдем весь путь продакшна мультфильма: идея → сценарий → дизайн героев → раскадровка → анимация и звук → монтаж.
Цель — получить инструмент, с помощью которого можно делать любые видео по вашим правилам.
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно (и нужно!) обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. А заодно — делиться получившимися роликами и обсуждать их ⭐️
@gopractice
1️⃣ Не начинайте сразу с видео. Число неудачных попыток приведет к большим затратам.
Вместо этого превращайте простые формы в более сложные. Сперва сделайте первые кадры всех сцен, убедитесь в их консистентности и соответствии ожиданиям, а лишь после этого — анимируйте.
Собранный таким образом пайплайн даст вам гораздо больше шансов получить желаемое видео и сэкономит деньги.
2️⃣ При работе с изображениями, начинайте с генерации ассетов. Это поможет сохранить консистентность.
Перед тем, как генерировать первые кадры основных сцен, создайте все ключевые ассеты: актеров, локации, ключевые объекты. Дальше передавайте их в модель при генерации как референсы.
Это позволит избежать ситуации, в которой в разных сценах герой будет выглядеть по-разному в ряде мелких деталей, либо другие важные факторы визуального ряда будут расходиться.
Генерация медиа с помощью AI стремительно растет и все больше проникает в совершенно разные сферы жизни
Хотите научиться создавать видеоролики с помощью AI? Присоединяйтесь к новому кейсу AI-мастерской — своя AI-видеостудия: от идеи до готового видео.
Учиться будем на мультфильме — это наглядный пример, а навык и принципы переносятся на любые типы видео. Мы пройдем весь путь продакшна мультфильма: идея → сценарий → дизайн героев → раскадровка → анимация и звук → монтаж.
Цель — получить инструмент, с помощью которого можно делать любые видео по вашим правилам.
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно (и нужно!) обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. А заодно — делиться получившимися роликами и обсуждать их ⭐️
@gopractice
👍6❤5🔥3
«Самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас». Ожидания от продакта в эпоху AI: взгляд изнутри Anthropic
Команды, работающие над Claude, не только делают один из передовых AI-продуктов, которым пользуются профессионалы во всем мире, но и одни из первопроходцев новых реалий продуктовой работы в эпоху AI.
Lenny Rachitsky поговорил с Cat Wu, которая руководит продуктами Claude Code и Cowork, а мы сделали сокращенный и адаптированный перевод их разговора.
🔗 https://gopractice.ru/skills/cat-wu-pm/
💎 Чтобы быть таким специалистом в команде, который может брать на себя важную работу в моменте и создавать максимум ценности, нужно освоить разностороннее применение AI для решения разных задач. Именно этому мы учим в «AI-мастерской». Присоединяйтесь.
@gopractice
Команды, работающие над Claude, не только делают один из передовых AI-продуктов, которым пользуются профессионалы во всем мире, но и одни из первопроходцев новых реалий продуктовой работы в эпоху AI.
Lenny Rachitsky поговорил с Cat Wu, которая руководит продуктами Claude Code и Cowork, а мы сделали сокращенный и адаптированный перевод их разговора.
В команде Claude Code многие продакты раньше были инженерами или продолжают писать код. Дизайнеры тоже нередко имеют инженерный опыт. Немало инженеров в команде способны пройти весь путь самостоятельно — от того, чтобы заметить жалобу пользователя в социальной сети до готовой фичи к концу недели — практически без участия продакта. Это эффективный способ шипить.
Это не значит, что продакт-менеджеры больше не нужны. Скорее наоборот: границы между ролями становятся менее жесткими, а самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас. Для этого важно мыслить шире: понимать, как меняется технология, что сейчас ограничивает команду, и где именно ты можешь принести наибольшую пользу.
🔗 https://gopractice.ru/skills/cat-wu-pm/
💎 Чтобы быть таким специалистом в команде, который может брать на себя важную работу в моменте и создавать максимум ценности, нужно освоить разностороннее применение AI для решения разных задач. Именно этому мы учим в «AI-мастерской». Присоединяйтесь.
@gopractice
GoPractice
«Самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас». Ожидания от…
Это не значит, что продакт-менеджеры больше не нужны. Скорее наоборот: границы между ролями становятся менее жесткими, а самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас.
👍12🔥5❤1
Media is too big
VIEW IN TELEGRAM
Выходим на новый уровень работы со знаниями — собираем личную вики, которую ведет AI
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы соберете собственную базу знаний, которая не просто хранит прочитанное, а сводит источники между собой, показывает пробелы и расхождения, и помогает принимать решения.
Несколько советов для тех, кто заводит личную LLM-вики:
— Храните вики в обычных текстовых файлах. Markdown, папка на вашем компьютере, чтение в Obsidian.
— Сразу заведите приватный репозиторий на GitHub. С репозиторием любое ошибочное изменение легко отменить.
— Оптимизируйте добавление материалов с помощью MCP. Notion, Google Documents, таск-трекеры и общий диск подключаются к агенту, и документы можно загружать в вики без ручного копирования файлов.
— Держите вики под рукой. У Obsidian есть бесплатные приложения для iOS и Android, а Claude Code можно использовать из браузера или приложения на телефоне.
— Используйте возможности агентов для создания html-артефактов на данных вики.
— Запускайте регулярный аудит вашей вики. Он покажет, что устарело, какие новые противоречия появились, что стоит прочитать следующим.
Собирать вики можно на любом материале: свой рынок и конкуренты, пользовательские интервью, регламенты и внутренние документы, отчеты по экспериментам, новая для вас предметная область.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 5 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы соберете собственную базу знаний, которая не просто хранит прочитанное, а сводит источники между собой, показывает пробелы и расхождения, и помогает принимать решения.
Несколько советов для тех, кто заводит личную LLM-вики:
— Храните вики в обычных текстовых файлах. Markdown, папка на вашем компьютере, чтение в Obsidian.
— Сразу заведите приватный репозиторий на GitHub. С репозиторием любое ошибочное изменение легко отменить.
— Оптимизируйте добавление материалов с помощью MCP. Notion, Google Documents, таск-трекеры и общий диск подключаются к агенту, и документы можно загружать в вики без ручного копирования файлов.
— Держите вики под рукой. У Obsidian есть бесплатные приложения для iOS и Android, а Claude Code можно использовать из браузера или приложения на телефоне.
— Используйте возможности агентов для создания html-артефактов на данных вики.
— Запускайте регулярный аудит вашей вики. Он покажет, что устарело, какие новые противоречия появились, что стоит прочитать следующим.
Собирать вики можно на любом материале: свой рынок и конкуренты, пользовательские интервью, регламенты и внутренние документы, отчеты по экспериментам, новая для вас предметная область.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 5 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice
❤10🔥9
Media is too big
VIEW IN TELEGRAM
Как превратить разрозненные источники в связанную базу знаний, которую ведет агент
В AI-мастерской стартовал новый кейс — LLM wiki: ваш новый рабочий инструмент.
Вы узнаете, как с помощью кодинг-агента собрать личную вики — связанный набор страниц по вашей области, который агент пишет и поддерживает сам.
Задачи, которые вы сможете решать:
— Подготовка к обсуждению — собрать все, что коллекция знает по теме встречи, вместе с расхождениями между источниками;
— Анализ гипотезы — проверить свою идею на накопленном материале и увидеть, что ее поддерживает, а что ей противоречит;
— Своя заметка — записать собственный вывод так, чтобы он участвовал в каждом следующем ответе вики;
— Обзор новой области — составить картину незнакомой темы и увидеть, чего по ней в коллекции не хватает.
На выходе вики будет уметь сводить каждый новый источник со всем, что уже записано, фиксировать расхождения между источниками с указанием, кто и что утверждает, вести отдельный список того, чего в коллекции не хватает, и отвечать на вопросы со ссылками на исходные материалы.
Учиться будем на коллекции статей по продуктовому менеджменту, но вики можно сразу строить на своем материале — тогда на выходе у вас будет не учебный пример, а рабочий инструмент.
Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. Markdown-редактор можно использовать любой, но мы выбрали Obsidian. Репозиторий в GitHub понадобится для хранения версий.
Навыки на выходе:
— Работа с кодинг-агентом как с редактором базы знаний: схема в CLAUDE.md, протоколы загрузки источника, запроса и аудита
— Связанная markdown-вики в Obsidian: типы страниц, перекрестные ссылки, граф связей, индекс и журнал
— Сопоставление источников между собой: фиксация расхождений, аудит связности, список пробелов в коллекции
— Версионирование вики в GitHub и запуск облачных сессий агента с телефона
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
@gopractice
В AI-мастерской стартовал новый кейс — LLM wiki: ваш новый рабочий инструмент.
Вы узнаете, как с помощью кодинг-агента собрать личную вики — связанный набор страниц по вашей области, который агент пишет и поддерживает сам.
Задачи, которые вы сможете решать:
— Подготовка к обсуждению — собрать все, что коллекция знает по теме встречи, вместе с расхождениями между источниками;
— Анализ гипотезы — проверить свою идею на накопленном материале и увидеть, что ее поддерживает, а что ей противоречит;
— Своя заметка — записать собственный вывод так, чтобы он участвовал в каждом следующем ответе вики;
— Обзор новой области — составить картину незнакомой темы и увидеть, чего по ней в коллекции не хватает.
На выходе вики будет уметь сводить каждый новый источник со всем, что уже записано, фиксировать расхождения между источниками с указанием, кто и что утверждает, вести отдельный список того, чего в коллекции не хватает, и отвечать на вопросы со ссылками на исходные материалы.
Учиться будем на коллекции статей по продуктовому менеджменту, но вики можно сразу строить на своем материале — тогда на выходе у вас будет не учебный пример, а рабочий инструмент.
Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. Markdown-редактор можно использовать любой, но мы выбрали Obsidian. Репозиторий в GitHub понадобится для хранения версий.
Навыки на выходе:
— Работа с кодинг-агентом как с редактором базы знаний: схема в CLAUDE.md, протоколы загрузки источника, запроса и аудита
— Связанная markdown-вики в Obsidian: типы страниц, перекрестные ссылки, граф связей, индекс и журнал
— Сопоставление источников между собой: фиксация расхождений, аудит связности, список пробелов в коллекции
— Версионирование вики в GitHub и запуск облачных сессий агента с телефона
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
@gopractice
❤11🔥4
Агент внутри SaaS или SaaS как инфраструктура для Codex и Claude Code?
Привет, это Олег.
Между SaaS-компаниями и продвинутыми пользователями AI-инструментов формируется конфликт интересов: компании хотят встроить агента внутрь своего продукта, а пользователи — встроить сами продукты внутрь своего агента, например Cowork, Codex или Hermes.
Для SaaS-компаний первая стратегия логична. Она позволяет сохранить контроль над пользовательским опытом, улучшать его и забирать себе большую часть создаваемой ценности.
Но пользователи, которые уже привыкли работать через универсальных агентов, хотят другого. Они уже платят за подписку и получают в ее рамках объем токенов, который при оплате через API стоит в разы дороже. Они уже собирают весь свой контекст в одном месте. Поэтому они предпочитают подключать нужные сервисы через MCP.
Им не нужен отдельный агент внутри каждого продукта — со своей подпиской, оплатой токенов и ограниченным контекстом. Им нужен один агент, который знает их контекст и умеет работать со всеми необходимыми инструментами.
Например, получить данные из аналитики и CRM, проанализировать их, отправить результат по почте и создать задачи. И все это — без необходимости открывать четыре разных продукта и переносить между ними данные и контекст.
Если работа через Codex, Cowork и другие универсальные агенты станет массовым сценарием — а такая вероятность есть, — роль SaaS-сервисов заметно изменится. Интерфейс, контекст и управление рабочим процессом начнут перемещаться внутрь универсальных агентов. А сами SaaS-сервисы могут превратиться в инфраструктуру, которая предоставляет данные, API, возможность выполнять определенные действия или уникальную доменную логику.
Для пользователей это удобнее и дешевле. Для SaaS-компаний — опасно. Они теряют прямой контакт с пользователем, контроль над его опытом и возможности для дифференциации.
Подобное расхождение стимулов часто создает пространство для новых игроков. Существующие сервисы будут стараться удержать агента внутри собственного продукта. И именно здесь может открыться возможность для новых компаний: изначально строить не очередной SaaS со своим интерфейсом и агентом, а лучшую инфраструктуру для агентов, которыми люди уже пользуются.
Скорее всего, обе модели будут сосуществовать. Главный вопрос в том, где пройдет граница между ними и какая ставка окажется более выигрышной в долгосрочной перспективе.
Хотите обсудить? Тегайте в X (Twitter).
***
P.S. Присоединяйтесь к студентам AI-мастерской, чтобы получить прикладные навыки работы с AI-инструментами, которые мы считаем важными и полезными.
@gopractice
Привет, это Олег.
Между SaaS-компаниями и продвинутыми пользователями AI-инструментов формируется конфликт интересов: компании хотят встроить агента внутрь своего продукта, а пользователи — встроить сами продукты внутрь своего агента, например Cowork, Codex или Hermes.
Для SaaS-компаний первая стратегия логична. Она позволяет сохранить контроль над пользовательским опытом, улучшать его и забирать себе большую часть создаваемой ценности.
Но пользователи, которые уже привыкли работать через универсальных агентов, хотят другого. Они уже платят за подписку и получают в ее рамках объем токенов, который при оплате через API стоит в разы дороже. Они уже собирают весь свой контекст в одном месте. Поэтому они предпочитают подключать нужные сервисы через MCP.
Им не нужен отдельный агент внутри каждого продукта — со своей подпиской, оплатой токенов и ограниченным контекстом. Им нужен один агент, который знает их контекст и умеет работать со всеми необходимыми инструментами.
Например, получить данные из аналитики и CRM, проанализировать их, отправить результат по почте и создать задачи. И все это — без необходимости открывать четыре разных продукта и переносить между ними данные и контекст.
Если работа через Codex, Cowork и другие универсальные агенты станет массовым сценарием — а такая вероятность есть, — роль SaaS-сервисов заметно изменится. Интерфейс, контекст и управление рабочим процессом начнут перемещаться внутрь универсальных агентов. А сами SaaS-сервисы могут превратиться в инфраструктуру, которая предоставляет данные, API, возможность выполнять определенные действия или уникальную доменную логику.
Для пользователей это удобнее и дешевле. Для SaaS-компаний — опасно. Они теряют прямой контакт с пользователем, контроль над его опытом и возможности для дифференциации.
Подобное расхождение стимулов часто создает пространство для новых игроков. Существующие сервисы будут стараться удержать агента внутри собственного продукта. И именно здесь может открыться возможность для новых компаний: изначально строить не очередной SaaS со своим интерфейсом и агентом, а лучшую инфраструктуру для агентов, которыми люди уже пользуются.
Скорее всего, обе модели будут сосуществовать. Главный вопрос в том, где пройдет граница между ними и какая ставка окажется более выигрышной в долгосрочной перспективе.
Хотите обсудить? Тегайте в X (Twitter).
***
P.S. Присоединяйтесь к студентам AI-мастерской, чтобы получить прикладные навыки работы с AI-инструментами, которые мы считаем важными и полезными.
@gopractice
❤15🔥7👍6
Привет, это Олег.
Сегодня немного личный анонс.
Последний год мы с небольшой командой исследовали, как применять AI-агентов для прикладных задач.
В процессе появился Unreal Agent — харнесс или обвязка, которая управляет работой агента, позволяющая существенно снизить стоимость решения задач без потери качества.
На бенчмарке Terminal-Bench 4.0 наше решение показывает результат на том же уровне, что Codex + Astra, но при этом обходится на 40% дешевле.
Сегодня мы выпускаем Unreal Agent в open source: открываем код и данные тестов, а в техническом посте рассказываем, как всё устроено и за счёт чего удалось повысить эффективность.
Буду благодарен за поддержку запуска: перейдите в наш пост в X и напишите комментарий или сделайте репост.
https://x.com/unreallabsai/status/2102435462065385775?s=20
Сегодня немного личный анонс.
Последний год мы с небольшой командой исследовали, как применять AI-агентов для прикладных задач.
В процессе появился Unreal Agent — харнесс или обвязка, которая управляет работой агента, позволяющая существенно снизить стоимость решения задач без потери качества.
На бенчмарке Terminal-Bench 4.0 наше решение показывает результат на том же уровне, что Codex + Astra, но при этом обходится на 40% дешевле.
Сегодня мы выпускаем Unreal Agent в open source: открываем код и данные тестов, а в техническом посте рассказываем, как всё устроено и за счёт чего удалось повысить эффективность.
Буду благодарен за поддержку запуска: перейдите в наш пост в X и напишите комментарий или сделайте репост.
https://x.com/unreallabsai/status/2102435462065385775?s=20
X (formerly Twitter)
Unreal Labs (@unreallabsai) on X
Introducing Unreal Agent:
An open-source harness with state-of-the-art cost efficiency
39% cheaper than Codex+Astra on Terminal-Bench 4.0 while maintaining performance
An open-source harness with state-of-the-art cost efficiency
39% cheaper than Codex+Astra on Terminal-Bench 4.0 while maintaining performance
1🔥69❤15👍6
This media is not supported in your browser
VIEW IN TELEGRAM
Узнаем, советуют ли вас ChatGPT, Gemini и Claude: собираем сервис мониторинга видимости в ответах LLM
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Несколько советов для тех, кто строит мониторинг видимости в LLM:
— Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину.
— Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации.
— Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ.
— Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново.
— Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими.
Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 6 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Несколько советов для тех, кто строит мониторинг видимости в LLM:
— Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину.
— Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации.
— Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ.
— Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново.
— Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими.
Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 6 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice
🔥12❤6
«Это конец поиска, каким мы его знали, но маркетологи чувствуют себя нормально. Более или менее»
Больше двадцати лет SEO было базовым инструментом для видимости в интернете. Вокруг него выросла целая индустрия: набивка ключевых слов, торговля ссылками, оптимизация контента, инструменты для аудита — и специалисты с агентствами, которые всем этим управляют. Но в 2025 году поиск начал смещаться от привычных браузеров к LLM-платформам. После анонса Apple о том, что AI-поисковики вроде Perplexity и Claude будут встроены в Safari, монополия Google на дистрибуцию оказалась под вопросом. В фундаменте SEO-рынка объемом более $80 млрд появилась трещина.
Формируется новая парадигма — ее определяет не PageRank, а языковые модели. Начинается второй акт истории поиска: генеративная поисковая оптимизация (Generative Engine Optimization, GEO).
Текст выше — это начало материала из блога Andreessen Horowitz, который мы перевели для вас и рекомендуем прочитать. Он подробно и наглядно объясняет, как AEO/GEO постепенно начинает играть все более значимую роль для бизнеса. Именно поэтому работать над отслеживанием упоминаний в ответах LLM нужно начинать уже сейчас.
Именно об этом наш новый кейс в AI-мастерской, который стартует сегодня 🔥
Работа с AEO/GEO. Измеряем видимость компании в ответах LLM
В этом кейсе вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Инструмент будет уметь:
— Задавать моделям корзины вопросов от лица разных категорий покупателей;
— Вызывать несколько LLM в двух режимах — с веб-поиском и без;
— Разбирать ответы моделей;
— Переводить результат в метрики видимости;
— Собирать данные по расписанию в рамках заданного бюджета.
Настроить его можно сразу на свою компанию и своих конкурентов — тогда на выходе у вас будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
@gopractice
Больше двадцати лет SEO было базовым инструментом для видимости в интернете. Вокруг него выросла целая индустрия: набивка ключевых слов, торговля ссылками, оптимизация контента, инструменты для аудита — и специалисты с агентствами, которые всем этим управляют. Но в 2025 году поиск начал смещаться от привычных браузеров к LLM-платформам. После анонса Apple о том, что AI-поисковики вроде Perplexity и Claude будут встроены в Safari, монополия Google на дистрибуцию оказалась под вопросом. В фундаменте SEO-рынка объемом более $80 млрд появилась трещина.
Формируется новая парадигма — ее определяет не PageRank, а языковые модели. Начинается второй акт истории поиска: генеративная поисковая оптимизация (Generative Engine Optimization, GEO).
Текст выше — это начало материала из блога Andreessen Horowitz, который мы перевели для вас и рекомендуем прочитать. Он подробно и наглядно объясняет, как AEO/GEO постепенно начинает играть все более значимую роль для бизнеса. Именно поэтому работать над отслеживанием упоминаний в ответах LLM нужно начинать уже сейчас.
Именно об этом наш новый кейс в AI-мастерской, который стартует сегодня 🔥
Работа с AEO/GEO. Измеряем видимость компании в ответах LLM
В этом кейсе вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Инструмент будет уметь:
— Задавать моделям корзины вопросов от лица разных категорий покупателей;
— Вызывать несколько LLM в двух режимах — с веб-поиском и без;
— Разбирать ответы моделей;
— Переводить результат в метрики видимости;
— Собирать данные по расписанию в рамках заданного бюджета.
Настроить его можно сразу на свою компанию и своих конкурентов — тогда на выходе у вас будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
@gopractice
GoPractice
Как GEO (Generative Engine Optimization) меняет правила игры в поиске - GoPractice
Формируется новая парадигма — ее определяет не PageRank, а языковые модели. Начинается второй акт истории поиска: генеративная поисковая оптимизация (Generative Engine Optimization, GEO)
🔥17👍5❤2
Большое обновление первого симулятора 🚀
Привет, это Олег.
В 2018 году мы запустили наш первый образовательный продукт — «Симулятор управления продуктом на основе данных». За прошедшие годы в нем прошли обучение десятки тысяч студентов, и по их мнению — это лучший образовательный продукт (такие замеры ежегодно проводят Product Sense, devcrowd и другие команды).
Симулятор учит тому, как создавать ценность через поиск более эффективных способов решения задач людей. В частности тому, как использовать данные и исследования для того, чтобы делать это осознанно.
Принципы этой работы за прошедшие 8 лет не изменились, поэтому фундамент курса мы оставили прежним.
Но сам мир за это время сильно поменялся, особенно в последние пару лет. Поэтому мы обновили многие части симулятора — прежде всего инструменты и подходы, которые можно использовать в продуктовой работе. В том числе добавили, как AI-агенты помогают работать с данными и решать продуктовые задачи.
Мы входим в мир, где создание продуктов становится доступно все большему числу людей. По моему опыту, на старте люди часто совершают одни и те же ошибки — пока еще нет опыта, который обычно достается дорого. Поэтому хочется верить, что симулятор продолжит помогать получать этот опыт в вымышленном мире, а не ценой реальных денег и упущенных возможностей.
Ключевые обновления версии-2026:
— События симулятора теперь происходят в 2025 году, в мире стремительно развивающихся AI-технологий;
— В главах появилось много современных кейсов и примеров из реального мира;
— С аналитикой и исследованиями теперь можно работать с помощью AI-агентов. Но сначала мы все же рекомендуем научиться делать это руками, чтобы понимать, как проверять работу агентов;
— Мы существенно обновили главы про каналы роста с учетом того, как эти каналы работают сегодня;
— Мы подробнее и понятнее раскрыли фреймворк создания добавочной ценности и JTBD;
— Появилась новая теоретическая глава о росте через поиск: ASO, SEO и AEO/GEO.
Кому доступна новая версия симулятора:
— Всем новым студентам (будет доступна по умолчанию)
— Всем, кто уже начал обучение, но еще не завершил его. Как мигрировать в новую версию? Напишите на contacts@gopractice.ru и команда поможет разобраться.
Над этим масштабным обновлением мы работали более 9 месяцев, поэтому будем благодарны, если вы поделитесь симулятором с теми, кому он может быть полезен.
🔗 https://gopractice.ru/course/pm/
P.S. Чуть больше о масштабе изменений в обновленной версии — на картинке ниже.
@gopractice
Привет, это Олег.
В 2018 году мы запустили наш первый образовательный продукт — «Симулятор управления продуктом на основе данных». За прошедшие годы в нем прошли обучение десятки тысяч студентов, и по их мнению — это лучший образовательный продукт (такие замеры ежегодно проводят Product Sense, devcrowd и другие команды).
Симулятор учит тому, как создавать ценность через поиск более эффективных способов решения задач людей. В частности тому, как использовать данные и исследования для того, чтобы делать это осознанно.
Принципы этой работы за прошедшие 8 лет не изменились, поэтому фундамент курса мы оставили прежним.
Но сам мир за это время сильно поменялся, особенно в последние пару лет. Поэтому мы обновили многие части симулятора — прежде всего инструменты и подходы, которые можно использовать в продуктовой работе. В том числе добавили, как AI-агенты помогают работать с данными и решать продуктовые задачи.
Мы входим в мир, где создание продуктов становится доступно все большему числу людей. По моему опыту, на старте люди часто совершают одни и те же ошибки — пока еще нет опыта, который обычно достается дорого. Поэтому хочется верить, что симулятор продолжит помогать получать этот опыт в вымышленном мире, а не ценой реальных денег и упущенных возможностей.
Ключевые обновления версии-2026:
— События симулятора теперь происходят в 2025 году, в мире стремительно развивающихся AI-технологий;
— В главах появилось много современных кейсов и примеров из реального мира;
— С аналитикой и исследованиями теперь можно работать с помощью AI-агентов. Но сначала мы все же рекомендуем научиться делать это руками, чтобы понимать, как проверять работу агентов;
— Мы существенно обновили главы про каналы роста с учетом того, как эти каналы работают сегодня;
— Мы подробнее и понятнее раскрыли фреймворк создания добавочной ценности и JTBD;
— Появилась новая теоретическая глава о росте через поиск: ASO, SEO и AEO/GEO.
Кому доступна новая версия симулятора:
— Всем новым студентам (будет доступна по умолчанию)
— Всем, кто уже начал обучение, но еще не завершил его. Как мигрировать в новую версию? Напишите на contacts@gopractice.ru и команда поможет разобраться.
Над этим масштабным обновлением мы работали более 9 месяцев, поэтому будем благодарны, если вы поделитесь симулятором с теми, кому он может быть полезен.
🔗 https://gopractice.ru/course/pm/
P.S. Чуть больше о масштабе изменений в обновленной версии — на картинке ниже.
@gopractice
🔥56❤15👍6😱6
Персональные AI-ассистенты — вау или ничего нового
Привет, это Олег.
Наблюдаю интересную разницу в реакции на персональных AI-ассистентов (Muse, Instinct).
— Одни пробуют и очень быстро ловят aha moment.
— Другие пробуют и не видят ничего принципиально нового относительно того, что они уже делали.
Дело в том, что люди из технологического мира забывают, насколько далеко их повседневный опыт использования AI ушел от опыта большинства. Многие из них платят по $200 в месяц за продвинутых кодинг-агентов, работают с топовыми моделями и постепенно отдают агентам все больше и больше задач.
Но этот опыт пока далеко не массовый: по данным американского банка PNC, в мае 2026 года за подписки на генеративный AI платили лишь 2,2% домохозяйств. Если же говорить про продвинутых кодинг-агентов, то доля тех, кто испытал их магию на себе еще существенно меньше.
Для многих людей AI — это по-прежнему бесплатный ChatGPT с лимитами, который они используют для поиска. Более умный Google, который еще иногда и галлюцинирует.
И теперь представьте, что этим людям дают агента на топовой модели, со своей виртуальной машиной, браузером, памятью и способностью использовать самые разные инструменты. Агента, который может заполнить для них сложную налоговую форму, выбить скидку у провайдера интернета, забронировать билеты в кино, купить подарок на день рождения или разобраться с таможней по поводу застрявшей посылки.
Для таких пользователей это огромный скачок добавочной ценности относительно того, что они привыкли получать от условного «бесплатного ChatGPT».
Скачок чем-то похожий на тот, который многие из нас пережили с Claude Code для рабочих задач месяцев десять назад. Но, вероятно, даже больше.
Мы с тех пор постепенно привыкали к новым возможностям AI: персистентные агенты, наличие у агента своего компьютера, память, способность использовать браузер и компьютер, проактивность, решение совершенно разных задач через агентов.
А многие люди сейчас получают весь этот прогресс за один шаг в новых персональных агентах.
При этом сам продукт персональных агентов хорошо заточен под консьюмерский юзкейс: бесплатный, форм-фактор понятен людям без продвинутых технических навыков, онбординг не в «поисковый» юзкейс, а в «решение реальных задач человека». Люди даже не знают, какая модель работает под капотом. Собственно, а зачем им знать?
Вместе это дает резкий скачок в ценности: становится доступно то, что еще вчера человек делал сам или вообще откладывал, потому что не хотел тратить время. Отсюда и вау.
Хотите обсудить? Тегайте в X (Twitter).
***
Приходите к нам в AI-мастерскую, чтобы получить скачок добавочной ценности от агентов для рабочих и творческих задач.
@gopractice
Привет, это Олег.
Наблюдаю интересную разницу в реакции на персональных AI-ассистентов (Muse, Instinct).
— Одни пробуют и очень быстро ловят aha moment.
— Другие пробуют и не видят ничего принципиально нового относительно того, что они уже делали.
Дело в том, что люди из технологического мира забывают, насколько далеко их повседневный опыт использования AI ушел от опыта большинства. Многие из них платят по $200 в месяц за продвинутых кодинг-агентов, работают с топовыми моделями и постепенно отдают агентам все больше и больше задач.
Но этот опыт пока далеко не массовый: по данным американского банка PNC, в мае 2026 года за подписки на генеративный AI платили лишь 2,2% домохозяйств. Если же говорить про продвинутых кодинг-агентов, то доля тех, кто испытал их магию на себе еще существенно меньше.
Для многих людей AI — это по-прежнему бесплатный ChatGPT с лимитами, который они используют для поиска. Более умный Google, который еще иногда и галлюцинирует.
И теперь представьте, что этим людям дают агента на топовой модели, со своей виртуальной машиной, браузером, памятью и способностью использовать самые разные инструменты. Агента, который может заполнить для них сложную налоговую форму, выбить скидку у провайдера интернета, забронировать билеты в кино, купить подарок на день рождения или разобраться с таможней по поводу застрявшей посылки.
Для таких пользователей это огромный скачок добавочной ценности относительно того, что они привыкли получать от условного «бесплатного ChatGPT».
Скачок чем-то похожий на тот, который многие из нас пережили с Claude Code для рабочих задач месяцев десять назад. Но, вероятно, даже больше.
Мы с тех пор постепенно привыкали к новым возможностям AI: персистентные агенты, наличие у агента своего компьютера, память, способность использовать браузер и компьютер, проактивность, решение совершенно разных задач через агентов.
А многие люди сейчас получают весь этот прогресс за один шаг в новых персональных агентах.
При этом сам продукт персональных агентов хорошо заточен под консьюмерский юзкейс: бесплатный, форм-фактор понятен людям без продвинутых технических навыков, онбординг не в «поисковый» юзкейс, а в «решение реальных задач человека». Люди даже не знают, какая модель работает под капотом. Собственно, а зачем им знать?
Вместе это дает резкий скачок в ценности: становится доступно то, что еще вчера человек делал сам или вообще откладывал, потому что не хотел тратить время. Отсюда и вау.
Хотите обсудить? Тегайте в X (Twitter).
***
Приходите к нам в AI-мастерскую, чтобы получить скачок добавочной ценности от агентов для рабочих и творческих задач.
@gopractice
❤10⚡3😱1
Продолжаем серию кейсов о работе с AEO/GEO. Анализируем видимость в ответах LLM
Все больше покупателей выбирают продукт, спрашивая совета у ChatGPT, Gemini или Claude. Если модель не называет вашу компанию в ответе, вы проигрываете еще до того, как человек дойдет до сайта, и даже не узнаете об этом. Позиции в поиске компании отслеживают годами, а что о них говорят модели, большинство не знает.
Мониторинг видимости закрывает этот пробел: показывает, в каких вопросах вас советуют, где выигрывают конкуренты и с какой тональностью модели о вас пишут. По этим данным можно понять, что менять в позиционировании, контенте и присутствии на внешних площадках.
Вторая часть кейса AI-мастерской о видимости в ответах LLM уже на подходе.
В первой части мы собрали сервис, который каждый день опрашивает модели и сохраняет ответы в базу. Во второй учимся работать с этими данными: понимать, что стоит за числами, интерпретировать метрики и находить в срезах продуктовые выводы.
💎 Несколько советов для тех, кто анализирует видимость в LLM:
— Прежде чем читать число, разберитесь, из чего оно собрано: какие вопросы, от лица какой персоны, по каким ответам. Иначе одну и ту же цифру можно прочитать по-разному.
— Оценивайте видимость только в сравнении с конкурентами. Mention rate в 40% сам по себе ничего не говорит.
— Отличайте сдвиг рынка от случайности. Прежде чем делать выводы из резкого скачка, сверьтесь с журналом изменений и посмотрите, сколько ответов за ним стоит.
— Разделяйте общую и брендовую корзины. Попадание в ответ на вопрос о категории и ответ на вопрос о вас — разные метрики.
— Ищите выводы в срезах: по персонам, моделям, режимам с веб-поиском и без. Среднее по всем ответам скрывает самое интересное.
— Превращайте находку в гипотезу и проверяйте ее по текстам ответов. Числа показывают, где смотреть, тексты объясняют почему.
Разбираем все на данных по Granola и четырем конкурентам. Если в первой части вы собирали мониторинг по своему продукту, повторите анализ на своих данных. Навык работает и с готовыми сервисами мониторинга: они тоже показывают только числа, а решения по ним принимаете вы.
Присоединяйтесь, начинаем уже на следующей неделе.
В будущей третьей части, «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM», разберем, как на эти метрики влиять.
@gopractice
Все больше покупателей выбирают продукт, спрашивая совета у ChatGPT, Gemini или Claude. Если модель не называет вашу компанию в ответе, вы проигрываете еще до того, как человек дойдет до сайта, и даже не узнаете об этом. Позиции в поиске компании отслеживают годами, а что о них говорят модели, большинство не знает.
Мониторинг видимости закрывает этот пробел: показывает, в каких вопросах вас советуют, где выигрывают конкуренты и с какой тональностью модели о вас пишут. По этим данным можно понять, что менять в позиционировании, контенте и присутствии на внешних площадках.
Вторая часть кейса AI-мастерской о видимости в ответах LLM уже на подходе.
В первой части мы собрали сервис, который каждый день опрашивает модели и сохраняет ответы в базу. Во второй учимся работать с этими данными: понимать, что стоит за числами, интерпретировать метрики и находить в срезах продуктовые выводы.
💎 Несколько советов для тех, кто анализирует видимость в LLM:
— Прежде чем читать число, разберитесь, из чего оно собрано: какие вопросы, от лица какой персоны, по каким ответам. Иначе одну и ту же цифру можно прочитать по-разному.
— Оценивайте видимость только в сравнении с конкурентами. Mention rate в 40% сам по себе ничего не говорит.
— Отличайте сдвиг рынка от случайности. Прежде чем делать выводы из резкого скачка, сверьтесь с журналом изменений и посмотрите, сколько ответов за ним стоит.
— Разделяйте общую и брендовую корзины. Попадание в ответ на вопрос о категории и ответ на вопрос о вас — разные метрики.
— Ищите выводы в срезах: по персонам, моделям, режимам с веб-поиском и без. Среднее по всем ответам скрывает самое интересное.
— Превращайте находку в гипотезу и проверяйте ее по текстам ответов. Числа показывают, где смотреть, тексты объясняют почему.
Разбираем все на данных по Granola и четырем конкурентам. Если в первой части вы собирали мониторинг по своему продукту, повторите анализ на своих данных. Навык работает и с готовыми сервисами мониторинга: они тоже показывают только числа, а решения по ним принимаете вы.
Присоединяйтесь, начинаем уже на следующей неделе.
В будущей третьей части, «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM», разберем, как на эти метрики влиять.
@gopractice
gopractice.ru
AI-мастерская GoPractice — кейсы по созданию AI-продуктов
Практические кейсы по созданию AI-продуктов. Новый кейс каждые 2 недели, поддержка экспертов в чате, без кода. Проходите в своем темпе онлайн.
❤10
This media is not supported in your browser
VIEW IN TELEGRAM
Мы измерили видимость в ответах LLM. Что дальше?
Предыдущие две недели в AI-мастерской мы работали над кейсом «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». В нем мы собрали сервис мониторинга видимости в ответах LLM. Он показывает, что LLM отвечают человеку, который собирается выбрать продукт в вашей категории: называют ли вашу компанию, на каком месте в списке и в какой тональности — и то же самое по конкурентам. В нашем примере это Granola, AI-ассистент для рабочих встреч, и четыре конкурента: Otter, Fireflies, Fathom и Zoom AI Companion.
Мы завели корзины вопросов, персоны, набор моделей и два режима вызова, настроили разбор ответов с помощью LLM, организовали расчет метрик и поставили сбор на расписание. Получился инструмент, который каждый день обращается к моделям и сохраняет ответы в базу.
В новом кейсе AI-мастерской, который стартует сегодня, мы работаем с собранными данными: учимся их анализировать и делать из них выводы. Чему научимся:
— Понимать, что стоит за числами. Какие вопросы задают моделям и от лица кого, как считается метрика и по каким ответам. Без этого одно и то же число можно прочитать по-разному.
— Интерпретировать метрики. С чем сравнивать видимость компании, чтобы понять, высокая она или низкая. Когда резкое изменение говорит о рынке, а когда это случайность.
— Анализировать данные. Какие вопросы задавать к данным, в каких срезах искать продуктовые выводы, как превращать находку в гипотезу и проверять ее по текстам ответов моделей.
Работаем на данных нашего сервиса, но навык переносится на любые данные о видимости в ответах LLM: из вашего собственного мониторинга или из готовых сервисов, которые предлагает рынок.
Навыки на выходе:
— Анализ данных с кодинг-агентом: вопросы к выгрузке, сверка расчетов, дашборд
— Интерпретация метрик видимости: Mention rate, First mention rate, Sentiment split
— Анализ изменений: рынок, правки замера и случайные колебания
— Продуктовые выводы из срезов: модели, персоны покупателя, вопросы
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
@gopractice
Предыдущие две недели в AI-мастерской мы работали над кейсом «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». В нем мы собрали сервис мониторинга видимости в ответах LLM. Он показывает, что LLM отвечают человеку, который собирается выбрать продукт в вашей категории: называют ли вашу компанию, на каком месте в списке и в какой тональности — и то же самое по конкурентам. В нашем примере это Granola, AI-ассистент для рабочих встреч, и четыре конкурента: Otter, Fireflies, Fathom и Zoom AI Companion.
Мы завели корзины вопросов, персоны, набор моделей и два режима вызова, настроили разбор ответов с помощью LLM, организовали расчет метрик и поставили сбор на расписание. Получился инструмент, который каждый день обращается к моделям и сохраняет ответы в базу.
В новом кейсе AI-мастерской, который стартует сегодня, мы работаем с собранными данными: учимся их анализировать и делать из них выводы. Чему научимся:
— Понимать, что стоит за числами. Какие вопросы задают моделям и от лица кого, как считается метрика и по каким ответам. Без этого одно и то же число можно прочитать по-разному.
— Интерпретировать метрики. С чем сравнивать видимость компании, чтобы понять, высокая она или низкая. Когда резкое изменение говорит о рынке, а когда это случайность.
— Анализировать данные. Какие вопросы задавать к данным, в каких срезах искать продуктовые выводы, как превращать находку в гипотезу и проверять ее по текстам ответов моделей.
Работаем на данных нашего сервиса, но навык переносится на любые данные о видимости в ответах LLM: из вашего собственного мониторинга или из готовых сервисов, которые предлагает рынок.
Навыки на выходе:
— Анализ данных с кодинг-агентом: вопросы к выгрузке, сверка расчетов, дашборд
— Интерпретация метрик видимости: Mention rate, First mention rate, Sentiment split
— Анализ изменений: рынок, правки замера и случайные колебания
— Продуктовые выводы из срезов: модели, персоны покупателя, вопросы
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием.
@gopractice
❤10
Все про персональный маркетинг — на Mindbox Конференции 2026
Третий год подряд поддерживаем Mindbox Конференцию. В этом году команда Mindbox подготовила двухдневную программу: доклады, мастер-классы, интервью и онлайн-воркшоп по вайбкодингу для маркетологов.
Среди докладов 23 октября:
🔹 «Купер» доверил реактивацию клиентов ML-модели и удвоил ROMI;
🔹 «Вита» передала аналитику и рассылки нескольким ИИ-агентам;
🔹 «Сравни»: ручная микросегментация не сработала, а ML-модель увеличила выручку рассылок на 20% в своём сегменте.
Во второй день, 24 октября — онлайн лаборатория вайбкодинга. За день участники настроят сквозную аналитикгу по воронке с алертами и соберут агента для мониторинга конкурентов. Потребуется отдельная регистрация на второй день, ноутбук и подписка на Claude.
Рекомендуем всем, кто руководит маркетингом и продвижением продуктов.
Если вы представляете бренд, используйте для офлайн-регистрации промокод GOPRACTICE и дождитесь подтверждения от организаторов — заявки проходят модерацию.
Онлайн — бесплатно для всех, записи получат все зарегистрированные.
📅 23–24 октября
📍 Москва, кластер «Ломоносов», и онлайн
Программа и регистрация
Реклама ООО «Майндбокс». ИНН: 7713688880. Erid: 2W5zFHYgAjs
Третий год подряд поддерживаем Mindbox Конференцию. В этом году команда Mindbox подготовила двухдневную программу: доклады, мастер-классы, интервью и онлайн-воркшоп по вайбкодингу для маркетологов.
Среди докладов 23 октября:
🔹 «Купер» доверил реактивацию клиентов ML-модели и удвоил ROMI;
🔹 «Вита» передала аналитику и рассылки нескольким ИИ-агентам;
🔹 «Сравни»: ручная микросегментация не сработала, а ML-модель увеличила выручку рассылок на 20% в своём сегменте.
Во второй день, 24 октября — онлайн лаборатория вайбкодинга. За день участники настроят сквозную аналитикгу по воронке с алертами и соберут агента для мониторинга конкурентов. Потребуется отдельная регистрация на второй день, ноутбук и подписка на Claude.
Рекомендуем всем, кто руководит маркетингом и продвижением продуктов.
Если вы представляете бренд, используйте для офлайн-регистрации промокод GOPRACTICE и дождитесь подтверждения от организаторов — заявки проходят модерацию.
Онлайн — бесплатно для всех, записи получат все зарегистрированные.
📅 23–24 октября
📍 Москва, кластер «Ломоносов», и онлайн
Программа и регистрация
Реклама ООО «Майндбокс». ИНН: 7713688880. Erid: 2W5zFHYgAjs
❤5👍5
Привет, это Олег.
Рано или поздно почти каждая продуктовая команда приходит к идее: а давайте добавим в продукт виральность.
Идея выглядит очень привлекательно. Вместо работы с дорогими или сложными в построении каналами привлечения, хочется сделать так, чтобы существующие пользователи сами приводили новых.
Классические идеи для реализации: дадим пользователю бонус, если он пригласит друга. Добавим реферальную программу. Попросим поделиться результатом. Дадим дополнительную функциональность или скидку за приглашение друзей.
Реальность же такова, что виральность практически невозможно прикрутить к существующему продукту сбоку. Я лично такого не видел.
Если взять продукты, где виральность действительно работает, то обычно можно увидеть один из двух паттернов:
1. Виральный цикл является частью основного сценария использования продукта.
2. Продукт создает настолько сильную добавочную ценность, что люди начинают рассказывать о нем другим, а команда может этот эффект усилить.
В первом случае новый пользователь появляется как естественное следствие того, как используется продукт.
— Я создаю документ и отправляю его коллеге в Google Docs.
— Я делаю прототип в Lovable и делюсь им с коллегами.
— Создаю встречу и приглашаю других участников через Calendly.
— Загружаю файл в Dropbox и делюсь ссылкой.
Во всех этих случаях я новый пользователь узнает о продукте не потому, что меня попросили его приглаcить и что-то пообещали, а так как это часть основного сценария использования.
Если такой виральный цикл существует, его можно и нужно усиливать: убирать сопротивление, улучшать опыт ключевого флоу, увеличивать долю пользователей, которые делятся, сокращать путь от получения ссылки до регистрации и первого полезного действия.
Во втором паттерне фундаментом для виральности становится огромная добавочная ценность продукта, которая мотивирует пользователей рассказывать о нем друзьям и коллегам.
Здесь тоже появляется пространство для оптимизации. Можно сделать результат удобнее для публикации, подсказать подходящий момент для шеринга, убрать лишние шаги или специально создавать артефакты, которыми хочется делиться.
Если же нет ни первого, ни второго, то кнопка Invite friends или бонус за приглашение вряд ли фундаментально изменят ситуацию.
Поэтому вопрос «как добавить виральность в наш продукт?» обычно стоит переформулировать следующим образом:
Есть ли в самом продукте естественная причина, по которой его использование приводит к следующему пользователю?
Виральность сложно добавить в продукт. Зато уже существующую виральность можно сделать значительно сильнее.
Важный комментарий: на задачу добавления виральности можно посмотреть под другим углом, например, можно ли создать новый мини-продукт, который сможет за счет виральности или других механизмов помочь привлекать людей в основной продукт. Это уже намного более разумный способ думать о такой проблеме и здесь часто намного больше потенциала, чем в добавлении «виральности» в сам основной продукт.
Хотите обсудить? Тегайте в X (Twitter).
P.S. Присоединяйтесь к обучению в нашем обновленном «Симуляторе управления продуктом на основе данных», в котором тема виральности тоже имеет не последнее по важности значение.
@gopractice
Рано или поздно почти каждая продуктовая команда приходит к идее: а давайте добавим в продукт виральность.
Идея выглядит очень привлекательно. Вместо работы с дорогими или сложными в построении каналами привлечения, хочется сделать так, чтобы существующие пользователи сами приводили новых.
Классические идеи для реализации: дадим пользователю бонус, если он пригласит друга. Добавим реферальную программу. Попросим поделиться результатом. Дадим дополнительную функциональность или скидку за приглашение друзей.
Реальность же такова, что виральность практически невозможно прикрутить к существующему продукту сбоку. Я лично такого не видел.
Если взять продукты, где виральность действительно работает, то обычно можно увидеть один из двух паттернов:
1. Виральный цикл является частью основного сценария использования продукта.
2. Продукт создает настолько сильную добавочную ценность, что люди начинают рассказывать о нем другим, а команда может этот эффект усилить.
В первом случае новый пользователь появляется как естественное следствие того, как используется продукт.
— Я создаю документ и отправляю его коллеге в Google Docs.
— Я делаю прототип в Lovable и делюсь им с коллегами.
— Создаю встречу и приглашаю других участников через Calendly.
— Загружаю файл в Dropbox и делюсь ссылкой.
Во всех этих случаях я новый пользователь узнает о продукте не потому, что меня попросили его приглаcить и что-то пообещали, а так как это часть основного сценария использования.
Если такой виральный цикл существует, его можно и нужно усиливать: убирать сопротивление, улучшать опыт ключевого флоу, увеличивать долю пользователей, которые делятся, сокращать путь от получения ссылки до регистрации и первого полезного действия.
Во втором паттерне фундаментом для виральности становится огромная добавочная ценность продукта, которая мотивирует пользователей рассказывать о нем друзьям и коллегам.
Здесь тоже появляется пространство для оптимизации. Можно сделать результат удобнее для публикации, подсказать подходящий момент для шеринга, убрать лишние шаги или специально создавать артефакты, которыми хочется делиться.
Если же нет ни первого, ни второго, то кнопка Invite friends или бонус за приглашение вряд ли фундаментально изменят ситуацию.
Поэтому вопрос «как добавить виральность в наш продукт?» обычно стоит переформулировать следующим образом:
Есть ли в самом продукте естественная причина, по которой его использование приводит к следующему пользователю?
Виральность сложно добавить в продукт. Зато уже существующую виральность можно сделать значительно сильнее.
Важный комментарий: на задачу добавления виральности можно посмотреть под другим углом, например, можно ли создать новый мини-продукт, который сможет за счет виральности или других механизмов помочь привлекать людей в основной продукт. Это уже намного более разумный способ думать о такой проблеме и здесь часто намного больше потенциала, чем в добавлении «виральности» в сам основной продукт.
Хотите обсудить? Тегайте в X (Twitter).
P.S. Присоединяйтесь к обучению в нашем обновленном «Симуляторе управления продуктом на основе данных», в котором тема виральности тоже имеет не последнее по важности значение.
@gopractice
👍16🔥11❤7
This media is not supported in your browser
VIEW IN TELEGRAM
Заключительный кейс серии про AEO/GEO стартует на следующей неделе: усиливаем видимость компании в ответах LLM
Покупатели все чаще спрашивают ChatGPT, Claude и Gemini, какой продукт выбрать. Если модели не называют вашу компанию или описывают ее по устаревшим данным, вы теряете сделки, которые даже не увидите в аналитике.
На следующей неделе в AI-мастерской выходит третий, заключительный кейс серии о работе с видимостью компании в ответах LLM.
Вместе три кейса складываются в полный цикл: измерить, понять, повлиять.
Что уже было
1️⃣ «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». Мы собрали с кодинг-агентом сервис мониторинга. Он задает моделям вопросы покупателя от лица разных персон, вызывает несколько моделей с веб-поиском и без, разбирает ответы и превращает их в метрики видимости.
2️⃣ «Работа с AEO/GEO. Анализируем видимость компании в ответах LLM». Мы научились работать с кодинг-агентом как с аналитиком данных: анализировать данные мониторинга и проверять выводы агента, прежде чем на них опираться.
Что будет в третьем кейсе
3️⃣ «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM». Мы разберем меры усиления видимости и покажем, как с помощью кодинг-агента понять, что мешает компании попадать в ответы LLM и как модели ее описывают. А еще научимся проверять, сработала ли мера, и управлять бюджетом мониторинга.
Учебный пример, как и в первых двух кейсах, — Granola, AI-блокнот для встреч.
Granola служит нам учебным примером, но все приемы подходят для любой компании. Соберите мониторинг для своего продукта, разберите его данные и пройдите приемы этого кейса на своей компании и на конкурентах, которых модели называют чаще вас.
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
@gopractice
Покупатели все чаще спрашивают ChatGPT, Claude и Gemini, какой продукт выбрать. Если модели не называют вашу компанию или описывают ее по устаревшим данным, вы теряете сделки, которые даже не увидите в аналитике.
На следующей неделе в AI-мастерской выходит третий, заключительный кейс серии о работе с видимостью компании в ответах LLM.
Вместе три кейса складываются в полный цикл: измерить, понять, повлиять.
Что уже было
1️⃣ «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». Мы собрали с кодинг-агентом сервис мониторинга. Он задает моделям вопросы покупателя от лица разных персон, вызывает несколько моделей с веб-поиском и без, разбирает ответы и превращает их в метрики видимости.
2️⃣ «Работа с AEO/GEO. Анализируем видимость компании в ответах LLM». Мы научились работать с кодинг-агентом как с аналитиком данных: анализировать данные мониторинга и проверять выводы агента, прежде чем на них опираться.
Что будет в третьем кейсе
3️⃣ «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM». Мы разберем меры усиления видимости и покажем, как с помощью кодинг-агента понять, что мешает компании попадать в ответы LLM и как модели ее описывают. А еще научимся проверять, сработала ли мера, и управлять бюджетом мониторинга.
Учебный пример, как и в первых двух кейсах, — Granola, AI-блокнот для встреч.
Granola служит нам учебным примером, но все приемы подходят для любой компании. Соберите мониторинг для своего продукта, разберите его данные и пройдите приемы этого кейса на своей компании и на конкурентах, которых модели называют чаще вас.
Присоединяйтесь к студентам AI-мастерской:
🔗 https://gopractice.ru/course/aicases/
@gopractice
❤8🔥2