Claude научился создавать навыки по записи экрана

Раньше, чтобы создать хороший Skill, нужно было несколько часов объяснять Claude, что именно он должен делать, в какой последовательности и каким должен быть результат. Затем тестировать навык, находить ошибки, корректировать инструкции и снова запускать его на реальной задаче.

Теперь появилась функция Record a skill. Ты включаешь запись и выполняешь задачу привычным способом, а Claude наблюдает за действиями и сам собирает из них готовый навык.

То есть вместо того, чтобы долго объяснять ИИ, как ты работаешь, можно один раз показать ему весь процесс. Это очень круто и радикально снижает порог входа в создание навыков.

Мышление в эпоху ИИ

Работа с ИИ все меньше похожа на использование программы и все больше напоминает управление людьми.

Канеман разделял мышление на две системы. Система 1 работает быстро и автоматически. Система 2 включается, когда нужно остановиться, проанализировать ситуацию и осознанно принять решение.

Если продолжить эту аналогию, ИИ становится внешним контуром второй системы. Раньше человек сам ставил перед собой задачу, собирал информацию, анализировал ее, выполнял работу и проверял результат. Теперь часть этого процесса можно передать нейросети.

Но передать задачу не значит перестать думать. Чтобы получить хороший результат, нужно правильно сформулировать цель, передать контекст, описать образ результата, задать ограничения и критерии приемки. Если задача большая, ее нужно разбить на части, определить порядок работы, проверить промежуточные результаты и дать обратную связь.

По сути, это те же навыки, которые нужны руководителю при управлении людьми. Чем сложнее работа, которую мы передаем ИИ, тем меньше значение имеет знание отдельных промптов и тем больше значение имеет качество управления.

Отсюда возникает довольно распространенный страх: если мы начнем отдавать нейросетям анализ, поиск информации и подготовку решений, то постепенно разучимся думать сами.

Но руководители веками делегируют работу другим людям и за редкими исключениями не отупели. Сильный руководитель не обязан лично выполнять каждую задачу команды. Его работа перемещается на другой уровень: выбрать направление, собрать систему, распределить ответственность, задать требования к результату и принять решение.

Хотя исключения, конечно, есть. Если руководитель делегировал не только исполнение, но и собственное понимание предмета, то через некоторое время он уже не способен оценить качество работы команды. С ИИ этот риск становится еще выше. Нейросеть может не сообщить, что задача поставлена плохо, и очень убедительно выдать ошибочный результат.

Поэтому главный навык работы с ИИ состоит не в том, чтобы передать ему все мышление. Нужно понимать, какую часть работы можно делегировать, что необходимо проверить и какие решения пока должен принимать человек.

При этом нейросети постепенно забирают и сам управленческий слой. Они уже умеют разбивать цель на задачи, выбирать инструменты, проверять промежуточные результаты и исправлять собственные ошибки.

Есть метрика Task Completion Time Horizon (METR). Она показывает, задачу какой продолжительности в пересчете на человеческие часы нейросеть способна самостоятельно довести до результата с заданной надежностью. Исторически этот горизонт удваивался примерно каждые три месяца. Это не доказывает, что ИИ уже умеет управлять, но показывает, что он удерживает все более длинные циклы работы, от планирования до проверки результата.

Возможно, со временем ИИ научится ставить задачи другим ИИ лучше большинства руководителей. Тогда устойчивым человеческим навыком останется не умение управлять исполнением, а способность выбирать цели, определять, что действительно важно, и принимать ответственность за результат.

Мышление в эпоху ИИ означает не думать меньше. Оно означает понимать, на каком уровне мышление все еще должно оставаться твоим.

За хороших AI-исследователей уже идет натуральная война

Отдельным специалистам делают офферы на миллионы долларов.

Но есть еще один рынок AI-специалистов, о котором почти не говорят.

Сегодня огромное количество задач технически уже решается нейросетями. Но Claude, ChatGPT и другие большие сервисы просто не дадут вам их решить.

Попробуйте попросить Claude написать вирус. Или сделать часть 18+ контента. Или выполнить что-то из серой зоны. Получите отказ.

При этом есть DeepSeek, Qwen, Llama, Mistral, FLUX и другие модели с открытыми весами.

И есть специалисты, которые умеют их развернуть, дообучить, изменить поведение модели и собрать систему под задачи, за которые OpenAI или Anthropic никогда не возьмутся.

В соседних специальностях, таких как post-training, fine-tuning и red teaming, зарплаты уже доходят до $200–400k+ в год. А самые интересные заказы этого рынка, скорее всего, вообще не появляются в публичных вакансиях.

Если не знаете, куда сейчас глубже развиваться в AI, я бы смотрел сюда.

Специалистов по ИИ-агентам будет много. Это очень востребованный, но постепенно массовый навык.

А людей, которые умеют залезть в кишки модели, дообучить ее и изменить ее поведение, будет гораздо меньше.

При этом AI-кодинг резко снижает порог входа и сюда. То, для чего раньше нужны были годы изучения сложной математики, теперь можно осваивать намного быстрее.

После программистов ИИ-агенты придут к инженерам и дизайнерам

OpenAI приостановила часть внутренних работ с Astra, своей новой моделью. Предварительные тесты показали, что она может самостоятельно искать неизвестные уязвимости и проводить сложные атаки. Для продолжения таких работ компании пришлось усилить безопасность.

Дело не только в том, что ИИ не спит и может писать код сутками. Код можно запускать и проверять тестами. Агент видит ошибку, исправляет ее и повторяет попытку.

Следующими могут стать инженеры. Cadence (компания, чьими программами проектируют микросхемы) уже анонсировала агента, который читает требования, создает проект чипа, тестирует его и исправляет ошибки. Autodesk развивает похожий подход в Fusion (программа для проектирования деталей и подготовки их к производству).

Проектирование зданий тоже движется в эту сторону. У Autodesk уже появился MCP для Revit (программа, в которой создают цифровые модели зданий). Пока агент в основном читает данные проекта, но технически он уже подключен к рабочей среде инженера.

Дизайнеры еще ближе. Агент в Figma уже может менять макеты, создавать компоненты и предлагать несколько вариантов. Поэтому быстрее всего изменится работа тех, кто в основном рисует экраны и готовит типовые материалы. Понимание пользователя, продуктовая логика и выбор сильного решения автоматизируются сложнее.

Спокойнее остальных пока могут спать те, чья работа происходит в физическом мире или строится на доверии и ответственности: мастера на выезде, медсестры, переговорщики и руководители.

В этом году хоть и поздно, но открыл парусный сезон ⛵️

Я в своём прикорме настолько преисполнился, что как будто уже семь месяцев проживаю на этой планете.

Мне этот мир абсолютно понятен.

Я ищу только одного: грудь, покоя и чтобы меня не сажали в этот стул.

Сегодня кабачок. Завтра брокколи. Послезавтра мама говорит: «Попробуем цветную капусту».

А я всё уже понял.

Все эти каши, ложечки и слюнявчики — материальное.

Сегодня ты чистый. Через две минуты каша на носу, щеке, волосах, маме, столе и почему-то на затылке.

И тут понимаешь устройство Вселенной.

Мама думает, что это она вводит мне прикорм.

Нет.

Это я ввожу прикорм маме.

Я беру ложку. Смотрю на неё. На маму. И принимаю решение.

Размазать.

Потому что человек, который просто ест кашу, раб системы.

А человек, который берёт её рукой, сжимает в кулаке и проводит по лицу, познаёт мир.

Дайте мне половину банана, и я за семь минут покажу вам энтропию.

И мама смотрит на меня.

Я в пюре. Стул в пюре. Пол в пюре.

А я сижу спокойно.

Потому что знаю главное.

Сейчас мама меня отмоет.

И даст грудь.

Очень тихо вышел OpenClaw 2.0, а обновление огромное.

Может, слышали про «сны» у AI-агентов. Так вот, OpenClaw тоже научили спать.

Теперь он в фоне разбирает прошлую работу и сохраняет важное в долгую память. А еще добавили самообучение: OpenClaw смотрит на удачные решения, исправления и повторяющиеся процессы и превращает их в новые skills.

Если вы не суперпрофи и не собираете руками память, skills и логику агента, теперь OpenClaw постепенно может доучиваться прямо на вашей работе.

Я сюда очень редко пишу, хотя за последние месяцы накопилось огромное количество практики по AI-агентам.

Хочу это исправить и какое-то время просто выдавать здесь базу на примерах, как они работают, что умеют и как их создавать.

Плюс параллельно готовлю очень мощный курс про создание AI-агентов. Там до предела упростил вход: убрал возню с серверами, ключами, API и тп.

Если давно хотелось не просто почитать про AI-агентов, а по-настоящему почувствовать их мощь руками, думаю, это будет самое то.

Короче, не расходитесь :)

Что такое ИИ-агент и чем они отличаются?

Про ИИ-агентов сейчас говорят так много, что в названиях легко запутаться. ChatGPT, Claude, OpenClaw, Hermes Agent.

Давайте сначала договоримся об определении.

ИИ-агент (AI agent): автономная система, выполняющая задачи от имени пользователя, используя возможности больших языковых моделей (LLM) и специализированных инструментов. В широком смысле это «большая языковая модель с расширениями». Такой агент планирует свою работу, хранит память и вызывает внешние инструменты.

Разберём каждую часть на примере агента, который готовит ежедневный отчёт по продажам.

• Модель (LLM) понимает ваше поручение и выбирает следующий шаг.

• Планирование помогает выстроить работу. Например, агент решает, какие данные нужны для отчёта, где их взять и как проверить.

• Инструменты позволяют выполнить эти шаги: получить данные из CRM, заполнить таблицу и отправить отчёт в Telegram.

• Память помогает учитывать ваши правила: какие показатели включать, как оформлять отчёт и на какие ошибки вы уже указывали.

• Автономность позволяет пройти всю цепочку без команды на каждый шаг. При этом вы задаёте границы: что агент делает сам, а что отправляет вам на проверку.

Сегодня есть два распространённых способа пользоваться такими агентами.

Первый способ: готовые решения внутри сервисов OpenAI, Anthropic и других компаний. У них удобный вход: открыли сервис и начали работать. Но агенты, которых вы настроили внутри платформы, привязаны к вашему аккаунту. Если его заблокируют, можно разом потерять доступ ко всем этим агентам.

Второй способ: проекты с открытым исходным кодом, например OpenClaw и Hermes Agent. Вы запускаете агента в своей среде и сами решаете, как он устроен. При этом можно подключить модель OpenAI, Anthropic или другую.

Мне этот подход нравится по четырём причинам:

1. Ваши настройки и память остаются у вас. Их можно сохранить и перенести.
2. Модель можно менять. Сам агент остаётся, даже если вы решили подключить другого поставщика модели.
3. Агента можно подстроить под свою работу. Дать ему нужные инструменты, доступы и правила.
4. Он может работать регулярно. Например, каждое утро собирать цифры и присылать отчёт в Telegram, пока вы занимаетесь другими делами.

А дальше давайте разберём на конкретных задачах, что агентам уже можно поручать, где пока нужен контроль человека и с чем ещё стоит подождать.

В качестве упражнения поразмышлял над сценариями будущего

Не в формате «какие профессии заменит ИИ к 2030 году». Мне интереснее было докрутить мысль до конца.

Что произойдёт, если ИИ станет умнее человека почти во всём? Если он сможет не только давать советы, но и самостоятельно принимать решения, распоряжаться деньгами, управлять другими агентами, роботами, производством, транспортом, медициной?

А если при этом сильно подешевеют энергия и производство? А если нет? Если человеку всё ещё придётся подтверждать каждое решение машины? А если ИИ получит право действовать самостоятельно? Что меняется, если появляются нормальные нейроинтерфейсы?

Я попробовал собрать из этих вопросов дерево развилок и посмотреть, куда ведут разные комбинации.

В итоге получилось пять более-менее устойчивых миров и несколько неприятных веток, которые заканчиваются уже не новой моделью общества, а кризисом.

Например, потерей контроля над автономными системами. Или ситуацией, когда машины уже производят почти всё, человеческий труд резко дешевеет, но собственность и доход по-прежнему устроены как сегодня. Богатства становится больше, а большая часть людей просто теряет своё место в экономике.

И вот такие варианты меня, пожалуй, беспокоят сильнее классической страшилки про «злой AGI».

Потому что для большой части проблем вообще не нужен восставший искусственный интеллект. Достаточно очень хорошего, послушного и дешёвого ИИ плюс плохо приспособленных к нему институтов.

Отдельно меня зацепил вопрос работы.

Допустим, мы действительно приходим в мир, где человеку не обязательно работать, чтобы общество производило еду, жильё, транспорт и большинство других благ.

На первый взгляд звучит прекрасно.

Но работа сегодня даёт нам сильно больше зарплаты. Она организует день. Даёт социальный круг. Статус. Ощущение прогресса. Возможность сравнивать себя с другими. Причину встать утром. Для многих ещё и довольно большую часть ответа на вопрос «кто я вообще такой?».

Если всё это убрать, человек автоматически счастливее не становится.

В одном сценарии мы получаем огромное высвобождение человеческого потенциала: наука, творчество, спорт, дети, путешествия, собственные проекты, сообщества.

В другом миллиарды людей получают бесконечный TikTok на стероидах и проводят большую часть жизни в идеально подобранных цифровых развлечениях.

В третьем государству приходится искусственно создавать людям деятельность, соревнование, общественные роли и новые способы получать статус.

А может получиться и гораздо неприятнее: маленькая группа владеет роботами, вычислениями, энергией и инфраструктурой, а остальным просто выплачивают достаточно, чтобы система оставалась устойчивой.

Причём даже хороший исход требует совпадения сразу нескольких условий.

Дешёвый интеллект сам по себе не делает дешёвыми энергию, землю и жильё. Роботизация сама по себе не означает, что её результаты достанутся всем. А гарантированный доход ещё не отвечает на вопрос, чем человек будет заполнять следующие пятьдесят лет своей жизни.

Чем дольше я это раскладывал, тем меньше мне хотелось делать очередной прогноз «в 2030 году будет вот так».

Скорее получилась карта развилок.

Можно смотреть, по какой ветке мы фактически движемся, что должно произойти для следующего перехода и где находятся развилки, после которых последствия становятся уже очень серьёзными.

И после всего упражнения у меня осталось ощущение, что технологическая часть может оказаться даже не самой сложной.

Мы довольно быстро учимся строить машины, которые смогут делать всё большую часть того, ради чего последние пару сотен лет было устроено наше общество.

А вот успеем ли мы придумать, зачем в таком мире нужен человек и как ему в нём жить, пока совсем не очевидно.