Вам больше не нужны карты для навигации в путешествии
В Корее все очень плохо с локализацией сервисов даже на английский язык. Google Maps там работают плохо: маршруты не строятся, данные не обновляются. Поэтому все обычно пользуются местным аналогом - Naver.
Naver по ощущениям - это webview в оболочке андроид приложения, ну или React Native на край. Неудобный, лагучий, со вкусом неоправданных ожиданий: несмотря на заявленную поддержку английского языка, переведены только пара кнопок (но и на том камсамнида). На скриншоте к посту уникальный случай - локализованное название заведения, которое еще и нашлось с первого раза. Но, как видите, из понятного че-то там до 18:00 и всего 4.5км - в целом, догадаться можно, простые сценарии покрывает
Чуть более сложный сценарий - найти круглосуточные аптеки по близости к вашей станции метро. Как я ни пытался, я так и не нашел в этом приложении нужные фильтры. Далеко корейцам до Яндекс Карт. Отчаявшись, ради интереса открыл Perplexity aka "убийца гугла". И с одного запроса нашел все, что мне нужно - вот пример сценария. Если попросить, он вам и карту приложит, и ссылки даст, чтобы в навигаторе проложить маршрут
Само собой, поиском заведений Perplexity не ограничивается. Попробуйте его режим Research на какую-нибудь неочевидную тему, включите Academic в настройках и наблюдайте, как он планирует шаги, адаптирует их в моменте на основе информации, которую смог найти, и пишет свои рассуждения. В сутки доступно три таких запроса бесплатно, но есть подписка Pro, которую можно найти всего за 600р/ГОД (да, стартап пока убыточный)
Вишенка на торте - ассистент, который запускается рядом с Siri или Google Assistant и получает доступ к уведомлениям, календарю, изображению на экране. Наряду с возможностями рассуждений, которые предоставляет Perplexity, он выглядит гораздо способнее встроенных ассистентов (ну или до тех пор, пока в России не разблокируется Gemini)
В Корее все очень плохо с локализацией сервисов даже на английский язык. Google Maps там работают плохо: маршруты не строятся, данные не обновляются. Поэтому все обычно пользуются местным аналогом - Naver.
Naver по ощущениям - это webview в оболочке андроид приложения, ну или React Native на край. Неудобный, лагучий, со вкусом неоправданных ожиданий: несмотря на заявленную поддержку английского языка, переведены только пара кнопок (но и на том камсамнида). На скриншоте к посту уникальный случай - локализованное название заведения, которое еще и нашлось с первого раза. Но, как видите, из понятного че-то там до 18:00 и всего 4.5км - в целом, догадаться можно, простые сценарии покрывает
Чуть более сложный сценарий - найти круглосуточные аптеки по близости к вашей станции метро. Как я ни пытался, я так и не нашел в этом приложении нужные фильтры. Далеко корейцам до Яндекс Карт. Отчаявшись, ради интереса открыл Perplexity aka "убийца гугла". И с одного запроса нашел все, что мне нужно - вот пример сценария. Если попросить, он вам и карту приложит, и ссылки даст, чтобы в навигаторе проложить маршрут
Само собой, поиском заведений Perplexity не ограничивается. Попробуйте его режим Research на какую-нибудь неочевидную тему, включите Academic в настройках и наблюдайте, как он планирует шаги, адаптирует их в моменте на основе информации, которую смог найти, и пишет свои рассуждения. В сутки доступно три таких запроса бесплатно, но есть подписка Pro, которую можно найти всего за 600р/ГОД (да, стартап пока убыточный)
Вишенка на торте - ассистент, который запускается рядом с Siri или Google Assistant и получает доступ к уведомлениям, календарю, изображению на экране. Наряду с возможностями рассуждений, которые предоставляет Perplexity, он выглядит гораздо способнее встроенных ассистентов (ну или до тех пор, пока в России не разблокируется Gemini)
❤6🔥6
Пятничные заметки эффективного менеджмента
Сегодня в трекере эффективности своей команды увидел, что у двоих разработчиков превышена продолжительность рабочего дня: 16 и 14 часов соответственно
Поставил встречу с ребятами, чтобы разобраться в причинах переработок и узнать, почему второй разработчик недорабатывает 2 часа
Сегодня в трекере эффективности своей команды увидел, что у двоих разработчиков превышена продолжительность рабочего дня: 16 и 14 часов соответственно
Поставил встречу с ребятами, чтобы разобраться в причинах переработок и узнать
😁23🤣10🔥3
Алек, сделай
Еще один State of Product Management 2024 Второй за год отчет, на этот раз от Product Sense и МТС. Напомню, прошлый был от devcrowd и Яндекс. Прочитал его за вас, субъективно, инсайтов в нем меньше, но что-то интересное нашлось: 🔵 Junior-менеджеры продуктов…
🧐 Вышел очередной отчёт по продакт-менеджменту
Все, что нам нужно из него знать - НАКОНЕЦ-ТО, Inspired перестали рекомендовать как настольную книгу продактов
Писал об этом в каждом обзоре продуктовых отчётов и в каждом продуктовом чате - воспринимаю этот результат как собственную победу 😂
Ура! Всем продактам по зеленой книге с пандочкой!
Все, что нам нужно из него знать - НАКОНЕЦ-ТО, Inspired перестали рекомендовать как настольную книгу продактов
Писал об этом в каждом обзоре продуктовых отчётов и в каждом продуктовом чате - воспринимаю этот результат как собственную победу 😂
Ура! Всем продактам по зеленой книге с пандочкой!
😁10❤3
Никто не сделает за тебя AI-ассистента
Гиперперсонализация - сейчас один из главных трендов. Сервисы отказываются от грубых сегментов, всё чаще делая ставку на уникальные черты каждого пользователя. Spotify подстраивает рекомендации под твое настроение, "Самокат" знает, что у тебя в холодильнике, а банковское приложение адаптирует интерфейс, пытаясь предсказать, что тебе нужно сейчас. Удобно!
И всё это - без усилий с твоей стороны. Благодаря тому что компании годами систематизировали информацию о нас, мы сейчас получаем возможность пользоваться плодами “наших” больших данных - ты просто нажимал на кнопки, а за тобой записывали.
Но всё это - персонализация "снаружи". Умные системы знают наш цифровой след, но не знают нас. Эти данные фрагментарны. Spotify не знает, почему ты слушал конкретный плейлист в апреле. Такси не знает, зачем ты поехал в центр. Даже экосистемы, которые собирают данные из разных уголков твоей жизни, в лучшем случае умеют предугадывать поведение. Но не понимать логику, мотивацию, не видеть связи в действиях.
Сегодня, когда ML больше не принадлежит только корпорациям, его возможности становятся частью наших повседневных задач. И это возможно, потому что мы сами создаём структурированные системы. Как компании из примера выше, но в меньшем масштабе: проектируем архитектуру приложений, заносим данные в таблицы, оформляем документацию, пишем код, проводим исследования. Теперь эти процессы дополняют AI-агенты и LLM — они подхватывают нашу логику, анализируют статьи, пишут в нашем стиле, и это действительно упрощает работу. Особенно когда данные уже систематизированы — и теперь это не данные, собранные корпорациями, а те, что мы готовим сами.
Но у многих ли из нас есть такая "система" о самом себе? Мы ежедневно структурируем знания о внешнем мире, но многие ли пишут свою "документацию" о проектах, работе, прочтенных книгах, знакомствах, переживаниях, мыслях? С самого рождения информацию о нас систематизируют десятки компаний (и это здорово, мы же не технофобы?), но владеем ли мы такой системой сами?
Возможности такой личной системы с даже существующими на данный момент LLM уже могут быть впечатляющими: от простого коуча или терапевта (но действительно понимающего ваши мысли, которые беспокоят регулярно, знающего ваши основные фокусы, а не работающего по RAG-методичке) до цифровых клонов, которые могут принимать решения, копируя ваш стиль рассуждений. И это уже возможно сегодня, а кто знает, что нас ждет завтра.
По-настоящему персонализированного AI-ассистента можно будет построить только “изнутри”, и только вашими руками - на базе ваших знаний, вашего опыта, ваших принципов. Только если вы "документируете" себя и делаете это честно, регулярно.
И, возможно, самое важное, что мы можем сделать сейчас, чтобы не опоздать в этот тренд - начать систематизировать знания о себе
TL;DR:AI-агенты в последние полгода показывают впечатляющие результаты, значительно упрощая наши задачи. Но мы используем их по большей части во внешних проектах и почти не используем "для себя". А чтобы исправить это, нам придется приложить усилия.
Гиперперсонализация - сейчас один из главных трендов. Сервисы отказываются от грубых сегментов, всё чаще делая ставку на уникальные черты каждого пользователя. Spotify подстраивает рекомендации под твое настроение, "Самокат" знает, что у тебя в холодильнике, а банковское приложение адаптирует интерфейс, пытаясь предсказать, что тебе нужно сейчас. Удобно!
И всё это - без усилий с твоей стороны. Благодаря тому что компании годами систематизировали информацию о нас, мы сейчас получаем возможность пользоваться плодами “наших” больших данных - ты просто нажимал на кнопки, а за тобой записывали.
Но всё это - персонализация "снаружи". Умные системы знают наш цифровой след, но не знают нас. Эти данные фрагментарны. Spotify не знает, почему ты слушал конкретный плейлист в апреле. Такси не знает, зачем ты поехал в центр. Даже экосистемы, которые собирают данные из разных уголков твоей жизни, в лучшем случае умеют предугадывать поведение. Но не понимать логику, мотивацию, не видеть связи в действиях.
Сегодня, когда ML больше не принадлежит только корпорациям, его возможности становятся частью наших повседневных задач. И это возможно, потому что мы сами создаём структурированные системы. Как компании из примера выше, но в меньшем масштабе: проектируем архитектуру приложений, заносим данные в таблицы, оформляем документацию, пишем код, проводим исследования. Теперь эти процессы дополняют AI-агенты и LLM — они подхватывают нашу логику, анализируют статьи, пишут в нашем стиле, и это действительно упрощает работу. Особенно когда данные уже систематизированы — и теперь это не данные, собранные корпорациями, а те, что мы готовим сами.
Но у многих ли из нас есть такая "система" о самом себе? Мы ежедневно структурируем знания о внешнем мире, но многие ли пишут свою "документацию" о проектах, работе, прочтенных книгах, знакомствах, переживаниях, мыслях? С самого рождения информацию о нас систематизируют десятки компаний (и это здорово, мы же не технофобы?), но владеем ли мы такой системой сами?
Возможности такой личной системы с даже существующими на данный момент LLM уже могут быть впечатляющими: от простого коуча или терапевта (но действительно понимающего ваши мысли, которые беспокоят регулярно, знающего ваши основные фокусы, а не работающего по RAG-методичке) до цифровых клонов, которые могут принимать решения, копируя ваш стиль рассуждений. И это уже возможно сегодня, а кто знает, что нас ждет завтра.
По-настоящему персонализированного AI-ассистента можно будет построить только “изнутри”, и только вашими руками - на базе ваших знаний, вашего опыта, ваших принципов. Только если вы "документируете" себя и делаете это честно, регулярно.
И, возможно, самое важное, что мы можем сделать сейчас, чтобы не опоздать в этот тренд - начать систематизировать знания о себе
💯9🔥6✍4🤔4❤1
Спустя несколько лет в профессии, я, кажется, нашел формулу, как получать классные продукты. Самое главное, что это знание всегда лежало на поверхности
Включайте уведомления, завтра все расскажу!
Включайте уведомления, завтра все расскажу!
❤9🔥8
Алек, сделай
Спустя несколько лет в профессии, я, кажется, нашел формулу, как получать классные продукты. Самое главное, что это знание всегда лежало на поверхности Включайте уведомления, завтра все расскажу!
Если твой продукт на посевной стадии, обязательно посмотри это видео👇
Алек, сделай
Хочется попробовать в связке с Confluence, но кто ж из российских бигтехов позволит))
Вайбкодинг в кровавом энтерпрайзе
В мае я писал о том, что эх вот было бы неплохо попробовать вайбкодинг на работе в связке с MCP Confluence, где лежит документация по проекту. Кажется, что очень удобно совместить актуальные задачи, требования, тестовые сценарии и код в едином контексте, а потом в режиме чата просить доработать бекенд по изменениям в требованиях или написать новые тесты. Не зря же мы столько документируем на работе!
И пару дней назад мне, наконец, удалось! И не где-нибудь, а в кровавом энтерпрайзе Сбера и без миллиарда согласований 👀
В Сбере большинство внешних ресурсов не открываются с рабочих устройств, поэтому использование внешних LLM и других привычных инструментов довольно затруднительно. Но зато доступен GigaChat, и на том спасибо. Будем пользоваться тем, что есть, и прикручивать свои костыли
1. Базовый минимум - выкурчиваем вайбы для кодинга
Что понадобилось:
🔵 Чуть адаптировать Proxy до GigaChat, который работает в режиме совместимости с OpenAI API, чтобы ходить бесплатно к нему по сертификатам
🔵 Заставить Roo Code (аналог Cursor) поверить, что перед ним ChatGPT, а не GigaChat
Roo Code запустился, в целом, уже было очень классно - вайбкодинг на рабочем компе получили. Да, не такой вайбовый, как на личном компе, но зато🤑 бесплатновый! 🤑
2. Привлекательный оптимум - общаемся с рабочей документацией и задачками
Следующий вызов - пообщаться с актуальной документацией по проекту и с задачами в таск-трекере. Для этого нужно было поднять MCP сервер, который умел бы взаимодействовать со Сберовскими сервисами. А дальше два больших открытия для меня за последние дни:
🔵 Большинство MCP серверов работают локально. Да, их можно развернуть на удаленном сервере, но оказалось, что в большинстве случаев можно и без этого обойтись
🔵 Если мы работаем с локальным сервером, то можно не получать сервисный токен для работы с Confluence, Jira, а работать с пользовательским. Оказывается, оба этих продукта поддерживают авторизацию по API с обычным логином/паролем. И это очень хорошо сочетается с локальным MCP
На гитхабе есть несколько MCP для Jira, Confluence, написанных на разных языках. Но все они покрывают разные методы, а мне хотелось бы максимально возможного покрытия. Не беда - взяли три проекта, попросили Cursor (GigaChat мы такое не доверяем пока) переписать в едином стиле, объединив их, и через 15 минут у нас самый крупный MCP по Jira, Confluence.
3. Роскошный максимум - дополняем MCP новыми инструментами по Swagger
А сможем ли расширить сценарии работы MCP еще и до написания QA тестов? Ну, скажем, получили документацию по продукту, а потом сгенерировали кейсы в рамках одного чата. Для тест кейсов у нас используется Zephyr - плагин к Jira. MCP-серверов к нашей версии Zephyr я не нашел, но нашел очень хорошо описанный Swagger (OpenAPI). Ждем 5 минут, и получаем +20 инструментов, которые уже можно вызывать с помощью LLM. Вставляем команду для запуска MCP в RooCode и получаем швейцарский нож
Теперь будем тестировать в команде связки, с которыми можно работать таким образом. Удачными сценариями поделюсь с вами!
P.S. Мой доработанный MCP оставляю здесь
В мае я писал о том, что эх вот было бы неплохо попробовать вайбкодинг на работе в связке с MCP Confluence, где лежит документация по проекту. Кажется, что очень удобно совместить актуальные задачи, требования, тестовые сценарии и код в едином контексте, а потом в режиме чата просить доработать бекенд по изменениям в требованиях или написать новые тесты. Не зря же мы столько документируем на работе!
И пару дней назад мне, наконец, удалось! И не где-нибудь, а в кровавом энтерпрайзе Сбера и без миллиарда согласований 👀
Если вы не знакомы с понятием MCP, то это по сути прослойка между привычным API и языковой моделью. С помощью нее можно на естественном языке получать данные и исполнять команды точно также, как если бы вы это делали программно. Главная задача MCP - отдать понятное для LLM описание имеющихся инструментов (по сути API эндпоинтов), а потом перенаправить вызов этих инструментов от LLM оригинальному сервису по, например, REST API
В Сбере большинство внешних ресурсов не открываются с рабочих устройств, поэтому использование внешних LLM и других привычных инструментов довольно затруднительно. Но зато доступен GigaChat, и на том спасибо. Будем пользоваться тем, что есть, и прикручивать свои костыли
1. Базовый минимум - выкурчиваем вайбы для кодинга
Что понадобилось:
Roo Code запустился, в целом, уже было очень классно - вайбкодинг на рабочем компе получили. Да, не такой вайбовый, как на личном компе, но зато
2. Привлекательный оптимум - общаемся с рабочей документацией и задачками
Следующий вызов - пообщаться с актуальной документацией по проекту и с задачами в таск-трекере. Для этого нужно было поднять MCP сервер, который умел бы взаимодействовать со Сберовскими сервисами. А дальше два больших открытия для меня за последние дни:
На гитхабе есть несколько MCP для Jira, Confluence, написанных на разных языках. Но все они покрывают разные методы, а мне хотелось бы максимально возможного покрытия. Не беда - взяли три проекта, попросили Cursor (GigaChat мы такое не доверяем пока) переписать в едином стиле, объединив их, и через 15 минут у нас самый крупный MCP по Jira, Confluence.
3. Роскошный максимум - дополняем MCP новыми инструментами по Swagger
А сможем ли расширить сценарии работы MCP еще и до написания QA тестов? Ну, скажем, получили документацию по продукту, а потом сгенерировали кейсы в рамках одного чата. Для тест кейсов у нас используется Zephyr - плагин к Jira. MCP-серверов к нашей версии Zephyr я не нашел, но нашел очень хорошо описанный Swagger (OpenAPI). Ждем 5 минут, и получаем +20 инструментов, которые уже можно вызывать с помощью LLM. Вставляем команду для запуска MCP в RooCode и получаем швейцарский нож
Теперь будем тестировать в команде связки, с которыми можно работать таким образом. Удачными сценариями поделюсь с вами!
P.S. Мой доработанный MCP оставляю здесь
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥15❤4🤯2👌2✍1