Очень сильный трюк для вайбкодеров 🧠

Перед тем как AI пишет код
заставь его сначала объяснить решение.

Большинство делает так:

Напиши API для загрузки файлов.

AI сразу начинает генерировать код.
И часто делает не то, что нужно.

Гораздо лучше написать:

Не пиши код.

Сначала объясни,
как ты понял задачу
и как ты собираешься её решить.

AI отвечает примерно так:

• endpoint /upload
• проверка типа файла
• загрузка в S3
• запись метаданных в базу
• возврат URL

Теперь ты можешь проверить:

AI правильно понял задачу или нет 🤝

И только после этого написать:

Теперь реализуй это.

Реальный кейс

Задача: система уведомлений 📪

Без этого шага AI написал простой сервис.

После запроса «объясни архитектуру» AI предложил:

• очередь сообщений
• worker для отправки
• retry
• dead letter queue

Код стал намного более продакшн-уровня.

Правило vibe-coding 🚀

Сначала думать
→
Потом писать код

#вайбкодинг

Если ты не разработчик, но делаешь проект через AI - всегда начинай с этих вопросов 📝

Главная проблема новичков:

они просят AI написать код,
но не задают технологические рамки.

AI начинает угадывать стек.

И проект быстро превращается в хаос.

Вот 7 вещей, которые нужно спросить перед началом разработки.

1️⃣ Backend

Спроси:

Какой backend лучше использовать для этого проекта?

Например AI может предложить:

• FastAPI
• Django
• Node.js
• Supabase

2️⃣ Frontend

Спроси:

Какой frontend стек лучше для этого продукта?

Чаще всего AI предложит:
• Next.js
• React
• Vue

3️⃣ База данных

Очень важный вопрос:

Какая база данных лучше для этого проекта?

AI обычно выбирает между:
• PostgreSQL
• MongoDB
• SQLite

4️⃣ Авторизация

Спроси:

Как лучше реализовать authentication?

Типичные варианты:
• JWT
• OAuth
• Supabase auth
• Clerk

5️⃣ Хостинг

Спроси:

Где проще всего задеплоить этот проект?

Обычно ответы:
• Vercel
• Railway
• Fly.io
• AWS

6️⃣ Хранение файлов

Если у тебя есть файлы:

Где хранить файлы?

AI предложит:
• S3
• Cloudflare R2
• Supabase storage

7️⃣ Архитектура

И самый важный вопрос:

Опиши архитектуру проекта перед тем как писать код.

AI должен ответить примерно так:

Frontend → Next.js
Backend → FastAPI
Database → PostgreSQL
Storage → S3
Auth → JWT

И только после этого начинай писать код.

Это превращает хаотичный vibe-coding
в управляемую разработку.

#postgres #вайбкодинг

Почему я иногда запускаю 5-10 AI-агентов одновременно

Один из самых сильных трюков в vibe-coding 🔥

Большинство людей работают с ИИ так:

Открывают один чат → пишут задачу → ждут ответ

Но это очень медленно 🐢

Вместо этого можно запускать несколько агентов параллельно, как будто у тебя целая команда разработчиков.

Например:

Agent 1 → пишет backend
Agent 2 → делает frontend
Agent 3 → пишет тесты
Agent 4 → делает refactor
Agent 5 → пишет документацию

И все это происходит одновременно.

Пока один агент думает над архитектурой, другой уже генерирует код.

В результате задача, которая занимала несколько часов, может решиться за 20–30 минут.

Это ощущается примерно так, как будто у тебя внезапно появилась маленькая команда разработчиков, которые работают вместе.

Самое интересное - многие до сих пор используют ИИ как «умный автокомплит».

Но настоящий буст начинается тогда, когда ты начинаешь думать:

не как использовать один ИИ,
а как оркестрировать сразу несколько.

Это один из ключевых принципов vibe-coding.

#вайбкодинг

🔥 Auto-Agents или AI запускается сам

Раньше workflow выглядел так:
- Ты пишешь промпт
- AI пишет код

Теперь можно так:
- Событие в проекте
- AI агент сам запускается

Например:
- появился новый файл
- появился GitHub issue
- пришло Slack-сообщение
- сломался тест

AI сам запускается и начинает работать.

Реальный пример

Допустим, в репозитории появляется новый файл:

payments_service.py

Срабатывает automation:
- Агент #1 🤖 проверяет валидность структуры проект
- Агент #2 🤖 пишет тесты
- Агент #3 🤖 запускает линтер

Разработчик может даже не писать промпт.

Другой пример

Ты создаёшь GitHub issue:

Add dark mode

Automation запускает:

- Planner agent пишет план
- Coding agent пишет код
- Testing agent пишет тесты

Это уже называют новой моделью разработки

Agentic engineering 👀

То есть разработчик:

👉 не пишет код
👉 не пишет промпты

а настраивает систему агентов.

Это следующий этап после vibe-coding

#вайбкодинг

Новый трюк скилловый для вайбкодеров 🚀

Не пиши огромные промпты.

Создавай skills для AI-агентов.

Например:

skill: create_api
skill: write_tests
skill: debug_error

Теперь вместо промпта:

Сделай API

агент делает:

create_api →
write_tests →
run_checks

AI начинает работать
не как чат-бот

а как разработчик с набором инструментов 🔥

#вайбкодинг

Что происходит с лимитами Google Antigravity 👀

Многие разработчики сейчас жалуются на лимиты Antigravity.

Вот как они реально работают.

1️⃣ Лимиты обновляются каждые 5 часов.

2️⃣ Но у плана AI Pro есть скрытый weekly cap.
Когда он заканчивается, модели могут блокироваться на 5-7 дней 🤨

3️⃣ В плане AI Ultra ($250/мес) этого ограничения нет.

4️⃣ Лимиты тратятся не за сообщения, а за работу агента.

Например:
- анализ репозитория
- запуск тестов
- работа браузерного агента

могут сжечь квоту намного быстрее.

5️⃣ Есть баг: иногда при исчерпании одной модели
блокируются все модели сразу.

#antigravity

Как скачать базу данных из из любого PaaS

Многие думают, что нужно искать кнопку Download database 👀

Но почти во всех современных хостингах ее нет.

Базу скачивают через dump.

Принцип одинаковый для Railway, Supabase, Render, Fly.io.

Railway

1️⃣ Открываешь сервис Postgres
2️⃣ Копируешь DATABASE_URL

Теперь скачиваешь базу:

pg_dump $DATABASE_URL > database.sql

Все…
У тебя полный SQL-дамп базы.

Supabase

1️⃣ В панели:

Project → Database → Connection string

2️⃣ Берешь Postgres URL и делаешь:

pg_dump "postgres://..." > database.sql

Render

1️⃣ В базе данных есть:

External Database URL

Используешь ту же команду:

pg_dump "postgres://..." > database.sql

Если база большая 🤨

Лучше использовать:

pg_dump -Fc $DATABASE_URL > database.dump

Это сжатый дамп, который быстрее скачивается 🧠

Как потом восстановить базу

pg_restore -d postgres://user:pass@host/db database.dump

#database #paas

Один из самых сильных трюков vibe-coding

Проси AI сначала написать тесты, а уже потом код.

Большинство делает так:

Напиши функцию.

Но гораздо мощнее написать:

Сначала напиши unit-тесты для этой функции.
Потом напиши код, который их проходит.

Что происходит:

• AI лучше понимает задачу
• код получается чище
• почти нет багов

Фактически ты заставляешь AI сначала подумать о поведении, а потом писать реализацию.

Это тот же принцип, что и TDD (test-driven development).

Но с AI он работает ещё лучше.

Иногда один этот трюк делает код в разы стабильнее 👌

Не существует лучшей AI-модели для кода.
Есть лучшая модель под конкретный тип задачи.

Вот рабочая схема:

Claude - когда нужно думать по репозиторию
Если задача звучит как:

разбери архитектуру, найди слабые места, аккуратно отрефактори несколько файлов, запусти команды, поправь баг

- это сильный кейс для Claude Code.
Anthropic прямо пишет, что Claude Code читает кодовую базу, редактирует файлы, запускает команды и работает через инструменты разработки.

GPT-5.4 - когда нужен универсальный coding-agent
Если тебе нужен не просто код, а полный цикл:

понять задачу → написать код → сходить в инструменты → поработать с браузером/компьютером → проверить результат

то OpenAI сейчас рекомендует gpt-5.4 как дефолт для большинства code generation задач.
Плюс у GPT-5.4 есть native computer use и до 1M токенов контекста, поэтому он особенно силен там, где код смешан с длинными workflow и агентными действиями.

Gemini 2.5 Pro - когда контекста очень много
Если задача звучит как:

вот тебе огромный репозиторий, куча файлов, разберись, где что ломается

- смотри в сторону Gemini 2.5 Pro.
Google пишет, что Gemini 2.5 Pro умеет работать с огромными наборами данных и целыми code repositories, а в Gemini Pro доступен контекст 1M токенов - это до 30K строк кода одновременно.

Очень коротко:

Claude → архитектура, рефакторинг, работа по repo

GPT-5.4 → универсальный coding loop и agent workflow

Gemini 2.5 Pro → огромный контекст, длинные файлы, большой кодовый массив

Пример нормального workflow:

Claude → «спланируй, как лучше переделать модуль»

GPT-5.4 → «реализуй, прогони workflow, проверь»

Gemini → «проанализируй весь большой контекст и найди, что я мог упустить»

Вывод:
Сильный разработчик в 2026 выбирает не любимую модель.
Он выбирает маршрут задачи.
И уже под маршрут подставляет нужную модель.

#вайбкодинг

Навайбкодил, протестируй! Теперь как круто вайбтестить! Погнали! 👉

Если ты делаешь сайт через AI -
есть один инструмент, который может сам протестировать весь интерфейс.

Это Playwright.

И самый мощный режим - codegen.

Ты просто запускаешь:

npx playwright codegen https://your-site.com

Откроется браузер.

Дальше ты:
- кликаешь кнопки
- заполняешь формы
- переходишь между страницами

И Playwright сам пишет тестовый код.

Например:

await page.goto("https://site.com")

await page.getByLabel("Email").fill("test@test.com")

await page.getByLabel("Password").fill("123456")

await page.getByRole("button", { name: "Sign up" }).click()

await expect(page.getByText("Dashboard")).toBeVisible()

Теперь этот тест можно запускать бесконечно 🥹

Он будет проверять:

- работает ли регистрация
- кликаются ли кнопки
- открываются ли страницы
- не сломался ли интерфейс

Почему Playwright сейчас топ 🔝

Он автоматически:
- ждет загрузку элементов
- ретраит проверки
- делает trace всех действий

Если тест падает - можно открыть trace viewer и увидеть:

- что нажалось
- что загрузилось
- где все сломалось.

Самый мощный workflow

AI → пишет Playwright тест
CI → запускает тесты
Trace → показывает баг

И у тебя появляется автоматический QA для сайта 🫡

#playwright #вайбтест

Главная ошибка при работе с AI-кодингом

Большинство людей пишут промпт так:

Сделай мне dashboard для аналитики.

И получают странный результат 🤨

Проблема в том, что для AI это слишком большая и расплывчатая задача.

Есть гораздо более мощный подход.

Он называется «Phases beat prompts»

Вместо одного промпта разбиваешь работу на фазы.

Например:

Фаза 1 - Research

Опиши, как должен выглядеть dashboard для аналитики.
Какие блоки и метрики там должны быть.

Фаза 2 - Plan

Составь архитектуру проекта:
frontend, backend, структура данных.

Фаза 3 - Implement

Теперь напиши код для этого dashboard.

И происходит магия.

AI начинает работать намного точнее.

Почему?

Потому что модель сначала 1) понимает задачу,
2) потом строит план,
3) и только потом пишет код.

Разница в качестве может быть в несколько раз 🚀

Этот трюк используют многие разработчики, которые работают с Cursor или Claude.

И это один из самых простых способов резко улучшить результаты vibe-coding.

Если коротко:

Не пиши один большой промпт.
Думай фазами.

#вайбкодинг

Самые популярные юзкейсы OpenClaw

Если посмотреть реальные кейсы из Reddit, HN и блогов, почти все использование OpenClaw сводится к нескольким паттернам.

Утренний AI-брифинг ☕️
Каждое утро агент присылает в Telegram:
календарь, задачи, важные письма, новости, погоду.

Почта и личный COO 📨
Сортирует email, пишет ответы, делает follow-ups, ведёт personal CRM.

Ресерч и мониторинг 👀
Следит за Reddit, HN, X, блогами и конкурентами.
Присылает дайджесты и инсайты.

Второй мозг 🧠
Индексирует документы, заметки, переписки.
Можно задавать вопросы по всей личной базе знаний.

Dev и автоматизация 🧑‍💻
Авто-ревью PR, запуск тестов, ночные билды, мониторинг сервисов.

Web-автоматизация 🛜
Агент управляет браузером:
логинится, заполняет формы, скрейпит данные.

Бизнес и продажи 🧾
Поиск лидов, анализ конкурентов, автоматизация CRM.

Умный дом
Интеграции с IoT: сценарии по календарю, чату или событиям.

Самые странные кейсы 😬
ведут переговоры о покупке машины, подают страховые апелляции, ищут жилье, торгуют в paper-trading

Небольшая постер - памятка 📝 какие и в каких случаях использовать те или иные модели

Самый практичный трюк vibe-coding

Заставь AI сам разбивать задачу на подзадачи.

Большинство делает так:

Сделай систему авторизации.

И AI сразу начинает писать код.

Это почти всегда приводит к хаосу 🤯

Гораздо сильнее сделать так:

Шаг 1
Попросить AI разбить задачу:
Разбей систему авторизации на технические шаги.

Например, AI выдаст:
• модель пользователя
• JWT авторизация
• refresh tokens
• middleware проверки токена
• endpoints login/register
• unit tests

Шаг 2

Теперь решать каждый шаг отдельно.

Например:

Напиши только middleware проверки JWT.

Потом:

Напиши только endpoint login.

Реальный кейс

Разработчик делал SaaS-дашборд.

Первый промпт:

Разбей SaaS dashboard на архитектуру.

AI выдал:

- auth
- billing
- dashboard UI
- analytics
- notifications

Каждый блок сделали отдельно.

Результат:
код стал в 3–5 раз чище
и почти без багов.

Почему это работает

LLM лучше решает:

маленькие задачи
чем одну огромную.

Поэтому сильный разработчик делает так:

не пишет код
а оркестрирует задачи для AI.

Как делать дизайн, если ты разработчик, а не дизайнер

Самая частая ошибка -
пытаться «нарисовать красиво» с нуля.

В 2026 это почти всегда плохой путь.

Нормальный workflow такой:

1. Сначала не рисуй. Сначала найди 5-10 референсов.
Лучший инструмент для этого - Mobbin.
Там можно смотреть реальные экраны и флоу из топовых 🔝 продуктов, а не абстрактные «красивые картинки». Это сильно лучше Dribbble, если ты делаешь настоящий продукт, а не просто визуал.

2. Потом собери структуру, а не пиксели.
Если это маркетинговый сайт или лендинг, очень удобен Relume: он генерирует sitemap, wireframes и style guides.
То есть сначала ты собираешь скелет страницы, а не споришь с собой про тени и радиусы.

3. Дальше делай черновик через AI, но так, чтобы его можно было редактировать.
Для этого сейчас сильнее всего смотрятся Figma Make и Google Stitch.

Figma умеет превращать идею в editable designs и live app-прототипы, а Stitch генерирует UI из текста или картинки и умеет экспортировать результат дальше в Figma и фронтенд.

4. Если нужен уже не макет, а настоящий интерфейс - иди в код.
Для этого сейчас очень сильный инструмент - v0.
Он генерирует реальные сайты и приложения, умеет работать с GitHub и пушить код напрямую в репозиторий.
Если тебе нужен не просто UI, а сразу MVP с логикой, смотри ещё Lovable - он позиционируется как full-stack AI development platform.

5. Финальная магия - не в генерации, а в доводке.
Одна из самых сильных вещей сейчас - Cursor Visual Editor.
Он позволяет править дизайн прямо на живой странице, а изменения мапятся в реальный CSS/код.
То есть ты не рисуешь отдельно в одном месте и не переписываешь руками в другом.

6. Чтобы интерфейс не развалился, не собирай его из хаоса.
Возьми базовую дизайн-систему.
Самый практичный вариант для разработчика - shadcn/ui.
У них позиционирование очень точное: это не просто библиотека компонентов, а основа для своей дизайн-системы, которую можно кастомизировать и расширять.

Коротко:

1) Mobbin →
посмотреть, как уже сделали умные люди

2) Relume → собрать структуру

3)Figma Make / Stitch → быстро нагенерить варианты

4) v0 / Lovable →
превратить это в живой интерфейс

5) Cursor →
довести визуально

6) shadcn/ui →
удержать всё в одной системе

Главная мысль 💭
Неопытному дизайнеру не нужно учиться быть художником!

Нужно научиться собирать хороший интерфейс как систему:
референсы, структура, генерация, код, доводка.

И тогда дизайн начинает получаться даже у разработчика.

Мини-экскурс в базы данных 💻

Если ты делаешь проекты через AI,
очень важно понимать какие вообще бывают базы данных.

Потому что почти любой продукт =
интерфейс + база данных.

Вот базовая карта. Погнали 🚀

1. SQL базы - это БАЗА баз

Примеры:
- PostgreSQL
- MySQL
- SQLite

Данные лежат в таблицах.

Например:
Таблица Users состоит из колонок
- id
- name
- email

Прямо как в Excel


Это лучший вариант для:
- SaaS платформ
- CRM систем
- Большинства веб-продуктов

💡Если сомневаешься - ставь PostgreSQL.

2. NoSQL базы - иногда

Примеры:
- MongoDB
- Firebase
- DynamoDB

Данные хранятся как JSON-документы.

Например:

{
 name: "Alex",
 email: "alex@mail.com"
}

Подходит для:
- мобильных приложений
- быстрых прототипов
- гибких структур данных

💡Когда не знаешь какая, что у тебя будет и данные непонятные, то пробуй NoSQL

3. Vector базы - мозги AI

Примеры:
- Pinecone
- Weaviate
- pgvector

Они хранят эмбеддинги - числовые представления текста.

Используются для:
- AI-поиска
- RAG
- чат-ботов
- семантического поиска

4. Key-value базы - кэш базы

Примеры:
- Redis
- Memcached

Хранят данные как:

key → value

Используются для:
- кэша
- очередей
- сессий

Как думают опытные разработчики

Обычно архитектура выглядит так:

PostgreSQL → основная база
Redis → кэш
Vector DB → AI поиск

Главное правило 😬
Не усложняй.

80% проектов спокойно живут на:
PostgreSQL + Redis

#вайбкодинг #sql

Как на самом деле устроен SaaS в 2026

Если ты делаешь продукт через AI,
важно понять одну вещь:

SaaS - это не магия.
Это просто набор блоков.

Вот базовая архитектура. Погнали 🚀

1️⃣ Frontend (то, что видит пользователь)

Он:
- сайт
- личный кабинет
- формы, кнопки, интерфейс

Телеологии:

Next.js / React

2️⃣ Backend (логика)

Это мозг 🧠 системы.

Он:
- принимает запросы
- обрабатывает данные
- решает, что делать

Технологии:

FastAPI / Node.js / Django

3️⃣ База данных (где все храним)

Там лежит все:
- пользователи
- платежи
- проекты
- настройки

Обычно:

PostgreSQL

4️⃣ Кэш (ускорение)

Чтобы не дергать базу каждый раз:

Redis

Используется для:
- сессий
- быстрых ответов
- очередей

5️⃣ Хранилище файлов

Если у тебя есть:
- изображения
- документы
- аватарки

Обычно:

S3 или Cloudflare R2

6️⃣ Очереди и воркеры

Если задача тяжелая:
- отправка email
- генерация AI
- обработка данных

Она идет в очередь. И ждет своего выполнения.

Как это всё соединяется

Пользователь
   ↓
Frontend
Backend
   ↓
Database
   ↓
 Redis
   ↓
Workers

💡Главный инсайт

90% стартапов устроены одинаково.

Если ты понимаешь эти блоки -
ты уже можешь собрать свой продукт через AI.

#вайбкодинг #saas

Shopify только что получил чит-код.

Lovable теперь интегрируется с ним так, будто это один продукт 🔥

Интеграция Lovable + Shopify за 1–2 часа

Погнали 💪

1. Создаешь Shopify

- рега на Shopify
- выбираешь базовую тему (любую, не важно)
- добавляешь 1–2 тестовых продукта
- включаешь payments (Shopify Payments или Stripe)

👉 цель: получить «живой» стор с checkout

2. Подключаешь Lovable

В Lovable:
- создаешь проект
- выбираешь ecommerce / store
- подключаешь Shopify (через API / app)

Что нужно:
- Shopify Admin API key
- доступ к products / pages / themes

3. Генерируешь структуру магазина

В Lovable даешь input:
- ниша (например: minimalist candles)
- ЦА (например: women 25–40, US)
- позиционирование (premium eco)

Lovable генерит:
- homepage
- product pages
- about / brand story
- офферы (bundles, скидки)

👉 сразу под реальную продажу, не просто текст

4. Заливаешь все в Shopify

Через интеграцию:
- создаются страницы
- обновляются product descriptions
- генерится контент для карточек
- можно сразу менять theme blocks

5. Генеришь маркетинг

В Lovable:
- email flows (welcome / abandoned cart)
- ad creatives (Meta / TikTok)
- лендинги под трафик

👉 это не отдельно - сразу под твой продукт

6. Запускаешь тест

Минимальный запуск:
- 1–3 продукта
- 1 лендинг
- 1 оффер
- трафик (ads / TikTok / инфлюенсеры)

7. Быстрые итерации

Самое важное:

Каждый день:
- меняешь оффер
- меняешь тексты
- тестишь новые креативы

Lovable:
→ быстро перегенерит все
→ не нужно руками править

Реальные use cases

👍 Дропшиппинг
→ 5–10 ниш → быстрый тест → оставляешь 1 winner

🧑‍💻 Indie бренд
→ сразу нормальный бренд (а не «сырой Shopify»)
→ быстрее в premium сегмент

💻 SaaS / creator
→ мерч за 1 день
→ без команды

Ключевой принцип

Не делай идеально

Делай:
→ быстро собрал
→ запустил
→ получил цифры
→ пересобрал

Lovable = скорость 🚀
Shopify = инфраструктура

#lovable #shopify #ecom

⚡ Как превратить Claude Code в аналог OpenClaw

Хочешь, чтобы у тебя был свой AI-агент 24/7?
Погнали 🔥

1. 🖥️ Берешь VPS

Любой:
- Hetzner / DigitalOcean / AWS
- Ubuntu 22.04

Хватит:
- 2 CPU
- 4 GB RAM

2. 📦 Устанавливаешь Claude Code

sudo apt update && sudo apt upgrade -y

curl -fsSL https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc

nvm install 20
nvm use 20

npm install -g @anthropic-ai/claude-code

Запускаешь Claude Code

claude

👉 и логинишься через браузер (/login)

3. Ставишь Telegram-плагин

/plugin marketplace add anthropics/claude-plugins-official
/plugin install telegram@claude-plugins-official

4. Создаешь Telegram-бота

Через @BotFather и копируешь токен

5. Подключаешь бота

/telegram:configure YOUR_BOT_TOKEN

6. Перезапускаешь Claude с каналом

claude --channels plugin:telegram@claude-plugins-official

7. Связываешь Telegram

👉 пишешь своему боту
→ получаешь код

в Claude:

/telegram:access pair CODE
/telegram:access policy allowlist

Готово ✅

Теперь:

- пишешь боту → Claude отвечает
- Claude может писать тебе
- это твой AI-агент на сервере

Важно ☝🏾

- Claude должен быть запущен (tmux / screen)
- работает только через login (не API key)

#claude #вайбкодинг

Топ-3 моделей для генерации SEO контента

В идеале сначала прокачать трафик на лендинг, а потом пилить продукт 😬

А какие модели the best для этого? 🧐

Погнали 🚀

1. Claude Opus 4.6
Просто топовый текст прямо сейчас 🔥

- самый человеческий стиль
- держит длинный контекст (статьи, гайды, ресерчи)
- меньше всего требует правок

👉 идеален для:
лонгридов, блогов, экспертного контента

2. Gemini 3.1 Pro
Мощный, но нестабильный 🙆‍♂️

- почти топ по бенчмаркам
- хорошо пишет, но иногда плывет 🫠 и есть вероятность получить ерунду в середине статьи
- дешевый и есть free tier

👉 идеален для:
массовой генерации, тестов, экспериментов

3. GPT 5.4
Надежный работяга 🧑‍🏭

- лучше структура и логика
- меньше фактических ошибок
- но стиль более корпоративный. Видимо, Майкрософт уже повлиял

👉 идеален для:
B2B, лендингов, документов

А теперь про цены 🫰🏽

Стоимость одной средней статьи блога размером 2000 слов

- Claude Opus 4.6 ~$0.08
- GPT-5.4 ~ $0.06
- Gemini 3.1 Pro ~ $0.03

#вайбкодинг #seo #claude #gemini #chatgpt

Итак, представляем вашему вниманию рекламный ролик:
- Который не снят на реальную камеру
- В котором нет ни одного реально существующего человека
- Который является чистой AI генерацией и только фантазией одного креативного человека

- Только Kling AI
- MidJourney
- NanoBanana 2


Креативно by Некая Анастасия

#veo3 #midjourney #klingai