Четыре инструмента, которые делают вайб-кодинг продуктивным
Сегодня с Дашей выступаем на конференции AI-native и демонстрируем разработку лендинга продуктового качества «без навыков программирования» через Lovable.
Хотя должен признаться — лично я все равно использую инструменты разработчиков, потому что они сильно упрощают и ускоряют работу. Вот пара инструментов и сервисов, которые все и так знают, но редко используют.
🖥️ Termius — терминал, который не нужно запоминать
Главная боль работы с серверами — вечно забывающиеся SSH-команды и ключи, которые теряются при переходе между MacBook.
Termius решает это элегантно: создаёте ключ один раз прямо в приложении, дальше он синхронизируется автоматически между всеми вашими устройствами. Можно добавить существующий ключ.
Базовая версия бесплатная. Синхронизация между устройствами стоит 100 долларов в год.
Качать тут https://termius.com
🌳 Fork — визуальный git, который понимают все
Про Fork я узнал случайно, и теперь не понимаю, как раньше обходился консольным git. Все команды, начинающиеся с
Разработан семьей российских программистов. Интерфейс настолько интуитивный, что интерактивный rebase или разрешение конфликтов слияния превращаются в визуальную задачу, а не в танцы с бубном в терминале.
Официально стоит 60 долларов, но есть бесплатный период без ограничений по времени. Если вдруг захотите отблагодарить разработчиков — заплатите эти 60 баксов, они честно их заслужили.
Качать тут https://fork.dev
🔄 GitHub Actions — автодеплой, который настраивается за 10 минут
Удивительно, но не все пользуются GitHub для контроля версий. А зря — помимо очевидных плюсов, там есть Actions, которые умеют автоматически деплоить код на ваш сервер при каждом обновлении.
Почти все популярные LLM умеют писать конфиги для GitHub Actions. Просто попросите модель настроить автодеплой вашего проекта, и получите готовый workflow. В результате каждое обновление кодаовой базы автоматически обновляет прод-версию на вашем сервере.
Стоимость? Бесплатно для публичных репозиториев. Для приватных — смешные деньги, если вы вообще дойдёте до лимитов бесплатного плана.
📘 Инструкция по настройке CI/CD для React
Последний пункт — не инструмент, а готовая инструкция, которую я собрал для себя. Она описывает, как настроить автоматическую сборку и деплой React-проекта через GitHub Actions.
Суть простая: при каждом пуше в репозиторий GitHub собирает статические файлы в виртуальном окружении и передаёт их на сервер. Никаких повторяющихся команд в консоли, никакого DevOps.
Инструкция на GitHub: https://github.com/artwist-polyakov/useful_readmes/blob/main/DEV_OPS/REACT_CI_CD.md
Вайб-кодинг + правильные инструменты = продуктивность
Да, Lovable и подобные платформы позволяют создавать приложения буквально из текстовых описаний. Но если добавить пару инструментов для контроля версий и деплоя, скорость и предсказуемость работы вырастает в разы.
Самое приятное — эти четыре решения не требуют глубоких технических знаний. Termius упрощает SSH, Fork делает git понятным, GitHub Actions автоматизирует деплой, а инструкция по настройке CI/CD экономит часы гугления.
А какие инструменты используете вы для вайб-кодинга или работы с кодом? Интересно узнать, что ещё помогает делать разработку быстрее и приятнее.
----
Поляков считает — про ИИ, рекламу и аналитику.
Сегодня с Дашей выступаем на конференции AI-native и демонстрируем разработку лендинга продуктового качества «без навыков программирования» через Lovable.
Хотя должен признаться — лично я все равно использую инструменты разработчиков, потому что они сильно упрощают и ускоряют работу. Вот пара инструментов и сервисов, которые все и так знают, но редко используют.
🖥️ Termius — терминал, который не нужно запоминать
Главная боль работы с серверами — вечно забывающиеся SSH-команды и ключи, которые теряются при переходе между MacBook.
Termius решает это элегантно: создаёте ключ один раз прямо в приложении, дальше он синхронизируется автоматически между всеми вашими устройствами. Можно добавить существующий ключ.
💡 Забываем про гугление SSH-команд — подключаемся к любому удаленному серверу с одной кнопки. Есть удобные версии для iOS и Android.
Базовая версия бесплатная. Синхронизация между устройствами стоит 100 долларов в год.
Качать тут https://termius.com
🌳 Fork — визуальный git, который понимают все
Про Fork я узнал случайно, и теперь не понимаю, как раньше обходился консольным git. Все команды, начинающиеся с
git, можно просто забыть.Разработан семьей российских программистов. Интерфейс настолько интуитивный, что интерактивный rebase или разрешение конфликтов слияния превращаются в визуальную задачу, а не в танцы с бубном в терминале.
Официально стоит 60 долларов, но есть бесплатный период без ограничений по времени. Если вдруг захотите отблагодарить разработчиков — заплатите эти 60 баксов, они честно их заслужили.
Качать тут https://fork.dev
🔄 GitHub Actions — автодеплой, который настраивается за 10 минут
Удивительно, но не все пользуются GitHub для контроля версий. А зря — помимо очевидных плюсов, там есть Actions, которые умеют автоматически деплоить код на ваш сервер при каждом обновлении.
Почти все популярные LLM умеют писать конфиги для GitHub Actions. Просто попросите модель настроить автодеплой вашего проекта, и получите готовый workflow. В результате каждое обновление кодаовой базы автоматически обновляет прод-версию на вашем сервере.
Стоимость? Бесплатно для публичных репозиториев. Для приватных — смешные деньги, если вы вообще дойдёте до лимитов бесплатного плана.
📘 Инструкция по настройке CI/CD для React
Последний пункт — не инструмент, а готовая инструкция, которую я собрал для себя. Она описывает, как настроить автоматическую сборку и деплой React-проекта через GitHub Actions.
Суть простая: при каждом пуше в репозиторий GitHub собирает статические файлы в виртуальном окружении и передаёт их на сервер. Никаких повторяющихся команд в консоли, никакого DevOps.
Инструкция на GitHub: https://github.com/artwist-polyakov/useful_readmes/blob/main/DEV_OPS/REACT_CI_CD.md
🎯 Настройка занимает 10 минут даже у непрограммиста. После этого вы забываете про ручной деплой навсегда.
Вайб-кодинг + правильные инструменты = продуктивность
Да, Lovable и подобные платформы позволяют создавать приложения буквально из текстовых описаний. Но если добавить пару инструментов для контроля версий и деплоя, скорость и предсказуемость работы вырастает в разы.
Самое приятное — эти четыре решения не требуют глубоких технических знаний. Termius упрощает SSH, Fork делает git понятным, GitHub Actions автоматизирует деплой, а инструкция по настройке CI/CD экономит часы гугления.
А какие инструменты используете вы для вайб-кодинга или работы с кодом? Интересно узнать, что ещё помогает делать разработку быстрее и приятнее.
----
Поляков считает — про ИИ, рекламу и аналитику.
4❤7👍3🔥2👏1
Встроенные Claude Skills — мусор. Написал свой для работы с договорами и сэкономил 95% токенов
В октябре Anthropic выкатил Claude Skills для автоматизации рутины. Я сразу бросил их на классическую задачу — заполнение договоров по шаблону. Раньше я делал такое в n8n, решение было не простым, писал про это весной.
🔧 Задача и первая попытка
Задача простая: есть шаблон договора в docx, есть набор реквизитов — нужно автоматически заполнить документ.
В приложении Claude уже встроен специальный навык для работы с документами — ничего даже устанавливать не нужно. Под капотом работает библиотека ooxml (Open Office XML).
Прямых указаний на это мало, но в официальном репозитории пишут именно так «Versions of these skills ship pre-included with Claude».
Я попробовал заполнить простой договор реквизитами своего ИП. И столкнулся с проблемами.
📉 Три критичные проблемы встроенного навыка
Первое — безумный расход контекста. Один 4-страничный договор сжигает 30% лимита токенов на базовой подписке. Это ~15 тысяч токенов — как если бы модель обработала 20-30 страниц текста. При втором тесте тот же запрос съел вообще 100% лимита.
Второе — встроенный навык выполняет около 30 шагов на договор. Он не просто заполняет поля — он пишет код, проверяет документ, читает его целиком. Если шаблон на 30 страниц, все 30 страниц попадут в контекст.
Третье — ломается форматирование. Текст, выровненный по левому краю, превращается в растянутый по всей ширине листа. Приходится вручную исправлять. Забавно, что на втором кейсе с потреблением 100% сессионного лимита ошибки не было.
🔨 Переосмысление подхода
Claude Skills работают по простому принципу: это папка с
Система сканирует доступные навыки и читает краткое описание из метаданных, затрачивая всего несколько десятков токенов на каждый навык. Полная инструкция загружается только когда пользователь запрашивает соответствующую задачу.
Я решил написать собственный навык, использующий библиотеку docxtpl вместо ooxml и не уничтожающий контекст избыточными инструкциями.
📊 Результаты оптимизации
Мой собственный навык:
🔸 8 шагов вместо 30 — почти в четыре раза меньше
🔸 Не читает содержимое договора — извлекает поля и заменяет через docxtpl
🔸 Сохраняет форматирование — Jinja2-синтаксис не ломает стили
🔸 Экономит до 95% контекста — договор не попадает в окно модели вообще. Всё занимает один прогон.
Единственное условие: реквизиты нужно вставлять в контекст сообщения, а шаблон прикреплять как docx файл. Плата за эффективность.
Главная проблема, не допустить Claude использовать встроенный прожорливый навык.
🎓 Что я понял про Claude Skills
Во-первых, Claude Skills — это не просто промпт-инжиниринг. Это способ изолировать повторяющиеся действия от промпта, заменив их кодом. Однако в Anthropic пошли другим путем — вместо простого кода навык напичкан инструкциями, которые сжирают контекст.
Во-вторых, встроенные навыки Anthropic отлично подходят для демонстрации идеи. Но для реальных задач имеет смысл писать собственные. Странный ход с встроенными навыками имхо.
А вы уже пробовали Claude Skills? Какие задачи автоматизировали?
Кстати, код моего навыка выложу в комментариях для тех, кто захочет повторить.
----
Поляков считает — про ИИ, рекламу и аналитику.
В октябре Anthropic выкатил Claude Skills для автоматизации рутины. Я сразу бросил их на классическую задачу — заполнение договоров по шаблону. Раньше я делал такое в n8n, решение было не простым, писал про это весной.
🔧 Задача и первая попытка
Задача простая: есть шаблон договора в docx, есть набор реквизитов — нужно автоматически заполнить документ.
В приложении Claude уже встроен специальный навык для работы с документами — ничего даже устанавливать не нужно. Под капотом работает библиотека ooxml (Open Office XML).
Прямых указаний на это мало, но в официальном репозитории пишут именно так «Versions of these skills ship pre-included with Claude».
💡 Для шаблонов встроенного навыка можно использовать плейсхолдеры двух типов: [ПРИМЕР_ПОЛЯ] в квадратных скобках или {{ПРИМЕР_ПОЛЯ}} в стиле Jinja2.
Я попробовал заполнить простой договор реквизитами своего ИП. И столкнулся с проблемами.
📉 Три критичные проблемы встроенного навыка
Первое — безумный расход контекста. Один 4-страничный договор сжигает 30% лимита токенов на базовой подписке. Это ~15 тысяч токенов — как если бы модель обработала 20-30 страниц текста. При втором тесте тот же запрос съел вообще 100% лимита.
‼️ Причина — в самом навыке. В него зашиты избыточные инструкции вроде MANDATORY - READ ENTIRE FILE, которые заставляют его читать документ целиком, даже когда это не нужно.
Второе — встроенный навык выполняет около 30 шагов на договор. Он не просто заполняет поля — он пишет код, проверяет документ, читает его целиком. Если шаблон на 30 страниц, все 30 страниц попадут в контекст.
Третье — ломается форматирование. Текст, выровненный по левому краю, превращается в растянутый по всей ширине листа. Приходится вручную исправлять. Забавно, что на втором кейсе с потреблением 100% сессионного лимита ошибки не было.
🔨 Переосмысление подхода
Claude Skills работают по простому принципу: это папка с
SKILL.md файлом, содержащим инструкции в формате YAML + Markdown. Система сканирует доступные навыки и читает краткое описание из метаданных, затрачивая всего несколько десятков токенов на каждый навык. Полная инструкция загружается только когда пользователь запрашивает соответствующую задачу.
☝️ Если мы хотим экономить на токенах, то инструкция должна быть очень простой.
Я решил написать собственный навык, использующий библиотеку docxtpl вместо ooxml и не уничтожающий контекст избыточными инструкциями.
📊 Результаты оптимизации
Мой собственный навык:
🔸 8 шагов вместо 30 — почти в четыре раза меньше
🔸 Не читает содержимое договора — извлекает поля и заменяет через docxtpl
🔸 Сохраняет форматирование — Jinja2-синтаксис не ломает стили
🔸 Экономит до 95% контекста — договор не попадает в окно модели вообще. Всё занимает один прогон.
Единственное условие: реквизиты нужно вставлять в контекст сообщения, а шаблон прикреплять как docx файл. Плата за эффективность.
Главная проблема, не допустить Claude использовать встроенный прожорливый навык.
🎓 Что я понял про Claude Skills
Во-первых, Claude Skills — это не просто промпт-инжиниринг. Это способ изолировать повторяющиеся действия от промпта, заменив их кодом. Однако в Anthropic пошли другим путем — вместо простого кода навык напичкан инструкциями, которые сжирают контекст.
Во-вторых, встроенные навыки Anthropic отлично подходят для демонстрации идеи. Но для реальных задач имеет смысл писать собственные. Странный ход с встроенными навыками имхо.
🚀 Главный инсайт: навыки надо писать самим и не доверять такое дело LLM.
А вы уже пробовали Claude Skills? Какие задачи автоматизировали?
Кстати, код моего навыка выложу в комментариях для тех, кто захочет повторить.
----
Поляков считает — про ИИ, рекламу и аналитику.
3❤10👍6🔥5👏1
Дай Cursor не программисту и получится фигня... или нет?
Больше года я консультирую бизнес по внедрению ИИ, рассказываю про инференс, хранилища, Cursor и Claude Code, показываю вайб-кодинг. Всё это время я совершал одну ошибку: смотрел на каждое решение глазами разработчика.
Я оценивал архитектуру, безопасность, масштабируемость. И совершенно упускал из виду третий тип применения AI в разработке.
🤖 Три типа AI-кодинга
В сообществе разработчиков сформировалось понимание двух подходов:
Вайб-кодинг — когда генерируешь прототип вообще не глядя на реализацию. Главное, чтобы выглядело хорошо.
AI-кодинг — когда реализация важна, технологический стек имеет значение. Вы фактически даете техзадание, а AI ускоряет процесс написания.
Но есть третий тип, самый мощный по мгновенному бизнес-эффекту.
💩 Шиткодинг: когда правильный код не нужен
Представьте: менеджеру надо сделать 750 документов к концу месяца. Неожиданная задача. Каждый документ — это шаблон Word + расчет в Excel + набор скриншотов из PDF. На один файл уходит 30 минут чистого времени.
Быстрая математика: 750 × 30 минут = 375 часов = почти 2 месяца работы без перерывов и выходных.
Что делает менеджер? Открывает Claude Code и просит написать скрипт. Через день у него работающее решение, которое:
- Подставляет данные в Excel
- Запускает вычисления
- Находит нужные PDF
- Разбивает их на скриншоты
- Вставляет всё в Word-шаблон
Когда я увидел это решение, меня передернуло. Реальный Excel запускается через библиотеку, чтобы пересчитать формулы. Такой код никогда не запустится на Ubuntu. Нагрузочные тесты будут провалены. Ни один разработчик из IT-отдела даже делать бы это не стал, а если бы стал, то не рассказывал про это.
Но менеджер сделал это сам. Задача решена. Победителей не судят.
Это не классический «говнокод», который потом поддерживают годы.
Шиткодинг — это сознательно одноразовый код ради разовой победы по времени.
🚀 Почему это работает
Такие кейсы — это шиткодинг в чистом виде, и они появились только благодаря языковым моделям. Раньше у сотрудника было два варианта:
- два месяца вручную,
- идти в IT-отдел за «может быть, когда-нибудь».
Теперь есть третий: решить самому за день — и больше никого не спрашивать.
⚡️ Главный прорыв этого года: кодинг стал общедоступным
Раньше программирование было привилегией тех, кто учил синтаксис и паттерны проектирования. Теперь барьер входа исчез.
Сотрудники перестают бояться притрагиваться к задачам, которые раньше считались «для айтишников». Те самые люди, чьи задачи IT-отдел тормозил месяцами.
Барьер на вход в программирование в 2025 году стал в разы ниже. Не надо учить Python год.
Конечно это не заменит фундаментальную разработку. Но для огромного класса задач — одноразовых, срочных, нестандартных — такой кодинг становится полезным.
🤔 Признавайтесь
Расскажите, вы уже успели сделать быстрый и ужасный скрипт, который экономит кучу времени
----
Поляков считает — про ИИ, рекламу и аналитику.
Больше года я консультирую бизнес по внедрению ИИ, рассказываю про инференс, хранилища, Cursor и Claude Code, показываю вайб-кодинг. Всё это время я совершал одну ошибку: смотрел на каждое решение глазами разработчика.
Я оценивал архитектуру, безопасность, масштабируемость. И совершенно упускал из виду третий тип применения AI в разработке.
🤖 Три типа AI-кодинга
В сообществе разработчиков сформировалось понимание двух подходов:
Вайб-кодинг — когда генерируешь прототип вообще не глядя на реализацию. Главное, чтобы выглядело хорошо.
AI-кодинг — когда реализация важна, технологический стек имеет значение. Вы фактически даете техзадание, а AI ускоряет процесс написания.
👨💻 Между разработчиками уже идут холивары: можно ли доверять LLM покрывать код тестами и т.д.
Но есть третий тип, самый мощный по мгновенному бизнес-эффекту.
💩 Шиткодинг: когда правильный код не нужен
⭐️ Важен только один параметр — через сколько часов рутина перестанет существовать.
Представьте: менеджеру надо сделать 750 документов к концу месяца. Неожиданная задача. Каждый документ — это шаблон Word + расчет в Excel + набор скриншотов из PDF. На один файл уходит 30 минут чистого времени.
Быстрая математика: 750 × 30 минут = 375 часов = почти 2 месяца работы без перерывов и выходных.
Что делает менеджер? Открывает Claude Code и просит написать скрипт. Через день у него работающее решение, которое:
- Подставляет данные в Excel
- Запускает вычисления
- Находит нужные PDF
- Разбивает их на скриншоты
- Вставляет всё в Word-шаблон
💡 Результат: вместо 2 месяцев — один день работы. Это шиткодинг, но задача решена.
Когда я увидел это решение, меня передернуло. Реальный Excel запускается через библиотеку, чтобы пересчитать формулы. Такой код никогда не запустится на Ubuntu. Нагрузочные тесты будут провалены. Ни один разработчик из IT-отдела даже делать бы это не стал, а если бы стал, то не рассказывал про это.
Но менеджер сделал это сам. Задача решена. Победителей не судят.
Это не классический «говнокод», который потом поддерживают годы.
Шиткодинг — это сознательно одноразовый код ради разовой победы по времени.
🚀 Почему это работает
Такие кейсы — это шиткодинг в чистом виде, и они появились только благодаря языковым моделям. Раньше у сотрудника было два варианта:
- два месяца вручную,
- идти в IT-отдел за «может быть, когда-нибудь».
Теперь есть третий: решить самому за день — и больше никого не спрашивать.
⚡️ Главный прорыв этого года: кодинг стал общедоступным
Раньше программирование было привилегией тех, кто учил синтаксис и паттерны проектирования. Теперь барьер входа исчез.
Сотрудники перестают бояться притрагиваться к задачам, которые раньше считались «для айтишников». Те самые люди, чьи задачи IT-отдел тормозил месяцами.
Барьер на вход в программирование в 2025 году стал в разы ниже. Не надо учить Python год.
Конечно это не заменит фундаментальную разработку. Но для огромного класса задач — одноразовых, срочных, нестандартных — такой кодинг становится полезным.
🤔 Признавайтесь
Расскажите, вы уже успели сделать быстрый и ужасный скрипт, который экономит кучу времени
----
Поляков считает — про ИИ, рекламу и аналитику.
5🔥11❤7👍3❤🔥1👏1
Неделя в месяц уходит на минус-фразы? Хочу решить это через файн-тюнинг
Почти 20 лет я занимаюсь интернет-рекламой. Последние 10 лет — в основном Яндекс.Директ, автомобили и стройматериалы. Параллельно 10 лет пишу код и все это время пытался автоматизировать самое выматывающее место в Директе — работу с поисковыми фразами.
Через файн-тюнинг языковых моделей мне удалось это автоматизировать. Модель смотрит на статистику и содержимое запросов, находит мусор и аномалии, и предлагает решение: отключить, переписать условие показа или оставить как есть.
🎯 Что получилось автоматизировать
Начал с минусации — модель научилась распознавать мусорный трафик быстро и адекватно, даже при неполных данных.
Потом понял: управление фразами — это не только минусация.
— Иногда надо менять само условие показа,
— Иногда полностью отключать направление.
— А еще платформа меняется — в 2024 году все помещали ключи в [квадратные скобки], а в 2025 это перестало работать. Модель адаптируется под такие изменения благодаря обучению.
Сейчас работаю над воркфлоу для автотаргетинга — система находит новые перспективные направления и автоматически создает объявления, чтобы потом можно было выключить автоматический подбор фраз. Интерфейс уже раз пять переделывал и еще столько же переделаю 😅
Система работает, но сейчас она обучена на моих проектах. Чтобы сделать её действительно универсальной и мощной — нужны данные от разных агентств и рекламодателей. Много данных.
🔬 Зачем мне партнеры для обучения
Главная фишка — тренировка моделей. Чем больше размеченных данных, тем умнее система. Мой план — собрать данные для большого файн-тюнинга хотя бы на $5000, чтобы создать действительно мощную «монстр-модель» для управления рекламой.
Кого я ищу:
1️⃣ Агентства — у вас есть внутренняя экспертиза и вы можете дать качественную разметку данных
2️⃣ Компании с инхаус-рекламой — думаю экспертиза не отличается от агентсткого уровня
3️⃣ Самостоятельные рекламодатели или фрилансеры — можем обсудить условия сотрудничества
💰 Что я беру на себя
🔸 Оплачиваю файн-тюнинг за свой счет
🔸 Скидка на продукт после запуска — платите только за потраченные токены без наценки
🔸 Приоритетный доступ к новым фичам и возможность влиять на развитие продукта под ваши задачи
Если вы или ваша команда ведете Яндекс.Директ и устали ковыряться в фразах — напишите мне @polyakovbest
Если у вас есть друзья, кто отвечает за контекст в агентстве или компании — просто перешлите им этот пост. Для меня это сейчас важнее любой рекламы.
А еще можете высказать мнение в комментариях по самой идее. Понимаю, что есть и слова против: автостратегии рулят и т д — мне будет интересно подискутировать.
----
Поляков считает — про ИИ, рекламу и аналитику.
Почти 20 лет я занимаюсь интернет-рекламой. Последние 10 лет — в основном Яндекс.Директ, автомобили и стройматериалы. Параллельно 10 лет пишу код и все это время пытался автоматизировать самое выматывающее место в Директе — работу с поисковыми фразами.
💡 По моим наблюдениям, сотрудники агентств тратят примерно неделю в месяц на анализ статистик по фразам и модификацию условий показа. Это ~25% рабочего времени на тупую рутину.
Через файн-тюнинг языковых моделей мне удалось это автоматизировать. Модель смотрит на статистику и содержимое запросов, находит мусор и аномалии, и предлагает решение: отключить, переписать условие показа или оставить как есть.
🎯 Что получилось автоматизировать
Начал с минусации — модель научилась распознавать мусорный трафик быстро и адекватно, даже при неполных данных.
Потом понял: управление фразами — это не только минусация.
— Иногда надо менять само условие показа,
— Иногда полностью отключать направление.
— А еще платформа меняется — в 2024 году все помещали ключи в [квадратные скобки], а в 2025 это перестало работать. Модель адаптируется под такие изменения благодаря обучению.
Сейчас работаю над воркфлоу для автотаргетинга — система находит новые перспективные направления и автоматически создает объявления, чтобы потом можно было выключить автоматический подбор фраз. Интерфейс уже раз пять переделывал и еще столько же переделаю 😅
Система работает, но сейчас она обучена на моих проектах. Чтобы сделать её действительно универсальной и мощной — нужны данные от разных агентств и рекламодателей. Много данных.
🔬 Зачем мне партнеры для обучения
Главная фишка — тренировка моделей. Чем больше размеченных данных, тем умнее система. Мой план — собрать данные для большого файн-тюнинга хотя бы на $5000, чтобы создать действительно мощную «монстр-модель» для управления рекламой.
Кого я ищу:
1️⃣ Агентства — у вас есть внутренняя экспертиза и вы можете дать качественную разметку данных
2️⃣ Компании с инхаус-рекламой — думаю экспертиза не отличается от агентсткого уровня
3️⃣ Самостоятельные рекламодатели или фрилансеры — можем обсудить условия сотрудничества
💰 Что я беру на себя
🔸 Оплачиваю файн-тюнинг за свой счет
🔸 Скидка на продукт после запуска — платите только за потраченные токены без наценки
🔸 Приоритетный доступ к новым фичам и возможность влиять на развитие продукта под ваши задачи
Если вы или ваша команда ведете Яндекс.Директ и устали ковыряться в фразах — напишите мне @polyakovbest
Если у вас есть друзья, кто отвечает за контекст в агентстве или компании — просто перешлите им этот пост. Для меня это сейчас важнее любой рекламы.
А еще можете высказать мнение в комментариях по самой идее. Понимаю, что есть и слова против: автостратегии рулят и т д — мне будет интересно подискутировать.
----
Поляков считает — про ИИ, рекламу и аналитику.
2🔥6❤3👍1
Семейная ипотека vs вклад: калькулятор говорит «держи в банке», а я не верю
Сел повайбкодить семейную ипотеку и немного офигел.
Даже при росте стоимости квадратного метра с 570 до 1,3 млн ₽ у меня выигрывает банковский вклад. Причём я ещё занизил его доходность в расчётах до 10%, хотя сейчас можно найти 15,5%.
Не могу понять — либо с калькулятором что-то не так, либо с моей картиной мира.
🧮 Калькулятор здесь: https://artwist-polyakov.github.io/loan_dashboard/
JSON для импорта с моими параметрами будет в первом комментарии.
❓ Почему это вообще странно
На бумаге семейная ипотека под 6% против вклада под 15,5% (по данным ЦБ в ноябре 2025) выглядит как сказка. Разница в 2,5 раза — кажется логичным зафиксировать дешёвую ипотеку и пусть инфляция всё съест.
🤖 Как это сделано
Переменных адски много: первый взнос, график платежей, рост стоимости, аренда, налоги, реинвестирование процентов по вкладу. Там где глаза разбегаются, мы просим LLM помочь.
Я попросил Claude Opus 4.5 собрать интерактивный дашборд. В нём я сравниваю три сценария: покупка-продажа, покупка-аренда-продажа и просто вклад как альтернатива.
❓ Парадокс: вклад всё равно побеждает
Дальше началась магия и мои сомнения:
📌 При цене квадрата 570 тыс. ₽ → вклад выгоднее
📌 При росте до 1,3 млн ₽ через 10 лет → всё равно вклад выгоднее
📌 Добавляю доход от аренды → картина почти не меняется
🆘 Помогите найти ошибку
Где я накосячил в расчётах? Неправильно считаю рост стоимости, аренду, реальную доходность вклада или при текущих ставках вклад действительно выгоднее ипотеки?
----
Поляков считает — про ИИ, рекламу и аналитику.
Сел повайбкодить семейную ипотеку и немного офигел.
Даже при росте стоимости квадратного метра с 570 до 1,3 млн ₽ у меня выигрывает банковский вклад. Причём я ещё занизил его доходность в расчётах до 10%, хотя сейчас можно найти 15,5%.
Не могу понять — либо с калькулятором что-то не так, либо с моей картиной мира.
🧮 Калькулятор здесь: https://artwist-polyakov.github.io/loan_dashboard/
JSON для импорта с моими параметрами будет в первом комментарии.
❓ Почему это вообще странно
На бумаге семейная ипотека под 6% против вклада под 15,5% (по данным ЦБ в ноябре 2025) выглядит как сказка. Разница в 2,5 раза — кажется логичным зафиксировать дешёвую ипотеку и пусть инфляция всё съест.
💡 В интуитивной модели "бетон против рубля" квартира при такой разнице ставок должна рвать вклад. Но калькулятор упорно показывает обратное.
🤖 Как это сделано
Переменных адски много: первый взнос, график платежей, рост стоимости, аренда, налоги, реинвестирование процентов по вкладу. Там где глаза разбегаются, мы просим LLM помочь.
Я попросил Claude Opus 4.5 собрать интерактивный дашборд. В нём я сравниваю три сценария: покупка-продажа, покупка-аренда-продажа и просто вклад как альтернатива.
❓ Парадокс: вклад всё равно побеждает
Дальше началась магия и мои сомнения:
📌 При цене квадрата 570 тыс. ₽ → вклад выгоднее
📌 При росте до 1,3 млн ₽ через 10 лет → всё равно вклад выгоднее
📌 Добавляю доход от аренды → картина почти не меняется
🆘 Помогите найти ошибку
Где я накосячил в расчётах? Неправильно считаю рост стоимости, аренду, реальную доходность вклада или при текущих ставках вклад действительно выгоднее ипотеки?
----
Поляков считает — про ИИ, рекламу и аналитику.
3❤4👀3🔥2👍1
Головоломка для маркетологов: как победить в ценовой войне без скидок
Сегодня разберу бизнес-кейс, который заставил меня по-новому взглянуть на стимулирование продаж. Рекомендую сначала прочитать условия задачи, подумать самостоятельно, а потом смотреть решение в комментариях.
🔥 Исходные данные
Консультирую производителя дымоходов по онлайн-маркетингу. Три сайта (магазин и два лендинга), реклама, поток лидов, долгий цикл сделки.
На входе классический набор проблем:
Проблема №1 — розница убивает маржу
Мелкие заказы приносили копейки. Экономика рекламы не сходилась — стоимость привлечения клиента съедала прибыль.
Проблема №2 — крупные заказы сливались
Иногда прилетали сделки на 500-900 тысяч рублей. Но их систематически проигрывали:
🔸 По цене — конкуренты давали скидки до 30-40%
🔸 По логистике — везти дымоходы в Ростов или Нижний Новгород выходило дорого, что отражалось в итоговой цене
При этом именно крупные заказы критически важны: в дымоходах высокая маржа, и одна такая сделка может покрыть весь месячный бюджет на маркетинг.
Подсказка: это не про лидген, холодный обзвон или хитрые воронки. Просто четкая тактика, которая обычно не приходит в голову руководителю отдела продаж.
💬 Решение опубликую в первом комментарии
В первом комментарии будет ответ под спойлером, я не призываю, что он единственно верный, но он сработал.
----
Поляков считает — про ИИ, рекламу и аналитику.
Сегодня разберу бизнес-кейс, который заставил меня по-новому взглянуть на стимулирование продаж. Рекомендую сначала прочитать условия задачи, подумать самостоятельно, а потом смотреть решение в комментариях.
🔥 Исходные данные
Консультирую производителя дымоходов по онлайн-маркетингу. Три сайта (магазин и два лендинга), реклама, поток лидов, долгий цикл сделки.
На входе классический набор проблем:
Проблема №1 — розница убивает маржу
Мелкие заказы приносили копейки. Экономика рекламы не сходилась — стоимость привлечения клиента съедала прибыль.
Проблема №2 — крупные заказы сливались
Иногда прилетали сделки на 500-900 тысяч рублей. Но их систематически проигрывали:
🔸 По цене — конкуренты давали скидки до 30-40%
🔸 По логистике — везти дымоходы в Ростов или Нижний Новгород выходило дорого, что отражалось в итоговой цене
При этом именно крупные заказы критически важны: в дымоходах высокая маржа, и одна такая сделка может покрыть весь месячный бюджет на маркетинг.
🤔 Вопрос-головоломка: как закрывать дорогие сделки без участия в гонке скидок и сделать доставку в регионы экономически выгодной?
Подсказка: это не про лидген, холодный обзвон или хитрые воронки. Просто четкая тактика, которая обычно не приходит в голову руководителю отдела продаж.
💬 Решение опубликую в первом комментарии
В первом комментарии будет ответ под спойлером, я не призываю, что он единственно верный, но он сработал.
----
Поляков считает — про ИИ, рекламу и аналитику.
2🔥8👍4❤2
Kling O1: унифицированная видео-модель с большими амбициями и предсказуемыми проблемами
1 декабря компания Kuaishou выпустила Kling O1 — первую «унифицированную мультимодальную видео-модель». Звучит амбициозно, но давайте разберемся, что это значит на практике.
🎬 Что такое Kling O1
Kling O1 объединяет семь функций в одном движке: генерацию видео по тексту, по картинке, по референсам, редактирование существующего видео, замену объектов, изменение стилей и расширение клипов. Вместо того чтобы прыгать между разными инструментами, теперь можно делать всё в одном месте.
Технически это выглядит интересно — модель использует Chain-of-Thought рассуждения для интерпретации промптов и поддерживает до 10 референсных изображений одновременно через синтаксис "@". Например, можно написать: "Возьми персонажа из @image1, помести его в окружение из @image2 и примени стиль из @image3".
🏆 Маркетинг против реальности
Внутреннее тестирование Kuaishou показало впечатляющие результаты: модель превзошла Google Veo 3.1 в задачах с референсами на 247%, а Runway Aleph в трансформации видео на 230%.
Но есть три проблемы с этими цифрами:
1️⃣ Тестирование проводилось самой компанией, без независимой верификации
2️⃣ Пользователи в реальности сталкиваются с багами: долгое ожидание, зависания генерации на 99%, проблемы с качеством
3️⃣ Как отмечают практики (включая меня), базовые функции вроде замены объектов работают хуже, чем в предыдущих версиях
🔍 Практический опыт
В нашем агентстве мы сейчас используем только два инструмента для видео: veo3 через API и Kling. Оба они заняли свою нишу не из-за революционности, а благодаря стабильности и предсказуемости результата.
С выходом Kling O1 я ожидал качественного скачка. Попросил модель заменить бутылки на видео на банки пива — результат разочаровал. Кажется, что предыдущая версия справлялась лучше.
⚖️ Что действительно полезно
Несмотря на критику, есть моменты, где Kling O1 действительно удобен:
🔸 Референсная система с "@" синтаксисом упрощает работу с множественными элементами
🔸 Встроенный аудио движок Kling-Foley генерирует звук синхронно с видео
🔸 Возможность комбинировать несколько операций в одном запросе экономит время
Но эти преимущества работают только тогда, когда сама генерация не глючит.
🎯 Итого
Kling O1 — это попытка сделать «всё в одном», что теоретически правильное направление. Но на практике унификация пока не означает улучшение качества.
Для агентств и продакшенов я бы рекомендовал подождать несколько месяцев, пока модель стабилизируется. А тем, кто экспериментирует с AI-видео — протестировать самим и сравнить с уже работающими инструментами.
Какие AI-видео инструменты используете вы в работе? Замечали ли, что новые версии иногда работают хуже предыдущих?
----
Поляков считает — про ИИ, рекламу и аналитику.
1 декабря компания Kuaishou выпустила Kling O1 — первую «унифицированную мультимодальную видео-модель». Звучит амбициозно, но давайте разберемся, что это значит на практике.
🎬 Что такое Kling O1
Kling O1 объединяет семь функций в одном движке: генерацию видео по тексту, по картинке, по референсам, редактирование существующего видео, замену объектов, изменение стилей и расширение клипов. Вместо того чтобы прыгать между разными инструментами, теперь можно делать всё в одном месте.
Технически это выглядит интересно — модель использует Chain-of-Thought рассуждения для интерпретации промптов и поддерживает до 10 референсных изображений одновременно через синтаксис "@". Например, можно написать: "Возьми персонажа из @image1, помести его в окружение из @image2 и примени стиль из @image3".
💡 Ключевая идея: вместо отдельных инструментов для генерации и редактирования — один движок, который понимает текст, картинки и видео как единый контекст.
🏆 Маркетинг против реальности
Внутреннее тестирование Kuaishou показало впечатляющие результаты: модель превзошла Google Veo 3.1 в задачах с референсами на 247%, а Runway Aleph в трансформации видео на 230%.
Но есть три проблемы с этими цифрами:
1️⃣ Тестирование проводилось самой компанией, без независимой верификации
2️⃣ Пользователи в реальности сталкиваются с багами: долгое ожидание, зависания генерации на 99%, проблемы с качеством
3️⃣ Как отмечают практики (включая меня), базовые функции вроде замены объектов работают хуже, чем в предыдущих версиях
🔍 Практический опыт
В нашем агентстве мы сейчас используем только два инструмента для видео: veo3 через API и Kling. Оба они заняли свою нишу не из-за революционности, а благодаря стабильности и предсказуемости результата.
С выходом Kling O1 я ожидал качественного скачка. Попросил модель заменить бутылки на видео на банки пива — результат разочаровал. Кажется, что предыдущая версия справлялась лучше.
Парадокс AI-видео индустрии: каждое обновление обещает революцию, но на практике часто получается один шаг вперед, полшага назад.
⚖️ Что действительно полезно
Несмотря на критику, есть моменты, где Kling O1 действительно удобен:
🔸 Референсная система с "@" синтаксисом упрощает работу с множественными элементами
🔸 Встроенный аудио движок Kling-Foley генерирует звук синхронно с видео
🔸 Возможность комбинировать несколько операций в одном запросе экономит время
Но эти преимущества работают только тогда, когда сама генерация не глючит.
🎯 Итого
Kling O1 — это попытка сделать «всё в одном», что теоретически правильное направление. Но на практике унификация пока не означает улучшение качества.
Для агентств и продакшенов я бы рекомендовал подождать несколько месяцев, пока модель стабилизируется. А тем, кто экспериментирует с AI-видео — протестировать самим и сравнить с уже работающими инструментами.
Какие AI-видео инструменты используете вы в работе? Замечали ли, что новые версии иногда работают хуже предыдущих?
----
Поляков считает — про ИИ, рекламу и аналитику.
2❤4👍3🔥1
Почему программисты защищают право писать код вручную?
Последние месяцы — волна постов про то, как ИИ отупляет программистов. Потеря компетенций, "наркотик для мозга", закрытый найм для "подсевших на нейрокодинг". Наткнулся на пост Антона Волкова. Мем про отупение оттуда.
Хочу сказать кое-что непопулярное.
🎯 Главное, что дал ИИ-кодинг
Когда слышу, что кто-то защищает ручное написание, сразу делаю вывод, что цель человека — это не продукт, это сам код. А у бизнеса цель — продукт. ИИ-кодинг повлиял на двух участников рынка:
Для продуктов и предпринимателей: исчезло посредничество между идеей и прототипом. Теперь можно довести идею до работающего продукта самому — без недели переговоров о том, почему "это невозможно" или "нужно много минералов".
Для разработчиков: власть смещается к тем, кто мыслит продуктом, контролирует результат, оценивает бизнес-метрики. Писать код ради кода больше не выйдет — нужны продуктовые компетенции. Зато программист с ИИ — не дешевле, а дороже.
🎨 Когда красиво важнее, чем работает
Отношение к коду как к предмету искусства — главная ошибка. Код — способ заставить компьютер что-то делать. Ценность в том, что он делает, а не кто его написал.
💼 Про "критические системы"
Да, есть системы, где цена ошибки — катастрофа. Но большинство кода в мире к ним не относится.
Код — управляющие команды.
Вот и код в музее не надо хранить.
📊 А что говорят данные?
Accenture в RCT с 450 разработчиками: +15% к merge rate, на 84% больше успешных сборок.
Я сам недавно рефакторил Cloud Function на Яндекс.Облаке — коду 6 лет. С Claude Code это заняло меньше минуты, вручную ушло бы полдня.
P.S. Исследование METR показало, что опытные разработчики с ИИ работают на 19% медленнее — но только на своих репозиториях, которые знают годами. Когда создаёшь новое — расклад другой
Вы делаете продукт — или пишете код?
----
Поляков считает — про ИИ, рекламу и аналитику.
Последние месяцы — волна постов про то, как ИИ отупляет программистов. Потеря компетенций, "наркотик для мозга", закрытый найм для "подсевших на нейрокодинг". Наткнулся на пост Антона Волкова. Мем про отупение оттуда.
Хочу сказать кое-что непопулярное.
🎯 Главное, что дал ИИ-кодинг
Когда слышу, что кто-то защищает ручное написание, сразу делаю вывод, что цель человека — это не продукт, это сам код. А у бизнеса цель — продукт. ИИ-кодинг повлиял на двух участников рынка:
Для продуктов и предпринимателей: исчезло посредничество между идеей и прототипом. Теперь можно довести идею до работающего продукта самому — без недели переговоров о том, почему "это невозможно" или "нужно много минералов".
Для разработчиков: власть смещается к тем, кто мыслит продуктом, контролирует результат, оценивает бизнес-метрики. Писать код ради кода больше не выйдет — нужны продуктовые компетенции. Зато программист с ИИ — не дешевле, а дороже.
🎨 Когда красиво важнее, чем работает
Отношение к коду как к предмету искусства — главная ошибка. Код — способ заставить компьютер что-то делать. Ценность в том, что он делает, а не кто его написал.
🙋 Я сам грешил: бесился от ветки else с return — некрасиво же! Но это идеальный маркер разрыва между человеческой эстетикой и машинной логикой. Код работает, багов нет — просто мне этот код не нравится, вкусовщина.
💼 Про "критические системы"
Да, есть системы, где цена ошибки — катастрофа. Но большинство кода в мире к ним не относится.
Код — управляющие команды.
Как директор управляет предприятием через приказы, так программист управляет компьютером через код. Никто не хранит приказы директора в музее. Их исполняют — или предприятие умирает.
Вот и код в музее не надо хранить.
📊 А что говорят данные?
Accenture в RCT с 450 разработчиками: +15% к merge rate, на 84% больше успешных сборок.
Я сам недавно рефакторил Cloud Function на Яндекс.Облаке — коду 6 лет. С Claude Code это заняло меньше минуты, вручную ушло бы полдня.
P.S. Исследование METR показало, что опытные разработчики с ИИ работают на 19% медленнее — но только на своих репозиториях, которые знают годами. Когда создаёшь новое — расклад другой
Вы делаете продукт — или пишете код?
----
Поляков считает — про ИИ, рекламу и аналитику.
2👍5❤2🔥2👎1
У меня есть 3 пасса на Claude Code — забирайте
Anthropic запустили guest passes: подписчики Max могут раздать друзьям 7 дней Pro-плана с полным доступом к Claude Code.
🎁 Что получите: полный Pro на неделю, включая Claude Code
📋 Что нужно: зарубежная карта + никогда не были платным подписчиком Claude
Без зарубежной карты попробовать не получится.
Если давно хотели попробовать ИИ-кодинг с помощью Claude Code и его лучшей модели Opus 4.5 — пишите в комментарии или в личку, дам пасс.
UPD: все пассы закончились, если у кого-то есть — пишите в чате.
----
Поляков считает — про ИИ, рекламу и аналитику.
Anthropic запустили guest passes: подписчики Max могут раздать друзьям 7 дней Pro-плана с полным доступом к Claude Code.
🎁 Что получите: полный Pro на неделю, включая Claude Code
📋 Что нужно: зарубежная карта + никогда не были платным подписчиком Claude
Без зарубежной карты попробовать не получится.
⚠️ Важный нюанс: после триала подписка автоматически продлится за деньги, если не отменить. Так что ставьте напоминалку.
Если давно хотели попробовать ИИ-кодинг с помощью Claude Code и его лучшей модели Opus 4.5 — пишите в комментарии или в личку, дам пасс.
UPD: все пассы закончились, если у кого-то есть — пишите в чате.
----
Поляков считает — про ИИ, рекламу и аналитику.
3❤3👍1
Как я потратил неделю на "простую" задачу извлечения данных
Задача звучала элементарно: вытащить список услуг из PDF-договора. Pydantic-схема, пара промптов — что может пойти не так?
Оказалось, всё.
🔍 Проблема: масштаб убивает точность
В типичном договоре — 200-300 услуг. Даже Qwen 256B на таком объёме выдаёт только 90% списка. Звучит неплохо, пока не осознаёшь: оператору придётся вручную искать, какие 20-30 услуг модель потеряла.
По трудозатратам это ничем не отличается от ручного ввода всех услуг. Зато с ИИ.
🛠️ Попытка №1: LangExtract от Google
Библиотека с 17 000 звёзд на GitHub, красивые демки, обещания "Optimized for Long Documents: Overcomes the "needle-in-a-haystack" challenge бла бла бла...". Идеально же?
Реальность оказалась другой:
🔸 Даже на MacBook Pro M4 Max с 48GB unified memory один документ мог обрабатываться по 60 минут
🔸 Библиотека режет текст на чанки по 1000 символов — и, ТАААА-ДАААА-ММММ, ломает таблицы пополам
🔸 use_schema_constraints работает только с Gemini, для остальных моделей — рулетка с форматом ответа
🔸 В issues на GitHub — десятки жалоб на некорректный JSON
🤖 Попытка №2: Локальные модели через Ollama
Раз железо позволяет — протестировали разные модели: qwen3-30b, gpt-oss:20b, gemma3:27b. Для проверки использовал свой старый needle-in-a-haystack тест с вымышленными сущностями.
Результаты... своеобразные:
🔸 gemma3 считала "VX-6R" и "аккумулятор" живыми существами — а вымышленных из теста не нашла
🔸 Один и тот же атрибут в разных запусках оказывался в разных ключах: то "factor", то "attribute", то "characteristics"
🔸 JSON постоянно обрезался на середине или содержал синтаксические ошибки
Больше параметров ≠ лучше результат. gpt-oss:20b работал стабильнее мелких моделей, но всё равно терял данные на длинных документах.
📄 Корень проблемы: не модель, а данные
Копнул глубже и понял: дело не только в LLM. Дело в том, что приходит на вход.
OCR выдаёт текст с нарушенным порядком элементов. Из-за небольшого наклона скана строки таблицы "съезжают". Вместо логичного "Лифтер | 72 часа | 2913₽" получаем:
Модель видит кашу и выдаёт кашу.
✅ Решение: дизайн важнее модели
Отказались от полной автоматизации. Новый подход:
1️⃣ Человек загружает скан и показывает, где начинается и заканчивается таблица с услугами
2️⃣ Парсим первую страницу, чтобы понять структуру заголовков через LLM.
3️⃣ Запускаем параллельное извлечение — каждая страница обрабатывается параллельно.
Ключевой момент: не пытаемся восстановить таблицу из OCR-каши. Работаем с сырым текстом — LLM справляется.
На уровне одной страницы модели Qwen и Gemma до 32B справляются отлично. Быстро, дёшево, без галлюцинаций. 100% услуг извлечены.
----
Какой самый неожиданный затык вы встречали в "простых" задачах с ИИ?
----
Поляков считает — про ИИ, рекламу и аналитику.
Задача звучала элементарно: вытащить список услуг из PDF-договора. Pydantic-схема, пара промптов — что может пойти не так?
Оказалось, всё.
🔍 Проблема: масштаб убивает точность
В типичном договоре — 200-300 услуг. Даже Qwen 256B на таком объёме выдаёт только 90% списка. Звучит неплохо, пока не осознаёшь: оператору придётся вручную искать, какие 20-30 услуг модель потеряла.
По трудозатратам это ничем не отличается от ручного ввода всех услуг. Зато с ИИ.
🛠️ Попытка №1: LangExtract от Google
Библиотека с 17 000 звёзд на GitHub, красивые демки, обещания "Optimized for Long Documents: Overcomes the "needle-in-a-haystack" challenge бла бла бла...". Идеально же?
Реальность оказалась другой:
🔸 Даже на MacBook Pro M4 Max с 48GB unified memory один документ мог обрабатываться по 60 минут
🔸 Библиотека режет текст на чанки по 1000 символов — и, ТАААА-ДАААА-ММММ, ломает таблицы пополам
🔸 use_schema_constraints работает только с Gemini, для остальных моделей — рулетка с форматом ответа
🔸 В issues на GitHub — десятки жалоб на некорректный JSON
💡 Покопался в коде и обнаружил: langextract — это просто обёртка над промптами. Никакой магии, только нарезка текста и склейка примеров в запрос.
🤖 Попытка №2: Локальные модели через Ollama
Раз железо позволяет — протестировали разные модели: qwen3-30b, gpt-oss:20b, gemma3:27b. Для проверки использовал свой старый needle-in-a-haystack тест с вымышленными сущностями.
Результаты... своеобразные:
🔸 gemma3 считала "VX-6R" и "аккумулятор" живыми существами — а вымышленных из теста не нашла
🔸 Один и тот же атрибут в разных запусках оказывался в разных ключах: то "factor", то "attribute", то "characteristics"
🔸 JSON постоянно обрезался на середине или содержал синтаксические ошибки
Больше параметров ≠ лучше результат. gpt-oss:20b работал стабильнее мелких моделей, но всё равно терял данные на длинных документах.
📄 Корень проблемы: не модель, а данные
Копнул глубже и понял: дело не только в LLM. Дело в том, что приходит на вход.
OCR выдаёт текст с нарушенным порядком элементов. Из-за небольшого наклона скана строки таблицы "съезжают". Вместо логичного "Лифтер | 72 часа | 2913₽" получаем:
Лифтер
72
Специалист, ответственный за организацию...
2913,00
72...
Водитель погрузчика
Модель видит кашу и выдаёт кашу.
✅ Решение: дизайн важнее модели
Отказались от полной автоматизации. Новый подход:
1️⃣ Человек загружает скан и показывает, где начинается и заканчивается таблица с услугами
2️⃣ Парсим первую страницу, чтобы понять структуру заголовков через LLM.
3️⃣ Запускаем параллельное извлечение — каждая страница обрабатывается параллельно.
Ключевой момент: не пытаемся восстановить таблицу из OCR-каши. Работаем с сырым текстом — LLM справляется.
На уровне одной страницы модели Qwen и Gemma до 32B справляются отлично. Быстро, дёшево, без галлюцинаций. 100% услуг извлечены.
🎯 Вместо того чтобы заставлять ИИ делать всё, мы дали ему задачу по силам. Человек тратит 30 секунд на разметку — и получает 100% точность вместо 90%.
----
Какой самый неожиданный затык вы встречали в "простых" задачах с ИИ?
----
Поляков считает — про ИИ, рекламу и аналитику.
3🔥10❤2👍2
Голосование 2025: если одна подписка на AI, то какая?
Хочется подвести итоги года, но тема AI настолько многогранна, что непонятно с какой стороны заходить. Год выдался невероятным на релизы — каждый месяц что-то переворачивало представление о возможном.
Мы с коллегами по AI-комьюнити решили провести серию голосований — каждый в своём канале, по своей номинации. В итоге соберём срез: какие компании и явления стали знаковыми для ИИ в 2025.
🗳️ Темы
🔸 Одна подписка года — Поляков считает: AI, код и кейсы
🔸 Код с ИИ в 2025 — Глеб Кудрявцев про AI кодинг
🔸 Событие года в AI Coding — Тимур Хахалев про AI Coding
🔸 AI Headliner года — Константин Доронин
🔸 ИИ-компаньон года — Бунак и Цифра: chatGPT / AI в бизнесе
Это авторские каналы, без репостов новостей. Если еще не подписались, очень советую.
📊 Моя эволюция
В 2024 я обходился ChatGPT Plus и Claude Pro. В 2025-м список разросся: ChatGPT, Claude Max, Perplexity, Google AI, Cursor, Poe, Krea, Kling, ElevenLabs, Make...
Мои предпочтения за год менялись сильно. В начале года — поклонник ChatGPT. По мере развития кодинг-агентов стал адептом Claude. Потом офигел от точного контекста Gemini на миллион токенов. А затем снова полюбил ChatGPT за Codex.
🏆 Кандидаты — все по $20/мес
ChatGPT Plus — GPT-5, ChatGPT Image, Codex для кода, DeepResearch для глубокой аналитики. Универсальный комбайн.
Claude Pro — сильнейший в работе с текстом и кодом. Claude Code в комплекте. жесткие лимиты.
Google AI Pro — контекст на миллион токенов, NotebookLM, генерация фото и видео через Veo и Nano Banana, кодинг-агент Antigravity.
Perplexity Pro — доступ к GPT, Claude, Gemini в одном месте. Лучший для поиска в интернете с цитатами на источники.
🎯 Мой выбор
Сейчас на Claude Max за $100 — считаю лучшим для работы. Но понимаю, что это вкусовщина. Интересно, что выберете вы.
----
Поляков считает — ИИ, код и кейсы.
Хочется подвести итоги года, но тема AI настолько многогранна, что непонятно с какой стороны заходить. Год выдался невероятным на релизы — каждый месяц что-то переворачивало представление о возможном.
Мы с коллегами по AI-комьюнити решили провести серию голосований — каждый в своём канале, по своей номинации. В итоге соберём срез: какие компании и явления стали знаковыми для ИИ в 2025.
🗳️ Темы
🔸 Одна подписка года — Поляков считает: AI, код и кейсы
🔸 Код с ИИ в 2025 — Глеб Кудрявцев про AI кодинг
🔸 Событие года в AI Coding — Тимур Хахалев про AI Coding
🔸 AI Headliner года — Константин Доронин
🔸 ИИ-компаньон года — Бунак и Цифра: chatGPT / AI в бизнесе
Это авторские каналы, без репостов новостей. Если еще не подписались, очень советую.
📊 Моя эволюция
В 2024 я обходился ChatGPT Plus и Claude Pro. В 2025-м список разросся: ChatGPT, Claude Max, Perplexity, Google AI, Cursor, Poe, Krea, Kling, ElevenLabs, Make...
💡 Когда-то думал, что одной нейросети хватит на всё. Оказалось, специализация побеждает универсальность — и кошелёк страдает.
Мои предпочтения за год менялись сильно. В начале года — поклонник ChatGPT. По мере развития кодинг-агентов стал адептом Claude. Потом офигел от точного контекста Gemini на миллион токенов. А затем снова полюбил ChatGPT за Codex.
🏆 Кандидаты — все по $20/мес
ChatGPT Plus — GPT-5, ChatGPT Image, Codex для кода, DeepResearch для глубокой аналитики. Универсальный комбайн.
Claude Pro — сильнейший в работе с текстом и кодом. Claude Code в комплекте. жесткие лимиты.
Google AI Pro — контекст на миллион токенов, NotebookLM, генерация фото и видео через Veo и Nano Banana, кодинг-агент Antigravity.
Perplexity Pro — доступ к GPT, Claude, Gemini в одном месте. Лучший для поиска в интернете с цитатами на источники.
💰 Все базовые подписки выровнялись на $20/мес, премиум — на $200. Рынок нащупал якоря.
🎯 Мой выбор
Сейчас на Claude Max за $100 — считаю лучшим для работы. Но понимаю, что это вкусовщина. Интересно, что выберете вы.
----
Поляков считает — ИИ, код и кейсы.
3❤4🔥3👍2
Если одна подписка, то какая в 2025
Anonymous Poll
34%
ChatGPT Plus — универсальный комбайн
31%
Claude Pro — текст + много кода
20%
Google AI Pro — контекст + видео + картинки
16%
Perplexity Pro — вместо Яндекс и Гугл
❤3🔥3👍2