Вайб-кодинг: почему это важно для бизнеса
Термин «вайб-кодинг» звучит несерьёзно, но за ним стоит реальный сдвиг в том, как компании решают задачи. Если честно, мне больше нравится формулировка «разработка совместно с ИИ» — она точнее передаёт суть. Но «вайб-кодинг» проще, короче и уже прижилось — так что пусть будет.
Суть простая: вы формулируете задачу на обычном языке, обсуждаете её с LLM и получаете работающий код. Не нужно знать синтаксис — нужно понимать логику того, что вы хотите получить.
Почему это меняет правила игры для организаций?
Бизнес-пользователь становится мини-разработчиком. Человек, который лучше всех понимает задачу — аналитик, банкир, продуктолог — теперь может сам её реализовать. Без очереди в IT, без ТЗ на 20 страниц, без потери смысла при передаче задачи между отделами.
Скорость проверки гипотез растёт кратно. Раньше путь от идеи до прототипа занимал недели согласований и разработки. Сейчас можно за вечер собрать скрипт, который подтвердит или опровергнет гипотезу. Пример из моей практики: первую версию платформы по анализу рынка облигаций — с подключением к API Cbonds, Мосбиржи и Банка России — я сделал за 1,5 месяца. Причем работал я над ней по вечерам в свободное от основной работы время.
Клиентский опыт улучшается быстрее. Когда между идеей и реализацией нет длинной цепочки посредников, продукт точнее отвечает на реальную потребность.
И это не про «разработчики не нужны» — наоборот. Вайб-кодинг берёт на себя этап разведки: проверку идей, быстрые прототипы, тестирование гипотез. А разработчики подключаются на этапе масштабирования — когда решение уже доказало свою ценность. Возвращаясь к моей платформе по анализу облигаций, сейчас коллеги из IT будет переводить её на промышленную основу. Для них это тоже выигрыш: не нужно тратить время на проекты, которые окажутся ненужными. Они работают с тем, что уже протестировано и подтвердило свою востребованность.
При этом важно не путать вайб-кодинг с магией. ИИ — не замена мышлению, а усилитель. Ошибки и их исправление — это часть процесса, а не сбой. Ключевой навык здесь — умение декомпозировать задачу и проверять логику результата.
Для бизнеса, где скорость и точность аналитики решают всё, это не просто тренд — это конкурентное преимущество.

🔍 Почему ИИ нужно проверять: кейс с инверсией кривой
На выходных продолжал работать над скриптом, автоматизирующим аналитику по рынку облигаций — значительная часть аналитики генерируется с помощью ИИ на основе сырых данных из Excel. Модель отработала на отлично: обороты, доли, спреды, дневная динамика — всё посчитано точно, всё бьётся с исходниками. Десятки цифр, и каждая на месте.
Но в одном месте модель споткнулась — и именно там, где нужна не арифметика, а понимание смысла.
Речь про инверсию кривой доходности ОФЗ на длинном конце. Факты модель зафиксировала верно: 10Y снизилась на 1,1 б.п., а 15Y выросла на 6,6 б.п. А дальше написала, что это «усилило инверсию кривой на длинном конце». Считаем:
— Спред 15Y–10Y на начало недели: −37 б.п. — Спред 15Y–10Y на конец недели: −29 б.п. Спред стал менее отрицательным — инверсия уменьшилась, а не усилилась.
Это ровно тот тип ошибок, который опаснее всего: цифры верные, формулировка уверенная, вывод неправильный. Если читать по диагонали — проскочит. Если не посмотреть внимательно — не поймаешь. Для своей системы автоматизированной аналитики такой вид ошибок исправлю уточнением промптов.
Вывод простой: ИИ радикально ускоряет аналитику, но финальная верификация, особенно при принятии критически важных решений, — пока на человеке.

Несколько сотен пресс-релизов за 45 минут: тестирую Kimi 2.5 в агентском режиме
Столкнулся с задачей: нужно было собрать информацию из каждого пресс-релиза, опубликованного на сайте с начала 2025 года. Несколько сотен документов — вручную это неделя монотонной работы.
Решил протестировать Kimi 2.5 от Moonshot AI в агентском режиме.
Ключевой приём — декомпозиция задачи на два шага.
Шаг 1: сбор ссылок. Дал Kimi адрес страницы с пресс-релизами и попросил собрать в Excel список всех публикаций со ссылками. Kimi самостоятельно написал парсер, который обходил страницы пагинации и остановился, когда дошёл до пресс-релизов за декабрь 2024 года. На выходе — готовый Excel-файл.
Шаг 2: извлечение данных. В новом диалоге передал полученный файл и попросил пройти по каждой ссылке и собрать нужную информацию из пресс-релизов. Kimi справился.
Итого: ~45 минут, причём Kimi работал в фоне — я занимался другими задачами. Всё, что потребовалось от меня — грамотная декомпозиция и поэтапная постановка задачи.
Для многих это релевантный кейс: сбор данных из раскрытий, пресс-релизов эмитентов, решений регулятора — всё это можно автоматизировать похожим образом.

На прошлой неделе несколько раз столкнулся с необходимостью проанализировать законодательство в непрофильных для нас областях. Решил попробовать режим Deep Research в Claude Opus 4.6.
Быстро выяснилось, что Claude может находить недействующие правовые акты или устаревшие редакции, поэтому выстроил работу в два этапа.
Этап 1. Claude в режиме Deep Research формирует список нормативных правовых актов, регулирующих интересующую область.
Этап 2. Выгружаю из КонсультантПлюс актуальные редакции этих документов, загружаю их в Claude и повторно запускаю Deep Research — уже по верифицированной нормативной базе.
В промпте отдельно уточнял, что ответ должен опираться прежде всего на нормативные правовые акты и документы Банка России, а все выводы — подкрепляться ссылками на конкретные нормы.
К результатам такого анализа, безусловно, нужно относиться с осторожностью — но для первичного погружения в незнакомую тему инструмент работает весьма достойно.

Собрал агента на Claude API, который отвечает на произвольные вопросы по облигациям
На выходных собрал рабочий прототип — автономного агента, который сам находит нужные данные по облигациям и формирует ответ. По сути, это аналитик-стажёр, которому можно задать любой вопрос и получить структурированный ответ.
Примеры запросов:
→ Какие облигации были погашены в январе 2026 года?
→ Какие корпоративные бонды с фиксированным купоном наиболее активно торговались в прошлый понедельник?
→ Покажи выпуски с офертой в ближайший месяц
Как это работает. Агент получает вопрос и сам решает, где искать данные. Сначала проверяет сохранённые Excel-файлы в заданной папке. Причём файлы могут быть в произвольном формате — агент сам разбирается в структуре и извлекает нужное. Если в локальных данных ответа нет, агент обращается к API Cbonds. Ключевое здесь — агент сам принимает решение о стратегии поиска и может дозапрашивать данные, если первый результат неполный.
Как я научил агента работать с API Cbonds — тема следующего поста.
По экономике: один запрос обходится примерно в 40–50 рублей за счёт расхода токенов Claude. Звучит дорого, пока не сравнишь с альтернативой — вручную тот же ответ занял бы до пары часов времени работы аналитика. Для оперативных задач, где важна скорость, система уже полезна.

Продолжаю свой опыт творчества совместно с AI. Я придумываю сюжет и сюжетные детали, обсуждаю их с ИИ и на выходе получаю текст, который итеративно дорабатывается. https://telegra.ph/Marafon-03-21-3

Мой рассказ, о котором писал выше, опубликовали на Литрес. Приглашаю ставить оценки и комментировать. https://www.litres.ru/73580527/

Как я научил ИИ работать с API Cbonds: навыки для агентов

Некоторое время назад обещал рассказать, как обучаю агентов работе с API Cbonds. Наконец дошли руки.

🎬 Помните сцену из «Матрицы», где Нео за секунды загружают навыки джиу-джитсу? С ИИ-агентами работает похожий принцип — только вместо боевых искусств загружаются навыки работы с финансовыми данными.

📄 Делается это через skill-файлы — текстовые инструкции, которые объясняют агенту, как решать конкретные задачи. Например:

▪️ для получения торговых оборотов использовать определённые эндпоинты API
▪️ при оценке стоимости размещения рублёвых облигаций брать в качестве аналогов только рублёвые выпуски
▪️ при анализе бумаг с фиксированным купоном не смешивать их с флоатерами

Перечень навыков ограничен только вашей фантазией и потребностями в аналитике.

🔑 Главное преимущество подхода — skill-файл создаётся один раз и применяется ко всем последующим задачам. А ещё его можно дорабатывать прямо в процессе: столкнулись с ошибкой — добавили уточнение, и агент больше её не повторит. Навык буквально «взрослеет» по мере работы скрипта.

⏭️ Как создать такой skill-файл — тема следующего поста.

Вот такой подарочек нашел с утра 😱

Первое апреля закончилось. Переходим к серьезным новостям. Покажу пример короткой версии аналитического отчета за прошлую неделю, который получается полностью автоматически.

Как превратить рабочие скрипты в skill для AI-агента

В одном из прошлых постов я рассказывал, что такое skill-файлы и зачем они нужны. Сегодня — практика: как я упаковал свои существующие Python-скрипты для работы с API в переиспользуемый skill.

🤖 Что такое skill технически
Это папка с файлом SKILL.md и вложенными скриптами, справочниками, шаблонами. SKILL.md — основной документ: в нём текстовая инструкция для агента. По сути, это памятка для будущего AI, который столкнётся с аналогичной задачей.

📦 Что я упаковал
Несколько скриптов для работы с Cbonds, Московской биржей, ЦБ РФ. Плюс справочники по работе с API Cbonds. Все это Claude упаковал в skill файл самостоятельно. Итого: около 1 000 строк документации и 1 500 строк рабочего кода.

🎯 Триггеры: как агент понимает, когда подключить skill
В описании skill'а прописываются ключевые слова: Cbonds, ISIN, облигации, gcurve, спреды, дюрация, оферты и так далее. По ним ассистент автоматически определяет, что нужно загрузить именно этот набор инструкций. Чем точнее триггеры — тем реже skill будет «молчать», когда он нужен.

🛠 Процесс за 3 шага
1 — Проанализировать существующие скрипты и паттерны 2 — Написать SKILL.md с инструкциями и справочниками 3 — Упаковать в .skill файл

💡 Что это даёт на практике
Вместо того чтобы каждый раз объяснять агенту структуру API, формат запросов, нюансы фильтров и пагинации — он сам читает инструкцию и пишет код.
Если ошибки всё-таки возникают, я даю команду Claude обновить SKILL.md с учётом полученного опыта. Skill буквально улучшается в процессе работы.
Бонус — этот же файл можно перенести в другие модели, поддерживающие данный функционал. Например, я использую свой skill по облигациям в Perplexity Computer.

📊 Рынок облигаций РФ | 30.03 — 05.04.2026

Оборот за неделю — 464 млрд ₽. Ключевое:

▪️ КС снижена до 15% (−50 б.п.), Сбер прогнозирует 13% к концу года
▪️ Минфин приостановил операции с валютой и золотом до 1 июля
▪️ ВВП в феврале −1,5% г/г, PMI ниже 50
▪️ 157 кредитных событий за I кв., 29 должников
▪️ Газпром капитал разместил 40 млрд, МТС — 15 млрд, Ozon анонсировал дебют

Полный отчёт в PDF → Скачать полный отчёт
Короткая версия отчета → Скачать

#облигации #DCM #макро

🧠 Thinking mode: следующий шаг в автоматической аналитике
Несколько недель назад писал про ошибку модели с описанием инверсии кривой бескупонной доходности Московской биржи — цифры верные, вывод неправильный. Тогда решил проблему уточнением промптов, и какое-то время это работало.

Но сейчас кривая приняла «неудобную» для модели форму: нормальная (восходящая) от 1Y до 10Y, и лишь незначительная инверсия в −3 б.п. на участке 10Y–15Y. Модель без thinking mode не справилась — дважды назвала всю кривую «инвертированной», хотя на большей части длины она была нормальной. Промпты здесь уже не помогали: проблема не в инструкции, а в том, что модель не «думает» над смыслом, прежде чем писать. Можно было продолжать эксперементировать с промптами, но решил попробовать другой путь.

💡 Включил thinking mode — режим, в котором модель сначала рассуждает, а потом формулирует ответ.

✅ Результат на тех же данных: «Кривая сохраняла восходящую форму. На участке 10Y–15Y — незначительная инверсия». Корректно. Заодно улучшились и аналитические связки между событиями — модель стала точнее объяснять, что из чего следует.

💰 Стоимость генерации отчёта выросла с ~$0.80 до ~$1.10 — плата за то, что модель «думает», а не только пишет.

🔍 Финальная проверка по-прежнему на человеке. Но граница того, что модель делает правильно без вмешательства, ощутимо сдвинулась.

📊 Рынок облигаций РФ | 06–12 апреля 2026

Ключевая ставка — 15,00%. Рынок ждёт заседание ЦБ 24 апреля: обсуждается как снижение на 50 б.п., так и пауза. Шохин (РСПП) ожидает 14,5%, ЦБ сигнализирует осторожность из-за проинфляционных рисков.

Обороты: 368,4 млрд ₽ за неделю (ОФЗ 49% / корпораты 51%). Пик — вторник 07.04 (109 млрд), основной вклад — блочная сделка по «Магнит» БО-006Р-02 на 26,3 млрд.
Кривая ОФЗ: короткий конец вырос на 2–13 б.п. (реакция на бюджетный дефицит 4,6 трлн ₽ и инфляцию 5,95% г/г), средний участок 2–5Y снизился на 6–8 б.п.
Спреды: G-спред AAA стабилен (~107 б.п.), маржа AAA флоатеров сузилась на 19 б.п. — устойчивый спрос на плавающую ставку в условиях неопределённости по траектории КС.
Первичный рынок: 7 книг, ключевые — Газпром нефть (флоатер, 100 млрд, КС+150), ПСБ (фикс 40 млрд + флоатер 15 млрд), Ростелеком (фикс 15 млрд, 14,54%).
⚠️ ЕвроТранс — техдефолт по БО-001Р-07, каскад понижений до CC/ruC, 9 выпусков переведены в 3-й уровень листинга.
📎 Полная версия отчета -> Скачать полный отчет.
📎 Короткая версия отчета -> Скачать.

🔬 Попросил Claude провести контрфактуальный исторический анализ

Задача: разобрать, что произошло бы с Европой, если бы Наполеон женился на сестре Александра I. Переговоры реально шли в 1808–1810 годах — и решение висело на волоске.

Главный вывод: династический брак разрывал конкретную причинно-следственную цепочку — от катастрофы 1812 года через прусское объединение Германии и систему враждебных альянсов к двум мировым войнам. Не утопия, но десятки миллионов жизней в XX веке — вопрос одного дипломатического решения.

Что сделал AI: — Проанализировал мотивы сторон и роль предательства Талейрана — Выстроил цепочку из шести звеньев от отказа Романовых до Сараево — Нашёл академические источники: Вандаль, Татищев, Шрёдер — Оформил в интерактивную страницу с таймлайном

👉 https://viktorgudkov.github.io/alt-history/napoleon.html
Лёгкое чтение на выходные.

📊 Рынок облигаций РФ | 13–19 апреля 2026

Неделя перед заседанием ЦБ 24 апреля. Консенсус — снижение ставки с 15,00% до 14,50%.

🔑 Недельная инфляция — 0,00% (впервые с августа 2024), годовая снизилась до 5,77%. Инфляционные ожидания населения упали с 13,4% до 12,9%. Рынок воспринял это как сигнал к покупке длины.
📈 Кривая ОФЗ: длинный конец снизился на 18–23 б.п. (максимум на 5Y: –23 б.п.), короткий конец вырос на 5–20 б.п. Кривая уплощается, горбатая форма с пиком на 9–10 лет.
💰 Минфин провёл рекордные аукционы: размещено по номиналу 242 млрд ₽ (ОФЗ 26253 под 14,87% и 26244 под 14,68%). Годовой план выполнен на 32,7%. Юаневые ОФЗ рассматриваются на май.
📊 G-спред AAA расширился на +23 б.п. (104 → 126 б.п.) — доходности ОФЗ падали быстрее корпоратов на фоне позитивной инфляционной статистики.
⚠️ ЕвроТранс — три агентства отозвали рейтинги после двух техдефолтов, 10 выпусков переведены в сектор ПИР, доходности выше 40%. Эксперт РА прогнозирует рост дефолтов в 2026 году.
🏢 Первичный рынок: 7 эмитентов закрыли книги — Почта России (фикс 17,15%), VK (фикс 14,15% + флоатер КС+175), B2B-РТС провела первое IPO 2026 года.

📎 Полная версия отчёта -> Скачать полный отчет.
📎 Короткая версия отчёта -> Скачать.

🔬 Как я собрал пайплайн для аналитики по компаниям — от ИНН до готового отчёта за 1-1,5 часа

Задача: перед встречей с клиентом менеджеру банка нужен аналитический брифинг — отрасль, конкуренты, финансы, потенциальные сделки. Ручной сбор открытых данных займет целый день или больше. Теперь —час-полтора и две вкладки браузера.

Рассказываю, как это устроено.

— Что на входе
Один ИНН. Всё.

— Что на выходе
Готовый .docx с шестью секциями: Executive Summary, справка по компании (собственники, финансы за 5 лет, публичный статус), карта рынка с региональной спецификой, конкурентный анализ с таблицей из 5–10 игроков, M&A-таргеты с ИНН и финансами каждого, и конкретные вопросы для встречи.

— Пайплайн: 4 шага в браузере
1️⃣ Генерация отчёта — Claude Deep Research. Вставляю ИНН в заранее подготовленный мастер-промпт (~2000 слов) и запускаю. Claude сам находит компанию, отрасль, регион, идёт по десяткам источников (Росстат, отраслевые порталы, АКРА и т.д.) и выдаёт структурированный отчёт. Занимает до 50 минут.
2️⃣ Верификация — Perplexity Deep Research. Копирую полученный отчёт в Perplexity вместе со вторым мастер-промптом — для фактчекера. Perplexity проверяет каждую цифру по открытым источникам и выдаёт таблицу расхождений: что неверно, что устарело, что пропущено, со ссылками на первоисточники. Ещё 5–10 минут.
3️⃣ Исправление — первый чат Claude. Передаю исходный отчёт + таблицу расхождений от Perplexity. Claude точечно правит ошибки, обновляет устаревшие данные, добавляет пропущенные риски. Структура сохраняется. До 10 минут.
4️⃣ DOCX — тот же чат Claude. Прошу оформить исправленный отчёт в Word с таблицами, колонтитулами и форматированием. Получаю файл для скачивания. До 10 минут

— Почему два разных инструмента
Ключевое решение — верификация через Perplexity, а не через Claude.
Использую независимого арбитра для дополнительной объективности, чтобы нейросеть не проверяла сама себя. Perplexity как независимый фактчекер ходит по вебу и возвращает ссылки на конкретные страницы. На практике Perplexity ловит 3–7 расхождений в каждом отчёте — от мелких неточностей в процентах до серьёзных ошибок в ИНН таргетов.

— Секрет — в промптах, а не в инструментах
Сами Deep Research и Claude доступны каждому. Разница — в промптах, которые надо калибровать методом проб и ошибок.
Промпт для генерации задаёт: • Роль (аналитик инвестбанка) и аудиторию (менеджер перед встречей) • 6 секций с точными форматами таблиц и обязательными метриками • Список приоритетных источников для российских компаний • Правила для недоступных данных («не выдумывай — пиши "данные не найдены"») • Опциональный блок фокуса под конкретную сделку
Промпт для верификации зеркалит структуру отчёта секция за секцией и задаёт формат результата: таблица расхождений с типом (ошибка / неточность / пропуск) и критичностью (высокая / средняя / низкая).
Без этой эмпирической настройки Deep Research выдаёт рыхлый текст без структуры, а верификация проверяет выборочно вместо сплошной проверки.

— Главный инсайт
Промпт-инжиниринг для Deep Research — это не про «напиши красиво». Это эмпирическая калибровка: запускаешь отчёт, видишь, где модель плывёт, добавляешь конкретное ограничение в промпт, запускаешь снова. После 5–7 итераций на разных отраслях промпт стабилизируется и даёт воспроизводимый результат.
Самое ценное — не инструменты (они у всех одинаковые), а структура промптов, отточенная на реальных кейсах.

— Цифры
⏱️ 1-1,5 часа на полный цикл (вместо 2–3 дней) 📄 3000–6000 слов аналитики 📊 Финансы за 5 лет, 5–10 конкурентов, 5–10 M&A-таргетов с ИНН 💰 Стоимость: подписки Claude + Perplexity
#AI #DeepResearch #Perplexity #Claude #промптинжиниринг #аналитика

📉 Ставка снижена, а доходности ОФЗ — выросли
⠀
24 апреля Банк России опустил ключевую с 15,00% до 14,50%. Шаг совпал с консенсусом, но рынок ждал более глубокое снижение — до 14,00–14,25%.
⠀
🎯 Жёсткий сигнал прочитали моментально:
— прогноз средней ставки на 2026 год повышен до 14–14,5% (было 13,5–14,5%)
— на заседании 19 июня допускается пауза
— RGBI 24.04 развернулся вниз
⠀
📊 Кривая ОФЗ за неделю сдвинулась вверх практически по всей длине. Максимум давления — на среднем участке: 7Y +22,4 б.п., 5Y +19,4, 10Y +19,1. Короткий конец 4M даже подсох на −3,3 б.п.
⠀
💼 Что ещё было заметно:
— оборот рублёвых облигаций — 537,4 млрд ₽ за 5 дней; ОФЗ 68%, корпораты 32%
— пик 22.04 — 160,5 млрд ₽ на аукционе Минфина (ОФЗ-26245 и ОФЗ-26254, совокупно 258 млрд ₽ по номиналу)
— 24.04 в ОФЗ доля фикса — 98%, в корпоратах флоатеры взяли 60%: рынок продавал длинные фиксы и одновременно искал защиту в плавающих корпоратах
⠀
🏷 Кредитная история на фоне всего этого — отдельная: техдефолты ЕвроТранса, СибАвтоТранса, АгроДома и понижения рейтингов Металлоинвеста и Трансконтейнера. При этом G-спред AAA сузился со 134 до 87 б.п. — стресс остался в нижних рейтинговых категориях.
⠀
📎 Полная версия отчета -> скачать полный отчет.
📎 Коротка версия отчета -> скачать.