Зачем вообще нужен n8n, если агенты уже умеют всё?
#method_n8n

Серьёзно. Берёшь сегодня любого толкового агента, даёшь ему инструменты, пишешь промпт. И он сам в почту залезет, в таблицу запишет, в CRM сходит, клиенту ответит. Без тебя.

Так зачем тогда городить ноды, вебхуки, циклы? Зачем этот n8n?

Сейчас объясню, и ты по-другому посмотришь на свои автоматизации.

Когда ты делаешь автоматизацию для себя, агент это кайф. Разобрать почту, собрать дайджест, накидать контент-план, разрулить задачки. Один агент, пара инструментов, и ты доволен. Ошибся? Переспросил, поправил, перезапустил. Ты дома, ты сам себе хозяин.

А теперь внимание. Что происходит, когда то же самое нужно отдать клиенту? Или собрать продукт, которым одновременно пользуются сотни людей?

Вот тут начинается взрослая жизнь. И тут вылезает математика, которую новички не видят, пока не обожгутся.

Агент ошибается не на 0% и не на 100%, а где-то посередине. Допустим, он правильно отрабатывает 95% шагов. Звучит отлично. Но автоматизация это не один шаг, это цепочка. А в цепочке точность не складывается, она перемножается.

▪️ 5 шагов по 95% дают на выходе уже 77% успешных запусков
▪️ 10 шагов — около 59%
▪️ 20 шагов — всего 36%, то есть больше половины прогонов падает

И даже если выжать нереальные 99% на каждом шаге, на цепочке из 20 шагов это всё равно один провал из пяти. Один кривой шаг тянет за собой все следующие.

Демка работает идеально, а на потоке всё разваливается. Вот ровно поэтому.

В исследованиях это видно прямо: на коротких задачах в пару минут топовые модели почти не ошибаются, а на задачах длиннее нескольких часов доходят до конца меньше чем в 10% случаев. И громкие истории уже были. Летом 2025-го ИИ-ассистент в «Replit» снёс клиенту боевую базу данных, хотя ему прямым текстом запретили туда лезть.

Клиенту нельзя «иногда галлюцинирую». Клиенту нельзя «ой, отвалилось, перезапусти». Нужно, чтобы работало стабильно. Каждый раз. Ночью. На объёме.

А агент сам по себе импровизатор. Сегодня сделал так, завтра иначе. Для творчества супер. Для продакшена беда.

И вот сюда заходит n8n.

n8n это скелет, на котором живёт твой агент. Чёткие шаги, которые выполняются одинаково всегда. Повтор при сбое (Retry On Fail) вместо падения всего процесса. Отдельная ветка на ошибку, чтобы тебе прилетело уведомление, а не тишина. Очереди, чтобы не словить бан по лимитам API. Логи, чтобы видеть, на каком именно шаге что упало. Вебхуки, чтобы всё стартовало само.

Агент думает. А n8n следит, чтобы он думал в нужный момент, в нужном месте и не сломал тебе весь процесс. А там, где из шага вообще можно убрать вероятность и прописать жёсткую логику, ты её прописываешь. И те самые 95% на этом шаге превращаются в 100%.

Понимаешь разницу?

Агент в одиночку это талантливый фрилансер. n8n это завод, где тот же фрилансер работает по регламенту и выдаёт результат на потоке.

Для себя бери агента и не парься. А если хочешь на этом зарабатывать, делать клиентам или строить продукт, без n8n никуда.

От спецэффектов Голливуда до платформы за 5 миллиардов
#method_n8n

Платформа, на которой сейчас весь мир собирает ИИ-агентов, начиналась как скучный пет-проект бывшего художника по спецэффектам. Сегодня в неё зашёл «SAP», и стоит она 5,2 миллиарда долларов.

История тут даже не одна. И мораль из них стоит забрать себе. Поехали.

Основателя зовут Ян Оберхаузер. До n8n он работал в кино, делал визуальные эффекты для голливудских блокбастеров. Та же «Малефисента».

И вот человек из мира, где всё про красоту и вау-эффект, садится и пилит максимально невзрачную штуку. Движок для автоматизации. Обработка ошибок, хранение ключей, восстановление после сбоев, соединение сервисов между собой.

Ни хайпа, ни заголовков. Просто годы нудной инженерной работы в Берлине над инфраструктурой, которая тогда мало кого волновала. Даже название под стать: «nodemation», сокращённо n8n.

Когда в 2020-м в проект зашли инвесторы из «Sequoia», для них это был всего лишь третий посевной вклад в Германии за всю историю фонда. Нишевая штука для разработчиков, не более.

А потом рвануло с нейросетями. И выяснилась занятная вещь. Чтобы строить надёжных ИИ-агентов, нужна была ровно та скучная база, которую Ян всё это время и строил.

Тут он сделал то, что многие проморгали. Не прикрутил ИИ сбоку как модную фичу, а развернул всю платформу под оркестрацию агентов. Фундамент уже лежал, оставалось поставить нейронки сверху.

И n8n из штуки для гиков стал одной из главных платформ эпохи. За сотню тысяч звёзд на гитхабе, больше 230 тысяч активных пользователей, три тысячи компаний, выручка под 40 миллионов долларов в год и рост в десять раз за десять месяцев. Плюс то, чего нет у «Zapier»: можно поднять на своём сервере и держать все данные под собой.

И вот тут важное. Это не единичная история про везение.

Вспомни «Nvidia». Двадцать лет назад они делали видеокарты для геймеров и вложились в CUDA, софт, чтобы считать на видеокарте что угодно, кроме графики. Зал на презентации молчал. Никто не просил, никто не понял. Карты из-за этого подорожали, акции просели, оценка рухнула с 12 миллиардов до двух-трёх. Аналитики крутили пальцем у виска без малого десять лет, пока компания вливала миллиарды в разработку с выручкой в разы меньше.

Перелом случился в 2012-м, когда нейросеть впервые разнесла конкурентов в распознавании картинок. И обучалась она на том самом железе с CUDA, которое «Nvidia» молча допиливала всё это время. Сегодня это самая дорогая компания на планете, первая в истории за 5 триллионов. Без CUDA не было бы и нынешнего ИИ.

Один в один та же схема. Пока толпа гналась за громким и блестящим, кто-то спокойно клал кирпичи.

Выигрывает обычно не тот, кто бежит за самым ярким, а тот, кто заранее заложил фундамент, на который это яркое потом и встанет.

В нашем деле это значит простое. Не гоняйся за каждой новой модной нейронкой. Разберись в основах: как двигаются данные, как устроены агенты, как связать всё это между собой.

Посмотри на тех, кто ещё в 2022-м спокойно копался в этой скукоте. Когда подъехали агенты, им не пришлось учиться заново. Они просто подключили новые модели к воркфлоу, которые и так знали наизусть. А остальные в это время паниковали в стиле «вышло что-то новое, я опять всё пропустил».

И тогда любая новая технология станет для тебя просто ещё одним кубиком на готовом фундаменте.

Художник по спецэффектам и бывший продавец видеокарт построили то, что пережило весь хайп. Может, дело и правда не в блеске.

Вышел новый ролик на Ютуб - ИИ Агенты заменяют RPA роботов. RPA, это когда то очень популярная технология, когда в браузере записывались действия и многократно потом можно было запускать эту автоматизацию.

Бизнес это сильно заценил даже в том примитивном состоянии, представляете какие сейчас перспективы для тех кто предлагает разработку автоматизаций для бизнеса?

В общем поддержите лайком и не забудьте потестить шаблоны о которых рассказываю.

https://youtu.be/VpD_ndvh3XA

Интернет начал закрываться от ИИ-агентов
#method_ai

Пока все спорят, отберут ли агенты работу, интернет решил вопрос по-своему. Он просто перестал их пускать.

«Cloudflare» — это компания, через которую проходит примерно каждый пятый сайт в мире. И на этой неделе она включила новую логику: владелец сайта теперь отдельно управляет тремя типами ботов.

▪️ Поисковые — которые приводят тебе посетителей
▪️ Обучающие — которые забирают контент для тренировки нейросетей
▪️ Агентские — которые ходят по сайтам вместо человека

Первых пускают. Вторых и третьих на сайтах с рекламой теперь блокируют по умолчанию. А с 15 сентября 2026 такие ограничения автоматом получит каждый новый домен.

Логика владельцев сайтов понятная. Агент зашёл, забрал цены, расписание, статью. Ушёл. Рекламу не посмотрел, ничего не купил, в статистике посетителей его нет. Сайт поработал бесплатно.

Это неприятно для нас.

Агент, который проверяет цены конкурентов, собирает вакансии или мониторит наличие товара — это уже не игрушка. Это рабочий инструмент, который экономит часы рутины. Я такие собираю регулярно, и заказчиков на них всё больше.

И теперь между твоим агентом и данными вырастает стена. Причём стена платная: «Cloudflare» параллельно строит систему, где за доступ ботов к контенту сайты смогут брать деньги.

Что это значит на практике:

▪️ Дешёвые парсеры, которые тупо качают страницы, начнут умирать первыми
▪️ Выживут агенты, которые ведут себя как человек — открывают настоящий браузер, видят страницу глазами, кликают
▪️ Ценность самостоятельных решений на своём сервере вырастет, потому что публичные сервисы парсинга попадут под блокировки раньше всех

Именно поэтому я и собрал Free Parse.

Это агент, который живёт на твоём собственном сервере и работает так, как работал бы живой человек за компьютером. Ему пишешь обычным языком: найди, зайди, собери. Дальше он сам.

Как это выглядит изнутри:

▪️ Агент открывает настоящий браузер, не эмуляцию
▪️ Смотрит на страницу как человек — буквально видит её скриншотами и понимает, где кнопка, где ссылка, где нужный текст
▪️ Сам кликает, вводит запросы, листает страницы и возвращается назад, если зашёл не туда
▪️ Результат отдаёт в удобном виде — хоть в таблицу, хоть в Telegram

Для сайта такой агент почти неотличим от посетителя. Он не долбит сервер тысячей запросов в секунду, а спокойно ходит по страницам. Ровно тот класс решений, у которого в новой реальности шансов больше всех.

Куда его можно приставить прямо сейчас:

▪️ Утренняя сводка цен конкурентов тебе в Telegram
▪️ Мониторинг появления товара, билетов или записи к нужному специалисту
▪️ Сбор объявлений, вакансий или отзывов по заданным условиям
▪️ Любая задача из серии «зайди на сайт и посмотри», которую ты делаешь руками каждый день

И даже:

▪️ Заполни на таком то сайте такую то форму такими то данными и отправь

Даже заказчик был с таким запросом на днях.

И главное — весь этот комплект бесплатный. Никаких подписок на сервисы парсинга по 50-200 долларов в месяц. Браузерный движок с открытым кодом, оркестрация на n8n, недорогая модель для мозгов, которая обходится в копейки. Всё крутится на твоём сервере, данные никуда не утекают, лимитов на запросы нет.

Я уже прогнал его через реальные задачи, наступил на все грабли, которые там были, и собрал рабочую схему. Скоро выложу на YouTube подробное видео: покажу всю сборку от чистого сервера до готового агента, с настройками, ошибками и обходными путями.

Забавно выходит. Агентов создавали, чтобы они свободно работали в интернете вместо нас. А интернет первым делом начал проверять у них документы на входе.

Представляю ИИ агента, который реально может ходить по сайтам и выполнять поставленные задачи.

Все файлы прилагаются.

Почему нужен такой агент, есть же Клоды и прочие с управлением браузером, объясняется.

Не сломайте только интернет )

https://youtu.be/jIhu7oIe57g

Своя нейросеть на твоей видеокарте. Зачем?
#method_n8n

Часть 1 — зачем и как запустить.

Каждый твой запрос к «OpenAI» — это данные, улетевшие на чужой сервер, плюс строчка в счете в конце месяца.

Пока ты спрашиваешь у ChatGPT рецепт борща — плевать.

Но когда твой ИИ-агент обрабатывает клиентские заявки, договоры или медицинские анкеты — уже не плевать.

Ни клиентам, ни юристам, ни тебе.

Решение старое как мир, но почему-то до сих пор кажется людям чем-то космическим — запустить модель у себя. На своей видеокарте. Дома или на своем сервере.

Спойлер: это не космос. Это 15 минут и одна программа.

Ставишь «Ollama» (или «LM Studio», если хочется кнопочки вместо консоли), пишешь одну команду — и у тебя локально крутится модель. Qwen, Llama, Gemma, DeepSeek — выбирай.

Сколько нужно железа?

▪️ Модель 7-8B в 4-bit сжатии — хватит 6 GB видеопамяти. Это RTX 3060, карта за копейки на вторичке.
▪️ 12-14B — около 10-12 GB. RTX 3060 12GB или 4070.
▪️ 27-30B — уже 20+ GB, тут нужна 3090/4090 или две карты.

Причем «Ollama» отдает OpenAI-совместимый API. То есть в любом агенте — хоть в n8n, хоть в своем коде — просто меняешь адрес с api.openai.com на localhost. Все. Агент работает на твоем железе.

Теперь главное — в каких случаях это вообще нужно:

▪️ Приватность. Медицина, юристы, финансы, чужие персональные данные. Есть сферы, где отправка данных в облако — это не «не хочется», а «нельзя по закону».
▪️ Объемы. Пока запросов 100 в день — API дешевле. Когда агент молотит десятки тысяч запросов в сутки — своя карта окупается за месяцы.
▪️ Независимость. Никаких блокировок, лимитов, «модель устарела и отключена». Твоя модель живет столько, сколько ты захочешь.
▪️ Эксперименты. Хочешь гонять агента 24/7 в цикле и не считать токены — локально это бесплатно.

Честно про минусы, куда без них.

Локальная 8B-модель глупее GPT-5 и Claude. Сильно глупее. Для агента, который пишет тебе стратегию бизнеса — нет. Для агента, который классифицирует заявки, вытаскивает данные из текстов, отвечает по базе знаний — да, за глаза.

И вот тут начинается самое интересное.

Маленькую модель можно ДООБУЧИТЬ на своих данных. И тогда в своей узкой задаче она начинает работать не хуже больших — только бесплатно и у тебя дома.

Про это — в следующем посте. Там цифры, от которых у меня самого брови поднялись на лысую головушку.

И развенчаем миф, о том что такое только для корпораций, уже нет.

Есть LoRA и QLoRA.

Вообще интересна эта тема?

Дообучение модели на пальцах
#method_n8n

Часть 2 — как это работает и зачем это реально нужно.

В прошлом посте вкратце разобрали, как запустить модель у себя.

Теперь запретная тема — как научить ее на твоих данных.

Сразу же — не путать с RAG. RAG это не обучение, хотя многие, да и я сам, иногда так это называют. Там модель остается прежней, ей просто подсовывают нужные куски из базы знаний.

Настоящее дообучение — когда модели подают размеченные примеры «запрос → правильный ответ» и она корректирует свои веса, чтобы отвечать именно так.

Сразу разберемся с мифом. «Дообучение — это для корпораций с дата-центрами».

Было так. Года три назад.

Полное дообучение модели 7B и правда жрет 28+ GB видеопамяти — переписываются все веса, для дома перебор.

Но умные люди придумали LoRA.

Базовую модель замораживаем и не трогаем. Сверху прикручиваем маленькие «адаптеры» — и тренируем только их. Это 1-5% от всех весов.

Это как выдать сотруднику методичку по твоей специфике вместо переучивания с нуля.

QLoRA — то же самое, но база еще и сжата в 4-bit. И вот цифры:

▪️ Дообучение 7-8B через QLoRA — 8-12 GB видеопамяти. Обычная RTX 3060/4070.
▪️ Датасет — 500-1000 качественных примеров. Не миллионы.
▪️ Время — 1-4 часа. Инструменты: «Unsloth», «Axolotl», «LLaMA-Factory».

Пятьсот примеров и вечер. Против дата-центра. Это впечатляет.

Теперь главное — ЗАЧЕМ. Не притянутые причины, а с цифрами из реальных внедрений.

Причина 1 — точность. Разбор 287 корпоративных кейсов показал закономерность: на узкой, четко очерченной задаче дообученная мелкая модель бьет большую универсальную.

Пример: модель на 355 миллионов параметров — в 500 раз меньше GPT-4 — выбила 0.94 точности там, где GPT-4 показал 0.58. Не на процент лучше. На 62%.

Гигант знает все обо всем. Твоя мелкая — все о твоей задаче.

Причина 2 — деньги на объемах. Компания «Convirza» оценивает звонки колл-центров. Взяли Llama-3-8B, навесили 60 LoRA-адаптеров (по одному на каждый показатель оценки) — расходы упали в 10 раз против API «OpenAI», а точность выросла на 8%.

Причина 3 — скорость и жирный промпт. Без дообучения ты в каждый запрос таскаешь простыню: инструкции, примеры, правила — тысячи токенов. В агенте, который молотит 10 000 запросов в день, эта простыня — прямые деньги и секунды задержки.

После дообучения поведение вшито в веса. Промпт худеет до пары строк, мелкая модель отвечает за доли секунды. Для голосовых ботов и реалтайм-агентов это вообще единственный путь.

И когда это вся движуха будет лишней. Стиль и тон ответов часто закрываются промптом — не выдумывай себе дообучение там, где хватит инструкции на 20 строк. Знания и факты — это RAG: цены поменялись, базу обновил и все.

Я с помощью RAG создал не одного ИИ специалиста, скоро покажу одного очень крутого.

И есть потолок: на структурированных документах дообученная мелочь выбивает 96%, а на свободных рассуждениях проседает до 65%. Думать как большая она не научится.

Порядок здоровой автоматизации: промпт → RAG → дообучение. Но когда задача узкая и запросов много — дообучение перестает быть опцией и становится математикой.

И да, это продается. Заказчики с потоком однотипных задач — классификация заявок, извлечение данных из документов, оценка звонков — платят за такое хорошо. Своя обученная эксклюзивная модель априори не может стоить дешево.

В следующем посте — практика: датасет, обучение, выгрузка в «Ollama», подключение к агенту. И грабли, на которые наступают все.

Практика и грабли
#method_n8n

Дообучение своей модели. Часть 3 — пайплайн от датасета до агента и все грабли.

Теория была в прошлых постах. Теперь руками.

Весь путь — 5 шагов:

▪️ Шаг 1. Датасет. Файл в формате JSONL, каждая строка — пара «запрос → идеальный ответ». Откуда брать? Твои переписки с клиентами, старые заявки с ответами, диалоги поддержки. 500-1000 штук.
▪️ Шаг 2. Обучение. Берешь готовый ноутбук «Unsloth» (они лежат бесплатно под каждую модель), подставляешь свой датасет, жмешь запуск. На своей карте или в бесплатном Google Colab.
▪️ Шаг 3. Контроль. Смотришь на график validation loss. Пока падает — учится. Пополз вверх — модель начала зубрить, останавливай.
▪️ Шаг 4. Экспорт. Сливаешь адаптеры с базовой моделью и выгружаешь в формат GGUF. Одна команда.
▪️ Шаг 5. Запуск. Закидываешь GGUF в «Ollama» — и у тебя локальный API со СВОЕЙ моделью. Подключаешь к агенту в n8n или куда угодно.

Все. Никакой магии, обычный конвейер.

Я понимаю, что для многих это выглядит как китайская грамота, но в эру нейросетей, даже по ней можно получить результат.

Ну или дождитесь пока на меня найдет вдохновение и я выпущу видео на Ютуб )

Теперь грабли. Разложены по популярности наступания.

Грабля 1 — мусорный датасет. Главное правило: модель станет ровно такой, какие у тебя примеры. 500 чистых, вычитанных примеров дают лучше результат, чем 5000 надерганных как попало. Час, потраченный на чистку датасета, ценнее часа подбора настроек. Всегда.

Грабля 2 — переобучение. Хочется поставить 10 эпох, «чтобы получше выучила». Не надо. Модель тупо заучит твои примеры наизусть и сломается на всем новом. Рабочие настройки: 1-3 эпохи, learning rate 1e-4 — 2e-4. Скучно, зато работает.

Грабля 3 — катастрофическое забывание. Красивый термин, да? Модель выучила твой формат заявок — и разучилась считать и связно писать. Лечение: после обучения прогони ее по обычным вопросам и сравни с базовой версией. Просела заметно — снижай learning rate или уменьшай ранг адаптера.

Грабля 4 — «у меня нет видеокарты». Аренда решает. RTX 5090 в облаке — около доллара в час. Все дообучение 8B-модели обойдется в пару долларов. Дешевле чашки кофе, как любят говорить инфобизнесмены.

Грабля 5 — дообучение ради дообучения. Самая дорогая грабля. Перед стартом ответь себе честно: промпт пробовал? RAG пробовал? Если задача решается инструкцией — ты просто красиво потратишь вечер.

Что в итоге.

Связка «своя дообученная модель + Ollama + агент в n8n» — это автоматизация, которая работает у тебя, молчит о твоих данных и не присылает счетов.

Три года назад за такое брали как за внедрение ERP.

Сейчас это вечер пятницы и пара долларов на аренду карты.

Странное чувство, когда технология дешевеет быстрее, чем люди успевают понять, что она уже им доступна.

Идеальный промпт умер. Да здравствует контекст
#method_основа

Ты наверняка это проходил. Час вылизываешь промпт: роль прописал, примеры добавил, «отвечай как эксперт с 200-летним опытом» вставил. Запускаешь — а результат всё равно средненький. Начинаешь крутить формулировки дальше, менять слова местами, добавлять ещё абзац инструкций.

А проблема, скорее всего, вообще не в словах.

Последние пару лет нас учили из всех утюгов, что главный навык работы с ИИ — умение писать промпты. Курсы по промпт-инжинирингу, базы «1000 лучших промптов», продажа мега-промптов. Целая индустрия выросла на идее, что успех — это правильно составленный текст запроса.

В 2026 фокус сместился. Индустрия говорит про context engineering — инженерию контекста. И это другой взгляд на задачу, а не свежая наклейка поверх старой.

Разница на пальцах фрезеровщика.

Промпт — это записка, которую ты оставил сотруднику. Контекст — это всё его рабочее место: документы на столе, доступ к базе клиентов, история переписки, инструменты под рукой.

Можно написать гениальную записку и запереть человека в пустой комнате. А можно дать короткое задание, но посадить его за нормальный стол со всем необходимым. Кто справится лучше — вопрос риторический.

С агентами то же самое. Модель отвечает не на твой промпт. Она отвечает на всё, что видит в момент запроса: инструкции, подтянутые документы, данные из инструментов, историю, память. Промпт — только один слой из этого пирога. Часто не самый важный. Один и тот же агент с одной и той же моделью выдаёт разный уровень в зависимости от того, что ему подали на вход — и разница бывает не в проценты, а в разы.

Живой пример.

Задача: агент пишет ежемесячный отчёт по продажам.

Вариант первый, промптовый: «Ты опытный аналитик, напиши профессиональный отчёт по продажам». На выходе — красивая вода. Цифр нет, модель их выдумает или отделается общими словами.

Вариант второй, контекстный: промпт из трёх строк, но агент сам достаёт цифры из таблицы, видит прошлый отчёт как образец и помнит замечания руководителя к предыдущей версии. На выходе — документ, который можно отправлять.

Промпт во втором варианте примитивнее. Результат — на голову выше.

Из чего складывается контекст агента:

▪️ Инструкции. Тот самый промпт. Никуда не делся, просто перестал быть единственным героем.

▪️ Данные. Таблицы, документы, база знаний — то, из чего агент берёт факты вместо фантазий.

▪️ Инструменты. Поиск, календарь, доступ к сервисам. Что агент может сделать, а не только сказать.

▪️ Память. Есть кратковременная и долговременная: агент помнит клиентов, проект и твои предпочтения.

И тут хорошая новость для тех, кто собирает автоматизации. Если ты строишь агентов в n8n или похожих конструкторах — ты уже занимаешься инженерией контекста, просто не называл это так. Каждый раз, когда ты решаешь, какие данные подать на вход, какие инструменты подключить и что агент должен помнить — ты проектируешь его рабочее место. Это она и есть.

Подводный камень тоже есть.

Больше контекста не значит лучше. Завалил агента данными — получил обратный эффект: модель тонет в мусоре, цепляется за нерелевантное, ответы плывут.

Инженерия контекста — это прежде всего отбор: нужное оставить, лишнее выкинуть. Как с рабочим столом: полезен порядок, а не гора бумаг.

Кстати, продавцы мега-промптов никуда не денутся. Просто теперь они будут продавать «мега-контексты» — рынок гибче, чем кажется.

Промпт — это то, что ты сказал. Контекст — это то, что агент знает. Разница примерно как между советом и реальной помощью.

Так что если твой агент тупит — не спеши переписывать промпт в десятый раз. Сначала посмотри, что у него на столе. Чаще всего там либо пусто, либо свалка.

Кто еще думает что N8N уже не торт?
#method_n8n

Всё чаще слышу одно и то же: зачем городить ноды, если говоришь Claude Code «сделай скрипт» и через десять минут оно работает. Быстрее. Гибче. Без канваса и танцев с подключениями.

Скажу то что от инфобизнесменов по автоматизациям ты не услышишь: - Во многом это правда.

Где код действительно быстрее:

▪️ Разовые скрипты и личные автоматизации. Собирать воркфлоу ради «раз в неделю дёрнуть API» — стрельба из пушки по воробьям.

▪️ Сложная логика. То, что в нодах собирается мучительно и на двадцать блоков, в коде — двадцать строк.

▪️ Если ты сам разработчик. Код тебе не страшен, а канвас только мешает.

Тут спорить не с чем. Волна авторов, уходящих из n8n в вайбкод, возникла не на пустом месте.

Но есть вторая самая важная для меня половина разговора. Она начинается, когда автоматизация перестаёт быть твоей личной.

Первое: дебаг в три часа ночи.

Классический аргумент против нод: «Ну да, видно, как данные текут между блоками. Красиво, но можно и без этого обойтись».

Притормози. Когда автоматизация валится ночью на клиентском проекте, разница между «вижу, на каком шаге и с какими данными упало» и «читаю логи задеплоенного скрипта» измеряется в часах твоей жизни.

Второе: кто это будет обслуживать.

Скрипт прекрасно работает, пока за ним стоишь ты. А клиент? А его помощница, которой нужно поменять текст уведомления?

В визуальном конструкторе она зайдёт и поменяет сама. В твоём коде — позвонит тебе. В субботу.

Читаемость воркфлоу командой решает, останется ли проект живым, когда ты из него выйдешь.

Третье: то, что идёт из коробки.

Очереди, ретраи, вебхуки, расписания, обработка ошибок. Вайбкод-агент это тоже соберёт. Только писать и поддерживать будешь ты.

А теперь главное различие, из-за которого профики остаются в n8n.

Предсказуемость против вероятности.

Конструкторы вроде n8n сильны там, где задача выполняется одинаково каждый раз.

Пришёл счёт, извлекли данные, сверили с заказом, провели в бухгалтерии, уведомили ответственного. Стабильность важнее креативности, а сбой стоит денег.

Еще одно дело вайбкодить ИИ агентов и автоматизации, это еще ок, но когда ты отдаешь Гермесам и Клав ботам самостоятельное решение задач, то можешь приплыть очень быстро.

Один и тот же вход они могут обработать по-разному. Ошибки у них трудно предсказать и ещё труднее отследить. Для творческой задачи это плюс. Для критичного бизнес-процесса — источник проблем.

Правильно совмещать оба подхода, а не отказываться от одного в пользу другого

Рабочее решение часто выглядит так: Визуальный конструктор держит костяк процесса, а агенты подключаются точечно — там, где нужен интеллект, а не тупое выполнение шагов.

Или основной ИИ агент оркестратор собран на N8N для более лучшего визуализирования, а навайбкоженные подключены у него как инструменты.

Разобрать письмо и понять, чего от тебя хотят, — работа агента. Провести платёж, записать в CRM, отправить уведомление — работа жёстких нод, которые сработают одинаково тысячу раз подряд.

И наблюдение, ради которого всё это писалось.

Инструменты в нашей сфере живут циклами примерно по полтора года. Сегодня бегут в вайбкод, вчера бежали в конструкторы, завтра побегут дальше.

А концепции остаются. Обработка ошибок, идемпотентность, разделение детерминированной части и вероятностной, передача процесса тому, кто им пользуется. Это работает в любом инструменте.

Ты на чьей стороне: канвас ❤️, код 👍 или гибрид 🔥?

С начала августа твой бот в Европе обязан признаваться, что он бот
#method_news

Пока все обсуждали новые модели, в ЕС случилось событие, которое касается каждого, кто строит агентов на продажу. 2 августа заработала статья 50 европейского кодекса — правила прозрачности. Читается скучно, бьёт больно: штрафы до 15 миллионов евро.

Теперь по-человечески, что именно требуют.

Четыре правила, если убрать юридический язык:

Говоришь с человеком — представься. Чат-боты, голосовые ассистенты, ИИ-агенты обязаны сообщать, что собеседник общается с машиной. Исключение одно: когда это и так очевидно.

Генеришь контент — помечай. Картинки, видео, аудио от нейросетей должны нести машиночитаемую метку: вотермарк или метаданные, по которым видно, что это синтетика.

Распознаёшь эмоции или биометрию — предупреждай. Если система читает эмоции людей или сортирует их по биометрии, людей надо об этом информировать.

Публикуешь дипфейки или ИИ-тексты на общественно значимые темы — раскрывай. Тут с оговоркой: если текст прошёл живую редактуру и за него отвечает конкретный человек, метка не нужна.

Кого это касается.

Для того что бы поиметь себе проблем Офис в Европе не нужен. Достаточно, чтобы твой бот или контент долетал до пользователей в ЕС.

Сделал клиенту бота поддержки, а у него покупатели из Германии — поздравляю, ты в игре.

Регулятор различает того, кто систему разработал, и того, кто ею пользуется, — обязанности есть у обоих.

Опенсорс, кстати, не исключение. «Мы же бесплатно раздаём» — не аргумент.

Что проверить уже сейчас, если строишь агентов себе или клиентам:

Бот здоровается — пусть в первом же контакте будет понятно, что это ИИ. Именно в первом контакте, а не строчкой на восьмой странице пользовательского соглашения.

Голосовой агент звонит людям — та же история, представление в начале разговора.

Автопостинг генерит картинки — проверь, что пайплайн не срезает метаданные о генерации. Классическая история: модель метку ставит, а твой обработчик изображений её стирает.

Продаёшь автоматизации в Европу — впиши соответствие статье 50 в договор и бери за это деньги. То, что для других головная боль, для тебя лишняя строчка в смете.

Моё отношение к этому простое. Требование «представься, что ты бот» — из тех редких регуляций, от которых продукту только лучше. Пользователь, который знает, что говорит с машиной, спокойнее реагирует на её ошибки. А доверие к продукту строится на честности. Имитация живого оператора работала ровно до первого прокола.

Забавно другое. Мы годами оттачивали агентов, чтобы их нельзя было отличить от человека. То же касается и генерации контента. Доигрались: теперь по закону они обязаны отличаться сами.

Ну и думаю, что всего лишь вопрос времени когда данный европейский опыт распространится и на другие географии, так что будь готов.

Чего не понимают тысячи вайбкодеров
#method_ai

То что я скажу сейчас, если ты поймешь и осознаешь может очень сильно изменить твою жизнь.

Конечно если ты занимаешься работой с нейросетями, вайб кодингом, внедрением ИИ агентов в бизнесы, рисуешь мультики или пишешь любые тексты в любой из нейронок.

Смотри - то, что понимают единицы наших коллег из десятков тысяч.

Если ты делаешь что-то хуже нейронки с помощью которой работаешь, то никогда не сможешь достичь в этой области хоть сколько-то заметных результатов.

Перечитай еще раз 👆

Но вот если ты можешь сделать то, что делает она и можешь сделать это лучше нее, то поздравляю, с её помощью ты рано или поздно выстрелишь так, что мама не горюй.

Этот абзац тоже перечитай 👆

Объясню теперь чуть подробнее.

Когда ты шаришь в этой теме, то ты совершенно по другому используешь ИИ, не так как это делают те, кто не шарит.

Ты используешь ее как нехилого такого помощника, а не затычку во все дырки которая делает все.

По сути с приходом нейросетей к тебе к профессионалу в какой-то области, как будто дали армию почти бесплатных помощников, которым ты ставишь задачи, но ключевые решения и стратегия реализации остается за тобой как за руководителем.

В тоже время если ты ноль в какой то области, как например я в гейм деве, то как бы ты не пыжился, ты все равно останешься на уровне таких же миллионов недоучек.

Да, тебя лично как и меня впечатлит, то что ты теперь можешь в клоде или курсор творить через mcp в Unity или даже UE 5.

Только так же умеют еще миллионы нейрослоперов.

Нейросети понизили уровень входа во все области, но нормальные деньги и крутые результаты остались по прежнему за теми, кто в своей теме шарит лучше чем любая нейросеть.

Это аксиома, которая не изменится никогда.

И если к тебе пришло осознание, что это дейстительно так и никак иначе, то у меня есть гуд ньюс для осознанных.

Ты можешь с помощью нейросетей стать профи в любой выбранной тобой теме, это стало как никогда просто.

И потом использовать нейронки как профик.

Чувствуете мысль?

Не изучить нейронки, там нехрен изучать, а изучить любимую область (маркетинг, программирование, разработку ИИ агентов, анимацию, геймдев и так далее), но с помощью ИИ, так как это увеличит прогресс в разы.

Остается только учиться, а не надеятся что ИИ все теперь будет делать на тебя.

В то светлое время, когда и если так случится, человечество просто перестанет существовать в том виде, в каком есть сейчас.

Cursor тихо стал автоматизацией. И почти никто не заметил момент перехода
#method_cursor

Год назад агенты в Cursor — это было «нажал кнопку, подождал, проверил». Сегодня агент подписывается на события и работает без твоего клика вообще. Разница на первый взгляд косметическая. На деле — тот же скачок, что случился с любой автоматизацией, когда процесс перестал запускаться вручную и сел на триггер.

На этой неделе Cursor формализовал именно это.

Что изменилось конкретно.

Раньше даже облачный агент запускал человек. Написал задачу, отправил, дождался. Ты — триггер.

Теперь агент можно подписать на источник событий: тред в Slack, комментарий в PR на GitHub, расписание. Триггером становится не ты, а то, что происходит вокруг проекта. Появился баг-репорт — агент уже читает код. Кто-то написал «а можно поправить вот это» в чате — агент уже пишет ветку. Ты в этот момент можешь вообще не знать, что процесс запустился.

Логика знакомая, только раньше её строили для бизнес-процессов, а теперь то же самое случилось с написанием кода.

Раньше «облачный агент» и «фоновая задача» были синонимами удобства. Теперь это ещё и синоним ответственности — процесс может стартовать без единого твоего действия.

Второй момент — агент теперь держит цель, а не задачу.

Раньше: получил промпт, сделал попытку, отчитался, если не вышло — стоп, жду тебя. Теперь: получил цель, попробовал, не вышло — попробовал иначе, продолжает, пока не закроет условие или не упрётся в реальный тупик. Разница между «выполнил шаг» и «довёл до результата».

Третье — контроль переехал в карман.

Вышло приложение для iOS с удалённым управлением: смотришь, что делает агент, вмешиваешься на ходу, даже если ты не за компом. Знакомое ощущение для тех, кто уже привык дёргать свои процессы с телефона через Telegram-бота — просто тот же паттерн добрался до кода.

И четвёртое — экосистема вокруг агента расширяется тем же способом, что мы видим везде в последний год: плагины, готовые скилы, подключения через MCP. Агента не просто зовут написать функцию, его докручивают под конкретный процесс команды.

Само слово «агент» в контексте Cursor теперь означает то же, что и везде в этой сфере: не автодополнение, а исполнитель с доступом к инструментам и правом принимать решения по ходу дела.

Почему это важно, даже если ты в Cursor не пишешь.

Смотри на порядок перехода. Сначала автоматизировали шаг: сделал руками — попроси нейронку. Потом автоматизировали запуск: нажал кнопку — запусти по расписанию. Потом убрали и кнопку — событие само решает, когда пора работать.

Индустрия кода прошла этот путь на неделю раньше, чем очередной инструмент для маркетинга или продаж пройдёт то же самое. Наблюдать за Cursor сейчас — значит смотреть трейлер того, что через полгода станет нормой в CRM, в поддержке, в любой рутине с понятным триггером.

Обратная сторона тоже есть, и не самая приятная.

Заметь: раньше «агент написал код» и «код готов к продакшену» были для многих синонимами. Несколько громких историй с вайб-кодед приложениями, у которых в проде обнаруживалась открытая дыра в безопасности, быстро развели эти два понятия обратно.

Событийный агент, который работает без присмотра, может натворить дел без присмотра. Раньше ошибка стоила одной неудачной попытки, которую ты сразу видел. Теперь агент может час копать не в ту сторону, пока ты не откроешь телефон и не увидишь результат постфактум.

Ревью перед мёржем никто не отменял. Просто теперь ты ревьюишь готовое, а не сидишь над процессом. Автономность переносит момент проверки. Она его не отменяет.

Сначала боишься доверить агенту нажатие кнопки, потом не понимаешь, как раньше жил без этого. Код идёт тем же путём. Вопрос не «доверять или нет», а «какие гварды поставить, прежде чем доверять».

Ты уже перевёл свои агенты на событийный режим или пока держишь на ручном пуске?

Твой Cursor умеет больше, чем ты думаешь
#method_news

Если у тебя оплачен Cursor, личный OpenClaw у тебя, возможно, уже есть. Просто скачать забыл.

11 августа вышло отдельное приложение Grok Bot. Редактора кода там нет вообще. Это мессенджер, в котором вместо людей сидят боты и делают за тебя работу.

https://x.ai/bot#download

Логика ровно как у OpenClaw, бывшего Clawdbot, о котором весь год гудел интернет. Только без своего сервера, без Docker и без собственных API-ключей.

Что внутри.

У ботов есть свой компьютер в облаке. Они логинятся в твои сервисы и работают руками прямо в интерфейсах, даже там, где никакого API нет. Закрыл ноутбук, а они продолжают.

Я кстати перевел на них ежедневный мониторинг своих зарубежных коллег, работает очень круто, по утрам теперь читаю систематизированную сводку.

Внутри самой компании боты уже ведут CRM, обрабатывают почту и счета, готовят исходящие письма по лидам, проверяют демо продукта и пишут посты в соцсети.

Общаешься с ними как с коллегой в чате. Никаких workflow собирать не надо, просто написал задачу словами. Они помнят предыдущие разговоры и подстраиваются под то, как ты любишь получать результат.

Ботов можно завести несколько. Один старший, под ним специалисты по направлениям: почта, счета, найм, баги. Их кидаешь в общий чат, где они сами раскидывают работу между собой и дёргают тебя только на решениях.

Отдельная штука, которая мне зашла. Боту можно сказать: смотри, как я это делаю. Он подсматривает за твоими шагами, сохраняет их как рутину и дальше повторяет сам. Показал последовательность действий один раз, дальше он крутит её по расписанию и нужное количество раз.

Отдельной подписки на Grok Bot не существует, доступ едет прицепом к первому тарифу Cursor.

Но это пока что.

Зато лимиты у него свои и твои курсорные они не съедают. Логин идёт через аккаунт Cursor, не через Grok. Есть сборки под macOS и Windows плюс приложение под iPhone, десктопной версии под Linux нет.

Заодно про то, чей это вообще продукт, потому что путаница жуткая.

SpaceX ещё в феврале поглотил xAI, теперь это подразделение SpaceXAI. Cursor вместе с его разработчиком Anysphere куплен акциями примерно за 60 миллиардов долларов, сделка закрылась 14 августа.

То есть Grok Bot вышел за три дня до закрытия сделки, поэтому приложение в App Store опубликовано под именем Anysphere, качается с сайта Cursor, а называется Grok. Одна компания, три вывески.

И важное предупреждение.

Это ранняя бета. Бенчмарков и цифр по надёжности компания не публиковала, только рассказы про внутреннее использование. Держи это в голове, когда будешь считать, сколько задач ему отдать.

Пощупать всё равно стоит уже сейчас. Не ради самого Grok Bot, а ради того, чтобы понять, куда всё едет: агент больше не сидит в конструкторе воркфлоу, он логинится в твои сервисы и работает в них руками.

Собрать на этом продукт для продажи технически можно. Но я бы продукты разрабатывал с нуля и без чужих оболочек, потому что бета чужой компании умеет менять правила доступа задним числом. А нам это не надо.

Как собирать свои продукты с внедрением AI смотрите в бесплатных уроках тут @factory_ai_product_bot