Баффетт не может купить больше времени. При 150 миллиардах.

Он говорил об этом публично. Несколько раз.

И всё равно большинство живут так, будто время пополняется каждый понедельник.

Здесь работает закон Паркинсона: работа занимает ровно столько времени, сколько ты на неё отвёл. Дашь задаче час - займёт час. Дашь день - займёт день.

Я проверил на себе. Поставил дедлайн вдвое короче - задача сжималась. Не поставил - расползалась до вечера.

Но у этого закона есть обратная сторона, которую обычно не договаривают.

Некоторые вещи намеренно стоит не торопить:
• коллега, который наконец открылся
• ребёнок, которому нужно ещё пять минут
• тишина после тяжёлого разговора

Занятость и присутствие - разные вещи. Можно провести день в делах и ни разу не быть в нём по-настоящему.

Практика, которую я добавил в конец каждого дня: один вопрос - «Что сегодня имело вес?» Не «сколько сделал», а что реально считается.

Через неделю начинаешь иначе расставлять утро.

Баффетт покупает акции компаний. Время тратит только на то, что сам считает важным. Это и есть его настоящий актив.

С командой в 70 человек я был менее продуктивным, чем сейчас - с командой до 10 и AI-агентами.

Большой штат съедает время на координацию, согласования и потери на каждом переходе между людьми. Я тратил время на управление командой, а не на продукт.

Команда сжималась - сначала до 30, потом до 15, сейчас до 10. Каждый раз по одной причине: AI-агенты забирали целые зоны работы.

Сегодня в моих проектах AI-агенты закрывают:
• маркетинг и создание контента
• лидогенерацию и первичную квалификацию лидов
• юридическую проверку документов и черновики договоров
• управление задачами
• разработку сервисов и монтаж видео

Это во многом работает без меня (но пока не все). Я уже 2+ года занимаюсь - архитектурой бизнес процесса.

Каждый день стараюсь от 30% до 50% времени уделить улучшению работы AI-процессов.

Как это на практике:

• Каждый агент решает один конкретный тип задач

• У агента есть контекст: правила, примеры, данные о проекте

• Агенты связаны между собой - один передаёт результат следующему

• У каждого агента есть точка входа информации и формат вывода (можно управлять через ТГ, или терминал)

• Все агенты живут на сервере (VPS), по этому работают даже когда ноутбук выключен

• Роутинг провайдеров и оптимизация бюджета (под простые задачи дешевле модели)

• Я проверяю статусы раз в несколько дней, или ключевые задачи, а не веду каждый шаг

Но это у меня начало нормально работать не сразу. На каждый AI-процесс по две-три недели уходят на то, чтобы система выдавала предсказуемый результат: даёшь обратную связь, редактируешь правила, фиксируешь что нравится а что нет. В целом как и с людьми.

Потом система начинает работать без тебя, если все спроектировано правильно.

Но чтобы это приносило деньги, а не просто имитировало деятельность (ai это умеет 😁 ) ключевое тут построить систему, просто кода не достаточно.

В наше время просто делать это стало легче, дешевле и быстрее.

Кто-то взял Claude Code, переписал его на Python и выложил бесплатно.

ClawCodex - полный аналог Claude Code с открытым кодом и MIT-лицензией.

Главное отличие от оригинала: не привязан к Anthropic. Подключает 6 провайдеров - Anthropic, OpenAI, DeepSeek и ещё три. Переключаешься между ними без потери настроек.

Это практично: DeepSeek сейчас дешевле GPT-4o в 10-20 раз на тех же задачах. Если агент умеет переключаться - ты просто выбираешь дешевле там, где качество не проседает.

Что внутри:
• стриминг в терминале
• работа с файлами через инструменты
• история сессий
• Markdown-файлы с навыками - расширяешь агента под свои задачи

Есть тесты и гайды по настройке.

Один агент, шесть провайдеров - выбираешь модель по задаче и цене, а не потому что других вариантов нет.

Кодовая база превращается в диаграмму draw.io автоматически - без перетаскивания блоков руками.

drawio-skill читает код или текстовое описание системы и генерирует готовый .drawio-файл. Экспорт в PNG, SVG, PDF, JPG.

Что внутри:
• 10 000+ облачных фигур
• 321 логотип AI/LLM-инструментов
• 6 готовых пресетов диаграмм
• Поддержка чтения существующей кодовой базы

Есть встроенная самопроверка: инструмент сам смотрит на результат, находит наложения и правит их за 5 итераций.

Работает с Claude Code, Cursor, Copilot и Codex. Никакого сервера на фоне - один файл, и готово.

Репозиторий: drawio-skill

10 бесплатных замен Cursor, Copilot и Claude Code - всё open-source.

Cursor - $240/год. Copilot - $120/год. Claude Code - ещё дороже.

Вот репозитории, которые делают то же самое. Бесплатно.

Агенты для терминала
• Aider - классика жанра. Читает весь твой код, пишет и коммитит в Git сам. 24k ⭐ → github.com/Aider-AI/aider
• Plandex - агент для больших задач: разбивает их на шаги и выполняет последовательно. 11k ⭐ → github.com/plandex-ai/plandex

Расширения для VS Code
• Cline - думает, планирует, редактирует файлы, запускает команды в терминале. 37k ⭐ → github.com/cline/cline
• Continue - прямая замена Copilot в VS Code и JetBrains. Автодополнение, чат, правки. Работает с любой моделью. 23k ⭐ → репозиторий
• Roo Code - форк Cline с более агрессивной автономией. Мультифайловые правки, несколько агентов параллельно. 19k ⭐ → github.com/RooVetGit/Roo-Code

Автономные агенты (даёшь задачу - они делают сами)
• OpenHands - открывает браузер, пишет код, запускает тесты, исправляет ошибки. Без твоего участия. 48k ⭐ → репозиторий
• SWE-agent - решает GitHub-issues автономно. Изначально исследовательский проект Принстона, теперь в проде. 15k ⭐ → репозиторий

Self-hosted решения (всё на своём сервере)
• Tabby - self-hosted автодополнение кода. Ставишь на свой сервер, данные никуда не уходят. 31k ⭐ → репозиторий
• Goose - локальный AI-агент от Block (создатели Square). Работает офлайн, интегрируется с твоими инструментами. 12k ⭐ → репозиторий

Open-source альтернатива Cursor
• Void - редактор кода с AI прямо в интерфейсе, как Cursor. Только бесплатный и открытый. 14k ⭐ → github.com/voideditor/void

Большинство из них подключаются к любой модели - OpenAI, Anthropic, Gemini или локальной через Ollama. Платишь только за токены, если платишь вообще.

22 готовых навыка для Claude - с GitHub-репозиториями под каждый.

Собрал в одном месте полезные инструменты для решения реальных задач, которыми пользуюсь сам. Подключаешь к Claude и получаешь нужную функцию - без настройки с нуля.

Вот что внутри - только самое полезное:

Работа с документами
• PDF - читать, извлекать таблицы, заполнять формы, склеивать файлы → репозиторий
• DOCX - создавать и редактировать Word с отслеживанием правок → репозиторий
• XLSX - формулы, анализ и графики через обычный текст → репозиторий
• PPTX - презентации из текстового запроса: слайды, графики, заметки → репозиторий
• Совместное редактирование - человек пишет, Claude отвечает, правки туда-обратно → репозиторий

Дизайн 🎨
• Frontend Design - дизайн-системы и типографика вместо «AI-мусора»; 277k+ установок → репозиторий
• Canvas Design - постеры, обложки, графика для соцсетей: текст на входе, PNG/PDF на выходе → репозиторий
• Algorithmic Art - фракталы и геометрические композиции через p5.js → репозиторий
• Theme Factory - пакетная генерация цветовых схем из одного промпта → репозиторий
• Web Artifacts Builder - калькуляторы и дашборды без знания фронтенда → репозиторий

Остальные 12 навыков - разработка (TDD, дебаггинг, оптимизация токенов), маркетинг и SEO - в полном списке skills/SKILL.md на GitHub.

Каждый пункт - рабочий инструмент, устанавливается за 2 минуты в Claude или любой аналогичный провайдер.

AI-агент читает 10 000 токенов там, где хватило бы 500. Headroom это фиксит.

Репозиторий от инженера Netflix - инструмент, который сжимает всё, что агент отправляет в языковую модель, до того как та начинает думать.

Что сжимает:
• вывод инструментов и логи
• файлы и результаты поиска по коду
• RAG-чанки (фрагменты из базы знаний)
• историю диалога

Заявленный результат: 60-95% меньше токенов при том же качестве ответов.

Подключается к тому, что уже используешь:
• Python и TypeScript библиотеки
• MCP-сервер (стандартный протокол для AI-инструментов)
• локальный прокси
• обёртки для Claude Code, Codex, Cursor, Aider, Copilot

Если агент тормозит или дорого обходится - скорее всего, он просто тащит в контекст лишнее.

Репозиторий: Headroom

Интеграционный слой, за который SaaS-компании платят $50k в год, теперь открытый код.

Nango - open-source платформа, которая берёт на себя всю «сантехнику» между твоим продуктом и внешними сервисами.

800+ API из коробки: Salesforce, Slack, Stripe, GitHub, Notion, HubSpot.

Что она закрывает:
• OAuth-авторизация для каждого API
• Автообновление токенов и повторные запросы при сбоях
• Контроль лимитов запросов
• Изоляция данных по клиентам
• Логи и мониторинг

AI-билдер внутри: описываешь задачу на английском - получаешь готовый TypeScript-код, который можно сразу редактировать и деплоить. Работает с Claude Code и Cursor.

В продакшне у Replit, Ramp, Mercor. 7.4K звёзд, сертификат SOC 2, можно поднять на своих серверах.

Раньше это покупали отдельно за десятки тысяч долларов в год. Теперь - форкаешь и деплоишь сам.

Ищи по названию Nango на GitHub.

Claude Code теперь умеет парсить сайт и сразу записывать результат в Notion или Google Calendar - без лишних шагов.

Это стало возможным благодаря связке Claude Code + Apify MCP.

Apify - сервис с сотнями готовых скраперов (акторов) для любых сайтов: YouTube, LinkedIn, Google Maps и ещё тысячи. Раньше актор собирал данные и отдавал тебе файл - на этом всё.

Теперь через MCP-коннекторы (протокол, который позволяет AI-агенту напрямую работать со сторонними сервисами) акторы умеют сразу писать данные туда, куда нужно.

Пример из реальной жизни:
• Указываешь ссылку на YouTube-видео
• Claude Code запускает актор Apify
• Актор анализирует видео и пишет summary прямо в твою страницу Notion

Ещё один: парсишь школьный календарь с сайта - события автоматически падают в Google Calendar.

Подключение занимает минуту:
• Открываешь Apify → Settings → API & Integrations
• Подключаешь нужный сервис (Notion, Google Calendar…)
• Авторизуешь один раз

Всё. Акторы получают права на чтение и запись в эти сервисы.

Как работают MCP-коннекторы в Apify - в блог-посте.
Коллекция акторов с поддержкой MCP - здесь.

Скрапинг был инструментом сбора данных. Теперь это полноценный шаг в автоматизированном рабочем процессе.

GitHub даёт лучшее образование по AI-инженерингу, чем большинство курсов за деньги.

Собрал 10 репозиториев - от первых шагов в ML до агентов, RAG и сборки языковой модели с нуля.

Основы и широкий охват
• 100 Days of ML Code - день за днём, код раньше теории
• Awesome Artificial Intelligence - курсы, статьи, инструменты в одном месте

От Microsoft, бесплатно
• GenAI for Beginners - 21 урок: от промпта до деплоя
• AI Agents for Beginners - строишь первого агента шаг за шагом

Реальные приложения и стеки
• Awesome LLM Apps - готовые примеры, можно запустить и разобрать
• Learn Agentic AI - роадмап от концепции до продакшена

Продвинутое
• RAG Techniques - 30+ методов поиска и подачи данных в модель (RAG = когда AI ищет нужное в твоих документах перед ответом)
• Awesome MCP Servers - подключаешь AI к любым инструментам и API
• LLMs from Scratch - строишь языковую модель построчно, без магии

Бонус
• System Prompts of AI Tools - смотришь, как устроены инструкции внутри ChatGPT, Claude и других

Системные промпты популярных инструментов - недооценённый учебник по промптингу. Видишь, как профессионалы формулируют задачи для модели.

Агенты без босса провели научное исследование и обогнали людей. Меня зацепила не победа, а то, как они устроены внутри.

AutoScientists - команда агентов, где нет главного.

Они читают общее поле, спорят между собой, критикуют идеи друг друга - и сами решают, куда двигаться дальше.

Цифры хорошие: 1,9x быстрее, 7 улучшений там, где конкуренты нашли 0, новый рекорд в предсказании белков.

Но меня остановило другое.

Система запоминает все тупики. Если один агент зашёл в никуда - другой туда уже не пойдёт.

В большинстве AI-систем, которые я видел у клиентов, этого нет. Агент просто снова идёт тем же провальным путём.

Память о том, что не сработало, ценнее памяти об успехах.

Я строю свои проекты на том же принципе: меньше центральных точек управления - больше устойчивости. AutoScientists - первый публичный кейс, где это работает в науке с измеримым результатом.

LangChain открыл архитектуру coding-агентов - ту самую, что лежит под капотом Claude Code.

Проект называется Deep Agents. MIT-лицензия, можно смотреть, менять, строить своё.

Что внутри:
• планировщик задач с todo-инструментами
• чтение и редактирование файлов
• запуск shell-команд
• циклы вызовов инструментов (агент сам решает, что вызвать следующим)
• суб-агенты для сложных задач
• управление длинным контекстом

Главное - model-agnostic: подключай любую языковую модель и собирай своего coding-агента на той же архитектуре.

Это учебный и стартовый шаблон, а не комбайн на 430K строк кода. Легче, чище, понятнее.

Если хочешь понять, как устроен coding-агент изнутри - здесь это видно на живом коде.

Репозиторий: Deep Agents

В терминале Claude Code можно видеть модель, остаток контекста, стоимость сессии и ветку git - прямо в строке статуса.

Настраивается за 4 шага через команду `/statusline`:

• Запусти `/statusline` внутри Claude Code
• Скопируй скрипт к себе (репозиторий: github)
• Укажи путь к скрипту в настройках Claude Code
• Перезапусти Claude Code

После этого в нижней строке терминала постоянно видно: какая модель активна, сколько контекста осталось, сколько сессия уже стоит и в какой ветке ты работаешь.

Стоимость сессии в реальном времени - живой счётчик, который убирает сюрпризы в конце месяца.

8 плейбуков по Claude - от одиночных промптов до мультиагентных систем.

Большинство используют Claude как умный поиск. Ниже - подборка для тех, кто строит системы.

• Динамические воркфлоу в Claude Code - 6 паттернов и 14 шагов от инженеров Anthropic
• Obsidian + Claude - 30 воркфлоу, которые превращают заметки в рабочую систему
• Фондовый аналитик на промптах - 12 промптов вместо ресёрч-стека за $250K
• 5-агентная команда продаж - собирается за выходные
• Claude Code вместо 5-человек команды - система, а не набор запросов
• Библиотека промптов для стартап-маркетинга - готовые Skills под конкретные задачи
• Разбор seed-меморандума Mistral AI - полный текст + анализ
• Power user guide по Claude - лучшие практики в одном месте

Разница между «использую Claude» и «строю на Claude» - это разница между инструментом и активом.

Давно хотел, наконец сделал... !

Запустил новый YouTube канал, на котором буду публиковать свои ЖИВЫЕ видео на русском, без аватара.

Назвал «Архитектор AI».

Канал про то, что мне самому интересно, работает и зажигает:

-> как применять ИИ для роста бизнеса
-> как монетизировать свои ИИ-навыки
-> как построить систему, которая работает, пока вы спите

Планирую, показывать всё на реальных примерах из проектов, по факту, как оно есть. У меня уже накопилось много автоматизаций, и я хочу делиться ими бесплатно.

Первое видео уже на канале:
👉 https://youtu.be/vNmiKf1FH_k?si=eyuoTYoSY1yYcOwU

- - -

Канал нулевой, вы первые кто его увидит. Буду очень признателен за поддержку, по братски сделай красиво, да. 😁

Вообщем посмотрите видео.

Если зашло видео -> жмяк на лайк, подписку и коммент, если не лень.

Ну а если лень, вспомни про карму и 😁 что я тебя запомню. Шучу.

- - -

Хорошего пятничного вечера. На связи.

Один репозиторий закрывает вопрос «с чего начать изучать AI» - от нуля до рабочих продуктов.

LLM University - структурированный роадмап по большим языковым моделям (LLM - AI-системы вроде ChatGPT).

Что внутри:

• Основы - как устроены трансформеры, токенизация, эмбеддинги (числовые представления текста). С разборами от Андрея Карпатого и Jay Alammar
• Обучение моделей - файнтюнинг (донастройка готовой модели под свою задачу), техники LoRA и QLoRA, сборка датасетов, оценка качества
• Продуктовый слой - промпт-инжиниринг, RAG (поиск по своим данным + генерация ответа), векторные базы данных, AI-агенты, безопасность, запуск моделей локально
• Портфолио - 10 проектных идей с пошаговыми разборами. Реальные системы, не учебные игрушки

Репозиторий: LLM University

Хорошая структура экономит месяцы блужданий по разрозненным курсам.

Большинство используют Claude Code как умный чат. Отсюда и результат - как от чата.

Реальная сила - в структуре репозитория. Правильно организованный проект превращает модель из «помощника по подсказкам» в инженера, который понимает твой код.

5 элементов, которые это делают:

1. CLAUDE.md - память проекта
Три вещи: зачем система существует, где что лежит, что разрешено и запрещено. Коротко. Длинный CLAUDE.md - модель начинает пропускать важное.

2. .claude/skills/ - библиотека воркфлоу
Чеклист код-ревью, плейбук рефакторинга, процедура релиза - всё это один раз описываешь как «навык» и переиспользуешь. Перестаёшь повторять одно и то же в каждом промпте.

3. .claude/hooks/ - ограничители и автоматизация
Правила, которые срабатывают автоматически: что нельзя трогать, что запускать после изменений, какие проверки обязательны. Модель не нарушает их случайно.

4. docs/ - прогрессивный контекст
Архитектурные решения, схемы данных, ADR (записи о том, почему сделано именно так). Модель видит полную картину - и перестаёт предлагать решения, которые уже были отклонены.

5. Локальные CLAUDE.md в критичных модулях
В папке с платёжной логикой или авторизацией - свой CLAUDE.md с правилами именно для этого модуля. Специфика не теряется в общем контексте.

Структура репозитория - это и есть промпт. Только постоянный.

NVIDIA обучила одну модель на 350 000 клипах движений - и она генерирует анимацию персонажей со скоростью 15 000 кадров в секунду.

Называется MotionBricks.

Десятилетиями аниматоры в играх делали одно и то же: теги на клипы, стейт-машины (схемы переходов между движениями), ручная склейка. Хрупко, долго, не масштабируется.

MOTIONBRICKS заменяет весь этот пайплайн одной сетью.

Ты даёшь ей три команды:
• куда персонажу идти
• что взять или с чем взаимодействовать
• в каком стиле двигаться

Модель сама заполняет каждый кадр между ними. Персонаж подбирает меч, перепрыгивает скамью, садится - без единого ручного перехода.

Код открыт. И уже встроен в GR00T Whole-Body Control - ту же систему, которой NVIDIA управляет гуманоидными роботами.

Одна модель двигает игровых персонажей и роботов. Один стек.

RAG-система, которая читает страницы как человек - глазами, а не текстом.

Большинство AI-систем поиска по документам сначала парсят HTML в текст. При этом теряются таблицы, графики, структура страницы - всё, что делает информацию понятной.

PixelRAG пропускает этот шаг. Берёт скриншоты страниц и ищет прямо по пикселям.

Команда прогнала это на всей Wikipedia - около 30 миллионов тайлов (фрагментов скриншотов). Для поиска по ним использовали модель Qwen3-VL, заточенную под работу с изображениями.

Результаты по бенчмаркам:
• Точность выше текстовых пайплайнов на 18.1%
• Побеждает даже на задачах, где текст - единственный контент
• Расход токенов ниже в 3 раза за счёт сжатия

Отдельный момент: система поставляется как плагин для Claude Code - один `pip install`, и твой агент начинает читать страницы целиком, а не вытащенный из них текст.

Потери при конвертации HTML в текст были узким местом RAG всё это время - PixelRAG это просто обходит.

Google открыл стандарт для памяти AI-агентов - и это просто папка с текстовыми файлами.

Называется Open Knowledge Format (OKF).

Простыми словами: это способ хранить знания о твоей компании так, чтобы любой AI-агент мог их прочитать и использовать. Схемы баз данных, определения метрик, инструкции по процессам - всё в одном месте, в читаемом виде.

Как это устроено:
• Обычные Markdown-файлы (как заметки в Notion, только в папке)
• Каждый концепт - отдельный файл, файлы ссылаются друг на друга
• Хранится в git-репозитории или архиве
• Никакого SDK, никаких платных сервисов

Проблема, которую это решает: сейчас каждый, кто строит AI-агента для бизнеса, заново собирает контекст с нуля. Что означает вот этот показатель? Как соединить эти две таблицы? Где инструкция на случай сбоя? Ответы разбросаны по вики, комментариям в коде и голове одного старшего инженера.

OKF делает этот контекст портативным: один раз описал - любой агент читает.

Google Cloud Knowledge Catalog уже поддерживает формат. Спецификация открытая: github.com/google/okf

Это тот же принцип, что CLAUDE.md или AGENTS.md файлы - только теперь как официальный стандарт, а не личный хак каждого разработчика.

75% венчурных инвестиций не окупились. 5% фирм забрали 90% всей прибыли отрасли.

Вышел новый рейтинг топ-100 венчурных фондов США - построен на 230 000 сделках за 30 лет.

Sequoia на первом месте с отрывом 41x от сотой строчки.

Что ещё внутри:
• 75% вложений не вернули даже вложенное
• Всего 75 компаний сформировали большую часть результатов всей сотни фондов
• 5% фирм генерируют 90% прибыли отрасли

Венчур - это индустрия с жёсткой концентрацией результата. Выигрывают те, кто нашёл свои 5% до того, как это стало очевидно.

Это работает и в бизнесе за пределами венчура: концентрация на правильных ставках важнее количества попыток.