This media is not supported in your browser
VIEW IN TELEGRAM
Все мы знаем, что детальный контекст — ключ к качественному ответу от LLM. Но описывать роли, цели и ограничения вручную долго и утомительно. Есть неочевидный лайфхак: используйте speech-to-text инструменты вроде WisprFlow. Просто нажмите хоткей и надиктуйте подробный запрос, который модель транскрибирует и вставит в любое текстовом поле, где у вас будет находиться. Так вы сможете предоставить в несколько раз больше информации, чем при печати, и получить более точный и предсказуемый результат. Работает и на телефоне и на десктопе.
//У кого-то увидел NotebookLM с методическими пособиями по промпт инжинирингу и собрал свой. Если вам нужно улучшить свой промпт, то пользуйтесь, только не забудьте указать как можно больше контекста и модель с которой планируете работать.
//У кого-то увидел NotebookLM с методическими пособиями по промпт инжинирингу и собрал свой. Если вам нужно улучшить свой промпт, то пользуйтесь, только не забудьте указать как можно больше контекста и модель с которой планируете работать.
❤2
Пост-анонс курса "Системная карьера"
Несколько лет назад, когда решил закончить очередную магистратуру, будучи студентом МФТИ, впервые услышал про ШСМ (Школа системного менеджмента), по материалам которых у нас были курсы: системное мышление, системная инженерия, системная архитектура. Тогда впечатлился их подходами. В 2025 году пришел к тому, что с ними разрабатываю курс "Системное мышление".
Вы можете реализовать что угодно. Но не понимаете от чего оттолкнуться, куда стоит направить усилия?
Знакомо это ощущение? Когда у вас уже есть опыт, навыки, возможности. Но каждый день чувствуется внутреннее напряжение: "Я трачу время не на то. Я могу больше, но куда двигаться?".
Вы изучаете новые технологии, читаете книги, ставите цели на квартал. Но через месяц понимаете: ничего кардинально не изменилось. Потому что проблема не в отсутствии навыков. Проблема в том, что вы работаете в пассажирском режиме.
Пассажирский режим — это когда внешние институты являются заказчиком вашего развития. Руководитель решает какие задачи приоритетные. Тренды решают, какие курсы проходить. А вы просто реагируете на внешние стимулы.
Результат? Вы можете всё, но работает ли это на устранение ваших собственных неудовлетворенностей? И более того: понимаете ли вы их?
А что, если перевернуть систему?
Что, если вы станете заказчиком своего развития? Не рынок, не компания, не тренды — а именно вы?
Представьте: каждую неделю вы точно знаете, над чем работаете и зачем. У вас есть приоритетный проект, который решает вашу реальную неудовлетворённость. У вас есть защищённые слоты в календаре, куда никто не может влезть. У вас есть рабочий продукт недели — конкретный артефакт, который вы создаёте и публично демонстрируете.
И самое главное: вы понимаете, почему делаете именно это, а не что-то другое.
Курс "Системная карьера" — это переход из пассажирского режима в агентный за 8 недель.
Мы помогаем построить систему, которая превращает внутренние неудовлетворённости в рабочие продукты.
Вот как это работает:
Неделя 1: Вы понимаете, кто вы на самом деле (не должность, а роли и способности)
Неделя 2: Вы превращаете неудовлетворённости в стратегии и выбираете приоритетный проект
Неделя 3-4: Вы создаёте еженедельный ритм: от проекта к эпикам, от эпиков к спринтам, от спринтов к слотам в календаре
Неделя 5-8: Вы выстраиваете окружение, развиваете мастерство стратегирования и создаёте устойчивую систему без выгорания
Каждую неделю:
- Сессия стратегирования (60-90 минут)
- Один рабочий продукт (артефакт)
- Публичная демонстрация результата
- Обновление Личного контракта (ваш живой документ развития)
Личный контракт — это договор с самим собой.
Он связывает:
«смысл → роли → компетенции → эпики → спринты → слоты», где смысл или неудовлетворенности задаёт направление, роли — способ действия, компетенции и методы — инструменты, а эпики, спринты и ежедневные временные окна — ритм исполнения.
Если в вашем контракте есть цель, но нет защищённых слотов в календаре — это не цель, а шум. Мы учим превращать шум в систему.
Главный результат курса — вы поставите мастерство стратегирования своей карьеры и станете заказчиком своего развития.
Через 8 недель у вас будет:
✅ Полный Личный контракт v4.0 с прописанными стратегиями и проектами
✅ Стабильный недельный ритм работы с еженедельными артефактами
✅ Набор практик, которые повышают вашу агентность и калибр личности
✅ Публичный трек вашего прогресса (статьи, код, демо)
✅ Понимание куда и зачем вы движетесь
Не мотивация. Не вдохновение. Система.
Этот курс для тех, кто:
- Может реализовать многое, но не понимает или сомневается к чему стоит приложить усилия
- Чувствует застой, несмотря на обучение и работу
- Хочет перейти от реакции на рынок к проактивному управлению карьерой
- Готов работать систематично: 10+ часов в неделю на приоритетный проект
- Не боится публично показывать процесс и результаты
Это не для тех, кто ищет быстрый лайфхак или волшебную таблетку.
Курс в разработке. Если хотите проходить самостоятельно, то обращайтесь, скину ссылку на Github и буду рад отзывам
Несколько лет назад, когда решил закончить очередную магистратуру, будучи студентом МФТИ, впервые услышал про ШСМ (Школа системного менеджмента), по материалам которых у нас были курсы: системное мышление, системная инженерия, системная архитектура. Тогда впечатлился их подходами. В 2025 году пришел к тому, что с ними разрабатываю курс "Системное мышление".
Вы можете реализовать что угодно. Но не понимаете от чего оттолкнуться, куда стоит направить усилия?
Знакомо это ощущение? Когда у вас уже есть опыт, навыки, возможности. Но каждый день чувствуется внутреннее напряжение: "Я трачу время не на то. Я могу больше, но куда двигаться?".
Вы изучаете новые технологии, читаете книги, ставите цели на квартал. Но через месяц понимаете: ничего кардинально не изменилось. Потому что проблема не в отсутствии навыков. Проблема в том, что вы работаете в пассажирском режиме.
Пассажирский режим — это когда внешние институты являются заказчиком вашего развития. Руководитель решает какие задачи приоритетные. Тренды решают, какие курсы проходить. А вы просто реагируете на внешние стимулы.
Результат? Вы можете всё, но работает ли это на устранение ваших собственных неудовлетворенностей? И более того: понимаете ли вы их?
А что, если перевернуть систему?
Что, если вы станете заказчиком своего развития? Не рынок, не компания, не тренды — а именно вы?
Представьте: каждую неделю вы точно знаете, над чем работаете и зачем. У вас есть приоритетный проект, который решает вашу реальную неудовлетворённость. У вас есть защищённые слоты в календаре, куда никто не может влезть. У вас есть рабочий продукт недели — конкретный артефакт, который вы создаёте и публично демонстрируете.
И самое главное: вы понимаете, почему делаете именно это, а не что-то другое.
Курс "Системная карьера" — это переход из пассажирского режима в агентный за 8 недель.
Мы помогаем построить систему, которая превращает внутренние неудовлетворённости в рабочие продукты.
Вот как это работает:
Неделя 1: Вы понимаете, кто вы на самом деле (не должность, а роли и способности)
Неделя 2: Вы превращаете неудовлетворённости в стратегии и выбираете приоритетный проект
Неделя 3-4: Вы создаёте еженедельный ритм: от проекта к эпикам, от эпиков к спринтам, от спринтов к слотам в календаре
Неделя 5-8: Вы выстраиваете окружение, развиваете мастерство стратегирования и создаёте устойчивую систему без выгорания
Каждую неделю:
- Сессия стратегирования (60-90 минут)
- Один рабочий продукт (артефакт)
- Публичная демонстрация результата
- Обновление Личного контракта (ваш живой документ развития)
Личный контракт — это договор с самим собой.
Он связывает:
«смысл → роли → компетенции → эпики → спринты → слоты», где смысл или неудовлетворенности задаёт направление, роли — способ действия, компетенции и методы — инструменты, а эпики, спринты и ежедневные временные окна — ритм исполнения.
Если в вашем контракте есть цель, но нет защищённых слотов в календаре — это не цель, а шум. Мы учим превращать шум в систему.
Главный результат курса — вы поставите мастерство стратегирования своей карьеры и станете заказчиком своего развития.
Через 8 недель у вас будет:
✅ Полный Личный контракт v4.0 с прописанными стратегиями и проектами
✅ Стабильный недельный ритм работы с еженедельными артефактами
✅ Набор практик, которые повышают вашу агентность и калибр личности
✅ Публичный трек вашего прогресса (статьи, код, демо)
✅ Понимание куда и зачем вы движетесь
Не мотивация. Не вдохновение. Система.
Этот курс для тех, кто:
- Может реализовать многое, но не понимает или сомневается к чему стоит приложить усилия
- Чувствует застой, несмотря на обучение и работу
- Хочет перейти от реакции на рынок к проактивному управлению карьерой
- Готов работать систематично: 10+ часов в неделю на приоритетный проект
- Не боится публично показывать процесс и результаты
Это не для тех, кто ищет быстрый лайфхак или волшебную таблетку.
Курс в разработке. Если хотите проходить самостоятельно, то обращайтесь, скину ссылку на Github и буду рад отзывам
First_Principles_Framework_—_Core_Conceptual_Specification_holonic.md
2.8 MB
Сегодня был на семинаре у Анатолия Левенчука по FPF — First Principles Framework (Левенчук — автор методических материалов и преподаватель системного мышления в МФТИ, а так же является научным руководителем Мастерской инженеров менеджеров).
Суть проблемы:
LLM без рамок — это как эксперт, который уверенно отвечает на любой вопрос, но смешивает контексты, сводит несопоставимое и т.п.
Более подробная статья: https://telegra.ph/FPF-04102025-10-04
Как изменяются подходы с FPF:
- Измеряем только сравнимое
- Разводим design time и run time (во время проектирования и во время работы)
- Запрещаем "неизвестно = 0" (LLM любят вместо "неизвестно" поставить 0)
- Работаем с фронтиром Парето вместо поиска "одного лучшего" (хороший пример — выбор телефона)
Практический результат:
Более безопасно можно использовать ИИ для работы. У модели появляются дополнительные рамки, паттерны, словари — и для LLM становится более очевидно, например, что астрология не является наукой.
Для предпринимателей:
Если ваши продукты на стыке дисциплин — FPF поможет говорить на одном языке с командой и эволюционировать управляемо.
Последнее время постоянно добавляю в базу знаний и использую в работе. Сам фреймворк в открытом доступе, поэтому прикрепил к посту. Так же публикую ссылку на МИМ - https://aisystant.system-school.ru/
Суть проблемы:
LLM без рамок — это как эксперт, который уверенно отвечает на любой вопрос, но смешивает контексты, сводит несопоставимое и т.п.
Более подробная статья: https://telegra.ph/FPF-04102025-10-04
Как изменяются подходы с FPF:
- Измеряем только сравнимое
- Разводим design time и run time (во время проектирования и во время работы)
- Запрещаем "неизвестно = 0" (LLM любят вместо "неизвестно" поставить 0)
- Работаем с фронтиром Парето вместо поиска "одного лучшего" (хороший пример — выбор телефона)
Практический результат:
Более безопасно можно использовать ИИ для работы. У модели появляются дополнительные рамки, паттерны, словари — и для LLM становится более очевидно, например, что астрология не является наукой.
Для предпринимателей:
Если ваши продукты на стыке дисциплин — FPF поможет говорить на одном языке с командой и эволюционировать управляемо.
Последнее время постоянно добавляю в базу знаний и использую в работе. Сам фреймворк в открытом доступе, поэтому прикрепил к посту. Так же публикую ссылку на МИМ - https://aisystant.system-school.ru/
👍1
Из пассажира в заказчики собственной жизни
Почему работая много, мы далеко не всегда оказываемся там, где хотим?
Проблема в том, ЧЬИ неудовлетворённости мы устраняем.
Пассажирский режим
Всю жизнь нас учат быть пассажирами:
- Компания ставит задачи
- HR пишет план развития
- Рынок диктует технологии
Мы работаем, учимся, планируем. Но это устраняет их неудовлетворённости, не наши.
И вот вопрос начинает крутиться в голове: "А чего я хочу?"
Мы пробуем разобраться:
- Читаем книги по целеполаганию
- Пишем списки желаний
- Ходим к коучу
Но тело говорит: "что-то не то". Когда у нас нет четкого технического задания, в условиях неопределенности, нам трудно понять к чему прикладывать усилия. Нам не хватает методики. Мы копаем траншею лопатой, когда уже изобрели экскаватор. Этим экскаватором является системный подход к своей карьере.
Мы создали методику, которая помогает перейти из пассажирского режима в режим заказчика собственного развития.
Стратегирование начинается с трёх понятий:
1️⃣ Проблема — объективный разрыв между текущим состоянием и желаемым результатом. И эта ошибка предсказания касается исполняемой роли (продавец, предприниматель или еще какой-то).
2️⃣ Неудовлетворённость — психическое состояние, которое человек испытывает в ответ на проблему. И это касается именно человека, но не роли.
3️⃣ Эмоция — как следствие неудовлетворенности. С "различения" и наведения внимания на эти три понятия начинается "магия" системного подхода. Мы начинаем понимать свои настоящие неудовлетворённости, а после превращаем их в стратегии-гипотезы, проверяем через рабочие продукты, растем там, где важно нам: От неудовлетворённости до слотов времени и рабочих продуктов — одна непрерывная цепочка.
От смыслов и неудовлетворенностей до конкретного артефакта — одна непрерывная связь
С каждым артефактом вы:
- Наращиваете агентность (влияние на мир)
- Растите калибр личности (масштаб систем)
- Подтверждаете компетентность (не титул, а способность)
Четыре оси роста (на выбор!):
1️⃣ Профессиональный — углубление мастерства в предметной области
2️⃣ Должностной — рост подконтрольных ресурсов (люди, бюджет, влияние)
3️⃣ По системным уровням — от личных задач к проблемам компании, отрасли и может даже цивилизации
4️⃣ По траектории ролей — от ученика к интеллектуалу, потом к профессионалу, исследователю и даже просветителю.
Не "только вверх". А туда, где ваши смыслы.
8 недель трансформации:
Неделя 1: Аудит ролей (КТО вы сейчас)
Неделя 2: Неудовлетворённости → стратегии
Неделя 3: Рабочие продукты с критериями
Неделя 4: Защищённые слоты в календаре
Неделя 5: Карьерная экосистема
Неделя 6: Траектория мастерства
Неделя 7: Публичная демонстрация
Неделя 8: Продуктивное состояние
В итоге у вас:
✅ Личный контракт — связка от смысла до действий
✅ 8 публичных артефактов — подтверждение компетентности
✅ Peer-сообщество — взаимная поддержка
✅ Система метрик по 4 осям роста
✅ Агентность — вы заказчик своего развития не меньше, чем другие заказчики вашей работы
Мы предлагает не буст на 10-20%, а переход их пассивного и неосознанного в активный режим системного развития или из пассажира в водители.
Когда вы осознанно работаете над своими неудовлетворённостями — энергия не кончается.
Когда вы подтверждаете компетентность артефактами — репутация растёт сама.
Когда вы растёте по нужной оси — вы перестаёте распыляться.
Готовы стать заказчиком своего развития?
📩 Пишите в личку — расскажу про пилот
🔗 Изучайте: https://github.com/pokrovskiyv/systemic-career
Почему работая много, мы далеко не всегда оказываемся там, где хотим?
Проблема в том, ЧЬИ неудовлетворённости мы устраняем.
Пассажирский режим
Всю жизнь нас учат быть пассажирами:
- Компания ставит задачи
- HR пишет план развития
- Рынок диктует технологии
Мы работаем, учимся, планируем. Но это устраняет их неудовлетворённости, не наши.
И вот вопрос начинает крутиться в голове: "А чего я хочу?"
Мы пробуем разобраться:
- Читаем книги по целеполаганию
- Пишем списки желаний
- Ходим к коучу
Но тело говорит: "что-то не то". Когда у нас нет четкого технического задания, в условиях неопределенности, нам трудно понять к чему прикладывать усилия. Нам не хватает методики. Мы копаем траншею лопатой, когда уже изобрели экскаватор. Этим экскаватором является системный подход к своей карьере.
Мы создали методику, которая помогает перейти из пассажирского режима в режим заказчика собственного развития.
Стратегирование начинается с трёх понятий:
1️⃣ Проблема — объективный разрыв между текущим состоянием и желаемым результатом. И эта ошибка предсказания касается исполняемой роли (продавец, предприниматель или еще какой-то).
2️⃣ Неудовлетворённость — психическое состояние, которое человек испытывает в ответ на проблему. И это касается именно человека, но не роли.
3️⃣ Эмоция — как следствие неудовлетворенности. С "различения" и наведения внимания на эти три понятия начинается "магия" системного подхода. Мы начинаем понимать свои настоящие неудовлетворённости, а после превращаем их в стратегии-гипотезы, проверяем через рабочие продукты, растем там, где важно нам: От неудовлетворённости до слотов времени и рабочих продуктов — одна непрерывная цепочка.
От смыслов и неудовлетворенностей до конкретного артефакта — одна непрерывная связь
С каждым артефактом вы:
- Наращиваете агентность (влияние на мир)
- Растите калибр личности (масштаб систем)
- Подтверждаете компетентность (не титул, а способность)
Четыре оси роста (на выбор!):
1️⃣ Профессиональный — углубление мастерства в предметной области
2️⃣ Должностной — рост подконтрольных ресурсов (люди, бюджет, влияние)
3️⃣ По системным уровням — от личных задач к проблемам компании, отрасли и может даже цивилизации
4️⃣ По траектории ролей — от ученика к интеллектуалу, потом к профессионалу, исследователю и даже просветителю.
Не "только вверх". А туда, где ваши смыслы.
8 недель трансформации:
Неделя 1: Аудит ролей (КТО вы сейчас)
Неделя 2: Неудовлетворённости → стратегии
Неделя 3: Рабочие продукты с критериями
Неделя 4: Защищённые слоты в календаре
Неделя 5: Карьерная экосистема
Неделя 6: Траектория мастерства
Неделя 7: Публичная демонстрация
Неделя 8: Продуктивное состояние
В итоге у вас:
✅ Личный контракт — связка от смысла до действий
✅ 8 публичных артефактов — подтверждение компетентности
✅ Peer-сообщество — взаимная поддержка
✅ Система метрик по 4 осям роста
✅ Агентность — вы заказчик своего развития не меньше, чем другие заказчики вашей работы
Мы предлагает не буст на 10-20%, а переход их пассивного и неосознанного в активный режим системного развития или из пассажира в водители.
Когда вы осознанно работаете над своими неудовлетворённостями — энергия не кончается.
Когда вы подтверждаете компетентность артефактами — репутация растёт сама.
Когда вы растёте по нужной оси — вы перестаёте распыляться.
Готовы стать заказчиком своего развития?
📩 Пишите в личку — расскажу про пилот
🔗 Изучайте: https://github.com/pokrovskiyv/systemic-career
❤3👏1
От курса к экосистеме: эволюция Making Systems Work
Два месяца назад по предложению Церена Церенова я начал разрабатывать курс "Системная карьера" — 8-недельную программу по системному мышлению в карьере. Казалось простым: взять опыт системного подхода, упаковать в материалы недель, добавить шаблоны и чек-листы.
Но в процессе разработки произошла эволюция. То, что начиналось как образовательный курс, превратилось в методологию — универсальный фреймворк для управления жизнью и карьерой.
Сегодня я хочу зафиксировать это видение и план развития.
Инсайт: это не курс, это методология, причем подкрепленная инструментарием.
Курс "Системная карьера" — это образовательная программа. У неё есть:
8 недель материалов
Домашние задания
Peer review
Дедлайны
Но главная ценность — не в материалах, а в методе работы:
Различение роли и должности
Фокус на артефакты, а не задачи
Инкрементальное развитие (контракт v1.0 → v4.0)
Еженедельные ритуалы (ретроспектива + планирование)
Этот метод универсален — он работает для любой сферы (не только IT), для любой карьеры, для жизни в целом.
Я назвал методологию Making Systems Work (MSW).
Почему это название?
1. "Making" — это действие (делание). MSW — про создание работающих систем.
2. "Systems" — это уровень мышления. Не task-based (список дел), а system-based (видеть связи, уровни, контексты).
3. "Work" — как результат, артефакт, изменение физического мира.
Система работает = производит ценность. Не "я занят", а "я создал артефакт".
4. "MSW" — созвучно с GTD
GTD (Getting Things Done) — известная методология продуктивности. MSW — следующий уровень: не просто "сделать дела", а "заставить системы работать".
"Making Systems Work: An Evolutionary Method for Life and Career" — как вам название для книги?
Evolutionary — подчёркивает инкрементальность (неделя за неделей, версия за версией контракта)
For Life and Career — универсальность (не только карьера)
Сравнение с другими методологиями:
GTD отвечает на вопрос: "Что мне делать сейчас?"
MSW отвечает на вопросы:
"Зачем я это делаю?" (неудовлетворённости → стратегия)
"Что конкретно создам?" (артефакты)
"Как докажу компетентность?" (proof of work)
OKR: цели и ключевые результаты (квартал)
MSW: непрерывное стратегирование + артефакты (неделя)
vs Personal Knowledge Management (PKM):
PKM: хранение и связь знаний
MSW: знания + действия + артефакты + proof of work
Agile: для команд разработки продуктов
MSW: для личной жизни и карьеры (любая сфера)
Два месяца назад по предложению Церена Церенова я начал разрабатывать курс "Системная карьера" — 8-недельную программу по системному мышлению в карьере. Казалось простым: взять опыт системного подхода, упаковать в материалы недель, добавить шаблоны и чек-листы.
Но в процессе разработки произошла эволюция. То, что начиналось как образовательный курс, превратилось в методологию — универсальный фреймворк для управления жизнью и карьерой.
Сегодня я хочу зафиксировать это видение и план развития.
Инсайт: это не курс, это методология, причем подкрепленная инструментарием.
Курс "Системная карьера" — это образовательная программа. У неё есть:
8 недель материалов
Домашние задания
Peer review
Дедлайны
Но главная ценность — не в материалах, а в методе работы:
Различение роли и должности
Фокус на артефакты, а не задачи
Инкрементальное развитие (контракт v1.0 → v4.0)
Еженедельные ритуалы (ретроспектива + планирование)
Этот метод универсален — он работает для любой сферы (не только IT), для любой карьеры, для жизни в целом.
Я назвал методологию Making Systems Work (MSW).
Почему это название?
1. "Making" — это действие (делание). MSW — про создание работающих систем.
2. "Systems" — это уровень мышления. Не task-based (список дел), а system-based (видеть связи, уровни, контексты).
3. "Work" — как результат, артефакт, изменение физического мира.
Система работает = производит ценность. Не "я занят", а "я создал артефакт".
4. "MSW" — созвучно с GTD
GTD (Getting Things Done) — известная методология продуктивности. MSW — следующий уровень: не просто "сделать дела", а "заставить системы работать".
"Making Systems Work: An Evolutionary Method for Life and Career" — как вам название для книги?
Evolutionary — подчёркивает инкрементальность (неделя за неделей, версия за версией контракта)
For Life and Career — универсальность (не только карьера)
Сравнение с другими методологиями:
GTD отвечает на вопрос: "Что мне делать сейчас?"
MSW отвечает на вопросы:
"Зачем я это делаю?" (неудовлетворённости → стратегия)
"Что конкретно создам?" (артефакты)
"Как докажу компетентность?" (proof of work)
OKR: цели и ключевые результаты (квартал)
MSW: непрерывное стратегирование + артефакты (неделя)
vs Personal Knowledge Management (PKM):
PKM: хранение и связь знаний
MSW: знания + действия + артефакты + proof of work
Agile: для команд разработки продуктов
MSW: для личной жизни и карьеры (любая сфера)
❤4
📌 Вебинар: Системный подход в карьере
📅 Дата: 18 октября 2025 (суббота)
🕛 Время: 12:00 MSK
🔗 Ссылка: https://telemost.yandex.ru/j/39139759023746
Обсудим, как и зачем переходить из пассажирского режима, когда внешние институты являются заказчиками нашего развития и диктуют нам, что изучать, как и над чем работать, и разберёмся, как стать заказчиком собственного развития.
MSW (Making Systems Work) — практический фреймворк помогающий перейти из пассажирского режима в заказчики, а также ответить на один из ключевых вопросов: «К чему прикладывать усилия?»
Что меняется:
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
Все участники получат:
GitHub-репозиторий с методологией MSW:
- Шаблоны личных контрактов (развитие 8 недель)
- Материалы курса, чек-листы, практики недельных спринтов
- Примеры заполнения для разных ролей
- Интеграция с AI (Cursor) для самостоятельной работы
Для желающих: приглашение к участию в стажировке с личной поддержкой и все будущие обновления методологии
Для кого этот вебинар?
IT-специалистов, PM, фрилансеров — всех, кто хочет управлять карьерой системно, а не плыть по течению.
Спикер
Виталий Покровский — предприниматель, 10+ лет в EdTech
Регистрация не требуется — просто подключайся по ссылке в указанное время.
P.S. Не сможешь прийти? Напиши (@v_pokrovskiy) — вышлем запись и репозиторий.
📅 Дата: 18 октября 2025 (суббота)
🕛 Время: 12:00 MSK
🔗 Ссылка: https://telemost.yandex.ru/j/39139759023746
Обсудим, как и зачем переходить из пассажирского режима, когда внешние институты являются заказчиками нашего развития и диктуют нам, что изучать, как и над чем работать, и разберёмся, как стать заказчиком собственного развития.
MSW (Making Systems Work) — практический фреймворк помогающий перейти из пассажирского режима в заказчики, а также ответить на один из ключевых вопросов: «К чему прикладывать усилия?»
Что меняется:
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
Все участники получат:
GitHub-репозиторий с методологией MSW:
- Шаблоны личных контрактов (развитие 8 недель)
- Материалы курса, чек-листы, практики недельных спринтов
- Примеры заполнения для разных ролей
- Интеграция с AI (Cursor) для самостоятельной работы
Для желающих: приглашение к участию в стажировке с личной поддержкой и все будущие обновления методологии
Для кого этот вебинар?
IT-специалистов, PM, фрилансеров — всех, кто хочет управлять карьерой системно, а не плыть по течению.
Спикер
Виталий Покровский — предприниматель, 10+ лет в EdTech
Регистрация не требуется — просто подключайся по ссылке в указанное время.
P.S. Не сможешь прийти? Напиши (@v_pokrovskiy) — вышлем запись и репозиторий.
telemost.yandex.ru
Звонок в Яндекс Телемосте
По ссылке вы сможете подключиться к звонку
❤3
Ссылка на запись вебинара: https://youtu.be/xyvLfmDY2aQ
YouTube
Making Systems Work (MSW) - практический фреймворк для системного управления карьерой
Что меняется:
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
👍1
Друзья, хотел еще рассказать, что мы организовали AI лабораторию. Назвали https://sprite.solutions (отсылка к той метафоре когда Карпаты говорил, что вызов LLM похож на вызов духа).
Мы занимаемся как образованием и академическими исследованиями, так и разработкой бизнес-решений.
В настоящее время команда представлена 8 экспертами с PhD и магистерскими степенями, 100+ лет совокупного опыта в AI/ML и разработке. Публикуемся в топовых конференциях таких как AISTATS, выигрываем хакатоны, реализуем проекты для крупных компаний, включая blockchain ecosystem с капиталом $200M.
Наша экспертиза:
LLM Research, RAG-системы, агентные AI-решения, MLOps, Computer Vision и NLP. От исследований до production-ready решений.
Примеры проектов:
AI Sales Agent для автоматизации продаж, AI Support Agent для интеллектуальной поддержки клиентов, создаем LLM-based решения с интеграцией в CRM и бизнес-системы. Больше кейсов на сайте.
Мы открыты для обсуждения AI-проектов. Если вы ищете команду, которая может внедрить AI-технологии в ваш бизнес – давайте знакомиться.
Мы занимаемся как образованием и академическими исследованиями, так и разработкой бизнес-решений.
В настоящее время команда представлена 8 экспертами с PhD и магистерскими степенями, 100+ лет совокупного опыта в AI/ML и разработке. Публикуемся в топовых конференциях таких как AISTATS, выигрываем хакатоны, реализуем проекты для крупных компаний, включая blockchain ecosystem с капиталом $200M.
Наша экспертиза:
LLM Research, RAG-системы, агентные AI-решения, MLOps, Computer Vision и NLP. От исследований до production-ready решений.
Примеры проектов:
AI Sales Agent для автоматизации продаж, AI Support Agent для интеллектуальной поддержки клиентов, создаем LLM-based решения с интеграцией в CRM и бизнес-системы. Больше кейсов на сайте.
Мы открыты для обсуждения AI-проектов. Если вы ищете команду, которая может внедрить AI-технологии в ваш бизнес – давайте знакомиться.
sprite.solutions
We show where AI pays off — and where it doesn't | sprite.solutions
sprite.solutions does three things: find where AI is worth the money, build knowledge bases that answer from your own documents, and check that AI systems aren't quietly going wrong. All backed by work we've shipped.
👍2
Вебинар по системному подходу к карьере с Дмитрием Лаухиным (автором канала Second Brain)
📅 Дата: 4 ноября 2025 (вторник)
🕛 Время: 18:00 MSK
🔗 Проведем в канале Димы - https://t.me/second_brain_ru
Обсудим, как и зачем переходить из пассажирского режима и становиться заказчиком собственного развития.
MSW (Making Systems Work) — практический фреймворк для системного управления карьерой. Помогает ответить на один из ключевых вопросов: «К чему прикладывать усилия?» и связывает неудовлетворенности->стратегии-> проекты->слоты времени->артефакты.
Что меняется:
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
Все участники получат:
- Доступ к фреймворку MSW (проект открытый, это бесплатно)
- Шаблоны личных контрактов (развитие 8 недель)
- Материалы курса, чек-листы, практики недельных спринтов
- Примеры заполнения для разных ролей
Для желающих: приглашение к участию в стажировке с личной поддержкой и все будущие обновления фреймворка
Для кого этот вебинар?
Всех, кто хочет управлять карьерой и жизнью системно, кого беспокоит вопрос "к чему прикладывать усилия?" и как перейти от абстрактных идей к действиям
📅 Дата: 4 ноября 2025 (вторник)
🕛 Время: 18:00 MSK
🔗 Проведем в канале Димы - https://t.me/second_brain_ru
Обсудим, как и зачем переходить из пассажирского режима и становиться заказчиком собственного развития.
MSW (Making Systems Work) — практический фреймворк для системного управления карьерой. Помогает ответить на один из ключевых вопросов: «К чему прикладывать усилия?» и связывает неудовлетворенности->стратегии-> проекты->слоты времени->артефакты.
Что меняется:
- Выполняешь чужие запросы → Формулируешь свои неудовлетворённости
- Закрываешь задачи из бэклога → Создаёшь результаты для роста
- "Работаю много" → "Расту измеримо"
- Непонятно куда идёшь → Есть стратегия и проверяемые метрики
Все участники получат:
- Доступ к фреймворку MSW (проект открытый, это бесплатно)
- Шаблоны личных контрактов (развитие 8 недель)
- Материалы курса, чек-листы, практики недельных спринтов
- Примеры заполнения для разных ролей
Для желающих: приглашение к участию в стажировке с личной поддержкой и все будущие обновления фреймворка
Для кого этот вебинар?
Всех, кто хочет управлять карьерой и жизнью системно, кого беспокоит вопрос "к чему прикладывать усилия?" и как перейти от абстрактных идей к действиям
Telegram
Second Brain 🗃
#🧠 Создаем и развиваем личные системы знаний (картотеки)
#💡 Фиксируем и взращиваем наши идеи и не даем им пропасть
#ℹ️ Улучшаем навыки работы с информацией
https://obsidian.second-brain.ru
#💡 Фиксируем и взращиваем наши идеи и не даем им пропасть
#ℹ️ Улучшаем навыки работы с информацией
https://obsidian.second-brain.ru
Вчера вместе с Дмитрием Лаухиным (автором канала Second Brain) провели вебинар по системному подходу к карьере и к нам еще присоединился Рустам Агамалиев.
На мой взгляд, вебинар получился удачным: обсудили сам фреймворк MSW (Making Systems Work), методологию на базе которой он построен (за авторством Церена) и современные инструменты с ИИ под капотом, в частности связку Cursor как IDE для жизни и карьеры + Github + MagicFlow и то, что мы все уже на пороге того, чтобы стать программистами.
Ссылка на запись: https://www.youtube.com/watch?v=TsIdTXdlJ_Y
На мой взгляд, вебинар получился удачным: обсудили сам фреймворк MSW (Making Systems Work), методологию на базе которой он построен (за авторством Церена) и современные инструменты с ИИ под капотом, в частности связку Cursor как IDE для жизни и карьеры + Github + MagicFlow и то, что мы все уже на пороге того, чтобы стать программистами.
Ссылка на запись: https://www.youtube.com/watch?v=TsIdTXdlJ_Y
YouTube
Вебинар по системному подходу к карьере c Дмитрием Лаухиным
MSW (Making Systems Work) — практический фреймворк для системного управления карьерой. Помогает ответить на один из ключевых вопросов: «К чему прикладывать усилия?» и связывает неудовлетворенности-стратегии- проекты-слоты времени-артефакты.
https://tgwrapped.com/plus1step?year=2025
Основным проектом, про который я здесь писал является — системный подход к карьере и жизни.
Последние пару месяцев в полупассивном режиме им занимался, ввиду того, что это скорее проект для меня про "влияние", а сейчас стоят более насущные вопросы и в тоже время в нем имеется ряд нерешенных проблем.
На данный момент меня больше всего беспокоят 2 из них:
1. Несмотря на то, что фреймворк будет работать и на листке бумаге, но он всё равно живет в виде github репозитория и изначально был сильно завязан на Cursor, а точнее .cursorrules. После появления Skills начал миграцию в ту сторону, но еще не завершил (это нужно чтобы можно было и в других инструментах кроме Cursor так же свободно пользоваться). А в идеале, хочется заняться дистилляцией и сделать более универсальное решение.
2. Мне сильно импонирует в практике стратегирования выделение 3-х понятий: проблема; неудовлетворенность; эмоция. И логика объясняющая, что проблемы у ролей, а неудовлетворенности у человека — просто прекрасна.
В тоже время, хочется всё это дело вывернуть наизнанку, сохранив структуру, но работать в позитивной коннотации.
Безусловно, ошибки предсказания (возможности/проблемы) были, есть и будут в нашей жизни и неудовлетворенности сохраняются, но попадать в ловушку "хорошего врача", который всегда найдет, что нужно полечить тоже не хочется.
Да и сильно нравится идея, что основной фокус внимания стоит направлять на усиление сильного, а не поиск слабого. Поэтому думаю во время праздников заменить "неудовлетворенность" как основной триггер создания приоритетного проекта на "устремления" или что-то синонимичное. Правда это провоцирует необходимость появления нового слоя, иначе непонятно как эти "устремления" находить (хочется найти системный подход).
На всякий случай напоминаю: для меня это всё вопросы про то как системно подходить к управлению карьерой и жизни, а самое главное — к чему прикладывать усилия, на чем фокусироваться?
Пишите, если есть идеи или желание побрейнштормить это направление. Хочется собрать комьюнити и допилить фреймворк. На мой взгляд, уже сейчас это сильнее, чем GTD, т.к. работает на большем количестве системных уровней, но явно еще сырой
Основным проектом, про который я здесь писал является — системный подход к карьере и жизни.
Последние пару месяцев в полупассивном режиме им занимался, ввиду того, что это скорее проект для меня про "влияние", а сейчас стоят более насущные вопросы и в тоже время в нем имеется ряд нерешенных проблем.
На данный момент меня больше всего беспокоят 2 из них:
1. Несмотря на то, что фреймворк будет работать и на листке бумаге, но он всё равно живет в виде github репозитория и изначально был сильно завязан на Cursor, а точнее .cursorrules. После появления Skills начал миграцию в ту сторону, но еще не завершил (это нужно чтобы можно было и в других инструментах кроме Cursor так же свободно пользоваться). А в идеале, хочется заняться дистилляцией и сделать более универсальное решение.
2. Мне сильно импонирует в практике стратегирования выделение 3-х понятий: проблема; неудовлетворенность; эмоция. И логика объясняющая, что проблемы у ролей, а неудовлетворенности у человека — просто прекрасна.
В тоже время, хочется всё это дело вывернуть наизнанку, сохранив структуру, но работать в позитивной коннотации.
Безусловно, ошибки предсказания (возможности/проблемы) были, есть и будут в нашей жизни и неудовлетворенности сохраняются, но попадать в ловушку "хорошего врача", который всегда найдет, что нужно полечить тоже не хочется.
Да и сильно нравится идея, что основной фокус внимания стоит направлять на усиление сильного, а не поиск слабого. Поэтому думаю во время праздников заменить "неудовлетворенность" как основной триггер создания приоритетного проекта на "устремления" или что-то синонимичное. Правда это провоцирует необходимость появления нового слоя, иначе непонятно как эти "устремления" находить (хочется найти системный подход).
На всякий случай напоминаю: для меня это всё вопросы про то как системно подходить к управлению карьерой и жизни, а самое главное — к чему прикладывать усилия, на чем фокусироваться?
Пишите, если есть идеи или желание побрейнштормить это направление. Хочется собрать комьюнити и допилить фреймворк. На мой взгляд, уже сейчас это сильнее, чем GTD, т.к. работает на большем количестве системных уровней, но явно еще сырой
❤4👍2👎1
OpenClaw_Presentation.pdf
1 MB
В прошлом месяце поучаствовал в OpenClaw Business Engineering Hackathon в Белграде. Мы собрали полноценную мультиагентную AI-систему, которая автоматизирует обработку страховых случаев — от первого звонка до выплаты.
Сценарий: Ohio Mutual Auto — максимально «аналоговая» страховая компания. Бумажные бланки, бесконечные звонки и шесть сотрудников, которые вручную перекладывают папки с одного стола на другой. Нашей задачей было спроектировать решение на базе AI, которое трансформирует операционку, не ломая существующие бизнес-процессы.
Что мы построили:
Пайплайн из 7 AI-агентов, каждый из которых курирует свой этап жизненного цикла заявки: прием данных, проверка покрытия, оценка ущерба, антифрод, финальное ревью и инициация платежа. За качеством их работы следит отдельный агент-менеджер.
Чем я особенно горжусь:
Самообучающаяся система. Система сама прогоняет кейсы через пайплайн, оценивает результат и переписывает неэффективные промпты. Никакого ручного промпт-инжиниринга. Есть встроенный механизм отката (rollback), если качество падает, и детектор зацикливания. Агенты реально становятся умнее с каждой итерацией.
Голосовой интерфейс. Клиент просто звонит по номеру. Система транскрибирует речь, находит клиента в базе, обрабатывает запрос через AI и отвечает естественным голосом. Для консервативных клиентов, привыкших «решать вопросы по телефону», это идеальный входной порог (пока работает не идеально стабильно, но потенциал огромный).
Human-in-the-loop. Система не автоматизирует всё вслепую. Если риск мошенничества высок, выплата превышает $25k или уверенность агента низкая — кейс улетает живому сотруднику со всем необходимым контекстом.
Compliance и логика. Агент-оценщик намеренно «отрезан» от лимитов полиса, чтобы избежать предвзятости в расчетах (требование регулятора). В то же время Агент-антифрод видит и оценку, и лимиты — именно это позволяет выявлять паттерны завышения ущерба. Одна архитектура примирила интересы четырех руководителей с разными приоритетами.
Бесшовное внедрение. Компании нужно лишь начать оцифровывать бумажные карточки клиентов. Никакой ломки процессов или переобучения персонала. Клиенты продолжают звонить, сотрудники — работать, но всю рутину забирает на себя AI.
Мы также собрали полноценный бэкенд-дашборд с ролевым доступом, визуализацией пайплайна, интеграцией с Telegram для общения с клиентами и трекингом документов.
Мысли про OpenClaw:
Сейчас «sweet spot» платформы — это персональные AI-ассистенты: Telegram-боты для повседневных задач, напоминалок и простых воркфлоу. Там это работает отлично, особенно для не-технарей. Для сложных структурированных бизнес-пайплайнов с циклами оценки и требованиями комплаенса я бы всё же выбрал специализированную инфраструктуру. Тем не менее, хакатон стал крутым упражнением по совмещению бизнес-логики и инженерии.
Прикрепил нашу презентацию
Сценарий: Ohio Mutual Auto — максимально «аналоговая» страховая компания. Бумажные бланки, бесконечные звонки и шесть сотрудников, которые вручную перекладывают папки с одного стола на другой. Нашей задачей было спроектировать решение на базе AI, которое трансформирует операционку, не ломая существующие бизнес-процессы.
Что мы построили:
Пайплайн из 7 AI-агентов, каждый из которых курирует свой этап жизненного цикла заявки: прием данных, проверка покрытия, оценка ущерба, антифрод, финальное ревью и инициация платежа. За качеством их работы следит отдельный агент-менеджер.
Чем я особенно горжусь:
Самообучающаяся система. Система сама прогоняет кейсы через пайплайн, оценивает результат и переписывает неэффективные промпты. Никакого ручного промпт-инжиниринга. Есть встроенный механизм отката (rollback), если качество падает, и детектор зацикливания. Агенты реально становятся умнее с каждой итерацией.
Голосовой интерфейс. Клиент просто звонит по номеру. Система транскрибирует речь, находит клиента в базе, обрабатывает запрос через AI и отвечает естественным голосом. Для консервативных клиентов, привыкших «решать вопросы по телефону», это идеальный входной порог (пока работает не идеально стабильно, но потенциал огромный).
Human-in-the-loop. Система не автоматизирует всё вслепую. Если риск мошенничества высок, выплата превышает $25k или уверенность агента низкая — кейс улетает живому сотруднику со всем необходимым контекстом.
Compliance и логика. Агент-оценщик намеренно «отрезан» от лимитов полиса, чтобы избежать предвзятости в расчетах (требование регулятора). В то же время Агент-антифрод видит и оценку, и лимиты — именно это позволяет выявлять паттерны завышения ущерба. Одна архитектура примирила интересы четырех руководителей с разными приоритетами.
Бесшовное внедрение. Компании нужно лишь начать оцифровывать бумажные карточки клиентов. Никакой ломки процессов или переобучения персонала. Клиенты продолжают звонить, сотрудники — работать, но всю рутину забирает на себя AI.
Мы также собрали полноценный бэкенд-дашборд с ролевым доступом, визуализацией пайплайна, интеграцией с Telegram для общения с клиентами и трекингом документов.
Мысли про OpenClaw:
Сейчас «sweet spot» платформы — это персональные AI-ассистенты: Telegram-боты для повседневных задач, напоминалок и простых воркфлоу. Там это работает отлично, особенно для не-технарей. Для сложных структурированных бизнес-пайплайнов с циклами оценки и требованиями комплаенса я бы всё же выбрал специализированную инфраструктуру. Тем не менее, хакатон стал крутым упражнением по совмещению бизнес-логики и инженерии.
Прикрепил нашу презентацию
❤1🔥1
Последние две недели участвовал в ARLC 2026 DIFC Legal Challenge — это конкурс агентных RAG-пайплайнов в юридическом домене.
Система получает реальные юридические документы Дубайского финансового центра и должна автоматически отвечать на вопросы по ним. Организатароми заданы типы ответов: дата, число, имя, да/нет, свободный текст. Каждый ответ проверяется автоматически с помощью AI агентов. 155 команд подали решения, моё заняло 3-е место в тестовой фазе. Результаты финала пока не опубликованы.
Хочу поделиться тем, что оказалось для меня интересным в процессе, скорее про подход к разработке с ИИ в целом.
Первое необходимое условие, это нужно выстроить архитектуру, при которой будет максимизирована выдача LLM нужного результата. С учётом того, что модель умеет хорошо (классификация, работа с недетерминированными источниками информации), и где она спотыкается (4000 страниц корпуса не помещаются в контекстное окно, и модель находит локальное решение на видимом фрагменте, которое часто ломает что-то за его пределами — классический оверфит на неполных данных). Заранее ты этих границ не знаешь. Агентный пайплайн — это попытка их раздвинуть, разбить задачу на шаги, где каждый компенсирует ограничения модели. А дальше эксперименты: дать больше контекста? Меньше? Убрать модель из этого шага совсем? После каждого прогона видно, где рамки расширились, где сузились и в чём именно. Калибруешь и так постепенно выстраивается многоуровневая архитектура.
Несколько интересных моментов.
Во-первых, в этом конкурсе недостаточно правильно ответить, нужно указать конкретные страницы документов, на которых основан ответ. Оценка учитывает и то, и другое: важно не пропустить страницу, на которой реально есть ответ, и важно не добавить лишних. Но пропустить правильную страницу гораздо больнее. По формуле оценки это примерно как добавить 7-13 нерелевантных. А если ответ на одной странице, а ты указал десять, оценка падает больше, чем в 2 раза. Получается баланс когда нужно найти все релевантные страницы, но при этом не раздуть список.
Во-вторых, интересно как LLM и классические инструменты дополняют друг друга. Значительная часть вопросов решалась лучше вообще без ИИ: "какое дело подано раньше?" — это сравнение двух дат, datetime справляется за микросекунду. Но чтобы эти даты получить, нужна цепочка: regex находит паттерн "Date of Issue:" на странице детерминированно, а LLM до этого помогал классифицировать вопрос и нормализовать то, что написано на естественном языке. И в обратную сторону: LLM помогает дорабатывать сами regex-паттерны, когда видишь, что какой-то формат документа не покрыт. Получается, что каждый инструмент делает то, в чём он силён: regex даёт точность без галлюцинаций, LLM разбирается в смысле текста, а вместе они закрывают то, что поодиночке не могут.
В-третьих, многое нащупывалось экспериментально. Переключился на Voyage-law-2 (эмбеддинги, специально обученные на юридических текстах), но эксперимент провалился. Для себя сделал заметку, что первым приоритетом сейчас лучше использовать более современные решения, чем более узкие, но разработанные пару лет назад. Попробовал полностью довериться LLM в выборе страниц и получил худший результат. Попробовал наоборот, добавить больше страниц, тоже провал и так далее. Получилось около 15 довольно больших, но провальных экспериментов.
Про архитектуру. Самое интересное решение, на мой взгляд, это многоуровневое обоснование. Для разных типов вопросов работают принципиально разные стратегии поиска страниц. "Что говорит статья 15 Закона о трастах?" — прямой lookup по предварительно построенному индексу. Семантический поиск здесь вообще не нужен. "Какие стороны участвовали в деле?" — извлечение из метаданных. А для вопроса, который требует анализа на стыке нескольких документов, уже полноценный семантический поиск с реранкингом и валидацией страниц.
Система получает реальные юридические документы Дубайского финансового центра и должна автоматически отвечать на вопросы по ним. Организатароми заданы типы ответов: дата, число, имя, да/нет, свободный текст. Каждый ответ проверяется автоматически с помощью AI агентов. 155 команд подали решения, моё заняло 3-е место в тестовой фазе. Результаты финала пока не опубликованы.
Хочу поделиться тем, что оказалось для меня интересным в процессе, скорее про подход к разработке с ИИ в целом.
Первое необходимое условие, это нужно выстроить архитектуру, при которой будет максимизирована выдача LLM нужного результата. С учётом того, что модель умеет хорошо (классификация, работа с недетерминированными источниками информации), и где она спотыкается (4000 страниц корпуса не помещаются в контекстное окно, и модель находит локальное решение на видимом фрагменте, которое часто ломает что-то за его пределами — классический оверфит на неполных данных). Заранее ты этих границ не знаешь. Агентный пайплайн — это попытка их раздвинуть, разбить задачу на шаги, где каждый компенсирует ограничения модели. А дальше эксперименты: дать больше контекста? Меньше? Убрать модель из этого шага совсем? После каждого прогона видно, где рамки расширились, где сузились и в чём именно. Калибруешь и так постепенно выстраивается многоуровневая архитектура.
Несколько интересных моментов.
Во-первых, в этом конкурсе недостаточно правильно ответить, нужно указать конкретные страницы документов, на которых основан ответ. Оценка учитывает и то, и другое: важно не пропустить страницу, на которой реально есть ответ, и важно не добавить лишних. Но пропустить правильную страницу гораздо больнее. По формуле оценки это примерно как добавить 7-13 нерелевантных. А если ответ на одной странице, а ты указал десять, оценка падает больше, чем в 2 раза. Получается баланс когда нужно найти все релевантные страницы, но при этом не раздуть список.
Во-вторых, интересно как LLM и классические инструменты дополняют друг друга. Значительная часть вопросов решалась лучше вообще без ИИ: "какое дело подано раньше?" — это сравнение двух дат, datetime справляется за микросекунду. Но чтобы эти даты получить, нужна цепочка: regex находит паттерн "Date of Issue:" на странице детерминированно, а LLM до этого помогал классифицировать вопрос и нормализовать то, что написано на естественном языке. И в обратную сторону: LLM помогает дорабатывать сами regex-паттерны, когда видишь, что какой-то формат документа не покрыт. Получается, что каждый инструмент делает то, в чём он силён: regex даёт точность без галлюцинаций, LLM разбирается в смысле текста, а вместе они закрывают то, что поодиночке не могут.
В-третьих, многое нащупывалось экспериментально. Переключился на Voyage-law-2 (эмбеддинги, специально обученные на юридических текстах), но эксперимент провалился. Для себя сделал заметку, что первым приоритетом сейчас лучше использовать более современные решения, чем более узкие, но разработанные пару лет назад. Попробовал полностью довериться LLM в выборе страниц и получил худший результат. Попробовал наоборот, добавить больше страниц, тоже провал и так далее. Получилось около 15 довольно больших, но провальных экспериментов.
Про архитектуру. Самое интересное решение, на мой взгляд, это многоуровневое обоснование. Для разных типов вопросов работают принципиально разные стратегии поиска страниц. "Что говорит статья 15 Закона о трастах?" — прямой lookup по предварительно построенному индексу. Семантический поиск здесь вообще не нужен. "Какие стороны участвовали в деле?" — извлечение из метаданных. А для вопроса, который требует анализа на стыке нескольких документов, уже полноценный семантический поиск с реранкингом и валидацией страниц.
Ещё один момент, который дал неожиданно большой эффект. Вместо захардкоженного "дата решения на странице 2" я добавил сканирование страниц 1-4 каждого документа в поисках метки "Date of Issue:". В 5 документах из корпуса дата оказалась на странице 3 или 4. Одно это изменение дало прирост к метрике grounding (citation and retrieval quality) больше, чем все предыдущие промпт-оптимизации вместе.
При этом модели периодически пытаются найти простое решение, которое закрывает локальную проблему. Просишь "на каких страницах ответ?", выдаёт одну-две самые очевидные. Модель находит страницу с прямым ответом, а соседние страницы с контекстом пропускает. Попросил Sonnet проверить каждую страницу-кандидат, он отбрасывал правильные в 5% случаев. Модель нельзя попросить «будь менее избирательной» — она всегда стремится отсечь неочевидное. Зато можно построить систему, которая компенсирует эту избирательность на уровне архитектуры. В итоге решение набрало 0.954 из 1.0 при теоретическом максимуме около 0.98 (ограничения формулы).
И ещё одна важная часть: архитектура самого процесса разработки.
Когда зацикливаешь прогон → оценка → улучшение → прогон, до какого-то момента бутылочным горлышком является сам человек. Пока ты вручную смотришь логи, анализируешь ошибки, решаешь что попробовать дальше цикл занимает часы. Как только автоматизируешь оценку и обнаружение проблемных мест, человек остаётся только для принятия решений, то можно параллельно заняться другими задачами, а модель с хорошей архитектурой сама доведет до какого-то уровня.
Для этого нужна инфраструктура: калиброванный оценщик (чтобы не тратить ограниченные подачи на проверку гипотез), трекер экспериментов (чтобы видеть что менялось между циклами), "кладбище идей", которые попробовали и откатили (чтобы на 20-й итерации не повторить ошибку 5-й). Дашборд на котором можно посмотреть глазами результаты прогонов,конкретные вопросы, ответы, а так же их сравнение.
Без этого всё скатывается в хождение по кругу: попробовали, не помним что пробовали, попробовали снова. Или автоматические лупы ухудшают результат вместо улучшения, потому что нет способа проверить до подачи.
Чуть подробнее про архитектуру и скриншоты в комментариях.
При этом модели периодически пытаются найти простое решение, которое закрывает локальную проблему. Просишь "на каких страницах ответ?", выдаёт одну-две самые очевидные. Модель находит страницу с прямым ответом, а соседние страницы с контекстом пропускает. Попросил Sonnet проверить каждую страницу-кандидат, он отбрасывал правильные в 5% случаев. Модель нельзя попросить «будь менее избирательной» — она всегда стремится отсечь неочевидное. Зато можно построить систему, которая компенсирует эту избирательность на уровне архитектуры. В итоге решение набрало 0.954 из 1.0 при теоретическом максимуме около 0.98 (ограничения формулы).
И ещё одна важная часть: архитектура самого процесса разработки.
Когда зацикливаешь прогон → оценка → улучшение → прогон, до какого-то момента бутылочным горлышком является сам человек. Пока ты вручную смотришь логи, анализируешь ошибки, решаешь что попробовать дальше цикл занимает часы. Как только автоматизируешь оценку и обнаружение проблемных мест, человек остаётся только для принятия решений, то можно параллельно заняться другими задачами, а модель с хорошей архитектурой сама доведет до какого-то уровня.
Для этого нужна инфраструктура: калиброванный оценщик (чтобы не тратить ограниченные подачи на проверку гипотез), трекер экспериментов (чтобы видеть что менялось между циклами), "кладбище идей", которые попробовали и откатили (чтобы на 20-й итерации не повторить ошибку 5-й). Дашборд на котором можно посмотреть глазами результаты прогонов,конкретные вопросы, ответы, а так же их сравнение.
Без этого всё скатывается в хождение по кругу: попробовали, не помним что пробовали, попробовали снова. Или автоматические лупы ухудшают результат вместо улучшения, потому что нет способа проверить до подачи.
Чуть подробнее про архитектуру и скриншоты в комментариях.
❤1
Уже не раз писал о том, как подступаюсь к снаряду под названием «Системное мышление». Убеждён, что владение этой дисциплиной (или корректнее трансдисциплиной) становится ключевым в эпоху ИИ для каждого, кто работает со сложностью.
Отдельное спасибо всем, кто создаёт и развивает методы рационального мышления (я их отношу в эту же категорию под названием «Системное мышление»). Здесь для меня является ключевым умение удерживать внимание на нужных объектах необходимое время, не теряя при этом целостную картину.
Так же я уже упоминал FPF (фреймворк системного мышления), который разрабатывает Анатолий Левенчук. Это структурированный корпус знаний, который даёт LLM материал для системных ответов. И здесь главное ограничение, FPF это монолит на 5+ мегабайт и почти 60 тысяч строк. Ни одна LLM не способна целиком переварить такой объём в рамках контекстного окна, а тем более стабильно находить в нём нужное.
Я поставил себе задачу сделать плагин, который:
• потребляет минимум токенов (нам нужно решать задачу, а не только фреймворк грузить)
• автоматически обновляется (Анатолий продолжает развивать FPF, поэтому настроил крон на обновление каждые 2 недели с полным пересчётом эмбеддингов)
• хорошо себя показывает как на «слабых», так и на «сильных» моделях
Протестировал на моделях разного уровня. От лёгких (Haiku), до продвинутых с reasoning (Sonnet, Opus). На задачах поиска определений и связей между понятиями результаты стабильно отличные даже на Haiku. Для глубокой работы с системами, где требуется то, что мы сейчас называем reasoning, конечно, лучше брать модели посильнее. Думаю, можно запускать и на локальных моделях.
Подробности в статье: https://systemsworld.club/t/razrabatyvaem-agentnyj-pajplajn-dlya-fpf/37890
Плагин на GitHub: https://github.com/pokrovskiyv/FPF-agent
Отдельное спасибо всем, кто создаёт и развивает методы рационального мышления (я их отношу в эту же категорию под названием «Системное мышление»). Здесь для меня является ключевым умение удерживать внимание на нужных объектах необходимое время, не теряя при этом целостную картину.
Так же я уже упоминал FPF (фреймворк системного мышления), который разрабатывает Анатолий Левенчук. Это структурированный корпус знаний, который даёт LLM материал для системных ответов. И здесь главное ограничение, FPF это монолит на 5+ мегабайт и почти 60 тысяч строк. Ни одна LLM не способна целиком переварить такой объём в рамках контекстного окна, а тем более стабильно находить в нём нужное.
Я поставил себе задачу сделать плагин, который:
• потребляет минимум токенов (нам нужно решать задачу, а не только фреймворк грузить)
• автоматически обновляется (Анатолий продолжает развивать FPF, поэтому настроил крон на обновление каждые 2 недели с полным пересчётом эмбеддингов)
• хорошо себя показывает как на «слабых», так и на «сильных» моделях
Протестировал на моделях разного уровня. От лёгких (Haiku), до продвинутых с reasoning (Sonnet, Opus). На задачах поиска определений и связей между понятиями результаты стабильно отличные даже на Haiku. Для глубокой работы с системами, где требуется то, что мы сейчас называем reasoning, конечно, лучше брать модели посильнее. Думаю, можно запускать и на локальных моделях.
Подробности в статье: https://systemsworld.club/t/razrabatyvaem-agentnyj-pajplajn-dlya-fpf/37890
Плагин на GitHub: https://github.com/pokrovskiyv/FPF-agent
SystemsWorld Club
Разрабатываем агентный пайплайн для FPF
Кратко Довольно часто пользуюсь FPF, но у него есть свои ограничения связанные с тем, что это монолит (сильно уменьшает объем полезного контекстного окна, затрудненный поиск и т.д.). В итоге решил сделать агентный пайплайн, задача заключалась в том, чтобы…
❤2
Принял участие в хакатоне по созданию персональных ИИ-агентов BitGN PAC. За организацию спасибо Ринату (@llm_under_hood), а также Яндексу за площадку. Это уже четвёртый челлендж Рината, и я давно хотел поучаствовать.
Идея в том, что нужно написать автономного агента, который через API управляет симулированной средой (файлы, заметки, календарь, сообщения). Платформа оценивает ыполнил ли задачу, не поддался ли на prompt injection, не слил ли секреты и т.д.
За две недели в свободное время погонял на нескольких моделях (Claude Sonnet, Haiku, Qwen3-235B, Qwen 3.6 Plus, Qwen 3.5). На удивление, кажется, идет всё большая дифференциация. Раньше не так сильно проседало качество при переходе с одной модели на другую, причем даже на более сильную (даже х2 было). Связываю это с тем, что модели обрастают всё больше обвязкой и спецификой, в том числе и промпты тоже играют роль.
При этом при разработке агентов, в настоящий момент, очень много экспериментов происходит и подходы меняются очень быстро (месяц назад тот же ralph loop казался чудом, а сегодня им уже никого не удивишь. Или SGR? 😀). Возможности расширяются так быстро, что знания устаревают за месяцы (недели?). Но именно поэтому благодарен всем, кто продолжает копать и создавать новое прямо сейчас.
Немного о результатах. Участвовало более 800 человек. Финальный лидерборд ещё не опубликован, но в сербском хабе занял первое место (разделил с ещё одним участником). Итоговый балл получил 73 на Sonnet со 2-го прогона. Кстати, почти такой же результат (67 удалось на Qwen 3.5 получить, тоже со 2-го раза). Задачи были довольно сложные и в жизни мы чаще встречаемся с задачами на порядок проще, но подготовить решение на легкой опенсорсной модели отдельный вызов и довольно интересный с точки зрения применимости.
Планирую ли снова? В ближайшее время скорее нет. Но рад, что ввязался
Идея в том, что нужно написать автономного агента, который через API управляет симулированной средой (файлы, заметки, календарь, сообщения). Платформа оценивает ыполнил ли задачу, не поддался ли на prompt injection, не слил ли секреты и т.д.
За две недели в свободное время погонял на нескольких моделях (Claude Sonnet, Haiku, Qwen3-235B, Qwen 3.6 Plus, Qwen 3.5). На удивление, кажется, идет всё большая дифференциация. Раньше не так сильно проседало качество при переходе с одной модели на другую, причем даже на более сильную (даже х2 было). Связываю это с тем, что модели обрастают всё больше обвязкой и спецификой, в том числе и промпты тоже играют роль.
При этом при разработке агентов, в настоящий момент, очень много экспериментов происходит и подходы меняются очень быстро (месяц назад тот же ralph loop казался чудом, а сегодня им уже никого не удивишь. Или SGR? 😀). Возможности расширяются так быстро, что знания устаревают за месяцы (недели?). Но именно поэтому благодарен всем, кто продолжает копать и создавать новое прямо сейчас.
Немного о результатах. Участвовало более 800 человек. Финальный лидерборд ещё не опубликован, но в сербском хабе занял первое место (разделил с ещё одним участником). Итоговый балл получил 73 на Sonnet со 2-го прогона. Кстати, почти такой же результат (67 удалось на Qwen 3.5 получить, тоже со 2-го раза). Задачи были довольно сложные и в жизни мы чаще встречаемся с задачами на порядок проще, но подготовить решение на легкой опенсорсной модели отдельный вызов и довольно интересный с точки зрения применимости.
Планирую ли снова? В ближайшее время скорее нет. Но рад, что ввязался
❤3🔥3👍2
А еще мы помогаем языковым школам и репетиторам. Разработали для этого классный инструмент, который по аудио/видео урока анализирует как ученика, так и преподавателя (ученик не видит аналитику по преподавателю). Уроки объединяются в курсы, студент всегда может у чат-бота спросить когда и что проходили, чат-бот по кривой забывания присылает материалы, квизы и тд. В общем, если вы как-то связаны с обучением или обучаетесь иностранным языкам, то максимально рекомендую
jazion.online
Jazion - Language Analytics Platform for Educators
Jazion is a language analytics platform for tutors and language schools. Lesson transcription, vocabulary tracking, and practice delivery.
🔥1
Forwarded from Smart Learning | Языковой AI-трекер (Sergey Arkhipov)
💥 Вышла обещанная статья про Лексический ландшафт!
В последнем посте показал лексическую карту словаря урока и анонсировал продолжение. Теперь полная история: что говорит наука, как устроен наш подход и что с этим делать на уроке.
🔬 30 лет исследований Data-Driven Learning (DDL). Сильнее всего метод работает с лексикой, а в корейском кейсе ошибка школьников уменьшилась впятеро
🗺 Как транскрипты уроков становятся персональным корпусом ученика и почему в самом подсчёте нет генеративного ИИ
🎁 Забирайте промпт «DDL-разбор речи ученика за пять минут». Работает в любом ИИ (ChatGPT, Claude Code, Deepsek и др.), платформа не нужна
При подготовке этой статьи больше всего меня взволновали ответы на мои письма от Ацуши Мизумото — профессора прикладной лингвистики из Университета Кансай (Осака, Япония), автора главного мета-анализа DDL. Его ответы пришли быстро, оказались щедрыми и сделали статью точнее ещё до публикации: разрешение на рисунок и статья-подсказка, заострившая нашу заявку на новизну. Наука лучше всего работает как диалог 🤝
📖 Читать в блоге (RU/EN)
🔬 Краткая версия в LinkedIn (EN)
P.S. Ако желите видеть карту собственных уроков — вы знаете, где нас искать 😉
📌 В DDL данные студента работают не потому, что их много, а потому, что они — его
В последнем посте показал лексическую карту словаря урока и анонсировал продолжение. Теперь полная история: что говорит наука, как устроен наш подход и что с этим делать на уроке.
🔬 30 лет исследований Data-Driven Learning (DDL). Сильнее всего метод работает с лексикой, а в корейском кейсе ошибка школьников уменьшилась впятеро
🗺 Как транскрипты уроков становятся персональным корпусом ученика и почему в самом подсчёте нет генеративного ИИ
🎁 Забирайте промпт «DDL-разбор речи ученика за пять минут». Работает в любом ИИ (ChatGPT, Claude Code, Deepsek и др.), платформа не нужна
При подготовке этой статьи больше всего меня взволновали ответы на мои письма от Ацуши Мизумото — профессора прикладной лингвистики из Университета Кансай (Осака, Япония), автора главного мета-анализа DDL. Его ответы пришли быстро, оказались щедрыми и сделали статью точнее ещё до публикации: разрешение на рисунок и статья-подсказка, заострившая нашу заявку на новизну. Наука лучше всего работает как диалог 🤝
📖 Читать в блоге (RU/EN)
🔬 Краткая версия в LinkedIn (EN)
P.S. Ако желите видеть карту собственных уроков — вы знаете, где нас искать 😉
📌 В DDL данные студента работают не потому, что их много, а потому, что они — его
🔥1