Навык переключения

Вы когда-нибудь ловили себя на том, что после важного совещания не можете сразу погрузиться в работу — или наоборот, после глубокого фокуса на задаче вдруг оказываетесь на созвоне и не можете выдать ни одной внятной мысли? Поздравляю, вы столкнулись с проблемой переключений.

По этой теме на канале был большой лонгрид эквивалентный небольшой книге, советую начать с него.

В современном мире интеллектуал редко ограничивается одной ролью или одним режимом работы. Созвоны, глубокая работа, отдых, монотонные задачи — всё это требует не только разных навыков, но и разных состояний ума и тела. И если вы не научились осознанно переходить из одного режима в другой, вы теряете больше, чем кажется на первый взгляд. Я однажды буквально потерял сделку на несколько сотен тысяч рублей — просто потому, что не смог вовремя «переключиться» с режима аналитика на режим переговорщика. Это было болезненно, но очень поучительно.

Без навыка переключения вы:
- Не сможете отдыхать по-настоящему
- Не сможете делать амбициозные проекты
- Не сможете эффективно продавать свои услуги
- Будете тяжело завершать рутинные задачи

Что же такое «переключение» на практике? Это вполне конкретное действие, которое помогает выйти из одного состояния и войти в другое. Например, чтобы настроиться на сон, я выключаю основной свет и включаю специальную лампу — этот ритуал стал для моего сознания и организма сигналом «пора отдыхать». Или, скажем, смена одежды: переодеться в свободную футболку, чтобы расслабиться. Даже такие мелочи, как смена положения тела или короткая прогулка, могут стать вашим личным триггером для перехода между режимами.

× × ×

Попробуйте прямо сейчас:
1. Посмотрите свой недельный график
2. Отметьте сложные моменты переключения
3. Придумайте для них простые ритуалы

Пусть это будет смена освещения, чашка чая, смена одежды или даже просто глубокий вдох.

← Предыдущая техника
#1000техник@prof_limits

Прочитать 300 книг и не умереть

На консультациях или во время общения на конференциях часто сталкиваюсь с фразами вроде: «Процессинг сотни книг по теме? Звучит очень смешно. Как человек как может обработать столько информации?»

Спойлер: обычный — никак.

Но если вы хотите стать немного необычным — например, не просто ходить на работу, а реально стать лучшим специалистом в своей области — придётся выстраивать инфраструктуру, которая позволяет этого достичь. Такой персональный «интеллектуальный экзоскелет».

Вот пример. Я сейчас работаю над исследованием связанным с моей второй книгой, где нужно анализировать сотни книг на английском. Из них реально полезной информации окажется в пяти-десяти. Остальные — проходной шум. Почему нельзя просто обработать топ 10 книг? Потому что вы не узнаете, какие книги реально входят в топ — пока не наткнетесь на них через 100 неудачных попыток.

Для анализа книг мне понадобилась небольшая, но умная система: собрать релевантные книги по ключевым темам, отфильтровать по метаданным, выгрузить электронные версии, перегнать в нужный формат, перевести, оценить по оглавлению и визуальной структуре (а не детская ли книга? а не альбом ли с картинками?). И только потом — передать в основную работу.

Каждый этап автоматизирован или полуавтоматизирован, в том числе через LLM, потому что руками этим заниматься просто невозможно. Любой исследователь, фаундер или консультант, работающий на десятилетнем горизонте, поймёт, о чём я. Обработка больших объемов информации — это условие выживания в мире высокой конкуренции.

× × ×

Создать такую систему под себя — пара недель неспешной сборки пайплайна. Но потом — вы обгоняете всех, кто продолжает «читать пять Ремарков в год».

Потому что начинаете не просто «начитывать» книги, а выстраивать из них профессиональное основание: приёмы, практики, повторы, исключения, статистику. И эти знания потом складываются в глубину понимания, а с ней — в ваши ценность, репутацию и финансовые результаты.

🚀 [[Пределы профессионализма]]

ИИ-инструменты: Ускоритель или Тормоз?

Недавнее исследование о влиянии Cursor на продуктивность разработчиков вызвало бурные обсуждения среди моих коллег. Результаты: в среднем инструмент замедлял участников на 20%. Но прежде чем делать выводы, давайте разберёмся, почему эти цифры — не всегда истина в последней инстанции.

✏️ Проблема №1: Опыт ≠ Навык
93% участников имели опыт работы с ChatGPT, 44% — с Cursor. Но что скрывается за этими цифрами?

🔵7% вообще не использовали ИИ-инструменты до исследования.
🔵Большинство работало с ChatGPT в формате «напиши код → скопируй → вставь» — подход, который неэффективен в реальных проектах.
🔵Даже те, кто пробовал Cursor, могли ограничиться поверхностным знакомством («открыл → сделал тестовый проект»).

Вывод: Если инструмент используют как «волшебную кнопку», результат предсказуем. Cursor не ChatGPT — он требует глубокого понимания контекста: архитектуры, правильных доков подключенных библиотек.

✏️ Проблема №2: Задачи «против» ИИ
Участникам дали задачу исправить баг в репозитории с миллионом строк кода. Здесь и кроется ловушка:

🔵Современные ИИ-инструменты отлично справляются с созданием проектов с нуля (архитектура, выбор библиотек, генерация кода).
🔵Но при работе с чужим legacy-кодом их эффективность падает — нужно глубоко погружаться в контекст, чего инструменты не делают автоматически.

Для сравнения: на бенчмарках SWE-bench (реальные задачи) LLM показывают 50% успеха автономно, а на SWE lancer (фриланс-задачи) — решают задачи на $100-200k из общего пула в 1 млн $. Почему же в исследовании результат хуже?

Главный нюанс: Как именно использовали Cursor?
В твиттере участник исследования признался:
«Я нажимал на Cursor, а пока он генерил код — листал соцсети. Потом регулярно не замечал того что агент закончил работать».

Ирония в том, что проблема — не в инструменте, а в отсутствии workflow. Другой участник, ускорившийся на 40%, поделился секретом:

1️⃣ Чётко определял задачи, где Cursor силён (веб-разработка).
2️⃣ Избегал использовать его для низкоуровневого кода.
3️⃣ Постепенно интегрировал инструмент в свой процесс, а не действовал «методом тыка».

× × ×

Исследование отражает только то, что в него вложили. Если велосепидистов без прав пересадить на авто, то далеко не факт что они доберутся до пункта назначения быстрее чем на привычном средстве передвижения. И не потому что автомобили медленные.

Эксперимент:
Возьмите свою текущую задачу и попробуйте два подхода:

🔵«Слепой» запрос в Cursor: «Почини баг Х».
🔵Подробный контекст: «Вот структура проекта, документация библиотеки Y, примеры похожих исправлений, вот четкая спецификация по тому чего бы хотелось».

🚀 [[Пределы профессионализма]]

Claude Code = Cursor на стероидах?

Некоторое время назад я плотно экспериментировал с Claude Code — новым консольным инструментом от Anthropic. Если упрощать, это как Cursor, но в терминале: вы открываете его в любой папке на компьютере и получаете мощного ИИ-ассистента. Но есть ключевое отличие — здешний агент на порядок умнее.

Я считаю, что его главная сила не в помощи с кодом, а в том, что это «агент общего назначения». Он не ограничен рамками IDE и может работать с любыми файлами в директории: текстами, заметками, документами. По сути, он видит всю вашу рабочую среду так же, как и вы.

При этом его можно научить пользоваться вашими инструментами из командной строки. Всё, что вы можете запустить в терминале (а это очень многое), может стать частью его арсенала. Это превращает Cloud Code из простого чат-бота в полноценного цифрового помощника, интегрированного в вашу систему.

Почему это важно? Вы один раз пишете инструкции, как работать с вашими проектами, ежедневными заметками в Obsidian или базой знаний. Агент их усваивает. И вот вы ставите ему задачу, а он не просто отвечает текстом, а сам находит нужные файлы, создаёт подпапку scripts/ и при необходимости пишет туда скрипт для автоматизации вашей рутины. Скрипт, который вы сможете запускать снова и снова.

× × ×

Многие сразу вспомнят про Obsidian Copilot. Да, функциональность на первый взгляд похожа, но есть два фундаментальных «но»:

🔵 Качество кода. Copilot может сгенерировать код с помощью LLM, но он не сумеет профессионально «докодить» (агентно продолжать и редактировать код в файле), как это делает Claude Code.
🔵 Ресурсы. За Obsidian Copilot стоит, насколько мне известно, один разработчик. У него физически нет ресурсов, чтобы создать и поддерживать агента, способного конкурировать с разработкой Anthropic.

С Claude Code мы получаем одного из лучших ИИ-агентов на рынке, который работает локально поверх ваших файлов. Это двойной выигрыш: мощь передовой модели и глубокий персональный контекст.

Главный минус — цена. Чтобы комфортно пользоваться инструментом без «хаков», нужно платить около $200 в месяц, и даже тогда остаются лимиты.

К счастью, есть обходной путь. С помощью расширений вроде Claude Code Router можно подменить API Anthropic на OpenRouter и подключать любые модели. Я тестирую эту связку с gpt-4.1: агент становится менее автономным, ему нужно больше подсказок, но он неплохо справляется с задачами. Сегодня я бы попробовал новую Kimi K-2. Учитывая, как быстро модели умнеют и дешевеют, к концу года мы можем получить невероятно мощного и доступного персонального ассистента.

Это, пожалуй, самый интересный инструмент за последний год.

🚀 [[Пределы профессионализма]]

Рабочие пространства > Дисциплина?

Я часто наблюдаю, как специалисты тратят колоссальное количество ментальной энергии на рутину: открыть нужные файлы, расположить окна на экране, найти тот самый сайт для проекта. Большинство считает это неизбежной частью работы. Но это не так.

Вот,к примеру, вы работаете над четырьмя разными проектами в течение дня. Каждое переключение — это поиск и запуск нужных приложений, открытие вкладок, файлов и заметок. На это уходит 5, 10, а то и 15 минут. Умножаем на три-четыре перехода — и вот потерянный час рабочего времени. И это не считая когнитивной нагрузки на то, чтобы заново «въехать» в контекст.

Здесь на помощь приходит одна из самых недооценённых техник повышения эффективности — рабочие пространства (workspaces, spaces). Суть проста: мы сохраняем конфигурацию окон, файлов и приложений для конкретного проекта или типа задач, чтобы затем восстановить её в один клик.

Где эта механика реализована хорошо, а где — не очень?

Эталон — Obsidian. Прямо из коробки, бесплатно. Можно создавать и сохранять любую конфигурацию окон и заметок. У меня есть воркспейсы для написания текстов, дневного и стратегического планирования, разбора заметок и для каждого отдельного проекта. Когда нужно вернуться к задаче, к которой я точно ещё вернусь, я просто сохраняю текущий сетап как временный воркспейс.

Браузеры. Лучший пример — Arc Browser (увы, до сих пор неполноценный на Windows). Его механика Spaces позволяет сохранять не только наборы сайтов, но и их расположение на экране, например, в режиме раздельного окна.

Операционные системы. Как ни странно, это самое слабое звено. На macOS есть платные приложения для менеджмента окон с похожим функционалом. Например, в Raycast есть встроенный Window Management, но эта фича доступна только в платной подписке. На Windows ситуация ещё хуже — без самописных скриптов найти что-то стоящее практически невозможно.

× × ×

Дело не только в сэкономленных минутах. Воркспейсы — это способ «выгрузить» из головы рутинные операционные задачи.

Когда вы одним хоткеем разворачиваете нужную среду, вы мгновенно погружаетесь в контекст. Не нужно вспоминать, какой файл был открыт и где лежала та самая заметка. Это особенно ценно при асинхронной работе, когда нужно быстро переключиться на правки от заказчика, а потом вернуться к основной задаче.

Более того, можно пойти дальше:

- В каждом воркспейсе держать отдельную заметку «На чём я остановился?».
- Создавать пространства не только под проекты, но и под типы деятельности (анализ, креатив, коммуникация).
- Одним кликом закрывать 30 вкладок после безудержного сёрфинга и открывать чистое рабочее окружение.

Предлагаю посчитать:
Прикиньте, сколько времени вы тратите на ручное переключение между задачами в течение дня. А затем попробуйте создать всего один воркспейс для своего самого частого проекта — в том же Obsidian или с помощью скрипта.

Вы вернёте себе не просто час времени — вы вернёте себе фокус.

← Предыдущая техника
#1000техник@prof_limits

Перестаньте сжигать токены: 5 способов укротить расходы на LLM

Большие языковые модели могут быть прожорливыми. Я хочу поделиться несколькими способами, как можно работать с LLM более экономно, а зачастую — и более эффективно.

01. Управление контекстом. Самый очевидный, но часто игнорируемый способ. Посмотрите на свои промпты. Есть ли там повторяющаяся часть, которая не влияет на результат? Нерелевантные примеры? Просто лишний «воздух»? Всё это можно и нужно убирать. Есть даже радикальная техника «сворачивания слов»: убирать из каждого слова все гласные или просто вторую половину. Контекст серьезно сокращается, а LLM всё прекрасно понимает. Все, кто пробовал писать в ChatGPT на корявом русском с ошибками, знают — модель чаще всего справляется.

02. Кэширование. Почти все провайдеры API предлагают эту функцию. Суть проста: если вы отправляете несколько запросов подряд, у которых одинаковое начало, эта общая часть «кэшируется». Провайдер не обрабатывает её заново и, соответственно, не тарифицирует. Недавно разработчики агента Manus назвали это одним из ключевых принципов разарботки подобных систем. Для агентов, которые гоняют десятки запросов в минуту, это главный способ и ускорить ответ, и сократить расходы.

03. Chain of Drafts. Промпт-инжиниринг — это не только про качество, но и про стоимость. Популярная техника Chain of Thought заставляет модель подробно расписывать свои рассуждения. Это даёт хороший результат, но тратит много токенов. Позже исследователи нашли более экономный прием — Chain of Drafts. Модель как бы думает короткими «черновиками», а не полноценными мыслями. Результат почти тот же, а токенов съедается значительно меньше.

× × ×

Следующие два способа — это уже переход на уровень выше, к выбору самих инструментов.

04. Бесплатные API. На рынке постоянно появляются бесплатные возможности. На том же OpenRouter всегда есть несколько open-source моделей, которые можно использовать бесплатно с определенными лимитами. Cloud.ru, например, до конца октября дает доступ к нескольким моделям. Да, везде есть ограничения по количеству запросов, но для многих задач их вполне хватает.

05. Роутеры. Это самая интересная технология. Роутер — это сервис-посредник, который анализирует сложность вашего запроса. Если задача простая, он отправляет её на быструю и дешёвую модель. Если же нужно «подумать», то подключает более мощную и дорогую. Вы общаетесь с одной «точкой входа», а система сама решает, какой инструмент использовать.

Один из таких сервисов — Switch Point. По цене он сопоставим с недорогими моделями, но даёт производительность, близкую к топовым. Например, на задачах кодинга он показывает улучшение в 37% по сравнению с моделями той же ценовой категории. Единственный минус — небольшая задержка, так как роутеру нужно время на принятие решения.

× × ×

Так что в следующий раз, когда будете проектировать свой рабочий процесс с LLM, подумайте не только о том, что вы просите, но и о том, как вы это делаете. Зачастую в этом «как» и кроется ключ к эффективности.

🚀 [[Пределы профессионализма]]

Забытые способы организации знаний

Есть такое выражение: «век живи — век учись». Я всегда считал, что тему организации знаний прокопал довольно глубоко — рассказывал об этом на стримах, перечитал массу литературы. А недавно взялся за классика Computer Science Дугласа Энгельбарта и его работу «Augmenting Human Intelligence». И понял, что был неправ.

Энгельбарт — это не только человек, который изобрел компьютерную мышь. Это мыслитель, который еще в 70-е предсказал, что мы будем тонуть в информации, и начал системно создавать для этого инструменты. Какие-то его идеи через Xerox PARC дошли до Microsoft и Apple и стали тем, чем мы пользуемся сегодня. Другие же оказались незаслуженно забыты. Изучая его работу, я наткнулся на два необычных способа извлекать информацию, о которых раньше даже не слышал.

01. Организация по ощущению.
Представьте, что у вас есть некий концепт — идея, заметка, статья. Как его найти позже? Обычно мы используем теги или папки. Энгельбарт же предлагал раскладывать концепты по нескольким интуитивным шкалам. Например: «веселое/грустное», «активное/пассивное», «яркое/тусклое». Главное отличие от привычных тегов в том, что это не строгая логика, а ваше личное, субъективное ощущение от информации. По его словам, такой метод отлично работал для поиска. Правда, он не уточнял, на каких объемах данных это тестировалось — в те времена вычисления стоили в миллионы раз дороже.

02. Извлечение по правилам.
Второй способ — запрашивать информацию не по ключевым словам, а по правилам, описывающим связи между элементами данных. Для этого нужно заранее разметить данные: указать, что один объект «является частью» другого или «следует из» третьего. Тогда вместо поиска по тексту, как в Google, вы можете задать правило. Например: «покажи мне все части вот этого объекта».

Или, что еще интереснее, можно искать логические паттерны. Например, найти все «замкнутые причинно-следственные связи» — круговую аргументацию, когда утверждения поддерживают сами себя. Классика: «Почему Бог существует? Потому что так написано в Библии. А почему Библия — истина? Потому что это слово Божье». Запрос мог бы звучать так: «Найди мне все цепочки аргументов, которые замыкаются сами на себя».

× × ×

Итак, вот два «новых старых» способа работать со знаниями:

- Кодировать не объективные параметры, а субъективное ощущение от информации.
- Искать не по ключевым словам, а по правилам и структурным связям между данными.

Оба подхода требуют от пользователя большего вовлечения. В первом случае — глубокой рефлексии над своими ощущениями, во втором — освоения языка правил и дисциплины в разметке данных. Это не для новичков. Но они открывают потенциально новые сценарии.

Сегодня эти идеи могут получить вторую жизнь. Современные LLM в теории способны переводить наш естественный язык в такие сложные запросы на основе правил.

Для меня главный урок здесь в том, что даже в теме, которую считаешь изученной вдоль и поперек, могут скрываться фундаментальные и мощные идеи. Теперь интересно доисследовать, насколько эти подходы Энгельбарта могут быть применимы сегодня.

🚀 [[Пределы профессионализма]]

Эвристика для создания идей в AI

Этот пост, возможно, самый ценный для тех, кто хочет не просто пользоваться AI, а создавать в этой сфере что-то новое. Я не data scientist, но я много читаю, изучаю основы и пытаюсь видеть паттерны. И вот одна эвристика, которую я заметил давно и которая, похоже, помогает порождать жизнеспособные идеи.

× × ×

Представим все, что связано с LLM, в виде трех уровней:

01. Уровень AI-системы (Макро): Это самый верхний уровень, где мы строим системы из нескольких моделей. Вспоминаем тот же LangGraph: у нас есть узлы, в каждом из них может происходить вызов LLM, и каждый узел выполняет свою функцию. Это оркестр из моделей.

02. Уровень Промта (Микро): Это один-единственный вызов к модели. У нас есть промт — инструкция, в которую мы можем закодировать нужное поведение, знания, роли. Это партитура для одного конкретного музыканта.

03. Уровень Нейросети (Нано): Самый низкий уровень. Это архитектура самой модели, ее внутреннее устройство, то, как «думают» нейроны. Это конструкция самого музыкального инструмента.

× × ×

Эвристика заключается в следующем: мы можем брать приемы и практики с одного уровня и «таскать» их на другой. И если спросить себя: «А что, если перенести этот прием на другой уровень?», ответом часто будет интересная инновация.

Приведу пару примеров. Механика роутера — когда система решает, по какому пути пойдет выполнение задачи. Она уже живет на всех трех уровнях:

01. На уровне нейросети: Это архитектура Mixture of Experts, где разные части сети отвечают за разные области (математика, код, разговорная речь).

02. На уровне промта: Мы можем прямо указать в инструкции: «Если запрос про X — используй эту часть промпта, если про Y — другую». Это работает.

03. На уровне AI-системы: Мы ставим одну простую модель-диспетчера, которая распределяет запросы по разным, более сложным и специализированным моделям.

Или механика рассуждения (reasoning). Долгое время она жила только на двух верхних уровнях: на уровне промта как Chain of Thought («думай шаг за шагом»), а на уровне систем — как отдельная модель-рефлексолог, которая гоняла по кругу свой же ответ. Но примерно год назад это реализовали на уровне нейросети — рассуждение встроили в саму архитектуру модели. Техника спустилась на уровень ниже, породив инновацию.

Понятно что перенос был не один-в-один, но идея та же.

× × ×

В этом и заключается суть эвристики. Множество идей, реализованных в архитектурах нейросетей, ждут чтобы быть переосмысленными на уровне промптов или сложных систем. И наоборот. Для этого не обязательно быть ученым из OpenAI.

🚀 [[Пределы профессионализма]]

Работа с текстом в Vim

Мы проводим огромную часть жизни, редактируя текст. Пишем ли мы код, статью или коммерческое предложение — мы постоянно возвращаемся назад, удаляем слова, меняем параграфы местами, исправляем опечатки. И делаем это поразительно неэффективно. Стандартный способ — это вечный танец между клавиатурой и мышкой. На самом деле от мышки можно избавиться почти полностью, а скорость редактирования увеличить в разы.

Речь пойдет о Vim. Если кратко, это текстовый редактор. Но на самом деле это целая философия, язык для взаимодействия с текстом. Его главная идея, ломающая мозг новичку, — это режимы. В одном режиме вы вводите текст, как обычно. Но в другом, основном, текст вводить нельзя. Вместо этого каждая клавиша на клавиатуре становится командой: «удалить слово», «скопировать строку», «перейти в конец абзаца».

Но настоящая магия начинается, когда понимаешь, что Vim — это не просто набор команд, а полноценный язык со своей грамматикой. Есть «глаголы» (действия), «существительные» (объекты) и «предлоги».

01. Глаголы: d (delete), c (change), y (yank/копировать).
02. Существительные: w (word/слово), p (paragraph/абзац), s (sentence/предложение).
03. Предлоги: i (inside/внутри), a (around/вокруг).

И вы можете их комбинировать. Фраза diw дословно переводится как delete inside word (удалить внутри слова). А dip — delete inside paragraph (удалить внутри абзаца). Вам не нужно тянуться к мышке, чтобы выделить слово или абзац. Вы просто говорите редактору, что сделать, на его языке.

× × ×

Сравним простую операцию. Задача: найти абзац примерно в середине большого документа и полностью его удалить.

Классический способ (Word/Блокнот): Рука срывается с клавиатуры и ищет мышку. Глаза находят полосу прокрутки. Судорожно крутим колесико. Наконец, находим нужный абзац. Наводим курсор, неуклюже выделяем текст от начала до конца. Рука возвращается на клавиатуру, чтобы нажать Delete. Если промахнулись с выделением — начинаем заново. Долго. Очень долго.

Способ Vim: Руки остаются на клавиатуре. Я нажимаю несколько клавиш для быстрой навигации в середину документа. Затем — dip. Всё. Абзац исчез. Вся операция занимает одну-две секунды. Никаких лишних движений. Никакого переключения внимания с текста на элементы интерфейса.

Это не просто быстрее. Это принципиально другой уровень взаимодействия с текстом, где инструмент не мешает, а становится продолжением мысли.

Конечно, есть входной барьер. Vim требует слепой десятипальцевой печати — без этого никуда. Но если этот навык у вас есть, то базовый уровень осваивается за пару недель, а мастерство приходит с практикой за несколько месяцев. Я и сам постоянно пользуюсь комбинациями Vim и планирую в ближайшее время углубить свои знания, потому что потенциал для ускорения имеется.

Даже с появлением ИИ мы никуда не денемся от редактирования текста. Так почему бы не перестать тратить на это полжизни?

← Предыдущая техника
#1000техник@prof_limits

Навыки — это побочный эффект

В какой-то момент многие решают развить в себе новый интеллектуальный навык. Неважно, какой: от слепой печати до анализа сложных научных текстов. И по моим наблюдениям, если человек пытается сделать это в вакууме — просто потому, что «надо» или «круто» — почти всегда это заканчивается ничем. Почему?

Основная причина — отсутствие цели, которая превосходит сам навык. Я могу об этом говорить, потому что недавно прикинул, какое нереальное количество компетенций мне пришлось освоить за все время, что я занимаюсь разработками. У меня получилось их развить не потому, что я такой целеустремленный. А потому, что у меня всегда была внешняя задача, для которой эти навыки были лишь подсистемой.

Целью было не абстрактное саморазвитие, а создание чего-то полезного для других. Эта внешняя цель дает неиссякаемую мотивацию. Когда ты пытаешься создать благо для других, ты и сам неслабо развиваешься.

Например, один из навыков — быстро видеть ошибки и противоречия в речи спикера или в тексте. Я поставил его давно, и хотя он немного деградировал, я до сих пор почти мгновенно замечаю нестыковки. Другой, более экзотический пример — работа с несколькими слоями на раздельной клавиатуре. Это не просто слепая печать. У меня на клавиатуре 4 активных слоя раскладки (а если считать с модификаторами, то все 6). То есть мне пришлось запомнить не одну, а три-четыре разных раскладки. Это никогда не было самоцелью. Это было нужно для ускорения работы, что, в свою очередь, было нужно для моих проектов.

× × ×

Идеальная иллюстрация этого принципа — ведение базы знаний. Люди начинают этим заниматься, потому что это модно и кажется, что это увеличивает твои возможности. Но если нет ответа на вопрос «Зачем?», то даже непонятно, как эту базу структурировать.

Ведение базы знаний — это не один, а целый комплекс нетривиальных навыков:

01. Отсечение мусора. По-настоящему сложный навык.
02. Структурирование информации. Как связать идеи так, чтобы они работали?
03. Переиспользование знаний. Как создать новый продукт на основе того, что ты собрал?
04. Оформление. Как облечь это в форму, понятную другим?

Сейчас я вижу волну, как люди повально удаляют свои собранные за годы хранилища-мусорки в Obsidian, аргументируя это тем, что «так лучше для моего психического здоровья». А всё потому, что изначально не было ответа на главный вопрос: «Нафига?»

Это первый вопрос, который я задаю всем, кто начинает вести базу знаний или осваивать скорочтение. Если нет ответа, то ничего не будет. Потому что сначала должна быть «бОльшая цель», а уже потом — инструменты для ее достижения.

🚀 [[Пределы профессионализма]]

Этика +1/-1

Существует базовая закономерность, которая определяет жизнеспособность любой результативной группы — будь то стартап, команда интеллектуалов или несколько разработчиков, работающих над одним проектом из разных точек мира. Условно я называю это правило «-1, 0, +1».

Если вы следите за инфополем, то наверняка заметили, как эта идея недавно прозвучала сразу в двух очень разных местах.

Первым был Павел Дуров в интервью Лексу Фридману. Рассказывая о том, как он принимает решение, кого оставить в команде, он описал именно этот принцип. Сотрудник может быть формально продуктивным, но при этом создавать столько неразберихи, суматохи и лишних проблем, что его чистый вклад в общее дело становится отрицательным.

Второй — Эрик Реймонд, один из основателей Open Source Initiative. Он написал нашумевшее письмо о том, что кодексы поведения (Code of Conduct) в open-source проектах себя дискредитировали. В проекты приходят люди, которые не вносят ничего полезного, но используют правила, чтобы преследовать свои политические цели, отвлекая основную команду от работы. Его вывод был радикален и прост. Если уж вам так нужен кодекс, замените его одной фразой. Смысл был таким: «Если ваш вклад меньше проблем, которые вы создаете, — идите нахрен».

× × ×

В обоих примерах речь идет об одном и том же — о чистом балансе пользы и вреда. Это можно разложить на три уровня рабочей этики:

01. Этика -1: Вы можете даже делать что-то полезное. Но объем создаваемых вами проблем — для коллег, для процессов, для атмосферы — перевешивает вашу пользу. Итоговый баланс отрицательный. Вы токсичный актив.

02. Этика 0: Вы честно выполняете свои обязанности в рамках инструкции. Не создаете проблем, но и не проявляете инициативы. Это космонавт, который просто следует протоколу. Команда с такими людьми выживет, но не совершит прорыв.

03. Этика +1: Вы не только делаете то, что от вас ожидают, но и перевыполняете план. Видите проблемы до их появления, помогаете коллегам, оптимизируете процессы. Вы не просто «работаете», а вкладываетесь в общий результат понимая как функционирует система в целом.

× × ×

Очень часто люди, создающие свои коллективы, об этом забывают. Они концентрируются на второстепенных вещах: «как правильно писать сообщения», «всем ли всё нравится», «не задели ли мы чьи-то чувства». Но все это имеет очень отдаленную корреляцию с итоговым результатом.

Вместо этого стоит задавать один простой вопрос: каков чистый коэффициент полезности от участия каждого человека в команде? Если он отрицательный, с человеком нужно прощаться. Безжалостно, но эффективно. Это единственное, что имеет значение в долгосрочной перспективе.

🚀 [[Пределы профессионализма]]

Идея из экономики, изменившая мой подход к стратегии

Долгое время я и люди, с которыми я работаю, использовали мой собственный алгоритм для стратегического планирования. Он частично описан в моей книге и помогал принимать верные решения. Но недавно я нашел способ его улучшить — причем инсайт пришел не из мира стратегий, а из экономики.

Давайте начнем с метафоры. Представьте, что вам нужно купить ноутбук. Для простоты, будем оценивать его всего по двум параметрам: стоимость и производительность. На рынке есть пять моделей. Есть очень дешевые, но медленные. Есть дорогие, но сверхмощные. И есть несколько вариантов посередине.

Как выбрать лучший? Здесь нам поможет концепция Парето-оптимальности. Если коротко: вариант оптимален, если вы не можете улучшить ни один его параметр, не ухудшив при этом другой. То есть, вы не найдете ноутбук производительнее за те же деньги или дешевле при той же производительности. Весь набор таких «неулучшаемых» вариантов — это «граница Парето» (Pareto frontier).

Важно, что лучший для вас выбор не обязательно крайний (самый дешевый или самый мощный). Он почти всегда лежит где-то на этой границе. А теперь представьте, что мы добавляем еще параметры: вес, качество экрана, время работы от батареи… Сложность выбора растет взрывообразно.

× × ×

Почему это важно? Потому что при разработке стратегии мы делаем то же самое. Мы всегда балансируем между параметрами:

01. Ресурсы: сколько денег и времени нужно вложить?
02. Скорость: как быстро мы получим результат?
03. Команда: делать в одиночку или привлечь еще кого-то?
04. Компетенции: хватит ли текущих знаний или нужно учиться?

Раньше мой подход был другим. Я искал аналоги: смотрел, кто уже делал что-то похожее, и пытался собрать из этих «кирпичиков» свою стратегию. Но это была ловушка. Такой подход создает инерцию и запирает вас в «локальном оптимуме». Вы начинаете думать так: «А что если в текущую стратегию просто вложить больше денег? Станет лучше?». Ответ может быть «нет».

Новый подход — это осознанно рассматривать сразу несколько кардинально разных стратегий, которые лежат на той самой «границе Парето». Может оказаться, что если изменить не один параметр, а сразу три-четыре (например, как снизить затраты, но втрое увеличить команду и сократить время), вы попадете в совершенно другую область, где суммарный результат может быть выше.

× × ×

Это смена парадигмы мышления: от вопроса «Как мне улучшить текущую стратегию?» к вопросу «Какие еще принципиально иные, и ,возможно, оптимальные стратегии существуют?».

🚀 [[Пределы профессионализма]]

Случайность или алгоритм? Два пути к открытию

В среде AI-исследователей и людей, занимающихся творчеством, набирает популярность идея open-endedness. Если по-простому — «эволюция с открытым концом». Суть в том, что любые жесткие метрики и конечные цели мешают делать по-настоящему прорывные открытия. Типа "Изобретения — это всегда результат неуправляемой случайности". Яркий апологет этой идеи на Западе — Кеннет Стэнли, который утверждает, что мы не можем ничего планировать, когда речь идет о творчестве.

Его подход — это сознательное «фланирование». Идея в том, чтобы максимально увеличить вероятность счастливой случайности (серендипность), например, поглощая информацию из максимально непохожих друг на друга источников. После чего остается лишь скрестить пальцы и надеяться на озарение. Я знаю людей, которые практикуют именно это: подписываются на сотни каналов и блогов, пытаясь найти инсайт на стыке несовместимого. Стратегия имеет право на жизнь, но она возводит случайность в абсолют. И вот тут я готов поспорить.

История знает и другой, прямо противоположный подход.

× × ×

Имя этому подходу — ТРИЗ, Теория решения изобретательских задач, созданная Генрихом Альтшуллером. Его философия была диаметрально противоположна: он презирал метод проб и ошибок, даже управляемый. Он утверждал, что творчество может и должно быть точной наукой, а на качественное изобретение можно выйти в заданное время по четкому плану.

Его главный инструмент, АРИЗ (алгоритм решения изобретательских задач), — это антитезис идеям Стэнли. Это не блуждание в тумане, а целенаправленное движение по шагам. Вы берете задачу, проводите ее по алгоритму, используете известные закономерности и приемы, и с вероятностью 70-80% приходите к сильному решению. Идея в том, что нам не нужно идти во все стороны в надежде на чудо — мы можем сделать несколько точных, выверенных шагов и получить результат.

Но, как и у любой системы, у ТРИЗ есть свои ограничения. По классификации самого Альтшуллера, его алгоритмы отлично работают для изобретений до 3-го уровня, но пасуют перед 4-м и 5-м. Почему? Потому что высшие уровни изобретений рождаются, когда задача переформулируется и ее решение находится в совершенно другой предметной области. И здесь классический ТРИЗ не поможет. Он выдаст вам техническое решение технической задачи. Но что, если ее оптимальное решение лежит в биологии? Например, использовать специальных жуков, чтобы они съели ржавчину внутри моста. Это реальный кейс, и никакой чисто технический алгоритм такое решение не предложит.

Несмотря на это, сам факт существования такого мощного «инженерного» подхода к творчеству доказывает: идея open-endedness — это лишь одна из возможных стратегий.

× × ×

Глобально нужно понимать, что мир не делится на черное и белое. Так что же эффективнее: сознательно увеличивать хаос в надежде на случайный прорыв или идти по четкому алгоритму к гарантированному, но, возможно, не самому высокоуровневому решению? Я думаю, будущее за синтезом этих подходов. А пока что полезно помнить, что помимо управляемого хаоса возможная и точная инженерия инноваций.

🚀 [[Пределы профессионализма]]

Ваша жизнь лучше, чем RPG

Идея превратить свою жизнь в игру, где за каждую цель дают «ачивку», кажется соблазнительной. Берешь большую задачу, разбиваешь на уровни, рисуешь себе очки опыта. Звучит как отличный план: ведь игры затягивают и помогают дойти до финала. Если бы только реальность работала так же.

На самом деле, для всех задач сложнее «20 подтягиваний на турнике», геймификация — это ловушка.

Представьте себе создание любой современной AAA-игры. Над ней работают сотни человек: сценаристы, художники, программисты, менеджеры. Специальные люди — геймдизайнеры — с фокус-группами и данными телеметрии выстраивают идеальный опыт игрока. Если уровень слишком сложный — его упрощают. Если слишком скучный — добавляют экшена. Всё сделано для того, чтобы вы не заскучали, не сдались и постоянно ощущали себя в «потоке». Это многомиллионный, тщательно спродюсированный продукт для вашего развлечения.

А теперь посмотрите на реальность. Прорывы в науке или бизнесе нередко это годы монотонной работы без результата. Кровь, пот, боль и слёзы. Неопределённость, когда ты неделями бьёшься о барьер и не знаешь, преодолим ли он вообще. Большая часть барьеров находится у тебя в голове — и ты проживаешь их не как наблюдатель за персонажем на экране, а на своей шкуре, со всем спектром негативных эмоций.

× × ×

Фундаментальная разница вот в чём: игра — это заботливо созданный для вас кем-то продукт. Реальность — это сырой, необработанный материал.

Геймификация сложных целей проваливается по одной простой причине: у вас нет штата из сотен геймдизайнеров, которые будут выстраивать ваш карьерный/стратегический путь. Если вы сами способны планировать, преодолевать фрустрацию и двигаться в хаосе — вам не нужны «ачивки». А если не способны — они вам не помогут.

Я не говорю, что геймификация не работает никогда. Она прекрасно подходит для простых, механических задач. Например, сейчас я подтягиваюсь 10 раз, а мой личный рекорд — 32. Я точно знаю, как пройти путь от 10 до 32. Это чёткий, понятный план, который легко превратить в игру.

Не стоит тратить время на то, чтобы натянуть на свою сложную, многогранную жизнь убогую шкурку от RPG. Вместо погони за «ачивками» лучше учиться навигации в тумане неопределённости, управлению своей фрустрацией и планированию в хаосе. В принципе это тоже как игра, только для взрослых.

🚀 [[Пределы профессионализма]]

Знания ≠ данные

Споры об определениях — почти всегда пустая трата времени. Но есть одно различие, которое принципиально важно для любого, кто хочет работать эффективно: разница между данными и знаниями. Их постоянно путают, считая взаимозаменяемыми. И эта путаница обходится компаниям очень дорого.

Впервые иерархию «информация — данные — знания» (иногда еще добавляют "мудрость") описал системщик Рассел Акофф. Но я хочу сфокусироваться на главном разрыве — между вторым и третьим звеном.

Классическая ловушка выглядит так. Вы решаете построить в компании настоящую Базу Знаний. Приходит программист и уверенно заявляет: «Отлично! Базы данных — это мой профиль». Он действительно специалист и сделает вам прекрасную, быструю, надежную базу данных. Но не знаний. Он построит вам идеальный склад для сырых фактов, а не мастерскую, где рождаются решения. В IT это различие прекрасно понимают, а вот в бизнесе — далеко не всегда.

× × ×

В чем же суть?

Данные — это сырые, пассивные факты. «В компании работает 32 сотрудника». «Конверсия сайта в прошлом месяце — 5%». «Этот станок зеленого цвета».
Данные отвечают на вопрос «Что?». Сами по себе они бесполезны. Глядя на цифру «32», вы не можете принять ни одного управленческого решения.

Знания — это активная, действенная модель. «Чтобы увеличить прибыль на 20%, нужно перераспределить проекты между этими 32 сотрудниками вот таким образом».
«Чтобы поднять конверсию с 5% до 7%, мы должны изменить вот этот заголовок, потому что он лучше работает на эту аудиторию».
Знания отвечают на вопрос «Как?».

Знания — это результат интерпретации данных. Это те самые «инсайты», если хотите, которые позволяют нам действовать. Есть два ключевых признака знания:

01. Оно позволяет действовать. Знание — это всегда инструкция по управлению реальностью.
02. Оно переносимо. Принцип управления одной командой можно (с поправками) применить к другой. Знание о психологии клиента можно переиспользовать в разных рекламных кампаниях. Данные — нельзя. Число «32 сотрудника» применимо только к вашей компании и только сейчас.

× × ×

Когда компании говорят о создании «базы знаний», но на деле просто складируют данные о клиентах, отчеты и показатели — они строят дорогой цифровой архив. Это не «система фирменных знаний».

Данные, которые вы собираете без изначального понимания, какое знание вы хотите из них извлечь, — это цифровой мусор. Это как закупать тонны мрамора, не имея ни скульптора, ни представления о том, какую статую вы хотите изваять.

Подумайте, что вы строите на самом деле: склад фактов или фабрику решений?

🚀 [[Пределы профессионализма]]

Контент-завод с LLM — реальность?

На нас надвигается цунами AI-контента. Недавно анонсированные соцсети, целиком состоящие из сгенерированных роликов, — это лишь первая волна. Очевидно, что огромное количество низкокачественного, пустого текста и видео скоро будет литься из всех щелей. Это ускоренный вариант деградации для тех, кто будет это потреблять.

Но есть и другая сторона. AI позволяет автоматизировать рутину, которая сопровождает создание любого текста. И здесь важно четко разделить, что уже работает, а что — нет.

Что AI может делать хорошо прямо сейчас:

01. Форматировать текст по заданным правилам.
02. Проверять его по чек-листу (для тех, кто в теме, это подходы вроде schema-guided reasoning).
03. Переписывать, сокращать, менять стиль.

Что AI пока делает плохо:

01. Собственно, писать хороший, глубокий текст с нуля.

Я изучил довольно много материала на эту тему и пришел к выводу: основная проблема в самой архитектуре моделей. Предсказывая следующее наиболее вероятное слово, они неизбежно скатываются в клише. Текст, написанный LLM, легко узнает любой насмотренный читатель: он спамит одними и теми же стилистическими приемами и имеет характерную, «слишком гладкую» структуру. Даже самые новые модели страдают этим. Внутри всегда нужен человек.

× × ×

Так значит, AI бесполезен для автора? Вовсе нет. Просто его нужно использовать не как автора, а как сверхисполнительного ассистента, которому нужно давать очень четкие инструкции.

Причина, по которой LLM пишут плохо, — в отсутствии у них базы приемов и техник. Они не понимают, как устроен хороший текст. Но если им эту схему предоставить — они могут ее применить. Единственная известная мне серьезная попытка собрать такую базу — «Приемы журналистики» Игоря Викентьева. Программа давно не продается, но сама идея абсолютно верна: чтобы машина писала хорошо, ей нужно скормить не миллиарды текстов, а хорошо описанную теорию создания этих текстов.

Я уверен, в ближайшие пару лет появятся стартапы, которые построят бизнес именно на этом — создадут архитектуру и приложения для генерации качественного контента на основе таких баз приемов.

× × ×

А пока мы используем систему, которая решает главную проблему автора — прокрастинацию перед чистым листом. Вот как она работает у меня:

01. Диктовка. Исходный черновик я надиктовываю в свободной, разговорной форме. Этот текст — тоже результат такой диктовки.
02. AI-конвейер. Надиктованный текст проходит через несколько этапов обработки: модель генерирует идеи для названия, предлагает идею для картинки, форматирует текст по правилам блога.
03. Двойная редактура. Я дважды вычитываю получившийся пост свежим взглядом на предмет ошибок, стиля и логики. Этот этап нельзя пропускать.
04. Публикация. Готовый пост ставится в очередь на публикацию.

Главный выигрыш здесь — не только экономия времени. Этот подход позволяет сесть и за один раз сделать 3–5 постов, которые потом будут выходить по расписанию в течение нескольких недель. Вы не просто пишете текст, вы управляете контент-заводом.

🚀 [[Пределы профессионализма]]