Я подсел на AI как на игровые автоматы 🎰

Прежде чем начну серию постов про опыт в AI-агентах для работы с кодом, я бы хотел поделиться с вами важной штукой. Про одну ловушку, в которую вляпается абсолютно любой, кто начнет использовать этот чудо-инструмент ежедневно.

Каждый промпт в Cursor – это как рычаг слота. Иногда код идеален (джекпот!), иногда нужно допилить пару строк (почти выигрыш), иногда AI выдаёт полную чушь (мимо). Но ты никогда не знаешь заранее, что получишь. И именно эта непредсказуемость держит в игре.

Я много читаю про когнитивные искажения, психологию выбора, механики геймдизайна – то, как продукты влияют на людей. И вайб-coding попадает прямо в эту категорию. Быстрый результат за минимальные усилия... мозг радуется, дофамин выделяется. А когда это происходит регулярно, традиционное программирование начинает казаться медленным и скучным.

Сам уже в этой петле 😂
Пробую делать детоксы от AI на пару дней, пишу код руками, решаю задачки на LeetCode. Помогает временно, но потом снова втягивает. Пытаюсь детектить моменты, когда я не программирую, а просто гоняюсь за дофамином. Пока не уверен, что это работает, но что-то подсказывает – тема глубже, чем кажется.

В лонге я разобрал всё подробно: что происходит с мозгом (нейробиология дофаминовых петель), почему это работает как казино (исследования arXiv и METR 2025), какие есть подводные камни (архитектурные костыли, финансовая зависимость от токенов) и как контролировать дофаминовые циклы.

🔗 Читать полный лонгрид →
VC • Pikabu • Дзен

А вы замечали у себя признаки зависимости от AI-ассистентов?
Не можете уснуть после долгой сессии с Cursor? Тратите сотни долларов на токены, гоняясь за идеальным промптом? Обычное программирование кажется слишком медленным?
Делитесь в комментах – интересно узнать, как вы с этим справляетесь. Или может, считаете, что это вообще не проблема?

Как я перестал редактировать каждую фразу и начал просто говорить 🎤

Два месяца назад я написал про то, что технология Voice to Text для меня чужда и я её стесняюсь. Теперь же у меня >50% текста создается через неё.

Мой стек за 2 месяца:
• Wispr Flow – для быстрых набросков на Mac. Вчера, например, за 15 минут надиктовал 1800 слов для будущего материала. Понимает русский + английский вперемешку, есть кастомный словарь (научил писать SLO, MMR, n8n). Лимит 2000 слов/неделю улетает за 4-5 дней, потом просто медленее работает. Но для тех кто впервые +1 месяц према (моя рефка, но вроде как только через неё дают именно месяц, если просто регистрация, то только 2 недели).
• Spokenly – когда нужна гибкость. Прикрутил через OpenRouter быструю Gemma, которая после диктовки вычищает "эм", "ну", "типо" и повторы. Использую движок распозования речи через API Soniox для русского или локальный Parakeet для оффлайна.
• Android + Telegram – просто диктую голосовые в "Избранное", потом копирую текст на ноутбук. Зато работает везде. Даже на парковке.

Что изменилось:
• Скорость: черновики за 40-60 минут вместо 3-4 часов.
• Меньше перфекционизма: не зацикливаюсь на формулировках, просто выдаю поток мыслей. Чаще дохожу до финала.
• Мобильность: за два месяца накопилось 20+ черновиков, которые просто ждут доработки.

Но...
Точность не 100% – если говоришь быстро, приходится вручную править куски. Облачные движки только онлайн, на 2 недели у меня отвалился Wispr, сидел чисто на Spokenly.
Первые недели чувствовал себя идиотом, разговаривая с ноутбуком.
Но профит перевешивает. Теперь как-то пофиг, что думают другие.

А вы пробовали голосовую диктовку? Или всё-таки верны клавиатуре? Делитесь в комментах у кого какой подход сработал.

Декомпозиция задач с AI-агентом: сделать самому или положиться на него? 🚫

Сколько раз я давал Cursor'у задачу со списком: "Сделай градиент, потом адаптив, потом анимацию, потом ховер"? Десятки. И через раз получал кашу.

AI начинал бодро, но к третьему пункту уже терял контекст (либо вообще пропускал). Забивал на качество. Пытался впихнуть всё сразу, лишь бы "галочку поставить". Я вот до сих пор не понимаю, зачем ему это нужно(

Я долго грешил на модели. Мол, может Gemini и Claude глючат. Но проблема была не в них, а в том, как я формулировал задачи.

Что не работает:
Режим планирования у AI-ассистентов (тот самый, где он сам разбивает задачу на шаги). Выглядит красиво, но не всегда точен контекст и размывает общую картину. К концу плана модель уже не помнит, зачем всё это затевалось. Сужу по своим наблюдениям.

Что работает лучше:
Своя спецификация. Написанная руками. MD-файл, где ты сам декомпозируешь задачу на куски, которые тебе понятны.
Дальше – итерации. Берёшь один блок. Прорабатываешь. Получаешь результат. Переходишь к следующему.
Не "сделай A, B, C, D", а "сделай A". Потом отдельно "сделай B".
Кстати, если запустить AI планирование уже на основе вашей спецификации, и дать ему указание, что после каждой выполненной задачи обращаться к этому файлу за синхронизацией, качество улучшается. Но начинает ещё больше уходит токенов (я вообще склоняюсь к тому, что за качество в долгосрочной перспективе придётся платить именно токенами и тут ничего не поделать).

Минус есть: около половины чатов будут повторением контекста. Ну и токенов уходит больше – это факт. Зато результат предсказуемый.
Хотя, если честно, не уверен, что это универсальный рецепт. На мелких задачах такой подход избыточен. Но когда делаешь что-то сложнее "поправь цвет кнопки" – спецификация реально спасает.

Потратил пару вечеров на эксперимент с Claude Code. Результат спорный 🤔

Предыдущий пост был про декомпозицию. Решил расширить материал на эту тему и на практике показать суть:

"Больше контекста = лучше результат" vs "Минимум информации – AI сам разберется".

Взял одну задачу, обычный лендинг на Next.js – и сделал его тремя способами:
1. Максимум контекста – 1300 строк спецификации (пришлось обратиться к Perplexity, чтобы он там от души накидал всего), MCP-сервер, два AI-агента
2. Базовый подход – ~100 строк спецификации, базовый Claude Code
3. Минимализм – только tech stack и пара предложений

Какой подход выиграл? Ну вот тут и начинается спорное.
• Быстрый (11 минут для AI-агента) оказался самым медленным для человека – 3+ часов на доработки. Шаблонный дизайн, слабая валидация, плоская архитектура.
• Детальный (27 минут) дал 8/10 – модульная структура, централизация данных, готовность к production. Но доработки тоже были – цвета в темной теме выжженные, некоторые анимации слишком активные.
• Базовый (14 минут) визуально зашел больше всех, но устаревшие библиотеки и данные размазаны по компонентам.

И вот тут я сел и подумал: а какой вообще критерий победы?

Для MVP – минимализм окей. Для pet-проекта или рефакторинг – базовый подход. Для production с планами роста – детализация (нормальная, качественная).

Короче, универсального ответа нет. Да, и факт рандома никто не отменял, возможно просто как говорится "рольнуло"...
Но! Хоть какая-то декомпозиция – всё же решает!

🔗 Лонгрид с полным разбором:
VC • Pikabu • Дзен

Там 10+ минут чтения, но зато с видео-примерами, сравнением структур и чуть подробными выводами про то, где какой подход работает.

Но а чуть ниже вас ждёт ещё опрос: Детальные промпты или минимализм?

AI и конфиденциальность: серая зона 🔓

История из реальности. Знакомая пришла в новую клинику с PDF-кой своей медицинской историей. Там собраны предыдущие анализы, результаты исследований, особенности её организма и так далее. По сути полезная штука, особенно когда хочешь получить второе-мнение от разных врачей... Так вот, врач смотрит, задаёт вопросы ей, она отвечает, и тут она замечает, что у него открыта вкладка с Gemini, там загружена PDF, уже несколько скролов чатов. Она спрашивает, что типа врач делает, а он такой, ну у вас PDF на 30 страниц, а приём 30 минут, вы же сами хотите второе мнение успеть получить. Я сам это только часа два читать буду.

По итогу скандала не было (смысл?), врач вроде был дельный, и его рекомендации не показались ей каким-то «иными» (это был уже третий врач, т.к. ситуация там не однозначная). Да и Reddit пестрит историями, когда ИИ в вопросе мед. части оказывается умнее некоторых «индивидов» (но как по мне: чаще всего это просто везение). В любом случае, я рад, что ИИ сейчас ограничивают специально по медицинским советам. Все-таки хочется верить, что люди, которые потратили уйму лет в медицинской карьере, действительно хотят тебе помочь.

Я к чему всё это написал 🐱

Мы массово используем инструменты, которые технически нарушают большинство корпоративных договоров. И большинство делают вид, что это нормально. А возможно, просто не замечают это.

Всё вертится вокруг следующего:
• Модель может обучиться на ваших данных (если не отключили в настройках)
• Формально ничего не передавали людям напрямую

Серая зона размером с футбольное поле.

И я пока нашёл три вещи, которые могут помочь:

1. Редакция перед загрузкой
Убираю имена, email, номера. Не просто [REDACTED], а токены типа PERSON_001 – так можно восстановить связи потом. Я всё ещё рад, что в n8n подобное есть из коробки.

2. Правильные модели
• ChatGPT Free/Gemini – могут обучаться на данных (настройки есть, но напрямую пользователю при первом знакомстве об этом не говорят)
• Azure OpenAI / Claude API / Paid-модели – также есть настройки, но из-за событий последнего года есть так называемый аудит-лог. Это когда в течение месяца происходит анализ ваших переписок на предмет нарушений законов, психических проблем и так далее.
• Локальные (Ollama, PrivateGPT) / внутри контура – если реально конфиденциально

3. Письменные гарантии
Спросить у провайдера: используются ли данные для тренировки их моделей? Есть ли third-party мониторинг (SOC 2 или иные подобные отчёты)? Как удаляются логи?
Например, OpenRouter. У них есть список провайдеров с политикой ZDR (Zero Retention Endpoints), в настройках можно выбрать только их и отключить всех остальных, кто хочет полакомиться вашими данными.

Короче, если работаете с чувствительными данными – дефолтный Free-ChatGPT противопоказан.
• Для публичного/личного контента – ок.
• Для клиентских данных – нет.
• Для рабочих процессов – здравый подход и обязательно корпоративная учётка.

Ну и не забываем про те же VoiceToText, анализаторы PDF-ок, обработчики записей встреч и так далее.

Вопрос: сталкивались с такой ситуацией? Как решали? Или забили и загрузили в ChatGPT на авось?

Доверять AI или нет? Неправильный вопрос 🤔

Проблема не в том, что AI иногда ошибается. Проблема в том, что мы задаём изначально неправильный вопрос: "Можно ли доверять AI?"

Как мне кажется, правильный вопрос: "Когда и как можно доверять AI?"
Вы не научитесь доверять AI, прочитав 10 гайдов. Это как учиться плавать по книжкам.

Через 100-300 часов практики у вас развивается что-то похожее на интуицию. Вы начинаете чувствовать:
• Где AI надёжен, а где может соврать
• Какие задачи требуют проверки, а какие можно доверить
• На каких типах данных модель галлюцинирует чаще

Это знание не декларативное ("я знаю правила"), а процедурное ("я чувствую подвох").

Я знаю уже несколько людей из ближнего окружения, которые стали использовать новые технологии повседневно (художники, разработчики, писатели, учителя) и у них получился приблизительно следующий роадмап:

Неделя 1-4: «Эйфория и розовые очки»
Всё работает! AI пишет код, анализирует, объясняет. Кажется, что нашёл идеального коллегу. Доверие – максимальное.

Месяц 2-3: Первое разочарование
Первая серьёзная ошибка меняет всё. Выдуманный факт, нерабочий код, анализ мимо цели. Хочется всё бросить.
Где-то 30% из моего окружения перестали пользоваться AI, кто-то обжёгся, кому-то попросту не подошло.
На этом периоде развивается критическое мышление: начинаешь понимать, почему это произошло и как обнаружить подобное в будущем.

Месяц 4-6: Практическая интуиция
После нескольких десятков ошибок и исправлений появляется что-то вроде чутья. Читаешь ответ AI и сразу видишь, где может быть косяк.
Это обусловленное доверие – понимание границ.

Ключевая ошибка, которую я замечал у многих: если модель отвечает уверенно, значит, она права.
Нет. AI может быть максимально уверен и при этом полностью неправ. Это особенность архитектуры – модель генерирует статистически вероятный текст, а не "думает" в человеческом смысле.
Особенно когда вопрос про то, что не было ей ранее «скормлено». Хотя это сейчас легко исправляется путём MCP-тулзов.

Пара советов, которые позволяют упростить процесс:
• Ведите лог ошибок – записывайте, где AI косячил и почему (категорически важно научиться проводить быстрый факт-чекинг)
• Проверяйте критичные ответы – особенно факты, даты, цифры через другие модели GPT-5, Claude, Gemini 3. Они ошибаются по-разному, и если каждая написала что-то своё и ответы не сошлись – значит вы попали в «серую» зону знаний и стоит попробовать объединить их через тот же 💻 llm-council.

Доверять AI или нет – выбор сугубо личный. Я бы советовал всё же попробовать его использовать, набейте свои шишки, выработайте интуицию. Потом примите итоговое решение.

Настоящее доверие появляется не раньше 100 часов практики (сужу по себе). Процент ошибок и проблем из-за ИИ за этот период времени снизился кратно.

А у вас был момент, когда AI вас подставил? Как это изменило ваш подход к работе с моделями?

Как генерировать игровые ассеты через AI (если ты инди-разработчик) 🎮

Я давно интересуюсь GameDev-индустрией и тут случайно выяснил, что парочка нормальных паков иконок либо стоят дорого, либо их сложно купить из РФ.

Попробовал нагенерить через AI. Получилось, но с костылями.

Инди-разработка игр – это как фулстек, только жёстче. Надо быть одновременно программистом, геймдизайнером, художником и продуктологом. T-shape мега-сложный, а бюджета нет. Поэтому решил помочь своим опытом, который, как оказалось, может быть полезен и в этой сфере.

🔗 Лонг уже доступен на:
VC • Pikabu • Дзен

Надеюсь, этот материал поможет другим начинающим инди-разработчикам сэкономить время и деньги.

А вы пробовали генерировать ассеты через AI (вообще среди нас есть ребята из GameDev)?
Делитесь опытом в комментах 👇

Режим: "мне всё равно, делай что хочешь" 🎰

Мой файл .claude/settings.json в pet-проекте перевалил за 100 строк пермишенов. Сто. Строк. И это только один проект.

Каждые 3-5 минут Claude спрашивает разрешение. Открыл Slack проверить сообщение – возвращаешься, а он опять ждёт подтверждения. Хотел параллельно что-то делать – забудь. Сидишь и жмёшь Accept как обезьянка.
Хотя в начале проекта вообще был ад, я каждые несколько секунд отвлекался на запрос разрешения...

Когда задача рутинная – фикс линтер-ошибок по всему проекту, миграция между версиями, глобальный рефакторинг – это превращается в пытку.

Есть выход: YOLO режим

claude --dangerously-skip-permissions

Название говорит само за себя. Claude перестаёт спрашивать вообще что-либо и работает до победного. Хоть 15 минут подряд без единого вопроса, хоть 12 часов.

Когда это спасает:
• Фиксинг lint/format по всему проекту
• Миграции между версиями библиотек
• Генерация boilerplate кода
• Любая рутина, где вы и так всё одобрите

Но есть нюанс (конечно же)

Режим не зря называется dangerously 🐱

Claude может:
• Удалить файлы без спроса
• Рефакторить то, о чём вы не просили
• Зациклиться на одной ошибке
• Отправить куда-то вдаль ваши env файлы

Минимальная страховка – работать в git-репозитории и делать коммит перед запуском. Меня спасает постоянно.

Если хотите реально безопасно – есть способ через контейнеры. Про это будет отдельный лонг на выходных – как запустить Claude Code в изолированной среде, где он при всём желании ничего важного не сломает.

А вы уже пробовали YOLO режим? Или пермишены всё ещё терпите?

Как я перестал бояться давать Claude Code доступ к терминалу 🌚

Долго закрывал глаза на очевидное: Claude Code имеет полный доступ к моему терминалу. Может запускать любые bash-команды. Читать ~/.ssh. Все переменные окружения с токенами.

Галлюцинации тоже растут вместе с проектом. На днях он пытался запустить несуществующую команду – безобидно. Но мысль осталась: а что если следующая галлюцинация будет с rm -rf или curl с моими секретами?

И таким макаром я вышел на: Dev Containers.

Это не просто Docker. Это изолированная песочница, где AI может ломать что угодно – а хост-система в безопасности. Cursor и VS Code подключаются к контейнеру прозрачно, работаешь как обычно.

Что даёт:
• Сброс всех Linux capabilities (`--cap-drop=ALL`)
• Запрет на повышение привилегий
• Только явно пробрасываемые секреты, а не весь ~/.config
• Пересоздание контейнера за минуту, если что-то пошло не так

🔗 Написал лонг с конфигами, граблями которые собрал, и списком того, чего этот подход НЕ решает:
VC • Pikabu • Дзен

Короче, если работаете с AI-агентами на проектах с реальными секретами – рекомендую глянуть.

AI сделает всё. Но что именно делать – решаешь ты 🆗

Недавно наблюдал, как знакомый дизайнер жаловался: «Нейросети отбирают работу». При этом он сам не мог внятно объяснить, чем его макеты отличаются от тысяч других. В целом вместо «дизайнера» можно любую другую профессию поставить, кроме слесаря. Слесарей не заменят.

AI – это усилитель. Мощный, быстрый, неутомимый. Но усилитель чего? Если у тебя нет своего видения – ты усиливаешь ноль. Получаешь «среднее по больнице».

Что вообще такое «своё видение»:
• Понимание контекста. Не просто «сделай логотип», а почему именно такой для именно этой аудитории
• Вкус. Способность отличить «технически правильно» от «блин, это прям хорошо»
• Умение задавать правильные вопросы. AI отвечает на то, что спросили. Качество вопроса = качество результата
• Насмотренность. Годы референсов, опыта в голове, которые формируют интуицию

Почему без этого – проблемы
Если твоя работа сводится к «дайте ТЗ – я выполню» – клиент скоро пойдёт напрямую к ChatGPT. Не потому что ты плохой специалист. А потому что ты стал передаточным звеном между заказчиком и инструментом.

Ценность сместилась. Раньше: «умею фотошоп» было навыком. Сейчас: «понимаю, какой визуал нужен и почему» – вот это навык.

Парадокс 🐱
AI выдаёт усреднённый результат. Он обучен на миллионах примеров и генерирует что-то посередине. А твой уникальный стиль, подход, опыт конкретных граблей – это невоспроизводимо. Это и есть конкурентное преимущество.

Хотя, если честно, развивать «своё видение» – это не про один курс или книжку. Это постоянная работа: анализировать чужие работы, формулировать почему это хорошо или плохо, экспериментировать. Понимать принципы, а не копировать решения.

Короче:
В мире, где AI делает за 5 минут то, на что раньше уходили дни, побеждает не самый быстрый исполнитель. Побеждает тот, кто знает, что именно нужно сделать и почему.

Своё видение – это новая грамотность. Не факт, что я сам её полностью освоил, но точно понимаю, куда копать.

А как у вас с этим? Чувствуете, что AI усиливает ваши идеи – или генерирует что-то «среднее»? А может он вообще утаскивает вас на ступеньку ниже?

Первые эксперименты с vibe-кодингом лучше делать на пет-проектах 👀

Когда я только начинал экспериментировать с AI-кодингом, сразу полез на рабочий проект. Думал логично: "ну там же реальные задачи, быстрее научусь и сразу пользу принесу". Ага, щас.

В рабочих проектах начинается боль:
• Хаотичный рефакторинг – сгенерили за час, допиливаем ещё пару дней до идеала
• Баги всплывают там, где их никто не ждал и пройти мимо них нельзя
• Код выглядит рабочим, но следующий разработчик логику не поймёт

На пет-проекте vibe-режим это песочница. Сломалось? Да и фиг с ним, переделаю. Захотел переписать архитектуру с нуля? Пожалуйста. Никаких дедлайнов, никаких NDA, никаких "а почему ты не через код-ревью в мастер заливаешь".

Я уже писал про это как модель теряет контекст на сложных задачах. На своём проекте это мелочь (50 файлов против 5000). На рабочем – катастрофа. Решить всё это можно, например, через заранее спланированную подробную спецификацию будущих изменений, но её же написать ещё надо... Потом оказывается, что и спецификацию толком не напишешь, так как хз, что по итогу от тебя хотят. «Сделай, чтобы работало» – обычно так выглядит большинство задач.

Зачем вообще практиковать vibe-кодинг на пет-проектах:
• Развиваешь чуйку – где AI ускоряет, а где генерит мусор
• Учишься формулировать задачи так, чтобы результат был адекватным
• Сравниваешь разные версии кода, предложенные ИИ
• Замечаешь типовые «паттерны глупостей»
• Развиваешь навык быстрого code review генерируемых решений
• Понимаешь границы применимости (они уже, чем кажется)
• Есть право на ошибку

В русских IT-компаниях с обучением AI-кодингу пока всё грустно. Подходы меняются каждую неделю, внятных гайдов ноль. Только пет-проектами и можно этот навык освоить (моё сугубо личное мнение).

Стараюсь доводить каждый свой проект до конца. Не до идеала, но до рабочей версии. Иначе это не обучение, просто залипание в промптах без результата.

А вы где первый раз пробовали vibe-кодинг – на своём или на рабочем проекте? Как зашло?

Ретро за январь: погружение в AI-кодинг и вечная нехватка времени ⏱

Месяц пролетел, пора рефлексировать. Короче, январь получился странным. Вроде что-то делал, но ощущение, что топчусь на месте.

AI-кодинг: скиллы и саб-агенты
Продолжаю копаться в инструментах. Cursor, Antigravity, Claude Code – пробую разные IDE и подходы (буквально на днях добавился ещё Codex). Сейчас основной фокус на изучении скиллов и саб-агентов.

Не скажу, что прям сильно продвинулся. Но какое-то базовое осознание реальных возможностей начинает формироваться – как они работают, где какие ограничения, как лучше структурировать задачи. Токены не считал, но подозреваю, что улетело прилично 😁

Нехватка времени
Ну и вечная история: времени ни на что не хватает. Даже с учётом того, что AI реально ускоряет – ощущение, что я слишком много на себя навалил.

Думаю сейчас о том, как правильно делегировать. В том числе AI-агентам. Может, где-то вообще отключить себя как проверяющего? Оставить итоговое решение на модели? Звучит рискованно, но... иногда кажется, что это единственный способ не сдохнуть под завалами задач.

Пока только думаю об этом. Не факт, что решусь.

Что не сделал
• Кастомная нода для Яндекс.Метрики – всё ещё в тудушках. Третий месяц, кажется. Стыдно, но факт.
• Pet-проект на заморозке. Просто не могу доползти до него после основной работы.

Итого
Январь получился про накопление понимания, а не про результаты. Иногда это нормально, наверное. Хотя всё равно раздражает.

Попросил Claude написать орбиты. Получил спираль в чёрную дыру 😐

Решил сделать визуализацию орбит планет.

Открываю терминал, пишу промпт: "реализуй гравитацию и орбитальное движение вот для такого компонента, UI такой, стили такие...". Код компилируется, что-то даже рисуется. Только вместо орбиты, спираль, которая за пару секунд затягивает планету в центр.

Окей, говорю, поправь. Поправил. Теперь планета улетает за край экрана. Не сразу. В течении секунд 30.

LLM вообще не понимает пространство. Для неё "орбита" это слово, а не траектория в «физическом смысле».

Вообще AI из коробки (без всяких MCP тулзов):
• не чувствует, что такое численная устойчивость
• не видит, что энергия системы должна сохраняться
• не знает, что наивный метод Эйлера разрушит любую орбиту
• В целом физику не знает с точки зрения «моделей симмуляций»

Формулы она напишет. Код скомпилируется. А потом смотришь на результат и это физический феерический бред.

Почему так?
LLM учится предсказывать следующий токен в тексте. У неё нет внутренней 3D-карты мира. Нет понятия "длина" или "угол" как чего-то реального. Числа для неё просто ещё одни слова.

Что с этим делать:
• Не просить LLM "напиши симулятор орбит"
• Просить "подключи вот эту библиотеку и используй её API" (ну либо MCP)
• Самому выбирать метод интегрирования (symplectic, Runge-Kutta)
• Давать конкретные требования: "энергия не должна расти больше чем на 1% за 300 оборотов" и вообще по хорошему шарить во всём этом (я не шарю, но Perplexity мне всё разложил)

Короче, ИИ тут помощник по синтаксису, а не физик. Физиком остаётесь вы.

PS В GameDev'е практически всё строиться на физике (особенно в 3D проектах), поэтому если там соберётесь что-то вайбкодить, учтите этот факт. Слёз и боли будет много...

Vibe-кодинг: карта моих заметок 📍

Помните шпаргалку по n8n? Её пересылали чаще всех остальных постов. А я тем временем так увлёкся vibe-кодингом, что материалов накопилось уже на 15 постов – и найти что-то конкретное в ленте стало сложно.

Собрал всё в одну карту (вместо того, чтобы каждый раз рыться в истории). От «зачем это вообще нужно» до «как дать AI доступ к терминалу и не поседеть». Забирайте в закладки – пост будет обновляться.

Вхождение в vibe-кодинг:
• Мой план по приручению AI-ассистента – спеки, тесты, линтеры, человек в петле
• Почему я охладел к n8n – переход от визуальных тулов к AI-кодингу
• Первые эксперименты лучше на пет-проектах – без дедлайнов и последствий
• Иллюзия No-Code – зачем вообще лезть в код
• Пять паттернов глупости AI-кодера – мои регулярные грабли

Инструменты:
• Мой стек для AI-кодинга – что осталось после полугода экспериментов
• AntiGravity IDE – первые впечатления и «танцы с бубном»
• Эксперимент с Claude Code – три подхода к спекам
• Skills, Agents и Commands – когда что юзать
• Claude Code изнутри – что осталось за кадром предыдущего поста
• Неделя на Codex после Claude Code – UI vs CLI
• Claude Cowork для тимлида и QA – AI без единой строчки кода
• OpenClaw – локальный AI-ассистент на своём железе
• Paperclip: компания из AI-агентов – дал агентам построить компанию
• GPT-5.5 – модель, которая перестала ходить вокруг да около
• Будущее за локальными решениями – self-host, контроль, независимость

Практики и техники:
• Когда AI тебя не понимает – общий язык с моделью
• Декомпозиция задач с AI – руками или доверить?
• Доверять AI или нет? – 100-300 часов до интуиции
• AI сделает всё, но что делать решаешь ты – своё видение как главный навык
• Думаешь, AI тебя ускоряет? – METR: разрыв ощущения и реальности в 39 п.п.
• 57 тысяч слов инструкций для AI-агента – кейс с прототипом игры на Defold
• Вечером готовлю таски, утром запускаю – асинхронный режим работы
• Реверс веб-игры через Codex – модель не сопротивлялась
• Меня субсидируют на $2000 в месяц – реальная экономика AI-подписок

Продвинутый уровень и безопасность:
• Harness engineering – без обвязки AI-агент это дорогой стажёр
• Стартер-пак для AI-агента – что настроить до первого промпта
• Обвязка не спасёт кривой проект – CLAUDE(.md) не починит бардак в коде
• Режим «делай что хочешь» – YOLO mode в Claude Code
• DevContainers как песочница – изоляция от системы
• Безопасность для AI-агентов – guardrails без колхоза
• MCP дал AI-агентам руки – контракты тулов и радиус поражения ошибки

Какой из этих постов оказался для вас самым полезным? Или какой темы не хватает? Велком в комменты ❤️

Claude Code изнутри: что осталось за кадром поста про Skills/Agents/Commands 🧊

Месяц назад написал про Skills, Subagents и Commands. Разложил по полочкам, кто за что. Думал, разобрался... 🙂

Полез в доки Anthropic, в чужие конфиги, в собственный .claude/. Понял: тот пост был верхушкой айсберга.

Собрал в лонгрид всё, что откопал под капотом:
• «Поэтапное раскрытие» – как Claude загружает скиллы поэтапно. Экономия токенов заложена прям в архитектуру инструмента
• Subagents – эт не просто изоляция
• Hooks – около 10 типов невидимого middleware. Auto-format после каждой записи, инъекция git status при старте, «do more» хук (не даёт Claude остановиться)
• Context engineering – почему эффективный контекст ~60-70%, и как здесь замешаны system reminders и todo-списки
• Где ломается – deny-bypass из поста про безопасность, timeout хуков, размытые границы Skill/Command/Subagent

🔗 Читать:
Дзен • VC • Pikabu

А как у вас с кастомизацией Claude Code? Hooks пробовали или ещё нет?

Пять паттернов глупости AI-кодера ❓

Веду канал про AI-кодинг, рассказываю другим как правильно – типа эксперт. А сам регулярно наступаю на одни и те же грабли. Причём осознанно. Собрал свой личный топ тупых ошибок. Держу пари, хотя бы три узнаете.

1. «Оно работает – не трогай»
Claude сгенерил код для некритической части моего pet-проекта, тесты прошли, задеплоил, так как хотел быстрее закрыть задачу. Через неделю всё падает – а внутри хардкод абсолютных путей, магические числа и API-ключ в переменной с названием temp. Я же даже не глянул толком, что там. Работает – и ладно...

Выученный урок: Читай сгенерённый код как чужой PR. Каждый раз. КАЖДЫЙ. Я завёл себе правило: перед коммитом пройтись по диффу. Звучит банально, но спасает.

2. «Сейчас заодно перепишу архитектуру»
AI предложил «небольшой рефакторинг». Я согласился. Три часа и 15 файлов спустя – git reset --hard и потерянный вечер. Рефакторинг «заодно» – это не рефакторинг, это хаос.

Выученный урок: Рефакторинг – отдельная ветка, отдельная задача. Не «заодно».

3. Долгая сессия
Описал контекст, требования, edge-кейсы, формат вывода. Контекст во время итераций быстро вышел за 200к. Модель проигнорировала ключевое требование из середины и радостно сгенерила не то. Чем длиннее сессия, тем больше шансов, что что-то важное потеряется. Если видишь, что агент надолго ушёл в рассуждения и попытки закрыть задачу – останови и декомпозируй.

Выученный урок: Короткая сессия > долгая сессия. Декомпозируй.

4. «Наверное, модель знает лучше»
Модель предложила решение, которое выглядит умно. Незнакомый паттерн, красивый синтаксис. Принял без проверки – а оно тихо ломает логику в соседнем модуле. Потому что модель не знает про твой проект. Она знает про средний проект из обучающей выборки.

Выученный урок: Ты – архитектор, AI – джун на испытательном. Проверяй. Хотя иногда модель правда предлагает что-то неожиданное. Но это процентов 10 случаев.

5. «Ещё один инструмент решит проблему»
Cursor не помог. Попробовал Claude Code. Потом Codex. В итоге сел и написал руками за 20 минут. Проблема была не в инструменте – я просто не понимал задачу достаточно хорошо.

Выученный урок: Сначала пойми задачу. Потом выбирай инструмент. Иногда инструмент – это vim и голова.

Что объединяет все пять? Лень думать. AI создаёт иллюзию, что думать не надо. Надо. Просто теперь думать нужно о других вещах – не о синтаксисе, а об архитектуре и контроле.

Это мой список. У вас наверняка есть свой – возможно, пострашнее. Какой паттерн самый частый? Или может есть шестой, который я пропустил?