Преврати свой ноутбук в личный 🧠 ChatGPT.
Бесплатно и приватно.

Надоело, что ChatGPT тормозит в час пик, а за API приходят неприятные счета? Есть решение, и оно уже лежит у вас на столе (или на коленях). Ваш собственный компьютер.

Я написал полный гайд, как превратить ваш Mac или ПК в автономную AI-станцию с помощью Ollama. Это проще, чем кажется.

Больше никаких «сервер перегружен», платных подписок и страха слить в сеть конфиденциальные данные. Вы получаете полный контроль.

Внутри статьи — всё от А до Я:
• Пошаговая установка Ollama.
• Интеграция с Raycast для вызова AI по хоткею.
• Настройка крутого веб-интерфейса Open WebUI.
• Советы, какие модели выбрать для разных задач.

Это подробная инструкция, после которой вы сможете работать с AI даже без интернета.

🔗 Читай, настраивай и возвращай контроль себе:
Teletype • Pikabu • VC

Хватит кормить OpenAI: почему я начинаю AI-проекты с локальных моделей ❗️

Все вокруг кричат: «Внедряй AI! Быстрее!», и вот уже менеджер бежит подключать GPT-4 к внутренней базе знаний. Знакомая картина? Давайте нажмём на паузу.

Прежде чем отдавать свои данные и бюджеты в облако, стоит подумать о трёх «сюрпризах», которые почти всегда случаются:
• Неконтролируемые расходы. Сотрудники начинают «просто пробовать» и гоняют гигабайты данных. В конце месяца прилетает счёт с четырьмя нулями. Токены, они такие.
• Риски утечки данных. Ваша конфиденциальная информация — будь то код или клиентская база — оказывается на чужих серверах. Вы уверены, что хотите этого?
• Бесплатное обучение для других. Забыли поставить галочку «не использовать для обучения»? Поздравляю, вы только что помогли улучшить чужую модель за свой счёт.

Мой подход — начинать с локальных LLM. Это как своя безопасная песочница. Вы получаете полный контроль над данными и нулевые расходы на эксперименты. Да, модели могут быть чуть проще, но для 80% задач на старте этого более чем достаточно.

Хотите попробовать? Вот простой первый шаг:
1. Скачайте LM Studio или Ollama. Это бесплатные программы, которые позволяют запустить LLM прямо на вашем компьютере в пару кликов.
2. Найдите в их каталоге и запустите модель Llama 3 8B. Она достаточно умная и не требует мощного железа.
3. Теперь подумайте: какую рутинную задачу с данными, которые вы не готовы отправить в облако, можно автоматизировать?
Поздравляю, вы готовы к первому, безопасному AI-тесту. Локальные модели — это свобода и трезвый расчёт.

А вы уже пробовали гонять LLM на своей машине? Делитесь опытом в комментах!

Ваша локальная LLM — это швейцарский нож. А вам нужен скальпель

Надеюсь, вы уже попробовали запустить большую локальную модель у себя на компьютере. Это отличный первый шаг, чтобы почувствовать свободу от облаков.

Но на вторую неделю вы, как и я, скорее всего, упрётесь в потолок. Я целую неделю пытался работать только на локалке и вот какие «симптомы» поймал:
• 🐢 Медленные ответы на специфические запросы.
• 🤯 Уверенные галлюцинации в узких темах.
• 🤔 Постоянная потеря контекста в длинных диалогах.

Проблема не в том, что локальные LLM плохи. Проблема в том, что мы пытаемся использовать универсальный инструмент для специализированных задач.

В своем новом лонгриде я делюсь выводами из этого эксперимента. Главный инсайт: маленькая модель, обученная на ваших данных или подключенная к вашей базе знаний, всегда обыграет неповоротливого гиганта.

🔗 Читайте, чтобы перейти с «общего» AI на «персональный» и получить настоящий буст:
Teletype • Pikabu • Dzen • VC

Я перестал строить «песчаные замки». Теперь я ищу рычаги для автоматизации 🤔

В начале карьеры я был одержим улучшением всего подряд. Переписывал скрипты, строил сложные системы в Notion, создавал многоуровневые конвейеры. Я гордился этими системами, но была проблема: они были хрупкими "песчаными замками". Первая же волна реальности — смена приоритетов или уход коллеги — смывала их без следа.

Все изменилось, когда я понял: эффективность — это не сложность систем, а поиск правильных точек для приложения усилий. Поиск рычагов.

Принцип 80/20 в IT работает безжалостно:
• 20% действий дают 80% результата. Это и есть рычаги. Один удачный скрипт, автоматизирующий отчеты. Одна понятная инструкция, экономящая часы команде. Настройка одного AI-ассистента, который пишет за тебя рутинные ответы.
• 80% действий — это просто "песок". Бесконечные созвоны для синхронизации, ручное копирование данных, полировка презентаций, которые никто не прочтет. Это имитация бурной деятельности.

И здесь главный инсайд: AI и автоматизация — это самый мощный арсенал для создания рычагов, который у нас когда-либо был. Они позволяют взять те самые 80% "песка" и просто убрать их из своего дня.

Как найти свой рычаг для автоматизации:
1. Проведите аудит рутины. Откройте календарь или таск-трекер за прошлую неделю. Честно найдите задачу, которую вы делали больше 3 раз, и которая не требовала от вас креативности. Нашли? Это кандидат №1.
2. Задайте вопрос: «Что будет, если это просто перестать делать?». Если ответ "ничего страшного", бросайте это немедленно. Если "все сломается" — это идеальная точка для создания рычага-автоматизации.
3. Ищите мультипликаторы. Выбирайте те задачи, автоматизация которых поможет не только вам, но и коллегам. Написали скрипт для себя — поделитесь с командой.

Хватит таскать песок ведрами. Давайте искать экскаваторы.

Сделаем первый шаг? Напишите в комментариях одну рутинную задачу из вашего списка, которая вас больше всего бесит. В следующих постах мы разберем, как такие задачи можно автоматизировать.

Мой стек для экономии мыслетоплива: 5 приложений, которые убирают трение из рабочего дня ⚡

Автоматизация — это не всегда сложные сценарии. Часто самый большой эффект дают инструменты, которые убирают ежедневное "трение" — мелкие, бесячие действия, съедающие фокус и энергию.

Вот мой текущий топ-5, который помогает мне оставаться в потоке:

Raycast — Убийца переключений контекста.
Проблема: Нужно найти файл, запустить приложение, посчитать что-то — и вот ты уже тянешься к мышке, теряя фокус.
Решение: Командный центр на Mac, который делает все это по хоткею. Плюс встроенный AI, работающий с вашим ключом (привет, экономия!).

Perplexity — Антидот от 20+ вкладок в браузере.
Проблема: Ресерч новой темы превращается в хаос из десятков открытых ссылок и сомнений в источниках.
Решение: AI-поисковик, который сразу дает выжимку с ссылками на источники. Экономит часы на поиске и анализе информации. Готовлю про него отдельный разбор, маякните в комментах, если ждете.

ChatGPT — Лекарство от "синдрома чистого листа".
Проблема: Нужно написать текст/код/письмо, а в голове пусто.
Решение: Идеальный спарринг-партнер. Накидываю ему идею, он дает черновик, который уже можно дорабатывать. Главное — начать, и ChatGPT в этом лучший.

CleanShot X — Ускоритель коммуникации.
Проблема: Объяснять что-то текстом долго и не всегда понятно.
Решение: Скриншот > стрелочка > аннотация > ссылка. Весь процесс занимает 5 секунд и снимает 90% вопросов от коллег.

Antinote — Ловушка для мимолетных идей.
Проблема: Гениальная мысль пришла в голову во время созвона, но ее некуда быстро записать, и она потерялась.
Решение: Супер-простой блокнот, который живет в меню-баре. Ctrl+Space, записал, закрыл. Мысль поймана, фокус не потерян.

Хотите начать апгрейд прямо сейчас?
1. Если вы на Mac, скачайте Raycast. Он бесплатный.
2. Настройте один хоткей на действие, которое вы делаете 10+ раз в день (например, открыть рабочую папку или конкретный сайт).
3. Через день вы не сможете понять, как жили без этого раньше.

А какими инструментами вы убираете "трение" из своего дня? Делитесь находками в комментариях.

Вас просят «быть на 20% эффективнее»? Это ловушка.

Классика менеджмента: приходит руководитель и говорит, что команда должна стать «эффективнее». На практике это часто означает одно: делать больше работы за то же время, срезая углы и жертвуя качеством.

Что делать инженеру в такой ситуации? Работать по 12 часов? Упрощать продукт до неузнаваемости, лишь бы уложиться в KPI?

Я глубоко разобрал эту тему в новом лонгриде. Эта статья о том, как отличить реальную оптимизацию от гонки на истощение.

Внутри я разбираю три главных ловушки «эффективности» и предлагаю системный подход, который помогает:
• Сохранить качество продукта (и свою профессиональную репутацию).
• Аргументированно объяснить руководству, где находятся реальные точки роста, а где — просто путь к выгоранию.
• Перевести разговор с языка пустых KPI на язык инженерной и бизнес-логики.

Хватит работать больше. Пора работать умнее.

🔗 Полный разбор и выводы — в статье:
Teletype • Pikabu • Dzen • VC

Ваша рутина — это скрытый налог на продуктивность. Вот как его найти и посчитать 💰

В ваших рабочих процессах есть скрытый налог. Он называется рутиной. Ручной перенос данных из почты в таблицу, сборка еженедельного отчета, копирование информации между системами — мы привыкли считать это "частью работы".

На самом деле, это процессный долг, который съедает до 30% вашего времени и денег компании. Мы его не замечаем, но он постоянно растет.

Вот 3 шага, чтобы провести аудит и найти этот "налог":
1. Начните вести "Журнал трения". В течение недели просто записывайте в блокнот каждую задачу, которая вызывает у вас мысль: "Опять это делать...". Без анализа, просто фиксация. Это ваша карта скрытых издержек.
2. Примените технику «5 Почему». Возьмите самую раздражающую задачу из журнала и 5 раз спросите себя: "Почему я/мы делаем это именно так?". Часто выясняется, что причина — "так исторически сложилось". Это главный признак процессного долга.
3. Посчитайте реальную стоимость. Это самый отрезвляющий шаг. Формула проста:

(Время на задачу в день, ч) * (Ваша часовая ставка, ₽) * (~240 рабочих дней в году) = Цена рутины в год.

Когда вы увидите, что ручной отчет стоит компании 250 000 рублей в год, желание мириться с ним пропадет.

Увидеть этот налог — половина дела. Второй шаг — спросить себя: "Какую часть этого процесса можно автоматизировать с помощью no-code решения, скрипта или простого AI-промпта?".

Давайте сделаем первый шаг прямо сейчас:
Возьмите одну рутинную задачу, прикиньте время на нее и посчитайте ее годовую стоимость. Напишите в комментариях, что у вас получилось. Уверен, цифры вас удивят.

Хватит тонуть в Google-мусоре. Мой апгрейд для мозга — Perplexity 🧠

Знакомая картина? Google заваливает мусором из миллиона ссылок. ChatGPT уверенно врёт, выдумывая факты. В итоге на поиск простого ответа уходят часы.

Я тоже так жил, пока не нашёл Perplexity AI. И это не просто «ChatGPT с интернетом», как многие думают. Это настоящий исследователь-аналитик в вашем браузере, который изменил мой подход к работе с информацией.

В своей новой статье я на реальных кейсах показываю, как с его помощью:
• Оценил новый SaaS-инструмент за 15 минут вместо половины дня.
• Собрал мини-курс по SQL за 10 минут, выступив в роли наставника.
• Спланировал поездку, не открывая десятков вкладок с отелями и блогами.

Внутри — не только эти истории, но и практический гайд, как выжать из Perplexity максимум, используя правильные режимы и PRO-фишки.
Это подробный разбор инструмента, который сэкономил мне десятки часов. Уверен, сэкономит и вам.

🔗 Читать статью и апгрейдить свой мозг:
Teletype • Dzen • VC

Нанял сотрудника: работает 24/7, не просит зарплату. Знакомьтесь, n8n! 🤖

Большую часть рабочего дня я, как и многие, занимался рутиной. Копировал данные, собирал отчеты, проверял статусы. Пока не нанял себе идеального цифрового сотрудника – 💻 n8n.

Это бесплатный open-source инструмент, который позволяет связывать разные сервисы и автоматизировать задачи практически без кода.

Как он работает?
Представьте LEGO для сервисов. Этот «сотрудник» берет кубик "Telegram", кубик "Google Sheets", кубик "AI-модель" и соединяет их в одну цепочку (воркфлоу). Эта цепочка и будет выполнять вашу задачу. Круглосуточно. Без ошибок.

Что я уже ему поручил:
• Аналитик-стажер: Он автоматом собирает для меня данные из RSS-лент и новостных сайтов, кратко суммаризирует их с помощью AI и складывает в базу знаний.
• Бдительный охранник: Присылает мне в Telegram уведомление, если один из моих сайтов перестал отвечать.
• Личный ассистент: Каждый понедельник в 9:00 готовит отчет по ключевым метрикам за неделю и присылает его в Slack.

Хотите нанять своего первого цифрового помощника?
Для этого нужно сформулировать ему ТЗ. Просто закончите одну из этих фраз:
• «Каждый день/понедельник в 10:00 я вручную проверяю…»
• «Каждый раз, когда от [клиент/сервис] приходит новое письмо, я копирую оттуда…»
• «Раз в неделю мне приходится собирать данные из [сервис 1], [сервис 2] и вставлять их в [сервис 3]…»

Задача, которая подошла под один из этих шаблонов — это ваше идеальное ТЗ для первого воркфлоу в n8n.

Нашли своего кандидата? Напишите в комментариях, какую задачу вы бы отдали такому сотруднику в первую очередь!

n8n — это лучший MVP 🚀 и худший продакшн 💩

Я обожаю n8n, постоянно его рекомендую и считаю одним из лучших инструментов в своем классе. Но именно поэтому я обязан говорить не только о его плюсах, но и о границах применимости.

n8n — это не замена программированию. Игнорирование этого факта может привести к большим проблемам, когда ваш "простенький" воркфлоу внезапно станет частью критически важного процесса.

Я сам использую n8n, но я также знаю, когда от него нужно отказаться. Вот несколько реальных проблем, с которыми сталкивается сообщество и которые я учитываю:
• Вебхуки могут "засыпать". Это самая частая боль. Входящий запрос может просто не обработаться без видимых причин до ручного перезапуска. Для продакшена это недопустимо.
• Любит "кушать" память. На больших объемах данных или после обновлений n8n может начать течь по памяти и просто зависать.
• Отладка — это боль. Когда воркфлоу разрастается до 20+ нод, поиск ошибки превращается в нетривиальный квест. В коде это делается на порядок проще.
• Встроенная база данных (SQLite) может подвести. При активном использовании она рискует повредиться или заблокировать выполнение. Опытные пользователи сразу переезжают на PostgreSQL.

Так когда же n8n — идеальный выбор?
✅ Прототипы и MVP. Проверить гипотезу, связав 3-4 сервиса за час? Идеально!
✅ Простые, некритичные связки. Отправлять себе уведомления в Telegram, собирать данные в Google Sheets, делать простые AI-запросы.
✅ Внутренние инструменты. Автоматизация для себя или своей команды, где цена ошибки невысока.

Когда я сразу выбираю код:
❌ Mission-critical процессы. Если отказ автоматизации ведет к потере денег или клиентов.
❌ Высокие нагрузки. Если нужно обрабатывать сотни и тысячи запросов в час.
❌ Сложная бизнес-логика. Если в процессе много ветвлений, циклов и нужна тонкая обработка ошибок.

n8n — это лучший способ быстро проверить идею и автоматизировать рутину. Но не стройте на нем ракету, которая должна долететь до Марса. Используйте его как мощный инструмент в своем арсенале, а не как религию.

А у вас были моменты, когда подобные инструменты подводили и приходилось все переписывать на код? Поделитесь своей историей боли в комментах!

Один API-ключ для GPT-4, Claude 3 и сотен других моделей ⭐️

Хотите использовать GPT-4 для текстов, а Claude 3 для кода? А еще Llama 3 для экспериментов? Для каждой топовой модели — своя регистрация, свой API-ключ, своя подписка. Это сложно, дорого и неудобно.

Есть решение, которое убирает всю эту головную боль. Называется OpenRouter.

Что это такое простыми словами?
Это агрегатор, который собрал под одной крышей более 300 AI-моделей. Вы регистрируетесь в одном месте и получаете доступ ко всем сразу.

Главные фишки, которые упрощают жизнь:
• ✅ Единый API-ключ. Один ключ для сотен моделей. Больше не нужно управлять десятком разных доступов.
• ✅ Простая оплата. Один счет для всех нейросетей. Это значительно упрощает пополнение баланса и контроль расходов.
• ✅ Экономия. Вместо множества подписок по $20 вы платите только за то, что реально используете (pay-as-you-go).

Зачем он нужен в n8n?
Вместо того чтобы настраивать 10 разных подключений (OpenAI, Anthropic и т.д.), вы просто вставляете один API-ключ от OpenRouter. Это позволяет в одном воркфлоу гибко использовать разные модели для разных задач.

Про лимиты, которые важно знать:
• Бесплатный доступ: Есть, но с ограничениями. С балансом < $10 вы можете делать до 50 запросов в день к бесплатным моделям.
• PRO-режим: Как только вы пополняете счет на $10 и больше, ваш дневной лимит на бесплатные модели вырастает до 1000 запросов. Этого более чем достаточно для большинства задач и экспериментов.

OpenRouter — это мощное решение для тех, кто хочет работать с зоопарком современных нейросетей без лишних сложностей. Особенно если вы планируете использовать их в автоматизации через n8n.
Просто зарегистрируйтесь и попробуйте. Это бесплатно и откроет для вас много новых возможностей.

Уже пользуетесь OpenRouter? Как впечатления? Делитесь в комментах!

Собрал AI-нутрициолога на n8n, который читает этикетки по фото 🧁

Каждый поход в магазин — квест. Стоишь у полки, пытаешься расшифровать состав и гуглишь каждый второй ингредиент. Знакомо?

Мне надоело, и я за несколько вечеров собрал себе AI-помощника в Telegram, который делает всю эту работу за меня. Так родился мой pet-проект Foody Scan (@FoodyScanBot).

Но это не очередная история успеха. Это честный рассказ о том, как собрать работающий MVP практически без кода, и какие костыли пришлось изобрести по пути.

Внутри статьи — подробный разбор под капотом:
• Стек: Как я связал self-hosted n8n, Supabase и Telegram Bot API в единую систему.
• AI-пайплайн: Почему одна LLM не справилась и пришлось строить двухступенчатую систему "OCR-робот + нутрициолог".
• Ручная работа с API: Как прикрутил оплату через Telegram Stars, когда для этого нет готовых нод.
• Борьба с UX: Что делать, когда AI думает 120 секунд, а пользователь хочет уйти.
• Ловушка "бесплатного" Supabase: Как не потерять всю базу данных, если ваш проект простаивает неделю.

Это подробная история одного pet-проекта со всеми граблями и выводами.

🔗 Читайте, чтобы увидеть, как создаются подобные AI-продукты (и не наступить на те же грабли):
Teletype • Dzen • VC

Fatal Error: главная ошибка моего AI-нутрициолога 🗑

Итак, Foody Scan работает. Он анализирует фото, парсит состав, общается с LLM и выдает отчет. Технически — это маленькая победа. Но есть одна проблема. Я им почти не пользуюсь.

И это главный провал проекта.

Я был так увлечен вопросом «Смогу ли я это собрать на n8n?», что забыл про главный вопрос: «Будет ли этим, черт возьми, удобно пользоваться?».

Реальность оказалась жестокой:
• Никто не хочет стоять посреди магазина, пытаясь поймать в фокус бликующую этикетку с мелким шрифтом.
• Никто не хочет ждать 2 минуты, пока AI проанализирует картинку. За кулисами происходит магия, но для пользователя — это вечность.
• Этикетки бывают прозрачными, мятыми, текст — размытым. Качество фото напрямую влияет на результат, а значит, система нестабильна по своей природе.

Очевидное решение — сканировать штрих-код. Но это уже совсем другой проект. Это означало бы строить многоуровневую систему парсинга, которая ищет данные о продукте в интернете по его ID. Это крутая задача, но она не входила в мой первоначальный план «поиграться с n8n».

И вот главный урок, который я вынес: если бы я в самом начале честно сел и на 5 минут представил себя в магазине с телефоном в руке, я бы, возможно, понял, что идея с фото — тупиковая. Нужно было изначально думать в сторону штрих-кодов или чего-то еще.

Этот проект, который вырос из простого эксперимента, стал для меня отличным напоминанием: техническая возможность не равна продуктовой ценности.

А у вас были проекты, которые технически взлетели, но оказались неудобными или ненужными в реальной жизни? Поделитесь своими историями в комментах!