Нужен ваш совет: выбираем следующий AI-проект ✍️

Есть несколько идей, все они по-своему интересные и сложные, и я не могу решить, на что направить своё свободное время. Поэтому я решил обратиться к вам. Помогите выбрать следующий pet-проект, за сборкой (и всеми "подкапотными" особенностями) которого вы будете следить.

Вот шорт-лист:

1. Автономный AI-дзен-канал.
Идея-максимум: создать систему, которая сама ведет канал на Дзене. Она будет искать темы, писать и публиковать развлекательный контент, анализировать реакцию аудитории и даже пытаться в SEO. Такой цифровой организм, который живет своей жизнью. Главная задача и цель – этот контент реально приносит пользу и не является SEO мусором и трешом в формате контент ради контента.

2. TG-фильтр от FOMO (Fear Of Missing Out).
У меня есть знакомые, которые подписаны на 100+ каналов по определенной нише, например, по обучении на GameDev соло‑разработчика. Сделать AI‑ассистента, который читает все новые посты по вашей теме (например, тот же GameDev), отсеивает рекламный мусор, повторы и воду, а раз в день присылает вам основную суть и то, что можно было бы перенять. Убрать шум.

3. «Третья рука».
Самый философский проект. Попытка создать не просто ассистента, а цифровое продолжение себя, повторим один из сюжетов "Черного зеркала"? Он не заменяет, а совсем чуть-чуть дополняет: анализирует комментарии к моим постам, улавливает настроения, защищает от импульсивных решений и помогает держать фокус. Такой мини-помощник для блогера, при этом тут можно будет вместо «блогерства» поставить всё что угодно, в этом и основная сложность данной идеи.

4. Кастомные модули (ноды) для n8n.
Часто в n8n не хватает готовой интеграции с каким-то сервисом или специфической функции. Я мог бы взять самые частые запросы от сообщества (в том числе от вас!), написать несколько кастомных нод и выложить их в open-source, чтобы каждый мог их использовать.

Ваша идея!
Возможно, у вас есть идея для проекта, которая идеально вписывается в тематику AI и автоматизации, и я ее просто не вижу.

А теперь самый главный вопрос — что вам было бы интереснее всего? За каким проектом вы бы следили с наибольшим азартом?
Проголосуйте в опросе ниже!

Вы автоматизировали рутину. Что дальше? 💤

Итак, вы настроили свои первые воркфлоу, убрали несколько повторяющихся задач и освободили 2-3 часа в день. Победа? Не совсем.

Здесь поджидает ловушка: эта драгоценная пустота мгновенно заполняется мелкой суетой, скроллингом ленты или "очень важными" созвонами. Мы просто меняем один вид бега в колесе на другой.

Запомните: цель автоматизации — не просто дать вам больше времени. Цель — высвободить ресурсы для глубокой и сфокусированной работы.

Это время — не для того, чтобы сделать больше мелких задач. Это ресурс, который нужно направить на то, что действительно двигает вас вперед.

Весь подход сводится к простому циклу:
1. Находим точки трения (повторяющиеся, низкоуровневые процессы).
2. Устраняем их автоматизацией (высвобождаем свои ресурсы).
3. Направляем ресурсы на задачи с высоким импактом (создание нового, стратегическое планирование, обучение).

Как не попасть в ловушку "свободного времени"?
Сделайте простой шаг: составьте «список для фокуса». Это короткий перечень из 1-3 самых важных задач, на которые вам вечно не хватало времени или энергии.
• «Разобраться с Langchain»
• «Продумать архитектуру нового pet-проекта»
• «Написать ту самую статью, которую давно хотел»
Держите этот список на видном месте. И как только автоматизация освободит вам час — вы будете точно знать, куда направить свою энергию.

А какая задача №1 в вашем «списке для фокуса»? На что вы направите первый же освободившийся час?

Навигация по ключевым темам 🔖

Канал растет и чтобы вам было проще ориентироваться, я собрал все ключевые материалы в одном месте и разбил на категории.

💡 Философия и подходы:
• Хватит быть просто исполнителем – превращаем рутину в топливо для роста
• Я перестал строить «песчаные замки» – теперь ищу рычаги для автоматизации
• Вас просят «быть на 20% эффективнее»? Это ловушка
• Ваш мозг это одноядерный процессор – хватит его перегружать
• Ваша рутина это скрытый налог – как его найти и посчитать
• Вы автоматизировали рутину. Что дальше?
• T-shape в AI – когда стоять на месте значит катиться назад
• Что, если алгоритм любит лучше, чем человек?
• От случайности к предсказуемости – как получать от AI стабильный результат
• Три причины, почему будущее за локальными решениями
• Про проблемы масштабирования
• Как AI помогает бороться с выгоранием?
• Мы все стали немного киборгами в 2025-м
• Я подсел на AI как на игровые автоматы – про зависимость и рефлексию
• Красивый процесс, ноль эффекта – «трипл эй» вместо красивого менеджмента
• Думаешь, AI тебя ускоряет? – METR показал разрыв ощущения и реальности в 39 п.п.

🔖 Другие популярные темы на канале:
• 🗂 Весь n8n в одном посте: Шпаргалка, чтобы не искать
• 🗂 Всё про вайбкодинг

📌 Сохраняйте этот пост! Он будет время от времени пополняться новыми ссылками.

Битва за «второй мозг»: Obsidian vs Anytype vs AFFiNE 🏆

Поиск идеального инструмента для заметок — это боль. Ты неделями мигрируешь данные, смотришь обзоры, а в итоге всё равно неудобно. Знакомо?
Я потратил кучу времени, чтобы глубоко разобраться в трех титанах:
• Obsidian: цифровая мастерская для тех, кто любит всё контролировать.
• Anytype: структурированная база данных для тех, кто мыслит системами.
• AFFiNE Pro: гибрид Notion и Miro для визуалов и командной работы.

В своей новой статье я разобрал их не как маркетолог, а как пользователь. Без воды — только ощущения от работы, подводные камни и честные выводы.

Но главное — внутри есть простой тест-импульс, который за 30 секунд поможет понять, в каком вы лагере. Он объяснит, почему вам «не зашел» один инструмент и почему другой может стать продолжением вашей руки.

🔗 Читайте, чтобы прекратить поиски и наконец-то выбрать своё:
Teletype • Pikabu • VC • Dzen

AI-браузеры. Где технология свернула не туда 🖥

Больше месяца я тестировал Comet — нашумевший AI-браузер от Perplexity. В теории все звучало как революция: браузер, который сам читает вкладки, заполняет формы, ищет товары и делает рутинную работу за тебя.

На практике все оказалось... иначе.

Я дал ему простую, казалось бы, задачу: «Найди лучшую и самую дешевую умную колонку для такой-то комнаты с таким метрожом, с доставкой до недели». Я ожидал сравнительную таблицу, анализ отзывов, умный подбор, учет квадратных метров.

Что я получил:
После 10 минут раздумий Comet предложил мне какую-то непонятную колонку без Bluetooth, которая к тому же была на 15% дороже аналогов. Я бы руками нашел лучше за 5 минут.

Я пробовал и другие сценарии. Например, перенести данные из таблицы в одной вкладке в 10 форм в других. И снова — ошибки, промахи, неточности.

Было ещё несколько попыток дать шанс, но и там результат ещё хуже.

Мой главный вывод:
Для сложных бытовых задач, где нужно учитывать много нюансов, AI-агенты в браузерах пока бесполезны. Они создают иллюзию работы, но по факту тратят ваше время и выдают результат хуже, чем если бы вы сделали всё сами. Если кратко, то для меня сейчас эта вся история – «красивая демо-версия будущего» и не более 😑

Но потенциал у технологии есть!
Мне нравится, как Comet «видит» страницу: нажимает кнопки, считывает информацию. Представьте, если бы это использовали для авто-тестирования: «Попробуй залогиниться на этом сайте, найти карточку, добавить её в избранное», и AI сам бы нашел и сохранил нужную последовательность кликов и тех же XPath'ов, которые потом легко перенести в какие-нибудь UI тесты? Вот это было бы круто.

А вы уже пробовали AI-браузеры? Какие у вас впечатления? Может, я что-то делаю не так?

MCP. Как AI стал штурманом в мире документации 🤨

Пару лет назад я решил пилить 2D-игру на движке Defold. Язык Lua и сам движок были для меня тёмным лесом, но мне просто приспичило. Я честно потратил неделю на изучение основ, но реальность оказалась сложнее.

Мой типичный вечер: 30 минут кода и час мучительного поиска в документации.

Проблема была не в том, что доки нужно читать — это святая обязанность. Проблема была в самом процессе: найти нужный метод, сверить версию, откопать рабочий пример и понять, почему он у тебя не работает... Я выгорал не от сложности кода, а от этой бесконечной беготни по вкладкам.

Недавно я вернулся к тому проекту с современными AI-инструментами. И разница — колоссальная. Секрет в одной аббревиатуре — MCP (Model Context Protocol).

Если просто, это протокол, который превращает вашего AI-ассистента в идеального штурмана. Я подключил Context7 — открытый MCP-сервер, который знает всё про сотни библиотек.

Теперь, когда я задаю вопрос AI, происходит магия:
1. Context7 находит в официальной документации самый релевантный раздел, соответствующий моей версии библиотеки.
2. Он «подкладывает» этот свежий, проверенный контекст в запрос к AI-модели.
3. AI-ассистент генерирует ответ, основываясь не на своих устаревших знаниях, а на оригинальной документации.

Что это изменило?
AI не заменил для меня необходимость читать и понимать доки. Но он взял на себя самую выматывающую часть — их поиск. Пропорция «час на поиск, 30 минут на код» перевернулась. Я трачу время на изучение конкретного релевантного примера, а не на блуждание по десяткам вкладок.

Технологии вроде MCP — это не про то, чтобы стать ленивее. Это про то, чтобы убрать из работы трение и направить всю свою энергию на то, что действительно важно — на понимание и создание.

А вас тоже выматывает ручной поиск в доках? Были проекты, где вы тратили больше времени на вкладки браузера, чем на код?

Собрал полный гайд: как поднять n8n и Supabase на своем VPS за один вечер ⚡️

Если вы хотите, чтобы ваши автоматизации работали надежно, а данные хранились у вас, self-host — лучший выбор.

В новой статье я показал, как с помощью Coolify превратить любой VPS в удобную панель управления и развернуть полный стек для своих проектов:
1️⃣ Устанавливаем Coolify на Ubuntu.
2️⃣ В один клик деплоим n8n с PostgreSQL.
3️⃣ Так же легко поднимаем Supabase с векторной базой pgvector на борту.

🔗 Читайте подробный гайд и забирайте себе готовый сетап:
Teletype • VC • Dzen • Pikabu

T-shape в AI: когда стоять на месте — значит катиться назад 🔄

Вы могли заметить, что я пишу то про n8n, то про локальные LLM, то про Perplexity. Это не хаос. Это стратегия выживания в мире, где каждую неделю выходит новая революционная технология.

Инструмент, который вчера давал +5% к эффективности, сегодня может быть сметен инновацией, которая дает +10%. Корпорации вливают миллиарды, релизы сыплются как из рога изобилия. Как в этом шторме не утонуть и правильно распределить свой фокус?

Ответ — T-shape.

Представьте свои навыки в виде буквы "T":
• Вертикальная черта — это ваша глубина. Ваша основная профессия и экспертиза (разработчик, маркетолог, менеджер). Это то, за что вам платят деньги.
• Горизонтальная черта — это ваша широта. Практическое понимание смежных дисциплин. И именно здесь, в этой горизонтали, сегодня живут AI, no-code, автоматизация.

Почему без этого больше нельзя?
Быть экспертом только в n8n — рискованно. Быть гуру только в ChatGPT — недальновидно. Эти инструменты — лишь временные рычаги. Завтра появится что-то мощнее.

Человек с T-формой не привязан к инструменту. Он видит задачу и подбирает под нее лучший из доступных рычагов. Он понимает, что простую автоматизацию можно собрать в n8n, для сложного анализа — подключить Claude 4, а для приватных данных — развернуть локальную Ollama.

Эта широта — ваша страховка от устаревания. Она позволяет вам не просто выживать, а видеть всю картину целиком.

Сделайте первый шаг к своей T-форме:
1. Честно ответьте: что образует вашу вертикальную черту "T"? В чем ваша суперсила?
2. А каких 2-3 «кубиков» вам не хватает в горизонтальной? (Например: "я крутой дизайнер, но ничего не понимаю в Stable Diffuiosn / Flux / Midjourney").

Это и есть ваш план развития на ближайшие месяцы.

Raycast и принцип «сэкономленных секунд»: как мелкие улучшения возвращают часы ⌛️

Знакомый цифровой хаос? Открыть заметки, чтобы скопировать команду, переключиться в браузер на 25-ю вкладку с доками, найти в контактах коллегу, чтобы ему написать... Одна простая задача — несколько приложений и куча переключений контекста.

Оказалось, большую часть этих «микро-пауз» можно убрать. Выпустил новый лонгрид про Raycast — не как про лаунчер, а как про способ борьбы с мелким, но дико раздражающим трением в рабочих процессах.

Что внутри:
• Мой путь от «очередной лаунчер» до «главный рабочий инструмент».
• Конкретные замеры в секундах: как одна команда заменяет минуту рутины.
• Скелет моей системы: Snippets, Quicklinks, AI-команды, которые я использую каждый день.
• Ложка дегтя: где есть порог входа и что мне не нравилось поначалу.

Если тоже чувствуете, что воюете с интерфейсами, а не с задачами — залетайте.

🔗 Читайте подробный гайд на:
Teletype • VC • Dzen • Pikabu

Правильная векторная база для RAG, чтобы всё заработало с первого раза 🔖

В теории RAG звучит просто: загрузи документы, нарежь на векторы, найди похожие, отправь в LLM. На практике 90% проблем начинаются на самом первом шаге — создании векторной базы данных.

Я сам на этом споткнулся. Документация n8n, Supabase и LangChain часто противоречит друг другу или предполагает, что ты уже и так всё знаешь. В итоге ты тратишь какое-то время, пытаясь понять, почему n8n не видит твою таблицу и сыплет ошибками...

Я определил три вещи, которые должны идеально совпадать (на момент написание этого поста), иначе ничего не полетит:
• Размерность векторов. Выбранная вами модель (например, paraphrase-multilingual-mpnet-base-v2) выдает векторы определённой длины. Для этой модели — 768. Если в таблице указать vector(767) или vector(1536), поиск работать не будет.
• Имена колонок. Нода n8n по умолчанию ищет конкретные столбцы: content (для текста), embedding (для вектора) и metadata (для JSON-данных).
• Функция поиска. Supabase не ищет по векторам «из коробки». Нужно создать специальную SQL-функцию, которая будет принимать вектор запроса и возвращать похожие документы.

💻 SQL скрипт: https://gist.github.com/Vlad-Loop/a4a03c01cfe14fa0784dba800c6cc18d

После этого в ноде n8n Supabase Vector Store вам останется только указать имя таблицы и имя функции. И всё. Оно должно у вас заработать.

С какими граблями при создании RAG сталкивались вы? Расскажите в комментах.

От «вроде стало лучше» к цифрам. Главное про n8n Evaluation 📰

Главная боль при работе с AI — его вероятностная природа. Поменял одно слово в промпте — где-то в другом месте всё посыпалось. Улучшил ответ для одного кейса — сломал десять других. До сих пор проверка качества AI-воркфлоу напоминала шаманство с бубном.

Так вот, в n8n выкатили фичу, которая наконец-то позволяет опираться хоть на какие-то метрики качества. Называется Evaluation.

Если коротко, это встроенная система для тестирования ваших AI-цепочек. Теперь можно не гадать, стало ли лучше после изменений, а получить конкретные цифры.

Механика простая:
1. Готовишь табличку (куда же без табличек) с тестовыми примерами: входные данные и эталонный, правильный ответ.
2. Настраиваешь в n8n ветку с логикой оценки (например, "сравни ответ модели с эталоном по смыслу"). Стоит отметить, что n8n уже добавили все необхоидмые новые ноды для постройки подобных штук.
3. Запускаешь прогон и смотришь на итоговый score.

И вот тут начинается самое интересное. Я сейчас активно гоняю эту фичу на своих RAG-воркфлоу. Подбираю идеальные параметры для векторной базы, тюню промпты для поиска и генерации ответа, меняю модели. Раньше на это уходили часы/дни ручных проверок. Теперь я вношу изменение, нажимаю кнопку и через 5 минут вижу, стал ли общий результат лучше или хуже.

Самое главное датасет (табличку) хороший собрать. У меня например уже порядка 100 проверочных кейсов, страшно представить сколько я бы руками всё это дело проверял бы каждый раз.

⬆️ Качество AI цепочки, естествено, улучшилось в разы после подобных манипуляций.

Сейчас как раз готовлю небольшой разбор нескольких вариантов реализации RAG в n8n, и там мы будем использовать Evaluation по полной. А пока...

Как вы сейчас проверяете, что ваш новый промпт не сломал всё остальное? Расскажите в комментах.

Продвинутые RAG-паттерны в n8n ⭐️

Почему ваш RAG-бот работает плохо? Во многих кейсах – причина не в LLM, которую вы выбрали. Дело в том, что происходит до того, как запрос пользователя вообще попадает в векторный поиск.

Выпустил новый лонгрид, где на живом workflow в n8n показываю, как научить RAG-систему сначала думать над вопросом, а потом искать ответ. Разбираем продвинутые техники, которые превращают «глупый» поисковик в толкового ассистента.

Если устали от галлюцинаций и нерелевантных ответов – залетайте.

🔗 Читайте подробный гайд на:
Teletype • VC • Dzen • Pikabu

Как измерить «полезность» ответа LLM? Пусть это сделает другая LLM ⚖️

Меня всегда бесила одна проблема при работе с LLM. Как оценить то, что нельзя измерить простой строкой кода?

Например, у нас есть RAG-система. Как понять, что её ответ не просто технически сгенерирован, а полезен для пользователя? Или что тон ответа — дружелюбный, а не роботизированный?

Раньше было два пути, и оба плохие:
1. Писать костыли. Пытаться ловить качество по ключевым словам, регуляркам и прочей ерунде. Хрупко, ненадёжно, долго.
2. Нанимать людей. Собирать фокус-группы, размечать данные. Дорого, медленно, не масштабируемо.

А потом я наткнулся на решение зарубежных коллег, причем достаточно простое. Концепция называется LLM-as-Judge.

Вся суть в том, чтобы для оценки ответов нашей рабочей модели (например, какой-нибудь Qwen 3b) использовать модель мощнее и умнее (GPT-4o или Claude Sonnet). Мы просто просим её выступить в роли беспристрастного судьи.

Это позволяет автоматизировать оценку качественных, субъективных метрик.

Механика выглядит так. Мы пишем специальный промпт для "судьи", который получает на вход запрос, контекст и ответ нашей модели. Пример такого промпта:

Ты — беспристрастный AI-асессор.
Твоя задача — оценить ответ по шкале от 1 до 5.

- Запрос пользователя: {user_query}
- Контекст: {retrieved_context}
- Ответ модели: {model_answer}

Критерий: Насколько ответ релевантен запросу и основан на предоставленном контексте?
1 - совсем мимо
5 - идеально

ВЕРНИ ТОЛЬКО ЦИФРУ.

И всё. На выходе мы получаем цифру. Не расплывчатый текст, а чёткую метрику, которую можно трекать, сравнивать и использовать для регрессионного тестирования. Стало 2.7, а после правок 4.2? Отлично, выкатываем.

Мы делегируем самую сложную когнитивную работу другой машине. А также превращаем субъективное "вроде стало лучше" в объективные цифры.

А вы уже пробовали LLM-as-Judge? С какими подводными камнями столкнулись? Расскажите в комментах.

Формат vs. Логика: как по-настоящему управлять LLM 🆗

Недавно поймал себя на мысли, что большая часть кода для работы с LLM — это не бизнес-логика, а ритуальные танцы. Сначала вежливо просишь в промпте вернуть JSON, потом пишешь try-except, чтобы поймать ошибку парсинга, добавляешь логику для повторного запроса… Дичь какая-то. И в какой-то момент я понял: проблема не в моделях. Проблема в том, что мы их просим, а не заставляем.

Есть несколько вариантов это исправить.

Первый вариант – это Structured Output. Если по-человечески — принудительная структуризация вывода. Используем, например, библиотеку 💻 instructor:

import instructor
from openai import OpenAI
from pydantic import BaseModel

# Описываем схему, которую модель НЕ сможет нарушить
class UserInfo(BaseModel):
    name: str
    summary: str

client = instructor.patch(OpenAI())

response: UserInfo = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "Влад пишет про AI..."}],
    response_model=UserInfo,
)

# response — это уже готовый Pydantic-объект, а не строка!
print(response.name) # > "Влад"

Мы ограничиваем хаотичную природу LLM, заставляя её работать в жёстких рамках. И вот тут есть нюанс.

Structured Output решает проблему формы, но может создать проблему содержания. Когда мы заставляем модель сразу отвечать по схеме, мы лишаем её возможности «подумать вслух» (Chain-of-Thought). Иногда модель начинает генерить структурно правильную, но полную чушь, потому что ограничение формата мешает процессу рассуждения.

И чтобы это пофиксить, мы переходим на следующий уровень: от простого форматирования к структурированному мышлению (Schema-Guided Reasoning).

Мы структурируем не финальный ответ, а сам процесс мышления модели, разбивая его на обязательные шаги.

Сравните:
• Structured Output: «Извлеки из текста эти три поля».
• Schema-Guided Reasoning: «Сначала найди в тексте факты. Затем проанализируй риски. И только потом дай рекомендацию».

Это выглядит так:

class ComplianceAnalysis(BaseModel):
    step1_fact_identification: str
    step2_risk_analysis: str
    step3_recommendation: str

# ... тот же вызов API, но с другой response_model ...

Теперь модель обязана пройти по всем шагам нашего мыслительного процесса. Она не может пропустить анализ рисков и сразу перейти к выводам. Мы контролируем не только форму, но и логику.

С какими самыми дикими форматами ответов от LLM сталкивались? Делитесь в комментах.

Как запретить AI-агенту говорить о кошках? А о конкурентах? А давать медицинские советы? 👀

Стандартные фильтры OpenAI/Google тут бессильны — они не знают про ваши внутренние бизнес-правила. А простая инструкция в системном промпте ломается первым же jailbreak-запросом.

Написал небольшой гайд, где на живом workflow в n8n пошагово строим три уровня кастомной защиты:
• Наивная (через системный промпт)
• Надежная (через Output Guardrails)
• Оптимизированная (через Input Guardrails)

Это особенно критично, когда агент может не только говорить, но и вызывать внешние инструменты.

🔗 Читать гайд:
Teletype • VC • Dzen • Pikabu

{Prompt} – неочевидный способ улучшить ответы вашей LLM 🔄

Мне часто приходится тюнить свой AI-воркфлоу в n8n. Гонять его через Evaluation, подбираете формулировки в промпте, и обычно за короткий срок можно набрать стабильные, скажем, 60-70% качества. А дальше — стена.

Что ни меняй, результат колеблется на уровне погрешности.

Оказалось, что переход от "простыни" текста к форматам вроде XML или JSON может дать прирост в качестве.

Когда мы заворачиваем разные части промпта в теги, мы помогаем модели лучше понять, где инструкция, где контекст, а где примеры. Она перестает смешивать всё в кучу.

Смотрите, как меняется подход.
❌ Раньше было так (простыня текста):

Ты AI-ассистент. Проанализируй данные клиента из CRM. Данные: {first_name: 'John', ...}. Результат верни в формате JSON с полями 'summary' и 'next_step'.

✅ Теперь можно делать так (структура):

<role>
  Ты AI-ассистент по работе с клиентами.
</role>

<instructions>
  Проанализируй данные клиента и предложи следующий шаг.
</instructions>

<data>
  {
    "first_name": "John",
    ...
  }
</data>

<output_format>
  Верни результат в формате JSON с полями "summary" и "next_step".
</output_format>

Особенно хорошо это работает с Claude, которую специально обучали на XML-тегах. Для GPT-4 это уже не особо играет, но там например часто отлично заходит Markdown.

И вот тут мы возвращаемся к нашим большим промптам и n8n Evaluation. Когда ваш системный промпт разрастается до нескольких тысяч токенов, такая структура — это спасение. Промпт становится читаемым, его легко поддерживать и изменять отдельные блоки, не боясь сломать всё остальное.

• Если упёрлись в потолок качества — попробуйте структурировать промпт.
Оберните логические блоки в теги (XML, JSON, Markdown).
• Запустите два Evaluation-прогона в n8n: один со старым промптом, другой — с новым.
• Сравните цифры. Часто они приятно удивляют.

Какой самый странный промпт-хак вам помогал? Делитесь в комментах.