Пытаемся настроить совместную разработку с AI-агентами — для команды, где у каждого свой инструмент: кто на Claude Code, кто на Codex, кто на Cursor. Два репозитория, фронт и бэк. Задача — чтобы агенты хорошо навигировались по коду, писали правильно с первого раза и жгли минимум токенов.
Минимальный джентельменский
— AGENTS.md как единый источник правды. Это «README для агентов», открытый стандарт, который читают Codex, Cursor, Copilot и другие. Claude Code исторически читает CLAUDE.md, но его легко подружить через одну строчку @AGENTS.md. Правило: один файл, всё остальное на него только ссылается. Никаких четырёх копий инструкций, которые неизбежно разойдутся.
— Короткий файл вместо энциклопедии. Раздутый AGENTS.md работает хуже короткого: LLM игнорирует половину, Codex вообще обрезает по лимиту. Держите до 150–200 строк. Архитектуру выносите в docs/ — агент подгрузит, когда понадобится.
— Навигируемая структура. На реальной кодовой базе агент тратит большую часть токенов не на написание кода, а на попытки его понять. Имя файла должно честно говорить, что внутри:
booking.repository.ts лучше, чем utils/data.ts. Грамотный context engineering снижает расход токенов в 5–6 раз на одной и той же задаче.— Contract-first для фронта и бэка. Договоритесь о формате данных до того, как писать код. Контракт API (файл openapi.yaml) — это список: какие запросы есть, какие поля приходят в ответ и какого они типа. Сначала команда фиксирует этот список, и только потом фронт и бэк пишут код — каждый под него. Из контракта автоматически собираются типы (фронт сразу знает структуру ответа), заглушки-моки (фронт работает, пока бэка ещё нет) и тесты, которые проверяют, что код не разошёлся с договорённостью. Бонус для агента: он не сможет обратиться к полю, которого нет в контракте, — среда подсветит ошибку сразу.
— Git worktrees для параллельных агентов. Если запустить двух агентов в одной папке с кодом, они начнут мешать друг другу: один перезаписывает файл, который правит второй, оба одновременно лезут в служебные файлы Git и спотыкаются. Хуже всего, что происходит это без явных ошибок — просто часть работы тихо теряется. Worktree — встроенная в Git штука: одной командой вы даёте каждому агенту отдельную папку и свою ветку. Агенты работают рядом, но не пересекаются, а результаты сводятся вместе уже на этапе мёржа — штатно и под контролем.
С чего начать
— завести AGENTS.md в корне каждого репо — руками, коротко
— связать CLAUDE.md и правила Cursor через симлинк или @-импорт
— вынести контракт API в отдельный репо, запретить править сгенерированный код
— для параллельной работы — worktrees, изолировать БД и порты
И принцип, который держит всё живым:
Каждая ошибка, которую агент совершил дважды, должна превратиться в строчку AGENTS.md или в проверку в CI.
Эффективная разработка с агентами — это не «умные промпты», а инфраструктура. Агентам нужна та же дисциплина, что и людям: единый источник правды, чёткие контракты, изоляция параллельной работы. Разница в том, что агенты создают хаос быстрее — и цена отсутствия процесса выше.
#agents #claude #vibecoding #tips
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤3👍2
Провёл воркшоп у Podlodka ProductCrew — «Агентная аналитика для продактов». Запись уже выложена.
Главный тезис: аналитику можно делать на любой модели, не важно какая она. Главное - контекст, который вы ей даёте.
Чтобы продемострировать это сделал два публичных репо на одних и тех же данных вымышленного фитнес-приложения:
— fitflow-bare — голая БД, никакого контекста.
— fitflow-rich — то же самое + PRODUCT_CONTEXT.md, data dictionary, 7 скиллов в
.claude/skills/.На вебинаре прогнал два кейса в обоих репо:
1. Onboarding funnel — где люди отваливаются и почему. На bare-репо агент честно посчитал воронку и выдал гипотезы из учебника. На rich — увидел, что drop-off на шаге «выбор целей» связан с конкретной персоной, и предложил продуктовое действие.
2. NPS-фидбэк за квартал — темы, динамика, связь с поведением. На bare получились generic-кластеры «UI/Pricing/Performance». На rich — фитнес-специфичные темы (мотивация, расписание, сложность) и джойн с retention.
Паттерн повторился на двух типах данных — структурированных событиях и тексте.
Можно попробовать
1. Форкнуть оба репо и задать им одни и те же два вопроса — почувствовать разницу за 30 минут.
2. Подменить данные на свои, переписать PRODUCT_CONTEXT под свой продукт — это 4–8 часов.
3. Взять один реальный кейс из работы (research, фидбэк, RCA) и пройти один цикл.
Всё бесплатное, всё в открытых репо, а ещё есть сайт воркшопа
#events #agentic #analytics
Please open Telegram to view this post
VIEW IN TELEGRAM
❤13🔥9👍5⚡1
Да здравствует эра дженералистов. Всех специалистов упакуют в скиллы, а дженералисты будут этими скиллами хороводить
Решил сесть осмыслить как AI меняет команды. Надеваю шапку футуролога. Поехали.
Складывается такой портрет команды будущего:
— маленькое ядро вместо длинной цепочки
— люди с широким охватом и одной глубокой сильной стороной, а не узкие винтики
— каждый умеет работать с агентами — это становится базовой грамотностью
— обязательно есть тот, кто отвечает за надёжность и качество, а не только за скорость
Что с этим делать уже сейчас. Не цепляться за место в процессе — должность, передачу задач, статус. Цепляться за способность: вы либо находите ценность, либо доводите её до работающего и надёжного результата. Осваивать агентов как рабочий инструмент — спокойно, без веры в чудо и без страха.
Команды не вымрут. Они станут плотнее. Осталось понять, чем в такой команде можно быть полезным)
#ai #agents #vibecoding #thoughts
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍6
Покопался на гитхабе и отобрал четыре репозитория со скиллами под аналитику данных — те, что реально зашли. Мой фаворит — ai-analyst - это просто комбайн, делает всё 🔥
Напомню: скилл — это папка с инструкцией и шаблонами, которую Claude подгружает сам, когда видит подходящую задачу. Один раз кладёте в неё свои правила, метрики и схему — и дальше не объясняете контекст заново в каждом чате.
👀 Ссылки
→ https://github.com/nimrodfisher/data-analytics-skills
→ https://github.com/florianbonnet14/ThePowerOfAnalytics_ClaudeSkills
→ https://github.com/borghei/Claude-Skills/tree/main/data-analytics
→ https://github.com/ai-analyst-lab/ai-analyst
Спойлер: половина пользы — не в самих скиллах, а в файлах references рядом с ними. Положите туда свою схему, метрики и пороги алертов. А ещё лучше попросите Claude адаптировать их под вашу инфру.
#claude #agents #tips #tools
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤3👍1
Возникла мысль, что продакты должны теперь держать в голове ещё один сегмент пользователей — LLM-агентов. Ладно, не прям отдельный сегмент, скорее агент — это не персона, а режим потребления, вторая поверхность продукта для существующего пользователя.
Идея простая: агенты уже сейчас лезут в наши интерфейсы. Кликают, заполняют формы, дёргают API, оформляют заказы. Делают это коряво и ненадёжно — но делают.
Посмотрел, оказывается, даже термин для этого есть — Agent Experience (AX) и четыре вещи, которые агенту нужны: доступ, контекст, инструменты, оркестрация.
Под это даже стандарты создали — MCP, llms.txt, Agent-to-Agent (A2A) протокол.
Почему важно думать и про агентов? Они не прощают того, что прощает человек. Человек стерпит лаг, додумает кривую формулировку, выкрутится из непонятного дашборда. Агенту нужны машиночитаемость, детерминизм и осмысленные тексты ошибок — чтобы поправить себя без человека. Это приводит нас к необходимости наконец чинить API, доки и данные, на которые годами забивали ради красивого UI.
Ну и "чинить" надо не всё подряд:
— Стандарты для агентов есть, но не факт, что ими реально пользуются, ну или их могли пересмотреть.
— Удобство для агента может убрать проверки, которые защищают человека от случайных действий.
— Ну и лучше сначала проверить логи и реальные сценарии, а не срочно переписывать продукт под модное веяние.
О чем тогда надо подумать в продукте:
— посмотреть логи и user-agent — ходят ли агенты к вам вообще, или пока рано что-то предпринимать
— навести порядок в API и доках: чистый OpenAPI, понятные ошибки, чтобы агент сам себя поправил
— задать границы полномочий: что агенту можно авторизовать без человека, а что — нельзя
— не убирать трение там, где оно защищает пользователя
#agents #thoughts #mcp #ai
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥4❤3