РАБОТА В DS НА ВАЛЮТНУЮ УДАЛЁНКУ: разбор собеседования на $8000/мес

Сегодня разбираю реальное собеседование с валютной удалёнки моего ученика на 8к зелёных грязных бумажек, он кста туда оффер получил, сейчас в Испании с дельфинами катается 😘

Видос получился крайне сочный и информативный, поэтому если хочешь кайфовать не с 300к, а 800к ЗПшкой где-нибудь в Тайланде, причмокивая кокос, то видео обязательно к просмотру 🤑

Специально для вас заморочился с продакшном и картинкой, чтобы ваши глазки радовались 😍

Ссылочка на видосик

➡️A/B-тесты для AI-ботов

Начал экспериментировать с повышением качества ботов, основываясь на обратной связи от пользователей.

Добавил в бота по переговорам функцию оценки результатов. Теперь после завершения каждой сессии пользователь может оценить, насколько полезной оказалась полученная информация.

Все оценки автоматически отправляются в Langfuse, где я вижу статистику по каждой сессии и по каждой задействованной версии промпта.


Что это дает:
➖Могу проводить A/B-тесты промптов и сравнивать пользовательские оценки для каждого варианта
➖Могу тестировать разные модели - сейчас под капотом GPT-5, но можно попробовать GPT-5 mini (а так же многие другие дешевые модели) и посмотреть, насколько просядет качество

Если вы до сих пор не используете систему отслеживания работы ллм - настоятельно рекомендую начать попробовать)

➡️Два подхода к созданию ИИ агентов

В статье Битва за агентов подробно расписано про разницу подходов у OpenAI и LangChain к работе ИИ агентов. Рекомендую к изучению.

Для тех, кому не хочется погружаться в технический дебри, я сделал более простое (как мне кажется) изложение. Заодно и сам хоть понял что к чему😄

Итак, в мире ИИ-сервисов существует три основных подхода к организации работы:

Pipeline - это конвейер, где данные проходят через фиксированную последовательность этапов, как деталь на заводе: получили запрос → проанализировали → обработали → выдали ответ. Просто, предсказуемо, но негибко — если клиент на этапе оплаты решил изменить заказ, придётся начинать сначала.

Декларативный подход - похож на схему метро: все возможные маршруты прорисованы заранее, есть развилки и альтернативные пути, но вы не можете поехать там, где рельсов нет. Вы описываете граф состояний и переходов, а система следует по нему, выбирая нужную ветку в зависимости от условий. За этот подход топит ЛангГраф.

Императивный подход - работает совершенно иначе - вы даёте AI цель и набор инструментов, а дальше он сам решает, как действовать. Чаще всего в основе лежит паттерн ReAct (Reasoning + Acting): AI размышляет о задаче, выбирает действие, наблюдает результат и решает, что делать дальше. Это как отправить опытного сотрудника решить проблему клиента - он сам определит, нужно ли сначала выяснить бюджет или важнее понять сценарий использования, когда привлечь специалиста, а когда справится сам. За этот подход топит ОпенАИ.


Примеры декларативного и императивного подходов

Пример 1: Служба поддержки банка

У вас два AI-агента:

➖Агент переводов
➖Агент кредитов

Сценарий клиента:
"Хочу перевести деньги и узнать про кредит на машину"

ДЕКЛАРАТИВНЫЙ ПОДХОД (карта)
1. Анализ запроса → два вопроса обнаружено
2. Сначала → Агент переводов (критично по времени)
3. Потом → Агент кредитов (может подождать)
4. Проверка → все ли решено?
5. Завершение
✅ Клиент всегда получит ответ в одинаковом порядке
✅ Легко проверить для аудита
❌ Негибко для нестандартных ситуаций

ИМПЕРАТИВНЫЙ ПОДХОД (компас)
AI сам решает:
- Может спросить "Что важнее сейчас?"
- Может параллельно запустить обоих агентов
- Может предложить сначала оформить кредит, чтобы были деньги для перевода
✅ Адаптируется под контекст
✅ Может найти неочевидные решения
❌ Непредсказуемый результат
❌ Сложно контролировать


Пример 2: Интернет-магазин техники

Агенты:

➖Консультант по товарам
➖Менеджер доставки

Сценарий клиента:
"Посоветуйте ноутбук для работы и доставьте завтра"

ДЕКЛАРАТИВНЫЙ:
Жёсткая последовательность:

Консультант выясняет требования
Предлагает 3 модели
После выбора → передача менеджеру доставки
Менеджер проверяет возможность на завтра

Проблема: Что если завтра доставки нет? Клиент зря потратил время на выбор.

ИМПЕРАТИВНЫЙ:
AI может сразу проверить доставку на завтра и предложить только те модели, которые успеют привезти. Или спросить, что важнее — конкретная модель или срочность?


Пример 3: Медицинская система

ГДЕ НУЖЕН ДЕКЛАРАТИВНЫЙ:
Пациент: "У меня болит голова и нужен больничный"

Фиксированный протокол:
1. Сбор симптомов → обязательно все пункты
2. Проверка противопоказаний → без пропусков
3. Только потом → выдача больничного

Нельзя пропускать шаги или менять порядок!

ГДЕ ПОДОЙДЁТ ИМПЕРАТИВНЫЙ:
Фитнес-консультант AI:
"Хочу похудеть и накачать пресс"

AI свободно решает:
- Начать с питания или тренировок?
- Предложить сначала обследование?
- Адаптироваться под ответы человека


Главный вывод

Декларативный = Рецепт
Вы даёте AI пошаговый рецепт. Он не может от него отступить.
Когда нужно: банки, медицина, юридические услуги

Императивный = Цель
Вы даёте AI цель. Он сам выбирает путь.
Когда нужно: творческие задачи, консультации, обучение

Кто же прав в споре?
OpenAI: "Дайте AI свободу, модели уже достаточно умные"
LangChain: "Без контроля AI может навредить. Нужен баланс"
Реальность: Идеальная система умеет работать в обоих режимах. Для оформления кредита — строгий протокол. Для выбора подарка — творческая свобода.

➡️Поисковая оптимизация и ИИ: размышления о современном подходе к созданию сайтов

Размышлять - не мешки ворочать. Поэтому хочу поделиться этой простыней с мыслями о построении инфраструктуры по созданию SEO-оптимизированных сайтов, максимально используя возможности ЛЛМ.

Контекст и предпосылки

Имея за плечами 16+ лет в SEO, я хорошо понимаю классические подходы к построению сайтов. Но сейчас, с появлением ЛЛМ и ИИ-инструментов, открываются совершенно новые возможности для автоматизации и оптимизации процессов.

Этот текст будет затравкой для общения - может кто-то скажет "есть такие-то готовые решения, стоит туда идти". Предметной области я не касался уже более 5 лет, и возможно многое изменилось в мире SEO и веб-разработки. И я придумываю велосипед. Если так – просьба сообщить в каментах.

Исходная ситуация

Есть простой сайт-визитка про ремонт помещений на Тильде. Задача - превратить его в многостраничник, где каждый вид услуг будет на отдельной странице.
Почему это важно? Поисковики любят, когда под каждый запрос есть отдельная релевантная страница — это значительно повышает шансы попасть в топ выдачи.


Где будем использовать ИИ?

Да практически везде! Пока это будет не полностью автоматизированный пайплайн с тыщей агентов под капотом и обманутыми ожиданиями😄, а что-то похожее на вайб-SEO, где ручному труду отдается 10-30%.

Итак, задействуем ИИ тут:
➖Создание сайта и интеграция его на новую платформу
➖Анализ семантики и кластеризация
➖Изучение конкурентов
➖Генерация контента
➖Оптимизация структуры

Концепция вайб-SEO:

Шаг 1: Перенос и структурирование

Пересобираем исходный сайт-визитку в ИИ-сервисе Lovable. Там же закладываем правильную структуру:
➖Шапка сайта (хедер) - единая для всех страниц
➖Основной контент - уникальный для каждой страницы. Создаем типовые блоки с нумерацией, списками, цитатами, заголовками всех видом и т.д.
➖Подвал (футер) - тоже единый

Шапку и подвал делаем отдельными блоками - так проще вносить изменения на весь сайт сразу.

Шаг 2: Подключение системы управления сайтом

Здесь нужны два инструмента, которые предстоит развернуть:
➖ Strapi - Система для хранения контента — это как БД для всех текстов, картинок и данных сайта
➖Astro - Система для сборки страниц — она берет контент и превращает его в быстрые веб-страницы
Переносим в Курсоре код из Lovable на Astro
Альтернатива Strapi + Astro - что-то типа вордпреса, но очень он кривой и неспешный.

Шаг 3: Сбор семантики с помощью ИИ

Используем Яндекс.Вордстат для сбора всех вариантов запросов (как люди ищут услуги ремонта). Получаем сотни разных формулировок: "ремонт квартир", "отделка помещений", "евроремонт под ключ" и т.д.
Роль ИИ: Отправляем все эти запросы в ЛЛМ для кластеризации - ИИ сам сгруппирует похожие запросы и подскажет, какие страницы нужно создать.

Шаг 4: Анализ конкурентов через ИИ

Для каждого ключевого запроса:
1. Через SerpApi находим топ-3 сайта в выдаче (лучше смотреть Москву — там самая жесткая конкуренция и качественные сайты)
2. Отправляем ссылки в Perplexity, чтобы он извлек текст со страницы и метаданные (ключевые слова, мета-теги, описание для поисковых роботов)
3. Генерируем там же свой вариант.

Результат: ИИ создает для нас "идеальную" страницу, которая объединяет лучшие практики топовых конкурентов.

Вместо Perplexity можем использовать вэбскрапперы (системы для парсинга вебстраниц – их часто целесообразно использовать для обхода защит от ботов) . Я лично использую scrapeops.io – он достаточно дешев и стабилен

Шаг 5: Автоматическое наполнение

Вместо ручного создания десятков страниц:
➖Пишем скрипт, который берет данные от ИИ
➖Автоматически создаем новые страницы в базе данных
➖Наполняем их оптимизированным контентом

Шаг 6: Сайт залетает в ТОП яндекса

Как следствие:
➖Экономим на рекламе
➖Ловим перелидоз
➖Стрижом баблосы
➖Восхищаемся собой
➖Говорим, а Коренев-то неплохую тему накинул - красава!


Повторив эти 6 шагов ты можешь заработать свой миллион долларов! Для нетерпеливых рекомендую сразу начать с шага 6😄


Кста, кому такое надо внедрить? Кто хочет такое научиться делать?