The Agentic OS & Skill Ecosystem

Выложил свою экосистему для ИИ агентов

Здесь собраны фреймворки и скиллы:

1. Разработка и Инженерия
2. Автоматизация процессов
3. Личная продуктивность и База знаний
4. Продуктовый менеджмент
5. UI/UX и Дизайн-системы
6. Тексты, Копирайтинг и Де-слоппинг
7. Исследования, Анализ и SOTA
8. Бизнес, Стратегия и Продажи
9. Маркетинг, SEO и Аналитика
10. Операционка и Делегирование
11. ИИ-оптимизация и Безопасность
12. Мета-навыки и Аудит

А также фреймворки для разработки продуктов:
1.Git. Ship. Done
2. Superpowers
3. Autonomous Dark Factory
4. Arscontexta

==

🔗 https://github.com/Asmadey/skills

Скиллы для продактов от Lenny Rachitski

🔗 Lenny's Product Skills for Claude Code 2.0

76 навыков управления продуктами и инженерии собранных из полного архива подкаста и рассылки Ленни: 597 эпизодов и публикаций, 4019 подтвержденных источников, каждая цитата проверена дословно по первоисточнику.

Cтруктура сгруппирована по областям: стратегия, планирование, исследование, разработка, запуск, рост, команда и ops, а также вертикальные руководства и карьерный путь.

AI LEAD — новый тренд?

На днях проскочила новость: сколково запустил программу AI mini MBA, разработчик Павел Розов сделал фокус на улучшение P&L за счет ИИ-инициатив (расчет фин.эффектов, защита бюджета, питчи и вот это всё, чем занимается любой топ).

На практике, что интересно, недавно «Детский мир» ввел должность директора по внедрению ИИ, наняли Па­вла Лат­ве­наса, а сейчас на hh ДетМир ищет тимлида AI-автоматизаций. На практике считать P&L ≠ внедрять AI.

Где подвох?

Традиционно топ-менеджер по ИТ/ИИ это не про процесс, а про результат (ответственность за рост): защиту бюджета, красивые графики, ROI, лидерство и найм, а делают проекты — лиды направлений.

Поэтому в AI трансформациях (как и в digital) это разные роли, а не одна, как учит Сколково на программе Директор по ИИ

Давайте разбираться на реальных данных в чем разница.

Спрос на роль, по ощущениям, вырос в 2-3 раза.
По факту — соотношение 3.6 : 1 (анализ вакансий hh.ru с «ИИ»), в опросе сколково - 79% участников столкнулись с дефицитом

Мой агент проанализировал вакансии с 01.08 до 08.10, что я для себя выделил:

1️⃣ Локальна автоматизация = Профиль работодателей у всех разный, соответственно чаще и бОльше вакансий ищут специалиста (чтобы и аудит провел, сам прототип запустил с eval-ами, людей обучил). Поэтому «Собирать руками / играющий тренер» — 50%, это второе по частоте требование после архитектуры.

2️⃣ Осмысленная автоматизация = Определить ЧТО и КАК автоматизировать. Такой специалист (иногда менеджер, играющий тренер) в 38% вакансиях должен уметь определить бэклог ИИ-инициатив и приоритизировать. Я разделяю здесь: 100% автоматизируемые процессы / частично автоматизируемые с HITL / ко-пилоты, которые помогают человеку. Это не совсем про AI-native, т.к. компании стремятся к текущим процессам прикрутить AI, а не полностью переосмыслить процессы и, возможно, даже убрать их и полностью заменив AI агентами (боятся паники на корабле).

3️⃣ Автоматизация с гарантией = Способность дать импакт на Бизнес за счет ИИ в 52% вакансиях — это уже не про пилоты где 1 из 10 дает фин. эффект, а про коммерческую выгоду, должен быть опыт / наличие кейсов в с пруфами. Такой опыт ценится, т.к. эксперт понимает как показать фин. эффекты. По BPR фреймворку обычно это значит, что ты уже неоднократно прошел путь: аудит → запуск прототипа/PoC → MVP → прод. решение → провел обучение/воркшопы с сотрудниками (по сути отчасти ф-ционал проджекта и консультанта).

4️⃣ Автоматизация которая обеспечит лидерство в нише/индустрии = ИИ-стратегия встречается в 43%, что под ней понимается в каждой вакансии — вопрос хороший (часто там кроется Roadmap, иногда обучение, иногда с расчетом PnL и ROI, иногда всё сразу). По сути стратегия это КАК бизнес сможет БОЛЬШЕ зарабатывать с применением ИИ в разных его вариациях использования.

5️⃣ Ускорение автоматизации за счет обучения других = Обучать других нужно в 47% вакансиях, и это самое важное на мой взгляд, т.к. нужен кто-то будет постоянно в тренде, ибо скорость изменения в индустрии — самая быстрая, и не достаточно что-то знать в моменте, что завтра уже устрареет, поэтому я бы добавил что важно не само обучение, а нужен постоянно свежий взгляд, понимание новых технологий, желание исследовать новые подходы/инструменты. По сути ключевое здесь — soft skills любознательного исследователя, который не боится эксперементировать→учиться и передавать полученный опыт коллегам в формате воркшопа.

ЗП по таким обязанностям от 100 до 300 тыс.

Дальше уже более масштабные инфраструктурные изменения в крупном бизнесе:

6️⃣ Автоматизация агентами вместо людей = Агенты (agentic / multi-agent) — 47%, здесь хотят видеть опыт внедрения агентов на масштабе (банки, корпы), как правило на базе LangGraph (уже стандарт) с observability этих агентов (с опыт использования LangFuse/LangSmith — мониторинг как функция: оценка качества, анализ ошибок, галлюцинаций, расходы, точность, ложные срабатывания) и Guardrails (PII, 152-ФЗ/ПДн)

7️⃣ Устойчивый фундамент автоматизации:
Архитектура / system design — 52.4%: выбор модели, схема размещения (on-prem / private / public / hybrid), отказоустойчивость, масштабируемость, проектирование API-интеграций. Без этого «AI Lead» не читается — читается «продакт, который разобрался в агентах».

Инфра — 21.4% это про tech-экспертов, нужно уметь развернуть on-prem (vLLM, Docker Sandbox, Kubernetes, Git), определить какое железо нужно, какой инференес может дать, заказать CPU/GPU, стойки и всё это настроить «чтоб работало», организовывать dev и prod контуры
(индекс готовности ИИ-инфраструктуры российских компаний по методике Orion soft = 38 из 100 баллов)

8️⃣ Обучение — 15% (менторство / skill sharing — 19%, обучить C-level — 14.3%)

9️⃣ Стандарты, регламенты — 21.4%: разработка методологии, управления изменениями или орг. развития, единые стандарты разработки моделей, политик и процессов, методология оценки AI Maturity Index. На head-уровне это половина работы: не делать самому, а задавать стандарт для чужих команд.

🔟 Найм и построение команды — 19% дословно, 26.2% управление людьми, 40.5% агрегированно.

===

Вывод: Head of AI / AI Transformation Lead, и «AI Lead» — про разное.
- Head of AI – про бизнес и как с ИИ заработаем.
- AI Lead – как и на чем это будет работать + орг. слой (команда, методология, вендоры)
- Руководитель внедрения ИИ – MVP руками, интеграции с системами, автоматизация процессов, агенты
- AI Product – P&L digital-каналов + запуск ИИ-продуктов, метрики продукта

Разброс по рынку кого ищут:
lead — 29, head — 12, middle — 1
Опыт: 3–6 лет — 23, 6+ — 13, 1–3 года — 6 (медиана — 3–6 лет.)
Зарплата указана только в 26% вакансиях ср. уровня от 100 до 400 gross

Мультиагентный мультимодальный пайплайн

Как оценивать видео-контент синтетическими персонами?

🎞 в ролике показал пайплайн на базе мультимодальной видеомодели Qwen3 VL 30B и Qwen3.6-35B-A3B.

Решение классической проблемы долгих и дорогих фокус-групп: видеоролик нарезается на сцены, анализируется моделью Qwen3 VL, транскрибируется с диаризацией по спикерам, после чего репрезентативная синтетическая аудитория (с профилями «Большой пятерки» и социодемографией) отвечает на вопросы из анкеты с оценкой NPS, досматриваемости и восприятия смыслов.

Качество ответов контролируется независимым контуром валидации (LLM-as-a-Judge), а весь агентный граф оркестрируется через LangGraph + трейсинг через Langfuse.

Тайм-коды

00:00 — Архитектура (Redis, Mongo, S3)
00:31 — Концепция: оценка видео
01:06 — Пайплайн: VAD, STT и Qwen3 VL
02:00 — Аудитория, параметры и анкеты
02:22 — AI Cтек
03:45 — Аудитории на базе датасета
04:14 — Конструктор анкет
04:48 — Запуск и мониторинг пайплайна
05:55 — Результаты: таймлайн, ответы
06:35 — Метрики исследования
07:20 — Сегменты, аналитика
07:55 — Карточка персоны
08:48 — Версионирование и Настройки
09:14 — Prompt Studio
10:15 — LLM-as-a-Judge
11:00 — Биллинг токенов и OpenAPI
11:32 — Экспорт отчетов
11:35 — Интерактивный чат с персонами
12:08 — Шеринг отчета исследования
12:30 — Observability в Langfuse
13:35 — Планы: RAG и векторная БД

Стек: LangGraph, FFmpeg, Qwen3 VL 30B, Qwen3.6-35B-A3B, Silero VAD, STT GigaAM / Parakeet / Whisper. Observability: Langfuse. Backend & Data: FastAPI, PostgreSQL, Valkey (Redis), MongoDB, S3

Claude Mod для ускорения разработки

В 🎞 видео показал как использую новый плагин Mod для CC

- контроль кэша чтобы не терять контекст при простое сессии
- предлагает next steps
- интеграция с claude-mem
- расчет стоимости сессии в $ и токенах
- контроль дневных и недельных лимитов
- хоткеи: handoff summary и enhance prompt
- контроль допущений агента перед PR