ИИ для продакта & CPO | Влад Прошинский
Создание ИИ агентов в n8n сильно преувеличена 🤔 Ранее я писал почему это не имеет смысла. Но. Сама концепция внедрения ИИ агентов в бизнесы — на пике популярности. Связки на базе ИИ разлетаются как горячие пирожки и на этом можно и нужно зарабатывать.…
↓↓↓
Платформы для запуска ИИ агентов
Taskade — полноценная команда агентов, проекты и автоматизация в едином пространстве.
Есть как и разовые агенты, так и команды ИИ агентов. Совместные агенты планируют, делегируют и выполняют задачи сообща.
Готовые решения:
- Автоматизированная публикация в Facebook
- Обратная связь клиентов в задачи
- Адаптация новых сотрудников
- Маркетинговые кампании на ИИ
- YouTube видео в блог-посты
===
Scade — платформу для запуска контент-маркетинга через ИИ-агентов
- Конструктор агентов
- 1500+ моделей
- RAG — загружаешь свою базу данных
- LoRA fine-tuning — дообучаешь модели под свой стиль
===
MindPal — Платформа ИИ-агентов.
Что умеет?
- RAG (PDF, видео, документы → ИИ-ассистент)
- Мульти-агентные процессы — один исследует, второй пишет, третий редактирует, четвертый отправляет клиентам
- Есть интеграция через MCP
Сценарии:
- Автоматизация онбординга клиентов — от первого контакта до запуска проекта
- Создание контент-конвейера — исследование темы → написание → редактура → публикация
- Персональные ИИ-консультанты — отвечают клиентам в вашем стиле
- Превращаете рабочие процессы в веб-формы → встраиваете на сайт → берете плату через Stripe
===
Сassidy — корпоративная платформу ИИ автоматизации с глубоким пониманием контекста.
- Обогащение лидов — автоматически квалифицирует входящие заявки
- Ответы на тендеры — генерирует коммерческие предложения на основе внутренней базы знаний
- Подготовка к звонкам — анализирует клиента и обновляет CRM без участия менеджера
- Поддержка клиентов
- Работает внутри Slack, Teams, Excel, Word и сотен других инструментов
Сценарии:
- Мониторинг конкурентов — постоянно работающие исследовательские агенты[1]
- Фирменный стиль — пишет в голосе вашего бренда каждый раз[1]
- Репурпосинг контента — адаптирует материалы за секунды
Фаундер Lindy.AI показал, как за 36 минут собрать 5 ИИ-агентов и заменить 70% задач личного ассистента
Dify — удобный визуальный конструктор, гибкие автоматизации, RAG из коробки.
- 200+ готовых шаблонов от чат-ботов до SQL-генераторов
- Может обрабатывать 50 000 отзывов в месяц
- Prompt IDE — визуально тестируешь и оптимизируешь промпты
- Enterprise LLMOps — мониторинг, логи, дообучение моделей
===
Relay — инструмент (мой фаворит), где ИИ и люди работают в связке. ИИ + человек = идеальная автоматизация. Создаешь Playbook → настраиваешь шаги → назначаешь роли команде → запускаешь автоматически или вручную.
- Встроенный ИИ без промптов (LLM managed workflows) — извлекает данные из писем, суммирует встречи, классифицирует тикеты поддержки одним кликом
- Может остановить автоматизацию для проверки, одобрения или добавления личного касания
- Мультиплеер — роли динамически назначают задачи разным участникам команды
Сценарии:
- Адаптация сотрудников
- Обработка фидбека
- Генерация заметок из встреч Fireflies
- 100+ интеграций с Notion, Slack, Google Drive и ещё
===
Сrew ai — b2b → 60% Fortune 500 уже используют мульти-агентов от Crew.
- 29,4k звезд на GitHub — самый быстрорастущий фреймворк для агентов
- 150+ стран используют платформу
- Облачное и локальное развертывание
- Интеграция с любыми приложениями
Рекомендации по разработке агентов
----
Консультации по ИИ
Платформы для запуска ИИ агентов
Taskade — полноценная команда агентов, проекты и автоматизация в едином пространстве.
Есть как и разовые агенты, так и команды ИИ агентов. Совместные агенты планируют, делегируют и выполняют задачи сообща.
Готовые решения:
- Автоматизированная публикация в Facebook
- Обратная связь клиентов в задачи
- Адаптация новых сотрудников
- Маркетинговые кампании на ИИ
- YouTube видео в блог-посты
===
Scade — платформу для запуска контент-маркетинга через ИИ-агентов
- Конструктор агентов
- 1500+ моделей
- RAG — загружаешь свою базу данных
- LoRA fine-tuning — дообучаешь модели под свой стиль
===
MindPal — Платформа ИИ-агентов.
Что умеет?
- RAG (PDF, видео, документы → ИИ-ассистент)
- Мульти-агентные процессы — один исследует, второй пишет, третий редактирует, четвертый отправляет клиентам
- Есть интеграция через MCP
Сценарии:
- Автоматизация онбординга клиентов — от первого контакта до запуска проекта
- Создание контент-конвейера — исследование темы → написание → редактура → публикация
- Персональные ИИ-консультанты — отвечают клиентам в вашем стиле
- Превращаете рабочие процессы в веб-формы → встраиваете на сайт → берете плату через Stripe
===
Сassidy — корпоративная платформу ИИ автоматизации с глубоким пониманием контекста.
- Обогащение лидов — автоматически квалифицирует входящие заявки
- Ответы на тендеры — генерирует коммерческие предложения на основе внутренней базы знаний
- Подготовка к звонкам — анализирует клиента и обновляет CRM без участия менеджера
- Поддержка клиентов
- Работает внутри Slack, Teams, Excel, Word и сотен других инструментов
Сценарии:
- Мониторинг конкурентов — постоянно работающие исследовательские агенты[1]
- Фирменный стиль — пишет в голосе вашего бренда каждый раз[1]
- Репурпосинг контента — адаптирует материалы за секунды
Dify — удобный визуальный конструктор, гибкие автоматизации, RAG из коробки.
- 200+ готовых шаблонов от чат-ботов до SQL-генераторов
- Может обрабатывать 50 000 отзывов в месяц
- Prompt IDE — визуально тестируешь и оптимизируешь промпты
- Enterprise LLMOps — мониторинг, логи, дообучение моделей
===
Relay — инструмент (мой фаворит), где ИИ и люди работают в связке. ИИ + человек = идеальная автоматизация. Создаешь Playbook → настраиваешь шаги → назначаешь роли команде → запускаешь автоматически или вручную.
- Встроенный ИИ без промптов (LLM managed workflows) — извлекает данные из писем, суммирует встречи, классифицирует тикеты поддержки одним кликом
- Может остановить автоматизацию для проверки, одобрения или добавления личного касания
- Мультиплеер — роли динамически назначают задачи разным участникам команды
Сценарии:
- Адаптация сотрудников
- Обработка фидбека
- Генерация заметок из встреч Fireflies
- 100+ интеграций с Notion, Slack, Google Drive и ещё
===
Сrew ai — b2b → 60% Fortune 500 уже используют мульти-агентов от Crew.
- 29,4k звезд на GitHub — самый быстрорастущий фреймворк для агентов
- 150+ стран используют платформу
- Облачное и локальное развертывание
- Интеграция с любыми приложениями
Если вы Enterprise — вам сюда
! Разобравшись с ним — можно зарабатывать очень хорошо.
Рекомендации по разработке агентов
----
Консультации по ИИ
❤5
Директора по маркетингу увеличивают инвестиции в ИИ
Цифры:
83% директоров по маркетингу с оптимизмом смотрят на генеративный ИИ, по сравнению с 74% в 2023 году.
Уровень беспокойства снизился с 46% до 23%, а уровень прямого неприятия снизился до всего 8%.
71% планируют инвестировать не менее 10 млн долларов в течение следующих трех лет, по сравнению с 57%.
68% используют или планируют использовать ИИ для создания и улучшения видео в реальном времени, а 91% — для перевода текста.
Что касается персонализации, 50% уже используют ИИ для рекомендаций по продуктам, 43% — для охвата по времени и 36% — для сегментации аудитории.
----
Консультации по ИИ
Цифры:
83% директоров по маркетингу с оптимизмом смотрят на генеративный ИИ, по сравнению с 74% в 2023 году.
Уровень беспокойства снизился с 46% до 23%, а уровень прямого неприятия снизился до всего 8%.
71% планируют инвестировать не менее 10 млн долларов в течение следующих трех лет, по сравнению с 57%.
68% используют или планируют использовать ИИ для создания и улучшения видео в реальном времени, а 91% — для перевода текста.
Что касается персонализации, 50% уже используют ИИ для рекомендаций по продуктам, 43% — для охвата по времени и 36% — для сегментации аудитории.
----
Консультации по ИИ
❤4
ИИ для продакта & CPO | Влад Прошинский
Тренд: AI-agentic finance Через 1-2 года — ИИ, трейдер и домохозяйка будут иметь схожие результаты при одинаковых ставках. А выиграют те, кто управляет инфраструктурой. AgentSmyth собирает армию ИИ-агентов, которые берут на себя всё, что раньше делал аналитик:…
9 Counterintuitive Investment Principles from Mohnish Pabrai.pdf
35.5 MB
↓↓↓
9 нелогичных принципов инвестирования
by Mohnish Pabrai
1. Покупай существующие бизнесы
Это основной принцип Уоррена Баффета: покупать доли в уже существующих, стабильных бизнесах, вместо того чтобы пытаться создавать их с нуля.
2. Избегай хай-тека
Мониш избегает технологических компаний, потому что они быстро меняются и трудно предсказуемы. Он предпочитает компании в медленно развивающихся отраслях, которые легче анализировать и предсказывать.
3. Ищи "рвы"
Ищи бизнесы с долговременными конкурентными преимуществами — «экономическими рвами», такими как бренды, лицензии, сети дистрибуции и т. д. Это делает их устойчивыми к конкуренции.
4. Ищи бизнесы с временными трудностями
Покупай компании, переживающие временные трудности, но с хорошими долгосрочными перспективами. Рынок часто чрезмерно наказывает такие компании, создавая возможность для покупки с дисконтом.
5. Ищи арбитражные ситуации
Пабрая интересуют арбитражные возможности — разницы в оценке одного и того же актива в разных местах. Примеры:
- Арбитраж при слияниях и поглощениях
- Коммодити-арбитраж
- Дхандхо-арбитраж: покупка активов у владельцев, желающих быстро выйти
6. Инвестируй редко, но крупно
Делайте большие инвестиции только в случае высокой уверенности, а остальное время держите наличность. Не стремитесь к постоянной активности.
7. Маржа безопасности
Покупайте с существенным запасом по цене относительно реальной стоимости актива. Это снижает риск потерь при неблагоприятном сценарии.
8. Низкий риск ≠ низкая неопределённость
Рынок часто путает риск и неопределённость. Выгодно инвестировать в активы с высокой неопределённостью, но низким реальным риском потерь.
9. Копируй великих
Мониш активно изучает и копирует Баффета, Манжера и других великих инвесторов. Он верит, что заимствование идей — это разумный путь к успеху.
Основная стратегия — искать инвестиции с ограниченным убытком и неограниченным потенциалом роста.
9 нелогичных принципов инвестирования
by Mohnish Pabrai
Мониш Пабрай развил IT-компанию до $20 млн выручки, затем продал в 2000 году. Теперь он полностью посвятил себя инвестициям, имея $1 млрд под управлением инвест фондов. Будучи учеником Уоррена Баффета, Пабрай обладает сверхъестественной способностью находить возможности,
1. Покупай существующие бизнесы
Это основной принцип Уоррена Баффета: покупать доли в уже существующих, стабильных бизнесах, вместо того чтобы пытаться создавать их с нуля.
“Я бы предпочёл купить отличную компанию по разумной цене, чем посредственную компанию по отличной цене.”
2. Избегай хай-тека
Мониш избегает технологических компаний, потому что они быстро меняются и трудно предсказуемы. Он предпочитает компании в медленно развивающихся отраслях, которые легче анализировать и предсказывать.
3. Ищи "рвы"
Ищи бизнесы с долговременными конкурентными преимуществами — «экономическими рвами», такими как бренды, лицензии, сети дистрибуции и т. д. Это делает их устойчивыми к конкуренции.
4. Ищи бизнесы с временными трудностями
Покупай компании, переживающие временные трудности, но с хорошими долгосрочными перспективами. Рынок часто чрезмерно наказывает такие компании, создавая возможность для покупки с дисконтом.
5. Ищи арбитражные ситуации
Пабрая интересуют арбитражные возможности — разницы в оценке одного и того же актива в разных местах. Примеры:
- Арбитраж при слияниях и поглощениях
- Коммодити-арбитраж
- Дхандхо-арбитраж: покупка активов у владельцев, желающих быстро выйти
6. Инвестируй редко, но крупно
Делайте большие инвестиции только в случае высокой уверенности, а остальное время держите наличность. Не стремитесь к постоянной активности.
7. Маржа безопасности
Покупайте с существенным запасом по цене относительно реальной стоимости актива. Это снижает риск потерь при неблагоприятном сценарии.
8. Низкий риск ≠ низкая неопределённость
Рынок часто путает риск и неопределённость. Выгодно инвестировать в активы с высокой неопределённостью, но низким реальным риском потерь.
9. Копируй великих
Мониш активно изучает и копирует Баффета, Манжера и других великих инвесторов. Он верит, что заимствование идей — это разумный путь к успеху.
Основная стратегия — искать инвестиции с ограниченным убытком и неограниченным потенциалом роста.
❤3
Наверное, мне стоит взять за это плату💭
Потому что это самое мощное руководство, которым я делился
Это не чек-лист «ценности публикации» в LinkedIn
Это реальная система, стоящая за этим:
→ 100+ довольных клиентов
→ 20+ входящих лидов в месяц
→ Распроданные предложения от 1 поста
→ LinkedIn в качестве клиентского движка
Вы получаете:
→ Конвертируемые офферы
→ Hooks для остановки прокрутки
→ Обмен сообщениями, укрепляющий доверие
→ личные сообщения, составляющие контента, продающие посты
И все это в 16 простых шагах.
Делайте репосты, чтобы помочь другим тоже расти.
Потому что это самое мощное руководство, которым я делился
Это не чек-лист «ценности публикации» в LinkedIn
Это реальная система, стоящая за этим:
→ 100+ довольных клиентов
→ 20+ входящих лидов в месяц
→ Распроданные предложения от 1 поста
→ LinkedIn в качестве клиентского движка
Вы получаете:
→ Конвертируемые офферы
→ Hooks для остановки прокрутки
→ Обмен сообщениями, укрепляющий доверие
→ личные сообщения, составляющие контента, продающие посты
И все это в 16 простых шагах.
Делайте репосты, чтобы помочь другим тоже расти.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
ИИ превращающие ИИ сгенерированный текст в «человечный»
UnGPT — превращает текст, сгенерированный ИИ, в естественный и «человечный» контент
humanize.ai — Ai Humanizer
BypassGPT — анти-детект ИИ-сгенерированного текста
RU
1 humanizer-ru
2 https://github.com/Vladimir-Human/humanizer-ru
EN
humanizer-skill ENG со Score-ами
1 skill
----
Консультации по ИИ
UnGPT — превращает текст, сгенерированный ИИ, в естественный и «человечный» контент
humanize.ai — Ai Humanizer
BypassGPT — анти-детект ИИ-сгенерированного текста
RU
1 humanizer-ru
2 https://github.com/Vladimir-Human/humanizer-ru
EN
humanizer-skill ENG со Score-ами
1 skill
----
Консультации по ИИ
❤3
Джун — ИИ ко-пилот для рекрутера
Какие продукты нужно запускать? — которые сокращают простые рутинные операции (оценка тендерной документации, прохождение собеседований, подготовка КП, записи встреч и тп).
Джун — автоматизация HR на первом этапе воронки. Разбирает более 1500 откликов в минуту.
Устанавите фильтры → скриннинг → автом отправка приглашения на интервью
Уже 2 млн. MRR за 4 месяца
Какие продукты нужно запускать? — которые сокращают простые рутинные операции (оценка тендерной документации, прохождение собеседований, подготовка КП, записи встреч и тп).
Джун — автоматизация HR на первом этапе воронки. Разбирает более 1500 откликов в минуту.
Устанавите фильтры → скриннинг → автом отправка приглашения на интервью
Уже 2 млн. MRR за 4 месяца
❤3
Программа обучения ИИ станет новой нормой
Так например правительство Великобритании запускает общенациональную программу обучения ИИ, чтобы помочь молодым людям и работникам подготовиться к будущему, в котором ИИ будет играть более важную роль в повседневной работе.
Исследования показывают, что к 2035 году ИИ станет частью работы, которую будут выполнять около 10 миллионов человек по всей стране.
В рамках инициативы TechFirst стоимостью 187 млн. фунтов один миллион учащихся средних школ получат доступ к инструментам обучения, ориентированным на ИИ.
Его основное подразделение, TechYouth, будет работать в течение трех лет и намерено охватить все средние школы Великобритании.
Также заключено новое партнерство с такими технологическими гигантами, как Google, Microsoft и Amazon, в рамках которого к 2030 году будет предложено бесплатное обучение в области ИИ 7,5 миллионам работников.
Так например правительство Великобритании запускает общенациональную программу обучения ИИ, чтобы помочь молодым людям и работникам подготовиться к будущему, в котором ИИ будет играть более важную роль в повседневной работе.
Исследования показывают, что к 2035 году ИИ станет частью работы, которую будут выполнять около 10 миллионов человек по всей стране.
В рамках инициативы TechFirst стоимостью 187 млн. фунтов один миллион учащихся средних школ получат доступ к инструментам обучения, ориентированным на ИИ.
Его основное подразделение, TechYouth, будет работать в течение трех лет и намерено охватить все средние школы Великобритании.
Также заключено новое партнерство с такими технологическими гигантами, как Google, Microsoft и Amazon, в рамках которого к 2030 году будет предложено бесплатное обучение в области ИИ 7,5 миллионам работников.
❤2
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ соберет слайды в Figma
Snapdeck превращает ваши идеи в профессиональные слайды за секунды. Работает прямо внутри Figma — никакого переключения между приложениями.
Почему это круто для продактов:
Создаёте диаграммы и схемы → ИИ превращает их в готовые слайды
Нужна презентация для стейкхолдеров → пишете промпт, получаете результат
Хотите тёмную или светлую тему → переключаете одной кнопкой
Что умеет:
— Генерирует слайды из текстового описания
— Создаёт сложные диаграммы и графики
— Работает на естественном языке
— Экспортирует в любые форматы
Тарифы:
Бесплатно — 5 слайдов в день, базовые темы
Pro за $6/месяц — безлимит слайдов, все темы, загрузка файлов
----
Консультации по ИИ
Snapdeck превращает ваши идеи в профессиональные слайды за секунды. Работает прямо внутри Figma — никакого переключения между приложениями.
Почему это круто для продактов:
Создаёте диаграммы и схемы → ИИ превращает их в готовые слайды
Нужна презентация для стейкхолдеров → пишете промпт, получаете результат
Хотите тёмную или светлую тему → переключаете одной кнопкой
Что умеет:
— Генерирует слайды из текстового описания
— Создаёт сложные диаграммы и графики
— Работает на естественном языке
— Экспортирует в любые форматы
Тарифы:
Бесплатно — 5 слайдов в день, базовые темы
Pro за $6/месяц — безлимит слайдов, все темы, загрузка файлов
----
Консультации по ИИ
❤5👍1
Как извлечь пользу из бесплатной AI Studio в Google
Telegraph
Как извлечь максимальную пользу из бесплатной AI Studio от Google
Google AI Studio позволяет легко попробовать новые инструменты AI компании бесплатно — никаких технических навыков или подписки не требуется; вам просто нужно войти в систему с помощью своей учетной записи Google. Вот несколько экспериментов Google AI, на…
❤3
10 Принципов Кайдзен для постоянного улучшения
(по Эрику Партакеру)
Кайдзен — это философия непрерывного совершенствования. Она применима и в жизни, и в бизнесе.
Ключевые принципы:
1️⃣ Откажись от предположений
Не думай, что текущие методы — лучшие. Всегда ставь под сомнение и ищи лучшие пути.
2️⃣ Будь проактивным
Находи проблемы до того, как они станут критичными. Решай их заранее.
3️⃣ Не принимай оправдания
Не зацикливайся на препятствиях — ищи способы их преодолеть.
4️⃣ Не соглашайся на статус-кво
Сопротивление переменам — нормально. Но рост возможен только через вызов привычному.
5️⃣ Находи проблемы сам
Ищи зоны для улучшений, не жди указаний сверху.
6️⃣ Вовлекай всех
Создавай культуру, в которой каждый чувствует, что может внести вклад.
7️⃣ Смотри глубже, за пределы очевидного
Не воспринимай проблемы на поверхности. Ищи коренные причины.
8️⃣ Фокусируйся на решениях
Думай, как сделать, а не почему это невозможно.
9️⃣ Не обвиняй
Сосредоточься на проблеме, а не на людях.
🔟 Никогда не останавливайся
Нет предела совершенству. Главное — непрерывный прогресс.
(по Эрику Партакеру)
Кайдзен — это философия непрерывного совершенствования. Она применима и в жизни, и в бизнесе.
Ключевые принципы:
1️⃣ Откажись от предположений
Не думай, что текущие методы — лучшие. Всегда ставь под сомнение и ищи лучшие пути.
2️⃣ Будь проактивным
Находи проблемы до того, как они станут критичными. Решай их заранее.
3️⃣ Не принимай оправдания
Не зацикливайся на препятствиях — ищи способы их преодолеть.
4️⃣ Не соглашайся на статус-кво
Сопротивление переменам — нормально. Но рост возможен только через вызов привычному.
5️⃣ Находи проблемы сам
Ищи зоны для улучшений, не жди указаний сверху.
6️⃣ Вовлекай всех
Создавай культуру, в которой каждый чувствует, что может внести вклад.
7️⃣ Смотри глубже, за пределы очевидного
Не воспринимай проблемы на поверхности. Ищи коренные причины.
8️⃣ Фокусируйся на решениях
Думай, как сделать, а не почему это невозможно.
9️⃣ Не обвиняй
Сосредоточься на проблеме, а не на людях.
🔟 Никогда не останавливайся
Нет предела совершенству. Главное — непрерывный прогресс.
❤4🔥1
e/acc
Совет о том как надо нанимать от СЕО Zapier. Маркетолог, продакт или юрист, который не понимает как автоматизировать часть своей работы через ИИ инструменты это просто-напросто некачественный найм.
↓↓↓
Не нанимать, если это может делать ИИ
1. В США теперь нанимают только тех, кто умеет работать с ИИ.
2. Если предполагаемую работу может делать ИИ — не нанимать людей на её выполнение.
Наконец-то на собесах спросят не «кем вы видите себя через 5 лет», а «как вы взаимодействуете с ИИ?»
12 вопросов из интервью от Zapier:
Как мы измеряем свободное владение ИИ в Zapier?
Неприемлемый: устойчивый к инструментам ИИ и скептически относящийся к их ценности.
Способный: использующий самые популярные инструменты ИИ. Вероятно, менее 3 месяцев опыта использования ИИ.
Адаптивный: сотрудники, интегрирующие ИИ в личные рабочие процессы. Они настраивают подсказки, объединяют модели в цепочки и автоматизируют задачи для эффективности.
Трансформирующий: золотая середина. Используют ИИ для переосмысления стратегии и предложения пользователям решений, которые были невозможны 2 года назад.
Реальные вопросы, которые мы задаём в интервью:
Маркетинг:
– Как ИИ меняет то, как вы планируете или проводите рекламные кампании?
– Как вы используете ИИ для персонализации сообщений, генерации контента или анализа эффективности?
Стафф:
– Можете ли вы поделиться примером того, как вы используете ИИ в своей повседневной работе?
– Можете ли вы поделиться примером процесса или программы, которую вы создали с помощью ИИ?
Продукт:
– Как ИИ влияет на SaaS?
– Приведите пример случая, когда вы использовали ИИ в функции продукта. Что улучшилось?
Не нанимать, если это может делать ИИ
1. В США теперь нанимают только тех, кто умеет работать с ИИ.
2. Если предполагаемую работу может делать ИИ — не нанимать людей на её выполнение.
CEO Zapier: Мы устанавливаем новый стандарт: 100% новых сотрудников должны свободно владеть ИИ от менеджеров до маркетологов.
Наконец-то на собесах спросят не «кем вы видите себя через 5 лет», а «как вы взаимодействуете с ИИ?»
12 вопросов из интервью от Zapier:
1. Как ты используешь AI в своей повседневной жизни?
2. Покажи MCP-сервер, который собрал сам.
3. Расскажи, как решил задачу через сложный многошаговый промпт.
4. Получаешь новую задачу — как подключаешь AI?
5. Делился ли ты в соцсетях, как используешь AI на практике?
6. Что понимаешь под «работой LLM»?
7. Когда AI не справился? И что ты сделал?
8. Почему прямо сейчас не используешь ИИ, чтобы пройти собес?
9. Чем отличаются Claude, ChatGPT, Gemini и Grok?
10. Возьми Factory.ai и собери любое простое приложение.
11. Представь, что ты делаешь умного робота. Как бы улучшил его интеллект?
12. Над чем, по твоему, работают сейчас Джони Айв и Сэм Альтман? А если бы ты был на их месте?
Как мы измеряем свободное владение ИИ в Zapier?
Вот несколько примеров для каждой роли. Обратите внимание, что это не требования или поля для проверки. Просто краткие примеры типов навыков, которые мы оцениваем.
Мы сопоставляем по 4 уровням: неприемлемый, способный, адаптивный и преобразующий.
Неприемлемый: устойчивый к инструментам ИИ и скептически относящийся к их ценности.
Способный: использующий самые популярные инструменты ИИ. Вероятно, менее 3 месяцев опыта использования ИИ.
Адаптивный: сотрудники, интегрирующие ИИ в личные рабочие процессы. Они настраивают подсказки, объединяют модели в цепочки и автоматизируют задачи для эффективности.
Трансформирующий: золотая середина. Используют ИИ для переосмысления стратегии и предложения пользователям решений, которые были невозможны 2 года назад.
Оценка происходит при отборе, тестах навыков, асинхронных упражнений и живых интервью. Сигналы объединяются на разных этапах.
Реальные вопросы, которые мы задаём в интервью:
Маркетинг:
– Как ИИ меняет то, как вы планируете или проводите рекламные кампании?
– Как вы используете ИИ для персонализации сообщений, генерации контента или анализа эффективности?
Стафф:
– Можете ли вы поделиться примером того, как вы используете ИИ в своей повседневной работе?
– Можете ли вы поделиться примером процесса или программы, которую вы создали с помощью ИИ?
Продукт:
– Как ИИ влияет на SaaS?
– Приведите пример случая, когда вы использовали ИИ в функции продукта. Что улучшилось?
❤3👍1
Aha-моменты: как стартапы заставляют воскликнуть «АГА!»
Рон Бернардо из Growth Hackers собрал 14 крутых примеров, когда стартапы ловили своих пользователей на крючок «вау-эффекта».
Аха-момент — когда пользователь внезапно понимает: «О, это решает мою задачу!». Например:
- Airbnb осознал потенциал аренды жилья, когда три дизайнера согласились спать на матрасах
- Slack родился из внутреннего чата для разработки игры, который оказался ценнее самой игры
- Canva упростила дизайн до уровня «нажми-и-готово», и мир вздохнул с облегчением
- Zoom – улучшение видеосвязи
- Instagram — переход к постингу фото
Если за первые 15 минут не поняли «зачем это нужно», они уйдут к конкурентам. Особенно в 2025, когда ChatGPT уже пишет за них отзывы.
Почему Aha-моменты важны?
- Помогает удерживать клиентов на раннем этапе (новички уходят в течение первых минут или дней. Если они не находят немедленной ценности, они теряют интерес)
- Повышает активацию и вовлеченность (момент озарения сокращает разрыв между удержанными и ушедшими клиентами)
- Есть связь с ростом и вирусностью (пользователи хотят поделиться тем, что их впечатлило или облегчило им жизнь)
Как найти аха-момент?
1. Следи за поведением: Лучший индикатор — действия, а не слова. Если пользователи после регистрации сразу создают проект — это оно!
2. Спрашивай: «Что вас почти заставило удалить приложение?» — такие вопросы вскрывают больные точки
3. Аналитика в помощь: продуктовая аналитика покажет, какие действия ведут к долгой лояльности
4. Собирайте отзывы активных пользователей
Признаки того, что вы нашли aha-момент
- Внезапный всплеск активности
- Более высокий retention после ключевого действия
Множество aha-моментов для разных сегментов
Важно разбить свою аудиторию на группы — например, новички, профессионалы, небольшие команды или корпоративные клиенты — чтобы все были на одной странице. У каждой группы будет свой триггер.
С чего начать?
Начните с составления карты пути для каждого типа пользователя. С чего они начинают, что они хотят делать и что, скорее всего, заставит их задержаться?
Инструменты:
- интерактивные пошаговые инструкций
- боты
- обучающие программы
- онбординги
- сплеш-скрины с велью
- инфоблоки
- сообщения и уведомления
Распространенные ошибки при определении aha-момента:
- Момент озарения должен быть привязан к определенному действию или результату. Что-то ясное, например, «пользователь отправляет свой первый счет» или «создает свой первый дизайн»
- Некоторые действия кажутся хорошими в краткосрочной перспективе, но не ведут к долгосрочным ценностям. Это ложный момент озарения.
- Не думайте, что каждый пользователь достигает момента озарения одинаково или в одно и то же время. У разных сегментов могут быть разные триггеры.
- Определение моментов "ага" без участия реальных пользователей рискованно. Легко ошибиться в том, что им подходит. Используйте опросы, интервью и данные о поведении
- Иногда команды выбирают метрики, которые выглядят хорошо, но не указывают на реальную ценность для пользователя. Например, подсчет просмотров страниц или открытий приложений сам по себе недостаточен для обеспечения бесперебойного процесса адаптации. Сосредоточьтесь на действиях, которые показывают, что пользователи получают значимые результаты, например, совершают покупку или решают ключевую проблему.
----
Консультации по ИИ
Рон Бернардо из Growth Hackers собрал 14 крутых примеров, когда стартапы ловили своих пользователей на крючок «вау-эффекта».
Аха-момент — когда пользователь внезапно понимает: «О, это решает мою задачу!». Например:
- Airbnb осознал потенциал аренды жилья, когда три дизайнера согласились спать на матрасах
- Slack родился из внутреннего чата для разработки игры, который оказался ценнее самой игры
- Canva упростила дизайн до уровня «нажми-и-готово», и мир вздохнул с облегчением
- Zoom – улучшение видеосвязи
- Instagram — переход к постингу фото
Если за первые 15 минут не поняли «зачем это нужно», они уйдут к конкурентам. Особенно в 2025, когда ChatGPT уже пишет за них отзывы.
Почему Aha-моменты важны?
- Помогает удерживать клиентов на раннем этапе (новички уходят в течение первых минут или дней. Если они не находят немедленной ценности, они теряют интерес)
- Повышает активацию и вовлеченность (момент озарения сокращает разрыв между удержанными и ушедшими клиентами)
- Есть связь с ростом и вирусностью (пользователи хотят поделиться тем, что их впечатлило или облегчило им жизнь)
Как найти аха-момент?
1. Следи за поведением: Лучший индикатор — действия, а не слова. Если пользователи после регистрации сразу создают проект — это оно!
2. Спрашивай: «Что вас почти заставило удалить приложение?» — такие вопросы вскрывают больные точки
3. Аналитика в помощь: продуктовая аналитика покажет, какие действия ведут к долгой лояльности
4. Собирайте отзывы активных пользователей
Признаки того, что вы нашли aha-момент
- Внезапный всплеск активности
- Более высокий retention после ключевого действия
Множество aha-моментов для разных сегментов
Важно разбить свою аудиторию на группы — например, новички, профессионалы, небольшие команды или корпоративные клиенты — чтобы все были на одной странице. У каждой группы будет свой триггер.
С чего начать?
Начните с составления карты пути для каждого типа пользователя. С чего они начинают, что они хотят делать и что, скорее всего, заставит их задержаться?
Инструменты:
- интерактивные пошаговые инструкций
- боты
- обучающие программы
- онбординги
- сплеш-скрины с велью
- инфоблоки
- сообщения и уведомления
Распространенные ошибки при определении aha-момента:
- Момент озарения должен быть привязан к определенному действию или результату. Что-то ясное, например, «пользователь отправляет свой первый счет» или «создает свой первый дизайн»
- Некоторые действия кажутся хорошими в краткосрочной перспективе, но не ведут к долгосрочным ценностям. Это ложный момент озарения.
- Не думайте, что каждый пользователь достигает момента озарения одинаково или в одно и то же время. У разных сегментов могут быть разные триггеры.
- Определение моментов "ага" без участия реальных пользователей рискованно. Легко ошибиться в том, что им подходит. Используйте опросы, интервью и данные о поведении
- Иногда команды выбирают метрики, которые выглядят хорошо, но не указывают на реальную ценность для пользователя. Например, подсчет просмотров страниц или открытий приложений сам по себе недостаточен для обеспечения бесперебойного процесса адаптации. Сосредоточьтесь на действиях, которые показывают, что пользователи получают значимые результаты, например, совершают покупку или решают ключевую проблему.
----
Консультации по ИИ
❤5
Проверяем скиллы «AI-ready» на собеседовании
💭 Что я обычно спрашиваю на мок-интервью где нужны GenAI навыки (это база, которую уже начинают смотреть при хайринге в top-tier компании, см. скрин для разных ролей)
Вопросы для продактов:
- Если я дам тебе проблему «...», как бы ты подошёл к её решению с использованием ИИ?
- Поделись примером, как ты использовал связку с МСР сервером. С какими проблемами столкнулся и как их решил?
- Расскажи кейс, когда использовал многошаговый промпт
- Что такое LLM Managed Workflows и какие преимущества от prompt engineering?
- Вот промпт «...», как бы ты его переделал в Шаблон {{..}} ?
- Как бы спроектировал цепочку шаблонов LLM workflows, чтобы пользователи могли генерировать письма клиентам? Какие параметры ты бы сделал обязательными, а какие — опциональными? Что бы включил в метаинформацию шаблона?
- Для каких задач LLM проигрывает?
- Какие отличия ты заметил между Claude, ChatGPT, Gemini и Grok?
- Покажи созданные тобой приложения в Cursor / Replit / v0 / Codex и т.п.
Чек-лист:
- Можешь объяснить своими словами, как работает большая языковая модель
- Можешь запрувить владение prompt engineering на уровне Advanced (получаешь нужные результаты с качеством >90%, обходить галлюцинации)
- Ты не пишешь текстовые промпты для частотных задач, а создаёшь функции / шаблоны, которые параметризуются → можешь показать готовые шаблоны в сервисах / n8n
- Можешь показать, как используешь ИИ для решения повседневных рабочих задач (БФТ/PRD, подготовка Events с user properties, описание джоб, Summaries, проводишь CustDev-ы с синтетическимии персонами и тп)
- Можешь показать рабочую связку с использованием MCP-сервера (например Figma <> Cursor)
- Можешь показать многошаговые промпты, которые составлены с учетом склонности к confirmation bias
- Можешь показать подход к решению новой проблемы с помощью ИИ
- Можешь привести пример, когда ИИ оказался бесполезен
- Можешь объяснить различия между Claude, ChatGPT, Gemini и Grok
- Можешь показать простое приложение, созданное в Cursor, Replit, v0, Codex
----
Консультации по ИИ
Вопросы для продактов:
- Если я дам тебе проблему «...», как бы ты подошёл к её решению с использованием ИИ?
- Поделись примером, как ты использовал связку с МСР сервером. С какими проблемами столкнулся и как их решил?
- Расскажи кейс, когда использовал многошаговый промпт
- Что такое LLM Managed Workflows и какие преимущества от prompt engineering?
- Вот промпт «...», как бы ты его переделал в Шаблон {{..}} ?
- Как бы спроектировал цепочку шаблонов LLM workflows, чтобы пользователи могли генерировать письма клиентам? Какие параметры ты бы сделал обязательными, а какие — опциональными? Что бы включил в метаинформацию шаблона?
- Для каких задач LLM проигрывает?
- Какие отличия ты заметил между Claude, ChatGPT, Gemini и Grok?
- Покажи созданные тобой приложения в Cursor / Replit / v0 / Codex и т.п.
Чек-лист:
- Можешь объяснить своими словами, как работает большая языковая модель
- Можешь запрувить владение prompt engineering на уровне Advanced (получаешь нужные результаты с качеством >90%, обходить галлюцинации)
- Ты не пишешь текстовые промпты для частотных задач, а создаёшь функции / шаблоны, которые параметризуются → можешь показать готовые шаблоны в сервисах / n8n
- Можешь показать, как используешь ИИ для решения повседневных рабочих задач (БФТ/PRD, подготовка Events с user properties, описание джоб, Summaries, проводишь CustDev-ы с синтетическимии персонами и тп)
- Можешь показать рабочую связку с использованием MCP-сервера (например Figma <> Cursor)
- Можешь показать многошаговые промпты, которые составлены с учетом склонности к confirmation bias
- Можешь показать подход к решению новой проблемы с помощью ИИ
- Можешь привести пример, когда ИИ оказался бесполезен
- Можешь объяснить различия между Claude, ChatGPT, Gemini и Grok
- Можешь показать простое приложение, созданное в Cursor, Replit, v0, Codex
----
Консультации по ИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
Lovable Shipped — буткемп по запуску MVP
Присоединяйтесь к тысячам разработчиков в 6-недельной мастер-группе от Lovable и узнайте, как создавать приложения.
Также есть бонусы на сумму 3 млн $ если проект зайдет инвесторам.
Сегодня последний день подачи заявок
Присоединяйтесь к тысячам разработчиков в 6-недельной мастер-группе от Lovable и узнайте, как создавать приложения.
Также есть бонусы на сумму 3 млн $ если проект зайдет инвесторам.
Сегодня последний день подачи заявок
❤4
Проблема: Большинство команд до сих пор смотрят на количество токенов и скорость ответа.
А что если каждый prompt привязать к прибыли?
Pay-i показывает не "сколько токенов потратили", а "на сколько снизилось время обработки заявки" и "как это повлияло на NPS"
Платформа связывает каждый вызов модели с бизнес-метриками: выручкой, временем выполнения задач, CSAT.
Можно сравнить разные модели и промпты в A/B-тестах, увидеть какой подход даёт лучший ROI.
Главное — прогнозирование. Pay-i не просто показывает текущие результаты, но и прогнозирует будущую окупаемость. Теперь можно сказать CFO:
Почему это важно именно сейчас
72% IT-директоров называют измерение ROI от ИИ своим главным барьером. При этом корпоративные инвестиции в генеративный ИИ растут к $632 млрд к 2028 году. Без чётких метрик эти деньги превращаются в красивые презентации без результата.
Основатель Pay-i David Tepper 19 лет работал в Microsoft и занимался внедрением ИИ в Azure, который знает изнутри, как корпорации тратят миллионы на технологии, которые не могут измерить.
----
Консультации по ИИ
А что если каждый prompt привязать к прибыли?
Pay-i показывает не "сколько токенов потратили", а "на сколько снизилось время обработки заявки" и "как это повлияло на NPS"
Платформа связывает каждый вызов модели с бизнес-метриками: выручкой, временем выполнения задач, CSAT.
Можно сравнить разные модели и промпты в A/B-тестах, увидеть какой подход даёт лучший ROI.
Главное — прогнозирование. Pay-i не просто показывает текущие результаты, но и прогнозирует будущую окупаемость. Теперь можно сказать CFO:
"Этот ИИ-агент окупится через 3 месяца и принесёт 300% ROI за год"
Почему это важно именно сейчас
72% IT-директоров называют измерение ROI от ИИ своим главным барьером. При этом корпоративные инвестиции в генеративный ИИ растут к $632 млрд к 2028 году. Без чётких метрик эти деньги превращаются в красивые презентации без результата.
Основатель Pay-i David Tepper 19 лет работал в Microsoft и занимался внедрением ИИ в Azure, который знает изнутри, как корпорации тратят миллионы на технологии, которые не могут измерить.
----
Консультации по ИИ
❤2👍1
20 ВАЖНЫХ ТЕХНИЧЕСКИХ КОНЦЕПЦИЙ ДЛЯ ИИ-АГЕНТОВ
Если вы создаёте или изучаете агентов на базе LLM — сохраните этот список. Он показывает, как построить действительно умного и полезного ИИ-агента.
Разбираем каждую концепцию:
1. Goal Decomposition
Агенты разбивают большую цель на маленькие шаги и поэтапно достигают её.
2. Chain-of-Thought (CoT) Reasoning
Промпты направляют агента пошагово в логике решения сложных задач.
3. ReAct Framework
Цикл размышления и действия: подумал → сделал → проанализировал → повторил, пока задача не решена.
4. Plan-and-Execute Architecture
Разделение логики планирования и выполнения между двумя агентами — для гибкости и модульности.
5. Prompt Engineering
Разработка эффективных промптов с учётом структуры, контекста и формулировки.
6. Function Calling / Tool Use
Агент вызывает внешние инструменты и API в зависимости от контекста задачи.
7. Retrieval-Augmented Generation (RAG)
Интеграция поиска/извлечения внешней информации (документов, FAQ) для генерации более точных ответов.
8. Vector Embeddings
Преобразование данных в векторы для поиска, сравнения и извлечения информации по смыслу.
9. Long-Term Memory
Хранение постоянной информации (цели, факты, предпочтения), чтобы агент сохранял контекст со временем.
10. Short-Term Memory / Scratchpad
Временное хранение информации в рамках текущей сессии — последние сообщения, результаты инструментов и т.п.
11. Self-Reflection / Reflexion Loop
Анализ собственных ответов, выявление ошибок и улучшение логики вывода.
12. Multi-Agent Collaboration
Несколько агентов с разной специализацией (например, исследователь и редактор) работают вместе над одной задачей.
13. Dynamic Tool Selection
Агент выбирает нужный инструмент или API во время выполнения задачи, а не заранее.
14. Agent Orchestration
Управление взаимодействием между несколькими агентами или модулями в рамках одной задачи.
15. Error Handling & Retry Logic
Обработка ошибок, повторные попытки, альтернативные стратегии или переформулировка запроса.
16. LLM Selection & Routing
Выбор подходящей модели LLM в зависимости от задачи (например, GPT — для кода, Claude — для саммаризации).
17. State Management
Отслеживание текущего состояния: что сделано, что в процессе, что дальше. Это помогает агенту работать организованно.
18. Observability & Logging
Логирование всех действий, запросов, ответов и версий для отладки и мониторинга поведения агента.
19. Human-in-the-Loop (HITL)
Вовлечение человека в критические моменты — проверка, утверждение решений, контроль качества и безопасности.
20. Deployment & API Exposure
Развёртывание агента через API или UI для интеграции с реальными пользователями или системами.
Вывод:
Эти 20 элементов — основа архитектуры современных интеллектуальных агентов. Использование даже части из них может серьёзно повысить полезность и надёжность вашего ИИ-решения.
Если нужен разбор конкретных примеров или готовые шаблоны для GPT-агентов — пишите в ЛС.
Если вы создаёте или изучаете агентов на базе LLM — сохраните этот список. Он показывает, как построить действительно умного и полезного ИИ-агента.
Разбираем каждую концепцию:
1. Goal Decomposition
Агенты разбивают большую цель на маленькие шаги и поэтапно достигают её.
2. Chain-of-Thought (CoT) Reasoning
Промпты направляют агента пошагово в логике решения сложных задач.
3. ReAct Framework
Цикл размышления и действия: подумал → сделал → проанализировал → повторил, пока задача не решена.
4. Plan-and-Execute Architecture
Разделение логики планирования и выполнения между двумя агентами — для гибкости и модульности.
5. Prompt Engineering
Разработка эффективных промптов с учётом структуры, контекста и формулировки.
6. Function Calling / Tool Use
Агент вызывает внешние инструменты и API в зависимости от контекста задачи.
7. Retrieval-Augmented Generation (RAG)
Интеграция поиска/извлечения внешней информации (документов, FAQ) для генерации более точных ответов.
8. Vector Embeddings
Преобразование данных в векторы для поиска, сравнения и извлечения информации по смыслу.
9. Long-Term Memory
Хранение постоянной информации (цели, факты, предпочтения), чтобы агент сохранял контекст со временем.
10. Short-Term Memory / Scratchpad
Временное хранение информации в рамках текущей сессии — последние сообщения, результаты инструментов и т.п.
11. Self-Reflection / Reflexion Loop
Анализ собственных ответов, выявление ошибок и улучшение логики вывода.
12. Multi-Agent Collaboration
Несколько агентов с разной специализацией (например, исследователь и редактор) работают вместе над одной задачей.
13. Dynamic Tool Selection
Агент выбирает нужный инструмент или API во время выполнения задачи, а не заранее.
14. Agent Orchestration
Управление взаимодействием между несколькими агентами или модулями в рамках одной задачи.
15. Error Handling & Retry Logic
Обработка ошибок, повторные попытки, альтернативные стратегии или переформулировка запроса.
16. LLM Selection & Routing
Выбор подходящей модели LLM в зависимости от задачи (например, GPT — для кода, Claude — для саммаризации).
17. State Management
Отслеживание текущего состояния: что сделано, что в процессе, что дальше. Это помогает агенту работать организованно.
18. Observability & Logging
Логирование всех действий, запросов, ответов и версий для отладки и мониторинга поведения агента.
19. Human-in-the-Loop (HITL)
Вовлечение человека в критические моменты — проверка, утверждение решений, контроль качества и безопасности.
20. Deployment & API Exposure
Развёртывание агента через API или UI для интеграции с реальными пользователями или системами.
Вывод:
Эти 20 элементов — основа архитектуры современных интеллектуальных агентов. Использование даже части из них может серьёзно повысить полезность и надёжность вашего ИИ-решения.
Если нужен разбор конкретных примеров или готовые шаблоны для GPT-агентов — пишите в ЛС.
❤6🔥2👍1
Промпт-инжиниринг мертв?
💭 Обсуждали эту тему на Product Camp, стороны разделились 50/50
Соучредитель Cursor Арвид придумал термин «Prompt Design» еще в 2023 году. Несмотря на то, что прошло уже почти 2 года (целая вечность в сфере ИИ) — это наиболее подходящий термин для описания процесса написания и оптимизации промптов.
Что на этот счет говорят топы из Parahelp (они создают Zero-Shot промпты для таких команд, как Perplexity, Framer, Replit и ElevenLabs):
В примере содержится ~1,5 тыс. токенов динамической информации о тикете, таким образом, модель имеет доступ к информации, относящейся к ответу пользователю, но редко ко всей.
План оркестрации и роутинга может включать все потенциальные пути на основе того, что возвращает сервис (например, search_helpcenter или search_subscription), и правила для различных результатов.
Можно связывать несколько шагов вызова, используя имена переменных:
<> для результатов
{{}} для конкретных политик
Таким образом, LLM может оркестрировать несколько вызовов, не нуждаясь в их выходных данных.
Также в сам промпт можно добавлять блоки XML с if условиями, это сделает работу LLM более строгой.
Также, важно отметить, что вряд ли промпт-инжиниринг канет в лету в виду того, что часто модели ведут себя как человек. Недавно Сергей Брин заявил, что если модели угрожать физ. насилием, она справляется с задачами лучше (раньше были заявления что если писать "я дам тебе $$$" — модель начинает выдавать более качественные результаты).
----
Консультации по ИИ
Соучредитель Cursor Арвид придумал термин «Prompt Design» еще в 2023 году. Несмотря на то, что прошло уже почти 2 года (целая вечность в сфере ИИ) — это наиболее подходящий термин для описания процесса написания и оптимизации промптов.
Что на этот счет говорят топы из Parahelp (они создают Zero-Shot промпты для таких команд, как Perplexity, Framer, Replit и ElevenLabs):
Ключевое — это то, что у вас есть четкая метрика успеха того, как ваш агент выполняет реальную работу: процент тикетов, решенных от начала до конца. Мы постоянно пытаемся увеличить это число, создавая более способных агентов поддержки клиентов. Часть этого часто включает в себя трату сотен часов на оптимизацию всего нескольких сотен строк промпта. Большая часть времени, потраченного на оптимизацию промптов, на самом деле тратится не на написание подсказок, а на выяснение того, как их оценивать, выполнение оценок, поиск пограничных случаев, тестирование их в реальном мире и итерацию обучения
В примере содержится ~1,5 тыс. токенов динамической информации о тикете, таким образом, модель имеет доступ к информации, относящейся к ответу пользователю, но редко ко всей.
План оркестрации и роутинга может включать все потенциальные пути на основе того, что возвращает сервис (например, search_helpcenter или search_subscription), и правила для различных результатов.
Можно связывать несколько шагов вызова, используя имена переменных:
<> для результатов
{{}} для конкретных политик
<context_customer_service_agent>
{agent_system_prompt}
{initial_user_prompt}
</context_customer_service_agent>
Таким образом, LLM может оркестрировать несколько вызовов, не нуждаясь в их выходных данных.
Также в сам промпт можно добавлять блоки XML с if условиями, это сделает работу LLM более строгой.
Мы намеренно не позволяем модели использовать блок "else", а только блок "if". Не позволяя модели использовать блок "else", мы задаем явные условия для каждого пути, что, как мы обнаружили, повышает производительность в оценках.
Также, важно отметить, что вряд ли промпт-инжиниринг канет в лету в виду того, что часто модели ведут себя как человек. Недавно Сергей Брин заявил, что если модели угрожать физ. насилием, она справляется с задачами лучше (раньше были заявления что если писать "я дам тебе $$$" — модель начинает выдавать более качественные результаты).
----
Консультации по ИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Забудьте про копипаст в переводчики — новое приложение делает это за секунды
Сколько раз в день вы копируете текст, переходите в браузер, вставляете в переводчик и возвращаетесь обратно?
Я считал. У меня выходило 47 раз за вых
TranslateAir — это ИИ-переводчик для macOS, который работает поверх любого приложения
Выделили текст → перевод появился рядом. Без переключения окон, без потери фокуса.
Что умеет:
- Переводит на 100+ языков через топовые ИИ-движки (ChatGPT, Gemini, DeepL, Google Translate)
- Извлекает текст из скриншотов, PDF, видео одним кликом — OCR работает с любым контентом
- Переписывает переводы под стиль: дружелюбно, профессионально, кратко или детально
- Настраивается под ваши горячие клавиши — каждый может создать свой workflow
⏳ Реальная экономия времени
Раньше: выделить → Cmd+C → открыть браузер → вставить → перевести → скопировать → вернуться → вставить.
Теперь: выделить → готово.
Разница в 8 действий. Умножьте на количество переводов в день.
Работает с 1000+ приложений везде, где есть текст.
Для продакт-менеджеров это находка: общение с международными командами, анализ зарубежных кейсов, работа с документацией — всё становится быстрее.
Сколько раз в день вы копируете текст, переходите в браузер, вставляете в переводчик и возвращаетесь обратно?
Я считал. У меня выходило 47 раз за вых
TranslateAir — это ИИ-переводчик для macOS, который работает поверх любого приложения
Выделили текст → перевод появился рядом. Без переключения окон, без потери фокуса.
Что умеет:
- Переводит на 100+ языков через топовые ИИ-движки (ChatGPT, Gemini, DeepL, Google Translate)
- Извлекает текст из скриншотов, PDF, видео одним кликом — OCR работает с любым контентом
- Переписывает переводы под стиль: дружелюбно, профессионально, кратко или детально
- Настраивается под ваши горячие клавиши — каждый может создать свой workflow
Раньше: выделить → Cmd+C → открыть браузер → вставить → перевести → скопировать → вернуться → вставить.
Теперь: выделить → готово.
Разница в 8 действий. Умножьте на количество переводов в день.
Работает с 1000+ приложений везде, где есть текст.
Для продакт-менеджеров это находка: общение с международными командами, анализ зарубежных кейсов, работа с документацией — всё становится быстрее.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤3👍1
Как ИИ помогает находить клиентов
Главная боль всех продуктовых команд: cколько стоит клиент?
Большинство отделов продаж до сих пор используют ручные методы анализа данных. Медленно, дорого, с кучей ошибок. В век ИИ...
Представьте: вы тратите бюджет на рекламу, но не знаете, какие клиенты принесут реальную прибыль через год.
ИИ от Voyanti анализирует тысячи точек данных и предсказывает:
- Пожизненную ценность клиента (LTV)
- Конверсию
- Риск оттока для каждого пользователя
Самое крутое что эти прогнозы передаются как "сигналы" прямо в Рекл. кабинеты для оптимизации ставок. Как это работает: ИИ анализирует поведение пользователей и говорит:
- На какого клиента тратить рекламный бюджет
- Когда предложить допродажу
- Кого удерживать от ухода
Цифры говорят сами за себя
В 2024 году Voyantis утроила клиентскую базу, укрепившись в США, Европе и Латинской Америке.
Компании наконец поняли — лучше потратить время на поиск одного ценного клиента, чем привлекать сотни случайных.
Время ручного анализа данных заканчивается. ИИ уже здесь и меняет правила игры в маркетинге.
А ваша команда уже использует предиктивную аналитику для работы с клиентами?
Среди клиентов уже: Miro, Rappi, MoneyLion и HoneyBook.
----
Консультации по ИИ
Главная боль всех продуктовых команд: cколько стоит клиент?
Большинство отделов продаж до сих пор используют ручные методы анализа данных. Медленно, дорого, с кучей ошибок. В век ИИ...
Представьте: вы тратите бюджет на рекламу, но не знаете, какие клиенты принесут реальную прибыль через год.
ИИ от Voyanti анализирует тысячи точек данных и предсказывает:
- Пожизненную ценность клиента (LTV)
- Конверсию
- Риск оттока для каждого пользователя
Самое крутое что эти прогнозы передаются как "сигналы" прямо в Рекл. кабинеты для оптимизации ставок. Как это работает: ИИ анализирует поведение пользователей и говорит:
- На какого клиента тратить рекламный бюджет
- Когда предложить допродажу
- Кого удерживать от ухода
Цифры говорят сами за себя
В 2024 году Voyantis утроила клиентскую базу, укрепившись в США, Европе и Латинской Америке.
Компании наконец поняли — лучше потратить время на поиск одного ценного клиента, чем привлекать сотни случайных.
Время ручного анализа данных заканчивается. ИИ уже здесь и меняет правила игры в маркетинге.
А ваша команда уже использует предиктивную аналитику для работы с клиентами?
Среди клиентов уже: Miro, Rappi, MoneyLion и HoneyBook.
----
Консультации по ИИ
❤5👍1
Чек-лист best practice для Vibe coding
Список лучших практик для получения лучших результатов разработки с ИИ
----
Консультации по ИИ
Список лучших практик для получения лучших результатов разработки с ИИ
1. Don’t repeat yourself
→ Reuse shared logic to cut bugs and clutter.
2. Use small building blocks
→ Keep files focused and under 300–400 lines for easier testing.
3. Group files by feature
→ Store UI, service and tests together so updates are fast.
4. Validate all input
→ Check and sanitise every user value on both client and server.
5. Use safe database queries
→ Parameterised queries stop SQL/NoSQL injection.
6. Clean any output you render
→ Sanitize HTML/markdown to block cross-site scripting.
7. Hide secrets in env vars
→ Keep keys and tokens out of version control.
8. Force HTTPS everywhere
→ Encrypt all data in transit.
9. Guard private routes
→ Only logged-in users reach sensitive pages.
10. Check roles before actions
→ Verify user role or scope for each restricted operation.
11. Rate-limit sensitive endpoints
→ Limit login, sign-up and reset routes to foil brute-force attacks.
12. Set secure HTTP headers
→ Enable HSTS, CSP and other headers for extra browser protection.
13. Log errors with context
→ Capture request ID, user ID and stack trace for rapid debugging.
14. Catch async errors
→ Wrap async code so rejected promises don’t crash silently.
15. Give users friendly errors
→ Show clear messages but hide technical details.
16. Cache heavy work
→ Store results of expensive tasks with sensible expiries.
17. Memoise pure functions
→ Skip rerunning deterministic calculations during renders.
18. Paginate big lists
→ Send data in pages to save memory and bandwidth.
19. Load code only when needed
→ Split non-critical bundles and fetch on demand.
20. Clean up on unmount
→ Clear timers, listeners and aborted fetches to prevent leaks.
21. Wrap related DB steps in a transaction
→ Commit or roll back all steps as one atomic unit.
22. Index hot query fields
→ Add indexes to columns you filter or join on often.
23. Use a connection pool
→ Reuse a small set of open database connections.
24. Match HTTP verbs to actions
→ GET read, POST create, PUT/PATCH update, DELETE remove.
25. Version your API routes
→ Prefix with /v1, /v2 so upgrades don’t break old clients.
26. Return structured error objects
→ Send consistent JSON like { error: { code, message } }.
27. Choose clear names
→ Use descriptive identifiers, avoid cryptic abbreviations.
28. Write why comments
→ Briefly note intent behind non-obvious code.
29. Test the core logic
→ Unit-test business rules to catch regressions early.
30. Test whole flows
→ Integration tests confirm components work together.
----
Консультации по ИИ
❤7👍1