AI SEO генератор на стероидах
Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки)
Это пиздец, я ничего раньше подобного не делал 🤯
Ротаторы из 5 акков Tavily, Fireclaw, IndexNow, SerpAPI, DataForSEO, yandex-search-api, yandex-worstat-api
SEO приемы: TAYA, EEAT, IndexNow, SERP-кластеризация (если у двух ключей в топ-10 Яндекса)
Архитектура: MongoDB, 2 LLM провайдера, мультиагентный пайплайн (аналог CrewAI), Sanity фреймворк под блог уже равернут.
В будущем (уже заложено) БД Redis, BullMQ для очередей (многопоточности).
Синтетические персоны: 3 аватара (Персоны) на которых обкатывается статья — каждая ставит оценки по шкалам (релевантность боли, доверие, ясность CTA, желание дочитать, 1–10) + 2–3 конкретных претензии.
Прошлые посты:
🔗 SEO Pipeline: мультиагентный конвейер Контента
🔗 Technical оптимизация блога GEO, AEO, SEO
Остается:
- Analytics Monitor (GA, Yandex Search API)
- Internal Linker (перелинковка статей)
- Langfuse для трейсинга и observability
- Trigger.Dev для очень длинных генераций
- Векторная БД для написания авторских статей в моем стиле (в pinecone я уже залил чанки, скоро посты будут из RAG 😎)
Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки)
Это пиздец, я ничего раньше подобного не делал 🤯
Ротаторы из 5 акков Tavily, Fireclaw, IndexNow, SerpAPI, DataForSEO, yandex-search-api, yandex-worstat-api
SEO приемы: TAYA, EEAT, IndexNow, SERP-кластеризация (если у двух ключей в топ-10 Яндекса)
Архитектура: MongoDB, 2 LLM провайдера, мультиагентный пайплайн (аналог CrewAI), Sanity фреймворк под блог уже равернут.
В будущем (уже заложено) БД Redis, BullMQ для очередей (многопоточности).
Синтетические персоны: 3 аватара (Персоны) на которых обкатывается статья — каждая ставит оценки по шкалам (релевантность боли, доверие, ясность CTA, желание дочитать, 1–10) + 2–3 конкретных претензии.
Прошлые посты:
Остается:
- Analytics Monitor (GA, Yandex Search API)
- Internal Linker (перелинковка статей)
- Langfuse для трейсинга и observability
- Trigger.Dev для очень длинных генераций
- Векторная БД для написания авторских статей в моем стиле (в pinecone я уже залил чанки, скоро посты будут из RAG 😎)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤1
Рост доли соло-предпринимателей
Доля соло-предпринимателей с доходом $100k+ растёт давно. А доля тех, кто в одиночку делает $5-10M+ в год без штата и без раунда — резко пошла вверх именно в 2023-2024, ровно когда AI-инструменты стали заменять маленькую команду.
Источник: Andreessen Horowitz
Доля соло-предпринимателей с доходом $100k+ растёт давно. А доля тех, кто в одиночку делает $5-10M+ в год без штата и без раунда — резко пошла вверх именно в 2023-2024, ровно когда AI-инструменты стали заменять маленькую команду.
Источник: Andreessen Horowitz
❤1
Наглядно куда текут деньги
70% венчурного капитала ($510 млрд в H1 2026) ушло в ИИ. Думаю, в корпах ± также. А значит 70% создаваемых продуктов/решений будут ИИ-шные.
А значит спрос на PM-ов на рынке — 70% против не ИИ-шных продактов (это уже не тот продакт, что раньше, это AI Orchestrator, управляющий агентами, а не командой). Задача оркестратора — солвить проблемы клиентов, и растить выручку (классический T-shape: код, маркетинг, бизнес- и системный анализ чтобы собрать ИИ команду).
Использовать ИИ ≠ оператор ИИ.
Пока вы учитесь вайбкодить, ко-пилотить работу на пару с ИИ (PRD, ресерч и т.п.), Anthropic и OpenAI решают задачу оркестрации агентов, автономных ИИ (долгосрочных), которые заместят:
а) консультантов (рынок $2.27 трлн в 2023)
б) менеджеров (линейных и middle) — ибо зачем нужно прокси между страт. решением сверху и исполнением?
Временно наблюдается рост (пока), Российский консалтинговый рынок в целом вырос на 15% (до ₽140 млрд), с ростом числа консультантов на 13%.
AI-консалтинг растет на 34% в год
Быстрее любой отрасли. OpenAI запускают партнерскую сеть для ускорения внедрения ИИ, цель — 300 тыс. аккредитованных консультантов, партнёрится с McKinsey, BCG, Accenture, Bain, PwC. Anthropic тоже партнёрится с KPMG, Deloitte и Accenture. К чему всё идет?
В 2010х офисный работник, как класс во многом сконструирован Microsoft, т.к. «им нужно было продавать офисный софт». «Оператор ИИ агентов» также становится классом. История повторяется.
Итого:
В моменте ~70% не смогут найти работу, т.к. офисные работники старой формации больше не нужны. И будут вынуждены добирать эти навыки на кейсах / тренажерах (как я в GoPractice когда начинал карьеру) / пилить пет-проекты / смотреть ютуб..
Поэтому сейчас разрабатываю программу по кодинг-агентам для OTUS..
70% венчурного капитала ($510 млрд в H1 2026) ушло в ИИ. Думаю, в корпах ± также. А значит 70% создаваемых продуктов/решений будут ИИ-шные.
А значит спрос на PM-ов на рынке — 70% против не ИИ-шных продактов (это уже не тот продакт, что раньше, это AI Orchestrator, управляющий агентами, а не командой). Задача оркестратора — солвить проблемы клиентов, и растить выручку (классический T-shape: код, маркетинг, бизнес- и системный анализ чтобы собрать ИИ команду).
Использовать ИИ ≠ оператор ИИ.
Пока вы учитесь вайбкодить, ко-пилотить работу на пару с ИИ (PRD, ресерч и т.п.), Anthropic и OpenAI решают задачу оркестрации агентов, автономных ИИ (долгосрочных), которые заместят:
а) консультантов (рынок $2.27 трлн в 2023)
б) менеджеров (линейных и middle) — ибо зачем нужно прокси между страт. решением сверху и исполнением?
Временно наблюдается рост (пока), Российский консалтинговый рынок в целом вырос на 15% (до ₽140 млрд), с ростом числа консультантов на 13%.
AI-консалтинг растет на 34% в год
Быстрее любой отрасли. OpenAI запускают партнерскую сеть для ускорения внедрения ИИ, цель — 300 тыс. аккредитованных консультантов, партнёрится с McKinsey, BCG, Accenture, Bain, PwC. Anthropic тоже партнёрится с KPMG, Deloitte и Accenture. К чему всё идет?
В 2010х офисный работник, как класс во многом сконструирован Microsoft, т.к. «им нужно было продавать офисный софт». «Оператор ИИ агентов» также становится классом. История повторяется.
Итого:
В моменте ~70% не смогут найти работу, т.к. офисные работники старой формации больше не нужны. И будут вынуждены добирать эти навыки на кейсах / тренажерах (как я в GoPractice когда начинал карьеру) / пилить пет-проекты / смотреть ютуб..
Поэтому сейчас разрабатываю программу по кодинг-агентам для OTUS..
👍4
Forwarded from Кабинет инвестора
Айтишникам в РФ стало ещё сложнее найти работу, пишет Коммерсант.
Число вакансий в IT-сфере резко упало на 20-50% с начала года, а число резюме выросло на 21%. При этом падает и зарплаты.
Компании все чаще закрывают часть задач за счет внутренних переводов сотрудников и автоматизации, в том числе с использованием ИИ.
@investingcorp
Число вакансий в IT-сфере резко упало на 20-50% с начала года, а число резюме выросло на 21%. При этом падает и зарплаты.
Компании все чаще закрывают часть задач за счет внутренних переводов сотрудников и автоматизации, в том числе с использованием ИИ.
@investingcorp
🤯1
Product Management становится ключевым bottleneck
PMs переходят от написания требований к управлению портфелем экспериментов (portfolio of probabilistic bets), evaluation sense, simulation design и judgment под неопределенностью.
когда код пишется в 10–100x быстрее, выигрывают tiny high-context teams (крошечные команды с высоким уровнем контекста) с сильным product thinking.
PMs переходят от написания требований к управлению портфелем экспериментов (portfolio of probabilistic bets), evaluation sense, simulation design и judgment под неопределенностью.
когда код пишется в 10–100x быстрее, выигрывают tiny high-context teams (крошечные команды с высоким уровнем контекста) с сильным product thinking.
👍1
Цикл поиска продукта на основе 100 интервью
Пример реализации ф-ции /loop для продактов.
6 этапов, каждый из которых питает следующий:
Шаг 1: Извлечение → распределите по одному агенту, работающему по упрощенной модели, на каждое интервью ; каждый предоставит структурированные возможности, описания персонажей и дословные цитаты. Ограниченная, повторяющаяся работа: хайку или сонет, а не опус.
Шаг 2: Канонизация → один агент группирует исходные возможности в канонический набор. Экстракторы придумывают новую метку для каждого интервью, поэтому одна и та же потребность возникает под десятком названий; объединение синонимов — это вопрос субъективной оценки, поэтому это модель, а не код.
Шаг 3: Оценка возможностей → код ранжирует каждую каноническую возможность по частоте × важности × (5 - удовлетворенность). Модель не выполняет математические вычисления.
Шаг 4: Генерация и сортировка → для наиболее эффективных вариантов агент генерирует несколько идей решений ; затем отдельный эксперт оценивает каждую из них по показателю ROI (влияние против затрат на разработку) и оставляет 3 лучших для дальнейшей разработки. Показатель ROI меняет порядок в списке, поэтому недорогая, но эффективная задача может занять место для разработки, освободив его от задачи с более высоким баллом.
Шаг 5: Разработка → Для 3 лучших идей по ROI агент использует навыки фронтенд-дизайна, чтобы написать уникальный, кликабельный HTML-прототип, который я могу открыть.
Шаг 6: Проверка и повторный запуск → проверка выявляет любой прототип, который не удалось отобразить, или любую извлечение данных, показавшее низкую степень достоверности, и рабочий процесс повторно запускает только этот этап. Это и есть настоящий цикл: результат одного этапа определяет, будет ли повторно запущен предыдущий этап.
===
113 агентов потратили 1,95 млн токенов за 12,5 минут. 3 из 3 прототипов были созданы и проверены. JavaScript-код, отвечающий за маршрутизацию, оценку, контроль и зацикливание, не потратил ни одного токена модели.
Пример реализации ф-ции /loop для продактов.
6 этапов, каждый из которых питает следующий:
Шаг 1: Извлечение → распределите по одному агенту, работающему по упрощенной модели, на каждое интервью ; каждый предоставит структурированные возможности, описания персонажей и дословные цитаты. Ограниченная, повторяющаяся работа: хайку или сонет, а не опус.
Шаг 2: Канонизация → один агент группирует исходные возможности в канонический набор. Экстракторы придумывают новую метку для каждого интервью, поэтому одна и та же потребность возникает под десятком названий; объединение синонимов — это вопрос субъективной оценки, поэтому это модель, а не код.
Шаг 3: Оценка возможностей → код ранжирует каждую каноническую возможность по частоте × важности × (5 - удовлетворенность). Модель не выполняет математические вычисления.
Шаг 4: Генерация и сортировка → для наиболее эффективных вариантов агент генерирует несколько идей решений ; затем отдельный эксперт оценивает каждую из них по показателю ROI (влияние против затрат на разработку) и оставляет 3 лучших для дальнейшей разработки. Показатель ROI меняет порядок в списке, поэтому недорогая, но эффективная задача может занять место для разработки, освободив его от задачи с более высоким баллом.
Шаг 5: Разработка → Для 3 лучших идей по ROI агент использует навыки фронтенд-дизайна, чтобы написать уникальный, кликабельный HTML-прототип, который я могу открыть.
Шаг 6: Проверка и повторный запуск → проверка выявляет любой прототип, который не удалось отобразить, или любую извлечение данных, показавшее низкую степень достоверности, и рабочий процесс повторно запускает только этот этап. Это и есть настоящий цикл: результат одного этапа определяет, будет ли повторно запущен предыдущий этап.
===
113 агентов потратили 1,95 млн токенов за 12,5 минут. 3 из 3 прототипов были созданы и проверены. JavaScript-код, отвечающий за маршрутизацию, оценку, контроль и зацикливание, не потратил ни одного токена модели.
👍1
Закончил эксперимент с Email AI Outreach
Результаты на скрине.
Можно масштабировать 😎
Доставляемость 100%
Конверсия хорошая.
Заспамленность домена отсутствует.
Нюансы как всегда есть.
Важно брать трастовые домены .com, .ru
Ставить DKIM, DMARC, SPF
Выбирать Google Workspace, либо Microsoft360
Лимиты:
на платных: 2000 в день
на бесплатных: 100 в день
Прогревать ступеньками:
- Days 1–5: 5–10 писем/день (только к людям, которые ответят)
- Days 6–10: 15–25 писем/день
- Days 11–14: 30–50 писем/день
- Days 15–21: 75–100 писем/день
Минимальный возраст до запуска 14–30 дней
Аккаунты брать с отлежкой, чем старше ак, тем лучше.
===
Кому актуально — пишите, установка на ваш сервер за 1-2 дня.
Результаты на скрине.
Можно масштабировать 😎
Доставляемость 100%
Конверсия хорошая.
Заспамленность домена отсутствует.
Нюансы как всегда есть.
Важно брать трастовые домены .com, .ru
Ставить DKIM, DMARC, SPF
Выбирать Google Workspace, либо Microsoft360
Лимиты:
на платных: 2000 в день
на бесплатных: 100 в день
Прогревать ступеньками:
- Days 1–5: 5–10 писем/день (только к людям, которые ответят)
- Days 6–10: 15–25 писем/день
- Days 11–14: 30–50 писем/день
- Days 15–21: 75–100 писем/день
Минимальный возраст до запуска 14–30 дней
Аккаунты брать с отлежкой, чем старше ак, тем лучше.
===
Кому актуально — пишите, установка на ваш сервер за 1-2 дня.
👍1
2026: 99% общения в ТГ — с ИИ агентами
Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями.
Обязательно попробуйте!
Hermes кодит в разы лучше.
Завтра буду настраивать мета-промпты для /goal
Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM.
↓↓↓
Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями.
Обязательно попробуйте!
Hermes кодит в разы лучше.
Завтра буду настраивать мета-промпты для /goal
Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM.
↓↓↓
/goal Harden a PRD until two engineers, reading independently, would build the same thing.
Each pass: find the single biggest ambiguity (the spot two readers would resolve differently), resolve it by adding the missing acceptance criterion, number, or edge case, then re-read for the next-biggest gap.
Cap at 5 passes. Flag anything that needs a product decision you haven't made.
Checked by: an independent second model reads the PRD cold and finds no ambiguity that would split two builds.
😍
AI SEO / GEO принципы дают результат
Алгоритмы и принципы зашитые в систему (и это всё ИИ),
На выходных ещё попался очень интересный эксперимент с loop engineering применительно к SEO (🎞 видео), где ты ставишь ИИ агенту цель → он ищет точки роста как вырасти в SEО → сам анализирует результаты в Google, Яндекс → сам пишет стратегию поднятия в топ. В общем крутая идея.
Также (о чем я знал, но забыл применить) - - LLM.txt на домен и LLM.txt на статью в Markdown. ChatGPT, Claude, Perplexity и др. нейронки поощряют домены из которых можно БЫСТРО извлечь контент. Поэтому ГЛУПО закрывать страницы от краулеров/парсеров, ибо этим парсером может быть chatGPT, который мог бы выдвать вашему потенциальному клиенту ссылку на ваш сайт.
Плюс в 2026 рулит авторство (тот самый EEAT), поисковики не брендовый контент контент который не имеет личного бренда или бренда компании
AI SEO / GEO принципы дают результат
Алгоритмы и принципы зашитые в систему (и это всё ИИ),
На выходных ещё попался очень интересный эксперимент с loop engineering применительно к SEO (
Также (о чем я знал, но забыл применить) - - LLM.txt на домен и LLM.txt на статью в Markdown. ChatGPT, Claude, Perplexity и др. нейронки поощряют домены из которых можно БЫСТРО извлечь контент. Поэтому ГЛУПО закрывать страницы от краулеров/парсеров, ибо этим парсером может быть chatGPT, который мог бы выдвать вашему потенциальному клиенту ссылку на ваш сайт.
Плюс в 2026 рулит авторство (тот самый EEAT), поисковики не брендовый контент контент который не имеет личного бренда или бренда компании
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
OpenParser: ИИ находит ответы в ваших документах и БД
Задайте вопрос, и ИИ найдёт ответы в ваших документах, базах данных и на сайтах.
OpenParser AI — агентная платформа документального интеллекта корпоративного уровня, которая превращает статичные документы, базы данных и веб-контент в единый защищённый слой знаний.
Платформа позволяет задавать вопросы на естественном языке и получать точные ответы с цитатами из источников, а также запускать 20+ готовых ИИ-агентов для автоматизации документоёмких задач: проверка контрактов, комплаенс-аудит, валидация счетов, суммаризация отчётов и другое. Доступна в двух вариантах: SaaS (облако) и On-Prem
Платформа эволюционировала из простого Q&A-инструмента в агентную систему, которая не просто отвечает, а выполняет законченные рабочие процессы
Интеграция с Google Drive, SharePoint, SQL-базами и любыми веб-сайтами — знания обновляются автоматически.
Поддержка PDF, DOCX, XLSX, PPTX, ODS, ODT, MD, HTML, RTF, TXT, CSV — конвертация не требуется.
Поддержка моделей от OpenAI, Anthropic, Google, Meta
💼 Кейсы применения
Маркетинг
- Автоматическая суммаризация отчётов по кампаниям из 50+ слайдов в одностраничные брифы.
- Анализ конкурентных сайтов и выгрузка ключевых офферов, pricing, УТП в таблицу.
Продажи
- Быстрая подготовка компетентных ответов на запросы клиентов по технической документации.
- Извлечение ключевых условий из контрактов (сроки, штрафы, SLA) для переговоров.
HR
- Онбординг: новые сотрудники задают вопросы по политикам, процедурам, handbook'ам и получают ответы с цитатами.
- Аудит резюме и сопроводительных писем на соответствие требованиям вакансии.
Продукт
- Анализ пользовательских фидбеков из опросов, meeting notes, support-тикетов — выделение паттернов и action items.
- Суммаризация длинных спецификаций и PRD в executive summary для стейкхолдеров.
ИТ
- Валидация инвойсов против PO, флагирование аномалий в данных.
- Профилирование данных из CSV/XLSX, сравнение версий датасетов, проверка качества.
Operations / Compliance
- Проверка контрактов на risk-клаузы, извлечение обязательств и дедлайнов.
- GDPR/SOC 2 комплаенс-аудит: поиск PII/PHI в документах, отчёт по уязвимостям.
- Обработка meeting notes: выделение задач, ответственных, сроков.
Задайте вопрос, и ИИ найдёт ответы в ваших документах, базах данных и на сайтах.
OpenParser AI — агентная платформа документального интеллекта корпоративного уровня, которая превращает статичные документы, базы данных и веб-контент в единый защищённый слой знаний.
Платформа позволяет задавать вопросы на естественном языке и получать точные ответы с цитатами из источников, а также запускать 20+ готовых ИИ-агентов для автоматизации документоёмких задач: проверка контрактов, комплаенс-аудит, валидация счетов, суммаризация отчётов и другое. Доступна в двух вариантах: SaaS (облако) и On-Prem
Платформа эволюционировала из простого Q&A-инструмента в агентную систему, которая не просто отвечает, а выполняет законченные рабочие процессы
Интеграция с Google Drive, SharePoint, SQL-базами и любыми веб-сайтами — знания обновляются автоматически.
Поддержка PDF, DOCX, XLSX, PPTX, ODS, ODT, MD, HTML, RTF, TXT, CSV — конвертация не требуется.
Поддержка моделей от OpenAI, Anthropic, Google, Meta
💼 Кейсы применения
Маркетинг
- Автоматическая суммаризация отчётов по кампаниям из 50+ слайдов в одностраничные брифы.
- Анализ конкурентных сайтов и выгрузка ключевых офферов, pricing, УТП в таблицу.
Продажи
- Быстрая подготовка компетентных ответов на запросы клиентов по технической документации.
- Извлечение ключевых условий из контрактов (сроки, штрафы, SLA) для переговоров.
HR
- Онбординг: новые сотрудники задают вопросы по политикам, процедурам, handbook'ам и получают ответы с цитатами.
- Аудит резюме и сопроводительных писем на соответствие требованиям вакансии.
Продукт
- Анализ пользовательских фидбеков из опросов, meeting notes, support-тикетов — выделение паттернов и action items.
- Суммаризация длинных спецификаций и PRD в executive summary для стейкхолдеров.
ИТ
- Валидация инвойсов против PO, флагирование аномалий в данных.
- Профилирование данных из CSV/XLSX, сравнение версий датасетов, проверка качества.
Operations / Compliance
- Проверка контрактов на risk-клаузы, извлечение обязательств и дедлайнов.
- GDPR/SOC 2 комплаенс-аудит: поиск PII/PHI в документах, отчёт по уязвимостям.
- Обработка meeting notes: выделение задач, ответственных, сроков.
🔥1
Вышел TypeScript 7.0
стал быстрее в 10 раз. что сделали:
- Переписали компилятор на Go → нативная скорость + многопоточность
- Ускорение сборки: x7.7 – x11.9 на реальных проектах
- VS Code (repo): 125.7s → 10.6s
- Sentry: 139.8s → 15.7s
- Playwright: 12.8s → 1.47s
- Память: -6% до -26%
- First error в редакторе: 17.5s → 1.3s (x13 быстрее)
Реальные кейсы:
- Slack: -40% времени merge, CI check 7.5 мин → 1.25 мин
- Microsoft: -400 часов в месяц на сборку билдов
- Canva: ошибки в редакторе 58s → 4.8s
Вопрос: сколько стоит 1 минута ожидания в вашей команде?
Это классический эффект второго порядка.
Вы ускоряете не билд.
Вы ускоряете итерацию гипотез.
- Было: 5–10 циклов в день
- Стало: 30–50 циклов
А значит:
- быстрее проверка фичей
- меньше batch-thinking
- выше скорость обучения команды
Это уже не DevEx. Это growth-фактор продукта.
стал быстрее в 10 раз. что сделали:
- Переписали компилятор на Go → нативная скорость + многопоточность
- Ускорение сборки: x7.7 – x11.9 на реальных проектах
- VS Code (repo): 125.7s → 10.6s
- Sentry: 139.8s → 15.7s
- Playwright: 12.8s → 1.47s
- Память: -6% до -26%
- First error в редакторе: 17.5s → 1.3s (x13 быстрее)
Реальные кейсы:
- Slack: -40% времени merge, CI check 7.5 мин → 1.25 мин
- Microsoft: -400 часов в месяц на сборку билдов
- Canva: ошибки в редакторе 58s → 4.8s
Вопрос: сколько стоит 1 минута ожидания в вашей команде?
Это классический эффект второго порядка.
Вы ускоряете не билд.
Вы ускоряете итерацию гипотез.
- Было: 5–10 циклов в день
- Стало: 30–50 циклов
А значит:
- быстрее проверка фичей
- меньше batch-thinking
- выше скорость обучения команды
Это уже не DevEx. Это growth-фактор продукта.
👍2
ИИ для продакта & CPO | Влад Прошинский
Курс по coding агентам в OTUS Ко мне пришли из OTUS с запросом «сделать лучшую программу по кодинг агентам». Сижу собираю новую программу курса для сентябрьской когорты по кодинг-агентам, и решил посмотреть конкурентов, открыл курс агентному программированию…
↓↓↓
Курс по кодинг-агентам в OTUS
Закончил обновленную программу🔗 курса
(времени ушло х5 от запланированного 🙈)
Но, это будет лучший курс! И вот почему:
1. Я проанализировал лучшие мировые курсы по coding-агентам на Maven от мировых практиков топовых ИТ-компаний.
2. Через весь курс идёт один сквозной проект.
Каждый урок заканчивается артефактом, который встраивается в этот проект: правила и окружение → handoff-пакет (PRD, design.md) → фронт → backend → контур качества → мульти-агентная разработка → защита на демо-дне. Студент не решает 20 разрозненных задачек, а собирает один продукт: идея → прототип → MVP → production решение.
3.🔥 Отдельно крут модуль про мульти-агентов.
Это то, куда индустрия придёт в ближайший год: вы перестаёте быть разработчиком с ассистентом и становитесь тимлидом команды агентов — оркестратор раздаёт задачи, агенты-специалисты (Front, Backend, QA, Review) работают параллельно, фоновые петли приносят готовые PR, пока вы спите.
Чем курс отличается от всего, что есть на рынке:
- полный продуктовый цикл: discovery → PRD → UX → код → production
- мульти-модельная стратегия
- токен-экономика: Opus/Fable планирует, Sonnet исполняют, Haiku ревьюит
- адаптация под русскоязычный рынок: GigaCode, YandexGPT, TimeWeb Cloud
- безопасность кодинг-агентов: tool hijacking, заражённые skills, prompt injection из веба, проверка supply chain — этой темы нет ни в одном западном курсе
=== ПРОГРАММА ====
Курс по кодинг-агентам в OTUS
Закончил обновленную программу
(времени ушло х5 от запланированного 🙈)
Но, это будет лучший курс! И вот почему:
1. Я проанализировал лучшие мировые курсы по coding-агентам на Maven от мировых практиков топовых ИТ-компаний.
2. Через весь курс идёт один сквозной проект.
Каждый урок заканчивается артефактом, который встраивается в этот проект: правила и окружение → handoff-пакет (PRD, design.md) → фронт → backend → контур качества → мульти-агентная разработка → защита на демо-дне. Студент не решает 20 разрозненных задачек, а собирает один продукт: идея → прототип → MVP → production решение.
3.
Это то, куда индустрия придёт в ближайший год: вы перестаёте быть разработчиком с ассистентом и становитесь тимлидом команды агентов — оркестратор раздаёт задачи, агенты-специалисты (Front, Backend, QA, Review) работают параллельно, фоновые петли приносят готовые PR, пока вы спите.
Чем курс отличается от всего, что есть на рынке:
- полный продуктовый цикл: discovery → PRD → UX → код → production
- мульти-модельная стратегия
- токен-экономика: Opus/Fable планирует, Sonnet исполняют, Haiku ревьюит
- адаптация под русскоязычный рынок: GigaCode, YandexGPT, TimeWeb Cloud
- безопасность кодинг-агентов: tool hijacking, заражённые skills, prompt injection из веба, проверка supply chain — этой темы нет ни в одном западном курсе
=== ПРОГРАММА ====
Модуль 1. Экосистема AI-инжиниринга
- Ландшафт coding-агентов в 2026
- Разбираем функциональные возможности coding-агентов
- Учимся управлять coding-агентом
Модуль 2. Настройка AI-dev окружения и Context Engineering
- Настройка среды и структура проекта
- От промпт-инженерии к инженерии контекста
- Фреймворки разработки для эффективной работы
Модуль 3. Идея, дизайн и требования
- Стратегия и генерация гипотез проекта
- Проработка требований
- Проектируем UX
Модуль 4. Фронт
- Собираем прототип
- Собираем MVP и Landing Page
- Собираем высококачественный Production UI
Модуль 5. Back-end
- База данных для вашего проекта
- Разрабатываем Backend: API и бизнес-логика
- Backend: интеграции AI-функционала в проект
Модуль 6. Code-review, QA и деплой
- Code-review с AI-агентом
- QA с AI-агентом: мульти-модельное ревью
- Деплой и production-контур
Модуль 7. Мульти-агенты (Dev team)
- Оркестрация: из одного агента — в команду разработки
- Фоновые агенты и автономные петли
- Бонус: безопасность и контроль кодинг-агентов
В конце каждого модуля ДЗ, а в конце — финальный проект.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤2
Большинство AI для маркетинга только советуют: посмотрел, порекомендовал, дальше сам.
В Plurio.ai агент действует, сам ведёт закуп в кабинетах. И под него ищут человека, чья методология станет его мозгом. Вакансия стоит внимания, даже если работу не ищешь.
Смотри, что агенты уже забирают на себя:
– раньше надо было самому часами разглядывать дэшборды → теперь Plurio делает глубокий анализ за минуты
– раньше надо было самому считать распределение бюджета в эксельках → теперь Plurio даёт оптимальный сплит по каналам, кампаниям и эд-сетам
– раньше надо было самому отсматривать креативы и править ставки в кабинетах → теперь Plurio отстреливает, масштабирует и перезапускает их прямо в кабинетах автоматически
– раньше решения по Google / Meta / TikTok принимались на интуиции → теперь Plurio анализирует исторические данные ml-модельками и предлагает, как сделать правила оптимизации эффективнее
Если совсем на пальцах: Plurio сам подсказывает, в какую кампанию докинуть бюджет, а какая скоро выгорит. Попросил у ребят скрин, смотрите ниже 👇
Весь execution уходит в агента, и роль меняется принципиально: ты управляешь не каналами, а агентом – кладёшь свою баинг-логику в его воркфлоу и правила и отвечаешь за рост клиентских метрик. Это уже не про управление каналом в чистом виде: ты напрямую влияешь на продукт и процессы.
И почему советую посмотреть: ребята в гиперросте, они нанимают. Продукт анонсировали только в марте, а агент уже крутит $500M+ ad spend в год, клиенты со спендами $300k–15m/m, база выросла в 4 раза за 10–12 недель. Задача – построить autonomous user acquisition factory, которая работает в 10 раз лучше всего, что было раньше, и довести бюджет под управлением до $30B. Это не типичная вакансия: ищут реально лучших в сфере. Лидерская позиция, под капотом команда ai marketing engineers и агент на твоей логике. До ~$15k/m (фикс + бонусы), ремоут по US-времени.
Если ты или кто-то из твоих знакомых круче всех шарит в Мете — посмотрите по ссылке: career.metahead.plurio.ai
В Plurio.ai агент действует, сам ведёт закуп в кабинетах. И под него ищут человека, чья методология станет его мозгом. Вакансия стоит внимания, даже если работу не ищешь.
Смотри, что агенты уже забирают на себя:
– раньше надо было самому часами разглядывать дэшборды → теперь Plurio делает глубокий анализ за минуты
– раньше надо было самому считать распределение бюджета в эксельках → теперь Plurio даёт оптимальный сплит по каналам, кампаниям и эд-сетам
– раньше надо было самому отсматривать креативы и править ставки в кабинетах → теперь Plurio отстреливает, масштабирует и перезапускает их прямо в кабинетах автоматически
– раньше решения по Google / Meta / TikTok принимались на интуиции → теперь Plurio анализирует исторические данные ml-модельками и предлагает, как сделать правила оптимизации эффективнее
Если совсем на пальцах: Plurio сам подсказывает, в какую кампанию докинуть бюджет, а какая скоро выгорит. Попросил у ребят скрин, смотрите ниже 👇
Весь execution уходит в агента, и роль меняется принципиально: ты управляешь не каналами, а агентом – кладёшь свою баинг-логику в его воркфлоу и правила и отвечаешь за рост клиентских метрик. Это уже не про управление каналом в чистом виде: ты напрямую влияешь на продукт и процессы.
И почему советую посмотреть: ребята в гиперросте, они нанимают. Продукт анонсировали только в марте, а агент уже крутит $500M+ ad spend в год, клиенты со спендами $300k–15m/m, база выросла в 4 раза за 10–12 недель. Задача – построить autonomous user acquisition factory, которая работает в 10 раз лучше всего, что было раньше, и довести бюджет под управлением до $30B. Это не типичная вакансия: ищут реально лучших в сфере. Лидерская позиция, под капотом команда ai marketing engineers и агент на твоей логике. До ~$15k/m (фикс + бонусы), ремоут по US-времени.
Если ты или кто-то из твоих знакомых круче всех шарит в Мете — посмотрите по ссылке: career.metahead.plurio.ai
❤3👍1
ИИ для продакта & CPO | Влад Прошинский
AI SEO генератор на стероидах Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки) Это пиздец, я ничего раньше подобного не делал 🤯 Ротаторы из 5 акков Tavily, Fireclaw, IndexNow…
↓↓↓
Главное, что вынес из AEO
страницы AEO должны быть гораздо более конкретными, чем SEO-страницы.
Вы не пишете «Лучшее руководство по контент-маркетингу». Вы пишете «Лучшее руководство по контент-маркетингу для логистических компаний в Москве»
1) Поставьте ответ на первое место. Не прячь суть буллетами. Никто не хочет "Дочитывать" до конца.
2) Дайте больше контекста. Добавьте 2-3 абзаца с примерами / определениями. Помогите движку понять, что ответ достоверен и полный
3) Добавить структуру вначале. LLM — ленивые читатели. Заголовки, пункты, таблицы. Каждый отрывок должен иметь смысл сам по себе.
4) Добавить FAQ (FAQ позволяют ответить на конкретные подвопросы, которые действительно задаёт ваша аудитория)
5) Включать оригинальные идеи. Данные, цитаты, исследования, которых нет ни у кого другого. Чистая новая информация — это то, что попадает в цитаты.
6) Соединить каждый поинт с продуктом. Если вы не сделаете связь, LLM не сделает этого.
7) Встраивать llm.txt. Это помогает AI движкам точно понять, что находится на вашей странице.
8) Добавить автора с данными, ссылкой на его LinkedIn, ссылки на др. статьи. (используй схему Person и укажи автора в схеме Article)
9) Оригинальные скрины, данные, датированные наблюдения («мы тестировали это в октябре 2025 года на 40 аккаунтах»).
10) Ссылки на собственные источники (это свидетельствует о дисциплинированности редакционной работы, как в инсте с reels)
11) Согласованность сущностей – ваш бренд, ваши авторы и ваши утверждения должны выглядеть одинаково на вашем сайте и др. площадках
12) LLM-ы оценивают сайты, которые выглядят как нишивые. Блог из 200 постов, охватывающий все аспекты вашей ниши, снижает эффективность по сравнению с 40 постами, углубленно изучающими одну подтему.
13) Развивайте другие площадки Reddit, YouTube, Linkedin
14) Добавляйте «обновлено» (обновляйте свои статьи, чтобы поддерживать их в актуальном состоянии)
15) Создавайте страницы с альтернативами, страницы интеграций, гайды по миграции, документацию с примерами и страницы «лучший инструмент для X задачи».
E-E-A-T — основа видимости в AEO и важнее чем в SEO (LLM отдают приоритет экспертности и внешней валидации (Wikipedia, Reddit, Linkedin, YouTube; в РФ это Дзен, прокаченные сайты, объем закупаемой рекламы в директе, POI на карте), а не ключевым словам. LLM меньше интересует PageRank и больше то, признает ли вас более широкий интернет как заслуживающий доверия источник по данной конкретной теме.
EEAT — опыт, экспертность, авторитетность, доверие — LLM-ы предварительно фильтруют набор кандидатов по воспринимаемому качеству источника еще до того, как происходит оценка релевантности. Это переворачивает правила SEO: релевантность обеспечивает рассмотрение; сигналы доверия обеспечивают цитирование
LLM-ы ценят, так это личный опыт: конкретные цифры, наблюдаемое поведение, устаревшие примеры из практики, имена практикующих специалистов
Анализ Contently: влияния авторских данных на частоту упоминаний, что статьи с подтвержденным именем эксперта цитируются значительно чаще, чем статьи, написанные под псевдонимами или сотрудниками редакции, по той же теме. Для контент-команд это имеет конкретные последствия: написание статей под общим именем «Редакционная команда» — это налог на цитирование.
Технический SEO не нужен (просто не мешай краулерам ИИ получать контент с твоего сайта)
ChatGPT / Gemini / Perplexity / Claude — у всех разные алгоритмы ранжирования
Где учиться? Что читать? Всего 1 источник: searchengineland.com
Главное, что вынес из AEO
Показатель видимости в ИИ всего ±16%
50% трастовых сайтов не попадают в ответы ИИ
страницы AEO должны быть гораздо более конкретными, чем SEO-страницы.
Вы не пишете «Лучшее руководство по контент-маркетингу». Вы пишете «Лучшее руководство по контент-маркетингу для логистических компаний в Москве»
1) Поставьте ответ на первое место. Не прячь суть буллетами. Никто не хочет "Дочитывать" до конца.
2) Дайте больше контекста. Добавьте 2-3 абзаца с примерами / определениями. Помогите движку понять, что ответ достоверен и полный
3) Добавить структуру вначале. LLM — ленивые читатели. Заголовки, пункты, таблицы. Каждый отрывок должен иметь смысл сам по себе.
4) Добавить FAQ (FAQ позволяют ответить на конкретные подвопросы, которые действительно задаёт ваша аудитория)
5) Включать оригинальные идеи. Данные, цитаты, исследования, которых нет ни у кого другого. Чистая новая информация — это то, что попадает в цитаты.
6) Соединить каждый поинт с продуктом. Если вы не сделаете связь, LLM не сделает этого.
7) Встраивать llm.txt. Это помогает AI движкам точно понять, что находится на вашей странице.
8) Добавить автора с данными, ссылкой на его LinkedIn, ссылки на др. статьи. (используй схему Person и укажи автора в схеме Article)
9) Оригинальные скрины, данные, датированные наблюдения («мы тестировали это в октябре 2025 года на 40 аккаунтах»).
10) Ссылки на собственные источники (это свидетельствует о дисциплинированности редакционной работы, как в инсте с reels)
11) Согласованность сущностей – ваш бренд, ваши авторы и ваши утверждения должны выглядеть одинаково на вашем сайте и др. площадках
12) LLM-ы оценивают сайты, которые выглядят как нишивые. Блог из 200 постов, охватывающий все аспекты вашей ниши, снижает эффективность по сравнению с 40 постами, углубленно изучающими одну подтему.
13) Развивайте другие площадки Reddit, YouTube, Linkedin
14) Добавляйте «обновлено» (обновляйте свои статьи, чтобы поддерживать их в актуальном состоянии)
15) Создавайте страницы с альтернативами, страницы интеграций, гайды по миграции, документацию с примерами и страницы «лучший инструмент для X задачи».
E-E-A-T — основа видимости в AEO и важнее чем в SEO (LLM отдают приоритет экспертности и внешней валидации (Wikipedia, Reddit, Linkedin, YouTube; в РФ это Дзен, прокаченные сайты, объем закупаемой рекламы в директе, POI на карте), а не ключевым словам. LLM меньше интересует PageRank и больше то, признает ли вас более широкий интернет как заслуживающий доверия источник по данной конкретной теме.
EEAT — опыт, экспертность, авторитетность, доверие — LLM-ы предварительно фильтруют набор кандидатов по воспринимаемому качеству источника еще до того, как происходит оценка релевантности. Это переворачивает правила SEO: релевантность обеспечивает рассмотрение; сигналы доверия обеспечивают цитирование
LLM-ы ценят, так это личный опыт: конкретные цифры, наблюдаемое поведение, устаревшие примеры из практики, имена практикующих специалистов
Анализ Contently: влияния авторских данных на частоту упоминаний, что статьи с подтвержденным именем эксперта цитируются значительно чаще, чем статьи, написанные под псевдонимами или сотрудниками редакции, по той же теме. Для контент-команд это имеет конкретные последствия: написание статей под общим именем «Редакционная команда» — это налог на цитирование.
Сайты с четко обозначенными авторами, явной разметкой экспертных знаний и авторитетными внешними упоминаниями появлялись в цитированиях значительно чаще, чем сайты, оптимизированные только для традиционных факторов ранжирования.
Технический SEO не нужен (просто не мешай краулерам ИИ получать контент с твоего сайта)
ChatGPT / Gemini / Perplexity / Claude — у всех разные алгоритмы ранжирования
Где учиться? Что читать? Всего 1 источник: searchengineland.com
👍2🔥1
Как управлять 20 ИИ‑агентами без хаоса
Вы уже запустили первого агента. Потом второго. А через месяц — пять VPS, три локальных модели и куча API‑ключей в разных файлах. Гемор, да?
В 2026 году компании внедряют ИИ‑агентов поэтапно: пилот за 3–6 месяцев, затем масштабирование с контролем ROI. По данным Fortech, окупаемость достигает 200–400% за 18–24 месяца за счёт снижения операционных расходов на 30–50%.
Но есть проблема: каждый новый агент — это ещё один сервер, ещё одна точка входа, ещё один риск.
Почему ручное управление агентами не работает?
Представьте: Hermes на одном VPS упал. На другом — нужно сменить модель. Третий требует обновления зависимостей. Вы тратите 30–60 минут на каждый инцидент. Это не масштабирование. Это тушение пожаров.
Большинство команд до сих пор:
- хранят API‑ключи в конфигах на каждом сервере
- держат открытые SSH‑порты для удалённого доступа
- подключаются к VPS по IP‑адресам, которые нужно запоминать
Результат? Уязвимая инфраструктура и часы ручной работы вместо автоматизации.
Tailscale: частная сеть для всех ваших агентов
Tailscale — это приватная сеть, которая соединяет все ваши машины в единую защищённую экосистему. Вот что это даёт на практике:
- Ноль открытых портов. Весь трафик идёт через зашифрованный туннель WireGuard. Боты сканируют интернет 24/7, но ваши серверы для них невидимы
- Доступ по имени устройства. Забудьте про IP‑адреса. Подключаетесь к vps‑hannes‑01 или macbook‑pro из любой точки мира
- Идентификация через Google/GitHub. Никаких SSH‑ключей. Если ноутбук украли или сотрудник уволился — отзываете доступ в один клик, и устройство теряет связь со всей сетью
- Бесплатно для большинства. Unlimited устройств, до 6 пользователей. Платите только за VPS
Мульти‑агентная оркестрация через Tailscale
Вот где начинается магия. Когда все ваши агенты в одной Tailscale‑сети, один главный агент (например, на вашем MacBook) может управлять всеми остальными:
- Установить Hermes на VPS одной командой
- Поменять модель с GLM 5.2 на GPT‑5.6 без ручного SSH
- Обновить конфигурацию на пяти серверах параллельно
Весь процесс занимает 15–20 минут, из которых 90% времени агент работает автономно. Вы формулируете цель: «Установи Hermes, заблокируй все порты, кроме Tailscale, и протестируй». ИИ‑ассистент сам находит документацию, выполняет команды, делает скриншоты и проверяет результат.
Aperture: центральное хранилище API‑ключей
Tailscale предлагает Aperture — шлюз для безопасного управления секретами. Все API‑ключи (OpenAI, Anthropic, OpenRouter) хранятся в одном месте, а агенты получают к ним доступ через приватную сеть. Никаких дубликатов в .env‑файлах на семи разных VPS.
Что это меняет для продакта и C‑level
- Скорость. Развёртывание нового агента сокращается с часов до минут
- Безопасность. Фаервол включён, публичные порты закрыты, доступ привязан к личности
- Масштаб. Можно управлять 10, 20, 50 агентами без пропорционального роста операционных затрат
По данным Cloud.ru, в 2026 году ИИ‑агенты автоматизируют до 85% рутинных бизнес‑процессов, от клиентской поддержки до генерации отчётов. Но без правильной сетевой архитектуры вы упрётесь в потолок ручной работы.
Как начать прямо сейчас
1. Зарегистрируйтесь на tailscale.com (бесплатно, вход через GitHub/Google)
2. Установите Tailscale на локальную машину:
3. Подключите VPS, выполните на сервере, авторизуйте устройство
4. Заблокируйте публичные порты через ИИ‑агента: «Закрой все порты, оставь только Tailscale»
5. Настройте Aperture для централизованного хранения API‑ключей
🎞 видео-гайд
Вы уже запустили первого агента. Потом второго. А через месяц — пять VPS, три локальных модели и куча API‑ключей в разных файлах. Гемор, да?
В 2026 году компании внедряют ИИ‑агентов поэтапно: пилот за 3–6 месяцев, затем масштабирование с контролем ROI. По данным Fortech, окупаемость достигает 200–400% за 18–24 месяца за счёт снижения операционных расходов на 30–50%.
Но есть проблема: каждый новый агент — это ещё один сервер, ещё одна точка входа, ещё один риск.
Почему ручное управление агентами не работает?
Представьте: Hermes на одном VPS упал. На другом — нужно сменить модель. Третий требует обновления зависимостей. Вы тратите 30–60 минут на каждый инцидент. Это не масштабирование. Это тушение пожаров.
Большинство команд до сих пор:
- хранят API‑ключи в конфигах на каждом сервере
- держат открытые SSH‑порты для удалённого доступа
- подключаются к VPS по IP‑адресам, которые нужно запоминать
Результат? Уязвимая инфраструктура и часы ручной работы вместо автоматизации.
Tailscale: частная сеть для всех ваших агентов
Tailscale — это приватная сеть, которая соединяет все ваши машины в единую защищённую экосистему. Вот что это даёт на практике:
- Ноль открытых портов. Весь трафик идёт через зашифрованный туннель WireGuard. Боты сканируют интернет 24/7, но ваши серверы для них невидимы
- Доступ по имени устройства. Забудьте про IP‑адреса. Подключаетесь к vps‑hannes‑01 или macbook‑pro из любой точки мира
- Идентификация через Google/GitHub. Никаких SSH‑ключей. Если ноутбук украли или сотрудник уволился — отзываете доступ в один клик, и устройство теряет связь со всей сетью
- Бесплатно для большинства. Unlimited устройств, до 6 пользователей. Платите только за VPS
Мульти‑агентная оркестрация через Tailscale
Вот где начинается магия. Когда все ваши агенты в одной Tailscale‑сети, один главный агент (например, на вашем MacBook) может управлять всеми остальными:
- Установить Hermes на VPS одной командой
- Поменять модель с GLM 5.2 на GPT‑5.6 без ручного SSH
- Обновить конфигурацию на пяти серверах параллельно
Весь процесс занимает 15–20 минут, из которых 90% времени агент работает автономно. Вы формулируете цель: «Установи Hermes, заблокируй все порты, кроме Tailscale, и протестируй». ИИ‑ассистент сам находит документацию, выполняет команды, делает скриншоты и проверяет результат.
Aperture: центральное хранилище API‑ключей
Tailscale предлагает Aperture — шлюз для безопасного управления секретами. Все API‑ключи (OpenAI, Anthropic, OpenRouter) хранятся в одном месте, а агенты получают к ним доступ через приватную сеть. Никаких дубликатов в .env‑файлах на семи разных VPS.
Что это меняет для продакта и C‑level
- Скорость. Развёртывание нового агента сокращается с часов до минут
- Безопасность. Фаервол включён, публичные порты закрыты, доступ привязан к личности
- Масштаб. Можно управлять 10, 20, 50 агентами без пропорционального роста операционных затрат
По данным Cloud.ru, в 2026 году ИИ‑агенты автоматизируют до 85% рутинных бизнес‑процессов, от клиентской поддержки до генерации отчётов. Но без правильной сетевой архитектуры вы упрётесь в потолок ручной работы.
Как начать прямо сейчас
1. Зарегистрируйтесь на tailscale.com (бесплатно, вход через GitHub/Google)
2. Установите Tailscale на локальную машину:
tailscale up3. Подключите VPS, выполните на сервере, авторизуйте устройство
4. Заблокируйте публичные порты через ИИ‑агента: «Закрой все порты, оставь только Tailscale»
5. Настройте Aperture для централизованного хранения API‑ключей
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2