Как развернуть свой сервер для Affine и прикрутить к нему GPT, чтобы не платить за подписку

Ранее я писал про сервис, на который перешел с Notion, если не читали - вот пост. Там также есть AI-функционал. Подписка на Affine AI стоит 8 баксов в месяц, но я его так активно не использую, поэтому поднял сервер и прикрутил туда свой API-ключ Openrouter. На данный момент AI официально не поддерживается для селф-хостинга, но я посмотрел код и нашел, как это обойти. Публикую неофициальный способ завести AI.

1. Вам понадобится арендовать сервер с IP не в РФ. Можно на Digital Ocean или VDSINA. ОС выбираем 24.04 Ubuntu, оперативка минимум 1 гб, памяти - сколько вам нужно. Также вам понадобится купить любой домен (к нему мы будем подключаться). Домен привязываем к IP сервера, как сделать - обычно написано там, где покупали домен. Также вам понадобится установить nginx, об этом в процессе спросите Gemini.

2. Подключаемся к серверу средствами командной строки (проще всего прямо с сайта вашего хостинга). Зовем на помощь Gemini или любую другую LLM, просим помочь установить версию canary в папку ~/affine-docker Копируем отсюда весь текст документации и просим помочь развернуть AFFINE на своем сервере и подключить nginx, говорите, чтобы давал вам пошаговые инструкции и присылал по одной конкретные команды. В случае проблем - копируем текст ошибки и просим ее решить. Сначала он вам поможет установить docker, а затем все остальное

3. После того, как установили и запустили - идем в приложение Affine, добавляем свой сервер по домену. Создаем аккаунт и попадаем в админку, она будет по адресу ваш_домен_для_affine/admin, там находим себя в списке пользователей, жмем Edit и включаем для себя UnlimitedCopilot. Остальные настройки с AI трогать не нужно. В боковом меню будет тумблер с AI, но он не работает (способ неофициальный).

4. Возвращаемся на сервер, выполняем следующую команду:

nano ~/.affine/self-host/config/config.json

5. Откроется редактор текста, надо поправить его на такой, вставив свокй апи ключ

{
"$schema": "https://github.com/toeverything/affine/releases/latest/download/config.schema.json",
"copilot": {
"enabled": true,
"providers.openai": {
"apiKey": "sk-or-v1-ВАШ_API_КЛЮЧ_Openrouter,
"baseUrl": "https://openrouter.ai/api/v1"
}
}
}

6. Как поправили - жмем control+S, а затем control+X, чтобы сохраниться и выйти из редактора

7. Выполняем команду:

sudo chmod 644 ~/.affine/self-host/config/config.json

8. Выполняем команду:

docker compose up -d --force-recreate

9. Ждем, пока все запустится и ждем еще минутку

10. Далее выполняем команду:

docker compose logs affine | grep -i 'copilot\|openai\|provider'

11. У вас появятся логи, там надо найти

Copilot provider [openai] registered - это значит, что все ОК

12. Перезапускаете свой клиент Affine и у вас заработает AI

Авторы обещают добавить официальную поддержку AI для селф-хостинга в течении пары месяцев, а это значит, что скоро можно будет туда подключить бесплатный DeepSeek от OpenRouter или Gemini и вообще не платить за AI ни цента!

C AI теперь можно делать больше, чем просто прототипы.

Меня редко чем можно удивить в области ИИ. Все-таки, когда работаешь в индустрии, у тебя образуется некоторая предвзятость: большую часть инноваций, вызывающих “вау-эффект”, ты либо видел сам, либо читал в статьях/видел в демо, как это сделали другие.

То, что AI можно использовать для быстрого прототипирования, тестирования гипотез, - уже ни для кого не секрет. Сервисы вроде Lovable и Bolt - одни из моих любимых и наиболее часто используемых. Но можно ли запустить цифровой бизнес с помощью AI?

Давайте отбросим момент с генерацией идей, здесь AI может помочь, но реально креативную идею, которая будет отвечать рынку, все же должен генерировать человек. Предположим, что у нас такая есть. Встает вопрос: а до какой степени я могу полагаться на AI в ее реализации? Нужна ли мне команда разработки?

Здесь все зависит только от вас
Чтобы построить цифровой продукт, вам нужно: во-первых, желание сидеть и разбираться с инструментами для AI-кодинга, во-вторых, базовое понимание принципов разработки, архитектуры и обеспечения безопасности. Если у вас есть это, то, как говорится, sky is the limit. Реализовать хороший MVP с помощью AI - можно! Подчеркиваю, что именно MVP. Я разделяю понятия прототипа, MVP и полноценного продукта.

Прототип - это про потестировать гипотезу.
MVP - базовый продукт в том виде, за который готовы платить, имеет интеграцию с парой сервисов, например, БД + платежка.
Полноценный продукт - масштабируемая история, которая может справляться с большим потоком пользователей и имеет интеграцию с большим количеством сервисов.

Какого рода MVP можно построить с AI сегодня?
1. Информационные продукты - как делал я с тренингами. В Bolt сделал лендос, с помощью Cursor подключил к нему платежку, развернул open source LMS для хранения материалов и написал пару ботов для обучения.
2. Обертки для LLM - можно относительно просто создавать MVP, ядром которых будет любое взаимодействие с AI. Это могут быть как веб-, так и мобильные приложения. Можете прикрутить туда свою базу знаний, запромптить ассистента и продавать.
3. Интернет-магазины - создаем базу данных, делаем витрину, прикручиваем платежку и какую-нибудь CRM-ку.

Какие есть ограничения?
1. Главное - усидчивость и желание разобраться в технических деталях и архитектуре.
2. Чем сложнее продукт - тем детальнее должно быть ТЗ.
3. Вы должны быть готовы работать поэтапно и, в случае чего, - упрощать логику и идти на компромиссы.
4. Вам нужно думать о безопасности самостоятельно. Пытаться “сломать” свой продукт и латать обнаруженные дыры.

Благодаря этому подходу сегодня я за 8 часов собрал веб-приложение с авторизацией, базой данных, RAG, встроенным AI и админкой, на реализацию которого ушло бы 3 дня дизайна и 2 недели разработки.

Кому интересно - на скрине стек проекта

Как запустим — поделюсь здесь 🙂

#развитиеии #бизнес

Про минусы США

Еду в поезде до Чикаго и пишу этот пост, потому что снова убеждаюсь, насколько переоценены США. Вроде цивилизованный чистый поезд с Wi-Fi и широкими креслами, но за этой оберткой скрывается реальная сущность вещей.

Нам говорят, что в России жить плохо, а США - великая страна. Прожив здесь год, я могу сказать, что это самая переоцененная страна, в которой не хочется ни жить, ни оставаться. Почему? Приведу несколько примеров.

1. Дерьмовый интернет - в дороге я планировал работать. Но за 5 часов я не увидел нормального интернета. Ни по WI-FI ни через 5G. А дома у нас периодически тормозит хваленный AT&T. Такая прекрасная связь обходится нам в 200 баксов в месяц. В России у меня LTE ловит даже в глухих деревнях, а в Армении я звонил по видеосвязи с вершины горы Арагац.

2. Социальные проблемы - куча бомжей, торчков и людей, которые, простите за выражение, ссут и срут на тротуары. И государству это ок. Вместо того, чтобы заставить их работать - им платят им соц пособия, которое те тратят на наркотики. Они могут жить в шелтерах и получать бесплатную еду в фуд-банках. Блогеры обычно восторгаются этим, но никто не говорит об обратной стороне. А ведь на содержание этих бездарей уходят налоги рабочего населения.

3. Отсутствие чувства безопасности - здесь любой может купить оружие, даже полный псих. Траву курят все и везде. По некоторым районам ты ходишь и оглядываешься, чтобы на тебя неехал какой-нибудь чернокожий гангстер. Причем как в прямом, так и переносном смысле. Не смотря на запреты курить за рулем - всем плевать. Тебе всегда нужно быть осторожным, потому что ты не знаешь, чего ожидать.

4. Уравниловка в действии - если вам жилось хорошо в СНГ, у вас хорошая работа и есть своя квартира - вы здесь не будете жить лучше. Про то, как хорошо жить в Штатах обычно рассказывают блогеры, зарабатывающие на иммиграции и те, кому плохо жилось в наших странах. В основном это либо люди с низкими зарплатами либо без образования. Если вы хотите жить лучше других, а не просто комфортно “как все”, при этом вы не выросли в местной культуре - США не для вас. “Стать богатым” в СНГ намного доступнее, чем здесь. Ведь даже если ты “айтишник” с зп $350 к/год - больше половины уйдет на налоги и жилье в СФ, а жить ты будешь так же, как не самый лучший плотник.

5. “Красный” рынок труда - за последнее время довольно много знакомых из разных сфер потеряли работу. Причем потеряли чуть ли не одним днем. Обрезали финансирование - гудбай. Устроиться куда-то - огромный челлендж. Есть знакомый, отправивший 5 000 откликов, чтобы получить оффер. Если большая часть вашего опыта работы - не в США, устроиться еще сложнее. Потому что здесь важен опыт работы в местных компаниях. Думаете с AI проще? Знаю несколько крутых специалистов по ИИ, сидящих больше года без работы.

7. Капитализм во главе всего - для меня было дикостью когда я узнал, что здесь беременные женщины работают до самых родов, а декретный отпуск всего 6-12 недель. Плевать, как будет развиваться ребенок до и после рождения. Проще поставить ребенку СДВГ и посадить на таблетки, чем сделать так, чтобы родители уделяли время воспитанию.

8. Страна не приспособлена для жизни без авто - здесь нет “магазинов у дома”, чтобы погулять - надо ехать куда-то на машине. А, например, в Чикаго нет даже светофоров со звуком и дорожек для незрячих.

9. Сахар, сахар, сахар - питаться нормально - тот еще квест. Нужно очень тщательно выбирать продукты питания. Берешь зерновой хлеб, а там калорий х2 от российского. Смотришь состав: кукурузный сироп, сахар…

10. Медицина и страховки - мы платим $3300 в год за страховку. Думаете она все покрывает? Нет. Если легонько заболеешь - накинь пару сотен баксов, серьезнее - пару тысяч. Не болел - считай подарил эти деньги дяде из страховой. При этом без страховки стоимость медицины выйдет в десятки или даже сотни тысяч.

Очень рад, что следующие пару месяцев проведу в России и надеюсь на нормализацию политической обстановки к моменту окончания нашего пребывания в Штатах.

Протестировал локальный ИИ на максималках

Пока был в полете, работал над шлифовкой финальной лекции тренинга по эффективности с ИИ. Нужно было обновить часть материалов: где-то подрасписать инструкции, где-то вытащить что-то из моих выступлений и преобразовать это в нормальный конспект.

Базовый набор для таких задач: Vibe - для транскрибации и LM Studio для работы с текстами.

Vibe, как всегда, отработал на 9/10 - мелкие ошибки, не особо влияющие на итоговый результат. А вот с LM Studio было поинтереснее 🙂

Мой базовый сценарий для локальных ЛЛМ - либо быстрые задачки для суммаризации, ответов на вопросы и всякого такого, либо извлечение информации из всяких конфиденциальных встреч через те же транскрипты. В основном на английском либо на русском, где не так важен язык. В целом, все это закрывалось через Ministral 8b Q4 либо DeepCogito 14b Q4. Но при работе с длинными текстами вылез жирный минус - кривой русский язык, что в случае с конспектами сильно бросалось в глаза.

Для справки: Q - это степень сжатия модели. Несжатые модели - это FP16 и FP32, сжатые - Q8, Q6, Q4, Q2. Из сжатых самая крутая, но самая медленная - Q8, самая быстрая, но менее точная - Q2. В целом, модели ниже, чем Q4 не имеет смысла использовать. Это баланс скорости и точности.

Мне стало интересно, что сильнее влияет на работу с русским языком, на маке было несколько моделей и вот основные выводы:

Первая гипотеза: Yandex GPT 8b Q4 решит проблему с языком.
Да, проблему он решил, но модель игнорирует вообще все инструкции и пишет по-своему, а не в заданном формате.
Вывод: Для Алисы модель, мб, и норм, а для работы - мусор.

Вторая гипотеза: включение Thinking в DeepCogito 14b Q4 улучшит русский язык.
И русский и качество чуть возросли, но остались артефакты.
Вывод: Thinking дает хороший буст даже на маленьких моделях, сокращая количество артефактов но не то, как звучит язык.

Третья гипотеза: использовать Ministral на Q8, а не Q4.
Улучшился и язык (реже стал вылезать английский) и качество (тексты лучше), но все еще неидеально.
Вывод: квантизация влияет на понимание и язык, но если языка было недостаточно в обучающих данных - пользы мало

Четвертая гипотеза: Gemma 3 все порешает.
Я попробовал 4b на Q4 и Q8 и это сработало! Восьмерка справлялась чуть лучше. Но что интересно - это самая маленькая модель из всех.
Вывод: архитектура модели и ее обучающие данные - важнее размера.

Работать над задачей закончил как раз с Геммой. Наблюдениями решил поделиться в этом посте, вдруг кому еще предстоит работать в самолете)

Alibaba выпустили новые модели QWEN 3 и скоро завезут MCP

Только вчера писал про локальные модельки, а сегодня вышли новые. QWEN 3 - это гибридные модели, в которых можно включать/выключать ризонинг. Из подобных на рынке сейчас только Gemini Flash 2.5, Claude 3.7 и DeepCogito. Кажется, что намечается новый тренд, что вполне логично, так как иметь возможность переключать ризонинг в рамках одной модели - намного удобнее, как минимум, с точки зрения UX. Помимо этого, у моделей можно регулировать “бюджет” на ризонинг, контролируя, как усердно она будет думать.

Если запускаете у себя, мышление отключается путем добавления в промпт /no_think

По бенчмаркам все модели - SOTA в своих весовых категориях (будем проверять, у меня еще один перелет впереди 😁). При этом архитектура у них схожая с LLama - MOE. Т.е. всегда активными остается небольшое количество параметров модели, предъявляя меньше требований к железу.

Еще из интересного - я глянул в веб-интерфейс и заметил, что там появилась кнопка MCP с надписью “Coming Soon”, то есть в модельки скоро занесут компьютер юз, это прямо круто!

В целом, к моделям высокие ожидания, т.к. 2.5 версия была очень крутой, а благодаря своей опенсорсности много где использовалась. Напомню, что именно квен тюнили под себя Авито и Т-банк, поэтому ожидайте скорого обновления и у них 🙂

Потестировать модели в веб-интерфейсе можно тут
Hugging Face для тех, кто хочет локально - здесь

Инвестиции в разработку vs Vibe Coding для MVP: что выбирают фаундеры и что будет дальше

Поскольку я много работаю со стартапами, вопрос выбора между полноценной разработкой и быстрым прототипированием на ИИ для MVP всплывает постоянно. Решил поделиться здесь своими наблюдениями и размышлениями, так как с одной стороны - много общаюсь с фаундерами, а с другой - неоднократно запускал проекты и с помощью вайбкодинга и с традиционной разработкой. Когда и что применять?

Наблюдение №1: "Опытные" с деньгами выбирают классику
Первое, что бросается в глаза: фаундеры, у которых нет проблем с финансированием, почти всегда предпочитают традиционную разработку, даже если им предлагаешь сделать прототип с ИИ. Как правило, это ребята с уже действующим (и часто крупным) бизнесом, которые хотят диверсифицироваться. К идее использовать ИИ они относятся в целом положительно, но главный барьер - железобетонная уверенность в крутости своей идеи и в том, что "маркетинг зарешает". От них часто можно услышать: "Мне не нужен прототип, мне нужно сразу выходить на рынок с готовым продуктом".

Наблюдение №2: "Молодые и дерзкие" на инвестициях и за быстрые эксперименты
Второе наблюдение: более молодые фаундеры и те, кто живет на инвестиционные деньги, чаще склоняются к быстрым прототипам, сделанным с помощью ИИ (тот самый вайбкодинг). Их логика понятна: бюджет и время на эксперименты ограничены либо собственными средствами, либо деньгами инвестора. ИИ-прототипирование и POC они рассматривают как проверку гипотезы. У них есть готовность к тому, что гипотеза провалится, и они без особых сожалений переключатся на что-то другое.

Какой подход правильный?
Однозначного ответа, конечно, нет. Первый подход - чисто предпринимательский, в духе Ричарда Брэнсона: вижу цель, верю в себя, не вижу препятствий. Второй - классический продуктовый: тестируем гипотезы, работаем итерациями, считаем юнит-экономику.

И здесь видна интересная дилемма. С одной стороны, мы часто видим, как опытные продакты не могут запустить свой продукт - им не хватает той самой предпринимательской жилки, готовности рискнуть и слепой веры в идею, ведь нас учат действовать осторожно, проверять гипотезы и оставаться в рамках бюджета.

С другой стороны, не редки случаи, когда матерые предприниматели, уверенные в своей гениальности, влетают в новую нишу и просто сжигают бюджеты, потому что переоценили идею или недооценили рынок. В общем, хороший менеджер ≠ хороший предприниматель, и наоборот.

Кто выиграет в будущем?
Интуиция подсказывает, что чистое следование только первому или только второму подходу - не самая выигрышная стратегия в долгосрочной перспективе, так как они слишком полярны. Как говорил Нассим Талеб, выигрывают те, кто ставит собственную шкуру на кон. Риск оправдан, если он подкреплен действием.

И вот здесь, мне кажется, на сцену выходит ИИ и то самое солопредпринимательство. С текущим развитием технологий поставить "шкуру на кон" становится значительно дешевле. Думаю, прорываться будут те, кто готов разбираться в технологиях самостоятельно, минимизировать зависимость от больших команд на старте и идти на рассчитанный риск.  

Ведь цена проверки гипотезы с помощью вайбкодинга радикально снижается. Условно, вам может потребоваться $100 на создание вполне рабочего ИИ-прототипа и, скажем, $1000 на первую маркетинговую кампанию для проверки спроса. Это уже не сотни тысяч и не годы разработки. Это суммы, доступные очень многим. А значит, шанс реализовать свою идею получают те, кто раньше об этом и не мечтал.

#развитиеии #бизнес

NotebookLM теперь поддерживает русский язык, но не спешите радоваться

Я неоднократно писал о том, как люблю этот продукт от гугл, но у него один минус - отсутствие русского языка. Все-таки не всегда хочется работать на английском, и вот, теперь Google добавили поддержку русского и еще кучи языков.

Причем добавили не только в режиме “тетрадки” и ответов на вопросы, но и для моей любимой функции генерации подкастов :)

Я пошел тестировать, впечатления смешанные.
Во-первых, работает сейчас медленно (видимо, народ налетел). Во-вторых, на английском подкасты звучат более естественно, видимо, сказывается количество данных, на которых обучали голосовой модуль. В русской версии слышно, что все-таки говорит робот. В-третьих, качество работы с русским с точки зрения фактологической точности меня сейчас огорчило. В-четвертых, в англоязычной версии подкасты получаются более детализированными и длинными. В-пятых, эканья, бэканья, мэканья сейчас в русском звучат неестественно. В-шестых, голос девушки мне не понравился :(

Ради интереса - сгенерировал подкаст на основе своей лекции по введению в ИИ, и моделька много где напутала. Например, очень сильно ошиблась в классификации видов ИИ, привела неправильные примеры, а архитектуру Transformers назвали “трансформаторами” 🤣.

В общем, вроде как функцию добавили, но косяков очень много. Ждем теперь, когда исправят :)

DeepSeek выпустили новую модель с фокусом на математике и логике разбираем что за зверь

С утра на HuggingFace появилась новая моделька от китайцев. Пока все ждали R2, в свет вышла модель DeepSeek Prover V2.

Что это за модель и почему раньше о ней не говорили?
Как можно видеть из названия, это вторая версия модели, а не говорили о них лишь потому, что до R1 за DeepSeek следили только гики. Моделька предназначена для решения логических и математических задач на языке формальных доказательств Lean 4. В целом, сфера формальной логики у LLM сейчас довольно сильно страдает, и цель этой модели – как раз исправить это.

Модельку специально тренировали на имитацию процесса рассуждения, но без традиционных сворачиваемых “мыслей”, которые мы видим у других моделей. Попробуйте дать ей задачку на логику - поймете, о чем я.

Как они этого добились?

Если коротко, то применили хитрый подход:

1. Разбивка и синтез: Использовали DeepSeek-V3, чтобы та разложила сложные теоремы на шаги и сгенерировала "черновики" доказательств, соединяя неформальные рассуждения с формальным кодом.
2. Оптимизация: Для решения подзадач использовали модель поменьше (7B), чтобы сэкономить ресурсы.
3. Дообучение: Полученную модель-прувер докрутили с помощью обучения с подкреплением (RL), поощряя за верные формальные шаги.

Идея в том, чтобы научить модель не просто генерировать текст, похожий на математический, а именно строить формальные доказательства, связывая их с логикой рассуждения.

Результаты и бенчмарк

Флагманская 671B модель показала себя очень неплохо: 88.9% успеха на стандартном тесте MiniF2F и решила почти полсотни задач из сложного университетского PutnamBench.

Чтобы лучше тестировать такие модели, DeepSeek даже создали свой бенчмарк – ProverBench, куда включили задачи с реальных олимпиад (AIME) и из учебников. Это важно для оценки на разнообразных и практически значимых примерах.

Доступные модели

Выпустили две версии:

DeepSeek-Prover-V2-7B: Младшая, с увеличенным до 32K токенов контекстом.
DeepSeek-Prover-V2-671B: Старшая, на базе новейшей DeepSeek-V3, показывающая топовые результаты.

Что в итоге?

Появление DeepSeek Prover V2 – интересный шаг к тому, чтобы LLM стали лучше справляться с логикой и математикой. Их подход к обучению, имитирующий процесс доказательства, выглядит многообещающе. Но есть и свои минусы, например, нам уже известно, что RL часто ведет к тому, что модели ВРУТ, что показали нам OpenAI. + я немного потыкал модель, с моими задачками на логику она не справилась 🙂

Модель доступна на OpenRouter

Когда инновации остаются за кадром… (О разработке персонализированных уроков в Skyeng)

Наконец-то могу поделиться подробностями еще об одном продукте, в создание которого наша R&D команда вложила немало сил. Недавно Skyeng анонсировали новый функционал - генерацию персонализированных уроков. И, конечно, это отличная новость! Однако, в официальной статье команда разработки осталась за кадром: в статье упомянули совсем не тех, кто этим всем занимался, я бы даже сказал, далеко не тех. Что ж, исправляю эту несправедливость.

Что же представили?
Skyeng добавили на платформу возможность генерировать персонализированные уроки с учетом уровня и интересов ученика. В статье упомянули, что система генерирует карточки с упражнениями, и это как-то связано с мотивацией, но детали остались за кадром. А "под капотом" там целая система технологий.

Как это работает?
Генерация упражнений: Еще в начале 2022 года наша команда разработала несколько моделей на базе T5, способных генерировать различные типы упражнений: открытые вопросы, вопросы с вариантами ответов, true/false и другие. Важно, что все упражнения четко соответствовали уровням подготовки учеников. Отдельное спасибо здесь Роме Смирнову и Вите Склизневу - именно они создали эти сетки. Не смотря на то, что уже тогда наши методисты начали использовать данные технологии в создании контента, мы хотели генерировать целые уроки, а для этого нужно было создавать тексты

Генерация текстов: В ядре любого упражнения в английском языке находится текст. Если это чтение - нам нужна статья, если это аудирование - нам нужен скрипт. Именно поэтому мы и сосредоточились на текстах. Сначала мы научились генерировать короткие тексты, а затем и более длинные, адаптированные под уровень по шкале CEFR. Здесь огромная заслуга Вити Прилепского, сделавшего модели для генерации каждого типа текстов.

Работа с мотивацией: В статье лишь вскользь упомянули про "вовлеченность", а ведь это ключевой элемент персонализированного обучения! Вопросами методологии и мотивации у нас занимались две Насти - Екушевская и Солодкова. И занимались, между прочим, очень крутой штукой. Мы предположили, что если влиять на мотивацию ученика, то и результаты обучения будут лучше. Проанализировали тысячи уроков, выявили закономерности и даже увидели, что динамика возвращения к занятиям соответствует кривой мотивации Бандуры. Вокруг полученных выводов строилась последующая работа.
 
Экстракция интересов: Персонализация невозможна без понимания интересов ученика. Наша команда разработала экстрактор интересов, который на основе анализа вводных уроков, обратной связи от преподавателей и анкет учеников вычленял наиболее интересующие студентов темы. К его созданию руку приложил Рома Смирнов.

Менеджеры и разработчики
Также хочу упомянуть тех, кто драйвил всю эту историю. Мы с Женей Литвиненко создали R&D-команду, придумали вместе с ней и выпустили первые технологии. Потом Рома Михайлов подхватил руководство и довёл до ума интеграцию генерации контента в те самые карточки. Также в команде был еще один человек, без которого ничего бы не было - Семён Кошкаров, который оборачивал все наши наработки в рабочие прототипы.

Из упомянутых выше ребят почти никто уже не работает в компании. Кто-то ушел в свой стартап, другие - работают на ведущие зарубежные компании. Но это не отменяет того факта, что компания забывает тех, кто создаёт для неё крутые продукты и инфоповоды. И ладно бы не упомянули только бывших сотрудников, забыли даже про действующих.

Заграницей принято делать публикации на Arxiv, писать статьи, где упомянуты все: инженеры, ресерчеры, разработчики. Все, кто приложил руку к разработке чего-то крутого. А Skyeng решили опубликовать лишь имена тех, кто остался в компании, и по большей части, даже не имеет представления о том, как работает продукт, которым так гордится компания.

#кейсы

Google выпускает мобильные приложения NotebookLM для Android и IOS

Похоже, что у Гугла большие планы на NotebookLM. Пока большинство из нас праздновало первомай, поедая шашлыки, компания объявила о том, что очень скоро выйдут мобильные приложения для “умной тетрадки”.

Что приятно - будет сразу версия не только для смартфонов, но и планшетная, то есть тем, кто пользовался на iPad, можно будет удалять PWA-ярлыки.

Очень надеюсь, что проект будет долго жить и развиваться, все-таки гугл известна как компания, которая любит “убивать” свои продукты. А терять заметки, которые хранятся только в облаке - не самый приятный опыт. Поэтому все-таки важные доки буду хранить в Affine.

Релиз намечен на 20 мая (первый день Google I/O), должны стать доступны бета-версии. А сейчас можно предварительно зарегистрироваться на тесты.

🤖 Ссылка для Android
🍏 Ссылка для iOS/iPad OS

Claude получает больше связи с реальным миром

Какими бы мощными ни становились языковые модели, их главная уязвимость - это оторванность от реального мира. Сегодня LLM часто пасуют перед задачами, требующими актуальной информации или понимания сложного контекста «здесь и сейчас».

Банальный пример из жизни. Вчера мы ездили из Белграда в Нови Сад. Главный вокзал Нови Сада закрыт на неопределенный срок после трагического обрушения навеса в ноябре 2024 года. Поезда теперь отправляются с другой станции, до которой еще нужно добраться на автобусе. Ни Perplexity, ни Deep Research от Google не смогли дать мне корректный ответ, как вернуться обратно в Белград. Они просто не знали о закрытии основного вокзала и предлагали маршруты через него. Вот вам и связь с реальностью.

Именно над решением этой проблемы активно работают в Anthropic. На днях они анонсировали Integrations - новую фичу для Claude, которая позволяет подключать к модели внешние приложения и инструменты. И это может стать важным шагом к тому, чтобы ИИ лучше понимал наш мир и мог действовать в нем.

Что такое Integrations?
По сути, это развитие их протокола MCP, который теперь позволяет Claude работать не только с локальными, но и с удаленными серверами через веб и десктопные приложения. Проще говоря, вы можете «подружить» Claude с вашими рабочими инструментами.

На старте доступны интеграции с 10 популярными сервисами: Jira, Confluence, Zapier, Cloudflare, Intercom, Asana, Square, Sentry, PayPal, Linear и Plaid. Обещают и другие, вроде Stripe и GitLab.

Зачем это нужно?
Когда Claude подключается к вашим инструментам, он получает глубокий контекст о вашей работе: историю проектов, статусы задач, корпоративную базу знаний. Он получает больше агентских функций, позволяющих с ним коллаборировать эффективнее.

Пример с Atlassian: Claude может помогать в создании новых продуктов, резюмировать обсуждения и создавать задачи в Jira или страницы в Confluence.

Улучшенный Research
Вместе с интеграциями Anthropic прокачали и свою функцию Research. Теперь она может проводить более глубокие исследования, используя не только веб и Google Workspace, но и подключенные через Integrations приложения.

Claude разбивает сложный запрос на части, глубоко исследует каждую и собирает подробный отчет с цитатами и ссылками на источники. Процесс может занимать от 5 до 45 минут (вместо часов ручной работы). Это уже серьезный инструмент для ресерча, который учитывает и ваши внутренние данные.

Начали с бизнеса, а что дальше?
Anthropic логично начинает с бизнес-применений. Интеграции с рабочими инструментами - понятный и востребованный сценарий. Даст ли это ИИ ту самую связь с «реальным миром»? В определенном смысле - да, но пока только с рабочим миром конкретной компании или пользователя.

Сможет ли такой Claude в будущем подсказать мне актуальный маршрут из Нови Сада, учитывая закрытый вокзал? Пока нет. Но направление выбрано интересное: дать моделям доступ к внешним, динамически обновляемым источникам данных и возможность взаимодействовать с ними. Это явно шаг в сторону от чисто текстовых галлюцинаций к более заземленным и полезным действиям.

Новые функции пока доступны в бета-режиме для планов Max, Team и Enterprise. Обычный поиск по вебу теперь доступен глобально для всех платных пользователей Claude

Выпустил второй поток тренинга “ИИ для личной эффективности”. Отзывы и дальнейшие планы

Вот так быстро и незаметно для меня прошел публичный поток моего тренинга по личной эффективности с ИИ. Хочется порефлексировать и поделиться с вами результатом и дальнейшими мыслями.

Зашел ли курс аудитории?
Это первый и определяющий вопрос. По посещаемости, обратной связи и NPS рад поделиться, что курс залетел на “ура”. Поток был небольшой, 9 человек. Промежуточный NPS, когда я пишу этот пост - 100% Материал актуальный, оценки отличные. Я очень горжусь тем, что удалось собрать такой продукт. Пусть изначально я стремился обучить 15 человек на этом потоке, сейчас я уверен, что можно смело инвестировать в маркетинг, т.к. курс прошел проверку в “бою”.

Будет ли еще набор?
Однозначно. Решил ставить эту историю на поток. Более того, сам тренинг будет еще немного прокачан. Добавится базовый тариф. Помимо этого, договорился о сотрудничестве с одним самых крутых продактов в РФ - Глебом Кудрявцевым, и мы будем развивать эту историю вместе. Это поможет мне не концентрироваться на маркетинге, а сам курс сделать еще качественнее. Маркетинг прошедшего потока для меня был настоящим челленджем.

Что было плохо/что я бы изменил?
В процессе финальной шлифовки материалов, я понял, что блок по ИИ-программированию - слишком сложный, чтобы посвещать ему только 1 занятие и всего неделю на практику. Живая лекция продлилась аж 3 часа. Вести такое было сложно, да и сидеть и держать фокус тем, кто учился, тоже непросто. А Cursor в начале многих напугал своей сложностью. В связи с этим, для следующего потока будет несколько изменений. Во-первых, часть гайдов я вынесу из лайв-лекции в предзапись. Во-вторых, по вайб-кодингу будет отдельный курс, где будут разбираться отдельно несколько инструментов разного уровня сложности. Его можно будет как приобрести отдельно, так и в формате доп пакета по скидке при покупке тренинга по эффективности.

Окупилось ли и сколько заработал?
Конкретные цифры раскрывать не буду, т.к. с первой маркетинговой когорты лиды до сих пор идут и B2B и B2C. ROMI у меня четырехзначная цифра. С точки зрения рынка - это офигительный результат. С точки зрения моих амбиций - я планировал больше, но это нормально 🙂 Сюда вошли расходы на маркетинг, хостинг, разработку сайтов и так далее. В общем, если измерять в деньгах - я в плюсе, если ко всему этому добавить количество потраченного на подготовку моего времени - я в небольшом минусе, но будут еще потоки, поэтому в плюс я еще успею выйти)

Что дальше?
Планирую диверсификацию направлений. В планах поставить на поток то, что есть, а далее - сделать отдельные тренинги по использованию ИИ для дизайнеров, программистов, врачей и.т.д. но уже с приглашенными экспертами. Это не будет традиционный эдтех, который я ненавижу. Хочу двигать эту историю как specialty-образование, с ограниченными по количеству группами с фокусом на качество получаемых знаний.

Также, вместе с масштабированием и преобразованием пет-проекта в бизнес, я буду снижать его замкнутость на себе. Бизнес, где все завязано на фаундере - плохой бизнес. Будут обучены кураторы для проверки ДЗ, личную ОС оставлю только в премиум тарифе, в расширенном - буду смотреть уже проверенные работы, также в ближайшее время введу платное менторство.

В общем, могу сказать, что запуском я доволен. Тренинг по менеджменту все еще идет, как закончится - по нему также подведу итоги.

И очень скоро будут анонсы:
- новые потоки по менеджменту и эффективности
- пробный поток на вайб-кодинг

Также, кто проходил мое обучение - буду благодарен, если оставите отзыв под этим постом, его я закреплю 🙂

#бизнес

Трамп и ИИ в школах

Дональд Трамп в последнее время - один из главных ньюсмейкеров. За потоком новостей о политике, торговых войнах и пошлинах для пингвинов порой сложно разглядеть что-то действительно конструктивное. Но вот на днях он подписал указ, который точно заслуживает нашего внимания -“ Advancing Artificial Intelligence Education For American Youth". Речь идет о внедрении AI-образования в американские школы, вузы и даже на рабочие места.

Зачем детям ИИ? Воспитываем AI-natives
Идея понятна: ИИ - это не просто технология, это новая реальность, в которой предстоит жить и работать следующему поколению. Указ Трампа как раз и нацелен на то, чтобы воспитать так называемых "AI-natives" - людей, для которых взаимодействие с искусственным интеллектом будет таким же естественным, как сегодня для нас использование смартфона.

И тут важно понимать: речь не просто о том, чтобы добавить в школьную программу пару уроков про нейросети вместо базовой информатики. Компетенции работы с ИИ - это гораздо шире. Это про умение применять AI в разных сценариях, в разном контексте, понимать его возможности и ограничения, критически оценивать результаты его работы. Будь ты будущий врач, юрист, художник или инженер - тебе придется взаимодействовать с AI-системами. Указ предусматривает создание специальной рабочей группы и партнерства с IT-гигантами и университетами для разработки ресурсов и обучения учителей. Звучит как правильный шаг в будущее.

А что делать взрослым? Учиться, пока не поздно
Инициатива Трампа - это, безусловно, игра вдолгую, инвестиция в будущее поколение. Но что делать, тем, кто уже вышел из-за школьной парты? Сидеть и ничего не делать?

Рынок труда сейчас штормит, и ИИ - один из главных факторов этой турбулентности. Пока дети будут учиться азам AI в школах, взрослым, нужно активно инвестировать в собственное AI-образование прямо сейчас. Не просто читать новости, а пробовать применять AI-инструменты в своей работе, разбираться, как они устроены, где могут помочь, а где – навредить.

Владение AI-инструментами стремительно превращается из "nice-to-have" в "must-have". Посмотрите на Shopify: компания ввела радикальную политику - ни одна команда не может нанять нового сотрудника, если не докажет, что эту работу не может выполнить ИИ. Более того, все сотрудники должны уметь пользоваться AI. Похожую политику недавно анонсировали и в Duolingo.

Это уже не просто тренд, это новая реальность бизнеса. Компании понимают: сотрудники, владеющие ИИ, работают эффективнее. И если вы не хотите однажды оказаться за бортом, нужно прокачивать свои AI-навыки.

Так что, пока школы готовятся воспитывать AI-natives, нам стоит самим становиться AI-adopters, чтобы не остаться в прошлом веке.

#развитиеии

Используем Speech-to-Text на полную - MacWhisper

Я уже неоднократно писал про Vibe - лучший бесплатный инструмент, если нужно что-то транскрибировать. А что, если вам надо не только транскрибировать, но вы хотите еще и автоматически включать транскрибацию во время встречи, писать код голосом и задавать вопросы по транскрипту сразу в одном окне с этим самым транскриптом?

Решение есть! Даже целых два, оба платные, но с одним “но”. Первое - Superwhisper, стоит 84 бакса в год или пожизненная лицензия за 250 баксов. Второе - MacWhisper с пожизненной лицензией за 60 баксов и именно о нем я сегодня расскажу.

Приложение появилось намного раньше, чем Vibe, прошло стадию, когда было бесплатным, и сейчас имеет полноценный роадмеп дальнейшего развития, продаваясь за деньги, при этом функций здесь прямо много.

Что может MacWhisper
Помимо базовой транскрибации встреч, которую я использую на регулярной основе, приложение отличает то, что с транскриптами можно работать прямо в нем, не отходя от кассы. Причем делать это можно как с локальными моделями, так и через API-ключи. Среди функций здесь есть суммаризация, кастомные шорткаты, возможность перевода всего транскрипта, дробление на спикеров, извлечение статистических данных, в общем, все, что только вы можете пожелать.

Другая полезная функция - это Dictation или, говоря по-русски, голосовой ввод. Традиционный голосовой ввод на маке меня жутко бесит, потому что часто что-то слышит криво, неверно расставляет знаки препинания, плохо переключается между языками, если, например, я объясняю курсору, какую функцию в коде мне нужно изменить. Поэтому я просто-напросто не использовал обычный голосовой ввод, но в MacWhisper он реализован по-умному.

Теперь вайбкодить можно реально, просто наговаривая ИИ, что тебе нужно сделать. Все благодаря тому, как реализован здесь механизм распознавания. Сами слова распознает Whisper, у которого по умолчанию высокая точность, а знаки препинания расставляет LLM + можно вставить свой словарь, который поможет модели лучше понимать, о чем ты говоришь, например, аббревиатуры. Можно настроить как локальную LLM, так и по API. Я себе поставил Gemma 3 1b qat, она мультиязычная и максимально быстро обрабатывает тексты (140 токенов/секунду), поэтому все, о чем я говорю, остается строго у меня на компьютере.

Помимо диктовки, здесь также есть приятная функция автодетекции звонков, чтобы их можно было транскрибировать в один клик, и еще куча разных мелких приятностей. В общем, практически все то, за что сервисы типа Granola, Fireflies Ai и прочие берут по 20 баксов в месяц.

Сервис могу смело рекомендовать. Единственный минус, как можно понять из названия отсутствие Windows версии 😅

#инструменты

Google обновили Gemini 2.5 PRO и она стала еще лучше в кодинге

Гугл выпустил очередное обновление своей самой мощной модельки, и она в очередной раз попала в топы, причем с нехилым таким отрывом.

На WebDev арене моделька заняла первое место. Сильнее всего как раз прокачали фронтенд разработку и работу с UI. Звучит интригующе. В моем текущем процессе именно Gemini 2.5 PRO - основная модель, а Claude я использую либо в тех ситуациях, когда после пары подходов Gemini не справилась либо когда мне нужно сделать более красивый интерфейс.

В целом, с точки зрения “сделать красиво” работа Claude мне до сегодняшнего дня нравилась больше. Но если Google реально прокачали этот аспект кодинга, то это очень круто, все-таки смена модели в процессе - это невсегда хорошо, теряется часть контекста.

Как бы то ни было, сейчас как раз работаю над парой проектов, где нужен именно красивый UI, заодно и Gemini проверю. Жду, когда модельку добавят в Cursor.

DeepSeek выложили анонс R2: но решат ли их инновационные методы проблему вранья или модель ждет судьба OpenAI o3?

Я уже разбирал их новый метод обучения Self-Principled Critique Tuning (SPCT), который учит модели самокритике. И вот на днях DeepSeek анонсировали DeepSeek-R2, построенную на этих наработках. Учитывая шум, который наделала R1, ожидания высоки, но сможет ли R2 оправдать их на деле, а не только на бумаге?

Что нам обещают:
- Продвинутую мультиязычность - надеюсь, что уберут рандомные иероглифы из ответов.
- Мощный кодинг - v3 была в этом прямо хороша.
- Мультимодальность из коробки: текст, картинки, аудио, видео.
- Эффективность - модель должна требовать еще меньше ресурсов.
- Инновационные методы обучения (SPCT, GRM), здесь остановимся поподробнее.

Главный вопрос: не повторит ли R2 судьбу o3 от OpenAI?
Идея SPCT, где модель сама формулирует принципы и критикует свой ответ, звучит красиво. В прошлый раз я описывал, как это должно помогать в сложных задачах, где нет однозначно "правильного" ответа, в отличие от стандартного RLHF. Но там же у самих DeepSeek были вопросы к практической реализации такого сложного процесса самоанализа.

И вот главный момент: смогли ли DeepSeek побороть не только общую склонность LLM к галлюцинациям, но и потенциальные сложности самого SPCT? Или нас ждет очередная модель, которая впечатляет на бенчмарках, но на практике будет периодически генерировать дичь и доказывать, что она права, как это делают те же модели OpenAI семейства 'o'?

Они заявили про крутой метод, но справились ли они с его недостатками и сложностями применительно к реальным, открытым задачам? Вот это действительно интересно.

Вердикт? Ждем релиза
DeepSeek R2 - это, безусловно, важный анонс и показатель амбиций Китая в AI-гонке. Но пока не увидим модель в деле, все это - лишь маркетинг. Ключевой момент - сможет ли R2 быть не просто мощной, но и надежной. Иначе ее ждет хайп на старте а затем уход в небытие после реального использования. Будем наблюдать.

Открыт набор на третий поток тренинга по AI-продакт менеджменту и ИИ для личной эффективности

Друзья, без долгих вступлений спешу сообщить, что я открываю набор на третий поток обоих своих тренингов по ИИ. Ранее я анонсировал их вот тут.

Коротко напомню, какие есть варианты и для кого они

🦾 ИИ для личной эффективности - тренинг для тех, кто хочет системно подойти к внедрению ИИ в свои личные и рабочие процессы, разобраться с тем, как работает данная технология, какие виды ИИ существуют, где он может быть полезен, а где нет. Подойдет как совсем новичкам, так и тем, кто уже работает с ChatGPT, но хочет большего. Вы узнаете какие есть подходы к работе с LLM, когда и как работать с локальным ИИ, как создать своего AI-агента (реального, а не на n8n), изучите основы ИИ-программирования и многое другое.

👨‍🔬AI-продакт менеджмент - мой флагманский тренинг для продактов, который не только учит использовать ИИ на всех этапах разработки продукта, но и самим создавать AI-продукты и фичи. Какой бы у вас ни был продукт - вам неизбежно придется сначала внедрять в него AI-функционал, а затем трансформировать и сам продукт. Данный тренинг строится вокруг фреймворка AI-дизайна продукта, который мы применяли в Skyeng, Pearson и сейчас используем в EAI. Он позволяет разрабатывать AI-продукты быстрее, дешевле и с минимальными потерями в случае, если гипотеза оказалась неверна (а в AI-проектах это случается ой как часто). Вы узнаете как правильно исследовать AI продукт, как самостоятельно создавать прототипы с помощью ИИ, изучите особенности тестирования AI-продуктов и фичей. Если вы уже знакомы с базовым продакт-менеджментом или проходили, например, тренинг Вани Замесина по AJTBD - этот тренинг будет отличным дополнением с фокусом на AI.

Что изменилось
1. Новый поток я запускаю совместно с Глебом Кудрявцевым (ex CPO Skyeng, основатель Карьерного Цеха). Глеб делал продукты с лучшими командами, среди которых Avito, Joompay, Skyeng и залетит на оба тренинга в тарифы Расширенный и Премиум, чтобы поделиться своим опытом использования ИИ (особенно ценно будет для продактов).
2. Для обоих тренингов добавился Базовый тариф с возможностью изучить все самостоятельно, но без обратной связи от меня. В Базе вам будут доступны конспекты и видеозаписи с прошлого потока. Материалы для тренинга по эффективности доступны уже сейчас, для менеджмента - появятся 28 мая.
3. Оба тренинга были чуть дополнены на основе обратной связи с прошедших потоков, я учел наиболее распространенные вопросы.

Вместимость потока - 15 мест на каждый из тренингов. Количество мест в базовом тарифе также ограничено.

❗️ВАЖНО

Для моей текущей аудитории действуют специальные цены. После майских мы будем лить много платного трафика. Поэтому если вы пришли в мой канал до 12 мая 2025 и не из канала Глеба - пишите в личку, проверю дату вашего вступления в канал и пришлю вам волшебную ссылку с самыми низкими ценами.

📄 Посмотреть отзывы и результаты прошлого потока можно тут
🚀 Посмотреть подробное описание тренингов

Как изменится продакт менеджмент в ближайшие несколько лет

Я уже как-то писал про свое отношение к тезису о том, что AI заменит джунов. А сегодня хочется поделиться своим взглядом на то, как ИИ повлияет на позицию продакта в целом. И скажу больше - это влияние уже ощущается повсеместно. Если раньше мои наблюдения основывались исключительно на моем опыте работы AI-продактом, то сейчас к нам приходит все больше клиентов, которым “надо сделать AI”, но они не понимают как с этим работать.

Работа с AI превратилась из специфичной для IT истории в то, что хотят применять повсеместно: “проснулись” более консервативные области вроде производства, строительства, сельского хозяйства. Поэтому мой тезис про то, что любой продукт станет AI-продуктом, даже если он сейчас не такой - это не маркетинговый крючок для продажи тренингов, а реальный факт. Мы достигли той точки, когда игнорировать прогресс уже нельзя. Нужно активно включаться в него, и те компании, которые этого не понимают, на мой взгляд рискуют растерять свои рыночные преимущества. А чтобы этого не случилось - нужны правильные продакты.

Что нужно будет уметь делать?
- Оркестрация AI для работы его “руками” - теперь это такой же базовый навык, как в свое время владение пакетом MS Office. И здесь речь не о том, чтобы “уметь писать промпты”. Речь идет о том, как правильно выстраить целый пайплайн из AI-инструментов, который поможет решить конкретную задачу бизнеса: от первичной оценки какой-либо идеи до ее тестового запуска.

- Критическое мышление - AI решает проблему чистого листа. Теперь не надо делать исследования с нуля, думтать над вопросами к интервью. Мы можем обрабатывать просто огромные массивы информации за минуты. Но AI галлюцинирует, а сейчас начинает делать это еще более убедительно. Умение валидировать его выводы - критически важный навык, если вы не хотите создать bullshit.

- Расширение компетенции в сторону дизайна и разработки - каждый продакт обязан будет уметь делать прототипы с помощью AI. Просто написать пару промптов и собрать тестовое приложение - это недостаточно. Вам нужно будет понимать аспекты UI, тренировать свою насмотренность, а также разбираться в особенностях технической реализации той или иной функции вашего продукта. AI создает Generic решения, а вам нужно делать, чтобы ваш продукт выделялся и был понятен пользователю даже на ранних этапах разработки. То же самое касается и других специалистов. Дизайнер, который просто рисует интерфейсы и не пилит прототипы - это мусор.

- Умение тестировать гипотезы в “соло” - AI дает нам больше автономности. Теперь не нужно ждать, пока дизайнер нарисует интерфейс, а разработчик запилит прототип. Идешь в Cursor и за вечер пилишь прототип, чтобы протестировать ту или иную гипотезу. Каждый продакт обазан уметь кодить с AI. Но при этом нужно не забывать про важность UX, работы с аналитикой и многого другого (см. предыдущий пункт)

- Понимание цикла разработки AI-фичей - если вы думаете, что традиционный Scrum/Kanban или что-то другое сработает с AI - я тоже так когда-то думал и это было моей ошибкой. Результат? Спринты не закрывались, 60% целей не выполнялись, а я ловлю себя на мысли о том, что я фиговый менеджер. AI - это всегда неопределенность и вам предстоит работать в этих условиях. Для этого нужно перестроить свой майндсет, освоить новые методологии управления разработкой или даже создать свои. И делать это нужно в том числе и руководству, которое все стремится измерять в деньгах.

- Акцент на эмоциональный опыт пользователей и команды - AI может автоматизировать процессы, но он не заменяет эмпатию, понимание глубинных потребностей пользователей и умение создавать продукты, которые вызывают положительные эмоции. То же самое касается и команды: в условиях постоянных изменений и неопределенности, связанных задача продакта - поддерживать боевой дух, создавать атмосферу доверия и помогать команде адаптироваться к новым реалиям. Действительно крутые продукты будут создаваться людьми для людей, а не генерироваться в интерфейса ChatGPT.

А какие навыки будут востребованы на ваш взгляд?

#обучающиематериалы