Коротко
- Работу с агентом удобно строить как ввод нового сотрудника в задачу: объяснить нужный результат, рабочие правила и доступные данные.
- Три опоры делегирования — измеримая цель, рамки задачи и база знаний. Формулировку «сделай хорошо» нужно превратить в критерий приёмки.
- Рабочие документы, переписка и история решений помогают агенту учитывать конкретный проект. Подключай сведения, необходимые для задачи.
- Внедрение идёт через пробы: дать контекст, получить результат, проверить, затем расширить применение или изменить подход.
- Выбирай модель по своим примерам: оценивай качество, время, стоимость и объём ручных исправлений. Публичный рейтинг даёт только начальный ориентир.
Навигация по видео
Выбери главу: видео выше начнётся с нужного момента.
Что меняется в работе с ИИ
Ролик «Что бы я изучал вместо промпт-инжиниринга в 2027 году» посвящён переходу от отдельных запросов к управлению задачами. Владилен предлагает воспринимать агента как способного нового сотрудника, которому пока неизвестны продукт и процессы. Практический смысл этой позиции — научиться задавать результат и проверять работу. Ясные инструкции, примеры и контекст при этом продолжают быть полезны.
Шаг 1. Определи измеримую цель
Запиши, что должно измениться и как ты это проверишь. В видео приведены примеры с конверсией лендинга и скоростью сайта. Это ориентиры для постановки задачи, а не гарантии роста показателей. Для первого опыта выбери результат, который можно оценить сразу: готовую таблицу по документам, черновики ответов на обращения или работающий сценарий в проекте. Если цель зависит от реальных пользователей, заранее опиши способ и период измерения.
Шаг 2. Объясни рамки
Дай агенту сведения об аудитории, продукте, технологиях и сроке. Укажи ограничения и формат результата. Полезно приложить один хороший пример и объяснить, что в нём подходит. Смысл рамок — убрать неопределённость: агент должен понимать, какие решения допустимы и где ему не хватает данных.
Шаг 3. Подключи базу знаний
Собери документы, регламенты, историю решений и другие источники, нужные этой задаче. В видео автор использует свой второй мозг, который получает данные из нескольких рабочих сервисов и подключается к агентам через MCP. Для первого эксперимента достаточно небольшой подборки файлов. Проверь, что они актуальны и агент действительно может их прочитать; попроси показывать источники выводов.
Бриф для делегирования задачи
Результат: [что должно быть готово].
Критерии приёмки: [наблюдаемые признаки или измерения].
Контекст: [продукт, аудитория, текущий процесс].
Рамки: [срок, формат, допустимые изменения].
Источники: [файлы, ссылки, примеры и регламенты].
Работай по этим данным. Если информации не хватает, назови пробел.
В конце покажи результат, использованные источники и проверку каждого критерия.- Второй мозг для ИИ: данные, поиск и MCPНа этом сайте
- Рекомендации Anthropic по ясным инструкциям и контекстуplatform.claude.com
Цикл внедрения: проба, оценка, изменение
Сначала дай агенту небольшую реальную задачу и сравни ответ с условиями приёмки. Если результат подходит, повтори на других примерах и постепенно расширяй процесс. Если не подходит, выясни причину: недостающие данные, неясное задание, слабая модель или неудобный инструмент. В ролике слово «обучить» используется в смысле ввода в рабочий процесс и настройки взаимодействия; для такой пробы не требуется обучение весов модели.
Собери свой набор проверок
- Выбери несколько задач из работы, для которых известен хороший результат. Добавь обычный и сложный случай.
- Зафиксируй одинаковые входные данные, инструкции и критерии, чтобы сравнение моделей было осмысленным.
- Проверь правильность и полноту ответа, затраченное время, стоимость прогона и количество ручных исправлений.
- Сохрани неудачные примеры: они показывают границы применения модели и пригодятся после обновлений.
- При появлении новой модели повтори те же проверки и реши, какие задачи ей можно передать.
Шаблон записи одного прогона
Задача и входные данные:
Модель и дата прогона:
Критерии правильного результата:
Какие критерии выполнены:
Ошибки и пропуски:
Время ответа:
Стоимость, если доступна:
Сколько времени ушло на исправления:
Решение: подходит / нужен другой подход / повторить проверку.Выбирай модель под характер работы
В видео линейка моделей сравнивается с уровнями сотрудников: простые устойчивые задачи можно пробовать на быстрой модели, более сложные — на сильной. Эта аналогия помогает распределять работу, но не заменяет проверки. Дешёвый прогон с долгой ручной переделкой может оказаться невыгодным. Публичные бенчмарки используй для отбора кандидатов; окончательное решение принимай на своём наборе задач.
Частые вопросы
Нужно ли перестать писать промпты?
Запросы и инструкции остаются способом общения с моделью. Позиция автора — перенести внимание с универсальной «идеальной формулировки» на цель, рабочий контекст и проверку результата.
Нужна ли сложная база знаний с первого дня?
Нет. Начни с документов, необходимых одной задаче. Когда источников и повторяющихся запросов станет много, можно собрать общую базу и подключить поиск.
Как понять, что пора автоматизировать процесс?
Проверь несколько реальных примеров по одинаковым критериям. Если результат стабилен, а исправления не съедают выигрыш, можно пробовать повторяемый запуск и расширять процесс.
Практика
Попробуй на своей задаче
Возьми одну регулярную задачу, составь бриф с целью, рамками и источниками. Проверь его на двух моделях с одинаковыми данными и выбери подходящую по результату.
Как понять, что готово
В брифе есть проверяемые критерии. Для обеих моделей сохранены ответы, ошибки, время и объём ручных исправлений. Выбор объяснён результатами прогона, а не местом модели в рейтинге.
Что дальше
Собери с ИИ решение для своей задачи
Клуб «Незаменимые» — практический AI-клуб для тех, кто создаёт сам. Разбираем, как устроены Claude Code, Codex и Hermes, и собираем с ними решения для своей работы, продукта и клиентов. Рядом — уроки, материалы под задачу и участники, которые показывают, что собрали.
Уже в клубе? Продолжай в своём аккаунте. Войти в аккаунт →



