Эксперимент по поиску работы, отчёт #2 Он будет короткий, потому что ну как так- то? Сегодня пока был в пытошной спортивного института в Сириусе (отдельно расскажу и покажу), получил сообщение в ТГ от живого (!!) рекрутера Т-Банка, который хотел запланировать звонок. И такой: ну кайф, закончим, схожу в душ, заеду за кофе и отвечу, назначим на завтра. И что вы думаете? Пуш или пропал, или я его смахнул случайно, а сообщения без пуша не видно. Это старый баг Телеги, когда если не переходишь по пушу, диалог исчезает, зайти в него из приложения не получится. Я и по ключевикам искал, которые успел запомнить из превью в шторке, и разные танцы с бубном пробовал — ничего не помогло. Про этот баг знаю и обычно делаю скрин, но меня там господа учёные торопили, неудобно было. Есть, конечно, вероятность, что с той стороны передумали и снесли диалог, но скорее просто баг. В наше время рекрутеры не пишут дважды, поэтому если вы писали мне по позиции seller experience, свяжитесь со мной, я в этом шарю 😀

И еще одна интересная статья: главный навык агентного кодинга – знать, чего ты не знаешь Пишут, что Fable – первая модель, где качество результата упирается не в модель, а в вас! (та-даам) Точнее, в вашу способность прояснять свои unknowns. Типа карта – это ваши промпты, skills и контекст, то есть то, что вы даёте агенту. Территория – кодбаза и реальные ограничения, где работа на самом деле происходит. Разница между ними = unknowns. Чем больше объём работы, тем больше таких дыр агент встретит и тем чаще будет угадывать, чего вы хотели. Дальше они разбирают как раз классический квадратик 2х2: – Known knowns – то, что вы написали в промпте – Known unknowns – то, что вы ещё не решили, но знаете об этом – Unknown knowns – то, что для вас настолько очевидно, что вы никогда это не запишете, но узнаете, если увидите – Unknown unknowns – то, о чём вы вообще не думали Автор говорит: посмотрите, как промптят крутые программисты – у них почти нет unknowns, они в синхроне и с кодбазой, и с поведением модели. И это тренируемый и очень важный скилл. Чего делать-то надо: – Blind spot pass – перед работой в незнакомой части кодбазы прямо просить Claude найти ваши unknown unknowns, буквально этими словами. «Я ничего не знаю про auth-модули здесь, сделай blind spot pass и помоги мне промптить тебя лучше» (!) – Прототипы до имплементации – ловить unknown knowns дёшево. «Сделай HTML со страницей в 4 радикально разных дизайн-направлениях, я отреагирую» – Interviews – просить Claude интервьюировать вас по одному вопросу, приоритезируя те, где ответ меняет архитектуру – References – лучший референс не скриншот и не доки, а source code. «Вот Rust crate с нужным backoff, прочитай и реимплементируй семантику в нашем TypeScript-клиенте» – Implementation plan – но с фокусом на то, что вы скорее всего захотите поменять: data models, интерфейсы, UX. Ну и записывать артефакты, чтобы можно было понять, что и как создавалось и как теперь работает: – implementation-notes.md во время работы – логи отклонения от плана в раздел Deviations – Квиз после – просить Claude сделать отчёт по изменениям и квиз в конце. Мерджить только после того, как ты сдал квиз на 100%. Это прикольный конечно паттерн, типа: честный ответ на вопрос «а вы понимаете, что агент вам намерджил?» Короче, хватит уже модели ругать, пора смотреть в зеркало https://claude.com/blog/a-field-guide-to-claude-fable-finding-your-unknowns

📉 Когда требовательность оборачивается потерями В биографии Стива Джобса, написанной Уолтером Айзексоном, подчёркивается его склонность к жестокости и стремление унижать окружающих. При этом автор отмечает: те, кто сумели выдержать давление, в итоге стали намного сильнее и смогли добиться того, что раньше казалось невозможным. Однако такой агрессивный стиль управления даёт результат лишь на коротких дистанциях. Со временем сотрудники, находящиеся под давлением нарциссичного и требовательного босса, начинают терять мотивацию и перестают развиваться. Резкие высказывания Джобса стали причиной эмоционального выгорания среди сотрудников Apple, а многие талантливые специалисты покинули компанию именно из-за его тяжелого характера. Научные исследования подтверждают: чрезмерно жёсткое руководство разрушает внутреннюю мотивацию, усиливает нездоровую конкуренцию в коллективе и мешает людям раскрывать свой потенциал. Фаундер | Бизнес и Стартапы

10 мин назад Мой друг/партнер прислал книжку/статью Генри Форда (моя жизнь мои достижения - гуглите) По ней решили проапгрейдить наш SwarmOS. За 5 минут вышла новая оптимизация SwarmOS и фрактальных MAS + изучили похожие SOTA/архитектуры/научные статьи и пришли к таким результатам: 📈 Financial Takeaways (Additional Savings): Compared to Unbounded Fable 5: Saves $1,627.85 per 1,000 runs (95.2% total cost reduction). Compared to Budgeted Fable 5: Saves $402.85 per 1,000 runs (83.1% extra savings strictly from Heijunka routing). Compared to Unbounded Opus 4.8: Saves $772.85 per 1,000 runs (90.4% total cost reduction). Compared to Budgeted Opus 4.8: Saves $160.35 per 1,000 runs (66.1% extra savings strictly from Heijunka routing).

ИИ-агенты уже умеют оформлять покупки, искать людям работу и выполнять многие повседневные задачи. Это одно из ключевых направлений для крупных ИИ-компаний, ведь диалоги с ИИ скоро могут заменить сотни приложений и сервисов. Что происходит Переход к ИИ-агентам — важный тренд в ИИ-индустрии. Нейросети теперь должны не просто генерировать ответы, а выполнять повседневные задачи за пределами чата с минимальным вмешательством человека. Поэтому чат-боты постепенно превращаются в платформы для управления сторонними сервисами и приложениями. Как это выглядит 🟣 Anthropic развивает MCP — протокол, через который к Claude можно подключать сторонние сервисы. Так нейросеть может работать с документами, репозиториями, CRM, базами данных и вообще любыми системами. 🟣 У OpenAI есть библиотека приложений ChatGPT Apps. Принцип работы такой же: ИИ получает доступ к вашему аккаунту во внешнем сервисе и начинает им управлять прямо внутри диалогового окна. Например, ИИ может работать с макетами в Figma и бронировать отели в Booking. 🟣 Google развивает Gemini Enterprise Agent Platform. Там компании могут создавать, подключать и управлять собственными ИИ-агентами для рабочих процессов. 🟣 К Алисе AI подключили Яндекс Такси и Яндекс Лавку. Теперь прямо в диалоге с нейросетью можно делать заказы и вызывать машины. Скоро на платформе появятся Доставка, Маркет и другие продукты Яндекса, а доступ к ИИ-агенту получат и внешние компании. Как это работает в Алисе AI ИИ-агент получает текстовый запрос, например: «Собери корзину продуктов, чтобы приготовить сбалансированный ужин». Затем система добавляет контекст: геопозицию пользователя, время, доступные товары, прошлые заказы, предпочтения и другие детали, которые помогают точнее выполнить задачу. После этого агент формирует корзину в Яндекс Лавке, а пользователю остаётся подтвердить и оплатить заказ прямо в чате. Что это меняет Чаты с нейросетями превращаются в универсальные интерфейсы для работы с сервисами. Благодаря этому привычные приложения скоро могут отойти на второй план, а работать с ними можно будет через запросы к ИИ. Подписывайтесь 👉 @techno_yandex

Июньский менторский дайджест / Топ полезного контента Рынок IT перестал быть простым входом: рынок не умер, но стал более требовательным. Джунам сложнее входить, зато сильные специалисты по-прежнему востребованы. Найм стал про мышление, а не про знания: ключевая ценность кандидата это зрелость и ответственность. Технику можно выучить, мышление меняется гораздо сложнее. Смелость важнее идеальной подготовки: быстрее действуют → быстрее получают результат. Затянутая подготовка часто проигрывает практике через ошибки. Валютная удалёнка — это система, а не удача: офферы за границей получаются через повторяемый процесс. Стратегия и подготовка важнее случайности. Системные знания важнее теории ради теории: базовые концепции вроде идемпотентности нужны для понимания реальных продакшн-сбоев. Резюме напрямую влияет на количество офферов: слабое CV почти не даёт интервью. Сильное резюме кратно увеличивает шанс попадания на собеседования. Ценность инженера — это снятие боли команды: важнее не время работы, а способность уменьшать неопределённость и хаос в задачах. Собесы — это про коммуникацию и структуру ответов: важны не только знания, но и умение правильно объяснять свой опыт. Локализация багов = системное мышление: задача QA не просто найти баг, а быстро сузить источник проблемы по слоям системы. Испытательный срок требует проактивной обратной связи: молчание руководителя не показатель успеха. Нужно самому фиксировать фидбек. Рынок перенасыщен только для новичков без базы: при нормальной подготовке вакансии остаются доступными. Проблема в уровне входа. Выгорание при поиске работы — нормальный процесс: перегруз собеседованиями снижает эффективность. Нужен контроль нагрузки. Факапы ценятся через анализ причин, а не сам факт ошибки: важен не баг, а понимание системной причины и выводов. Страхи в QA автоматизации — это психология, а не техника: основные барьеры — код, лайвкодинг и страх работы с автоматизацией. Переход в автоматизацию строится поэтапно: обучение идёт через последовательные шаги от Python до сложных систем. Высшее образование не обязательно для ML и аналитики: решает практика, а не диплом. Вход возможен без формального образования. Токсичные вакансии искажённо воспринимаются как норма рынка: жёсткие условия часто воспринимаются как обязательные, хотя это перегиб.

Anthropic объяснила, когда стоит играться в effort level (спойлер - нечасто) Вышел пост от команды Claude Code про то, чем отличаются два главных «крутила» в Claude Code: выбор модели и effort level. Главные тезисы: – Модель = набор замороженных весов. Всё, что Claude «знает» про TypeScript и Go, зашито туда на этапе тренировки. Промпт и CLAUDE.md – это steering, а не teaching: модель ничему не учится, вы просто подсовываете контекст на один запрос – Effort – это НЕ «время подумать». Это сколько работы модель готова проделать за ход: сколько файлов прочитает, запустит ли тесты, будет ли перепроверять себя, и как далеко утащит мультишаговую задачу до того, как вернётся к вам – Effort передаётся в модель прямо в запросе, как ещё один input. Поведение на каждом уровне выучено при тренировке. На высоком effort та же задача может сжечь примерно в 7 раз больше токенов ради более уверенного ответа – При этом effort задаёт потолок, а не план: если первая гипотеза в дебаге сработала, модель скипнет остальные проверки, а не будет искусственно наматывать токены. Anthropic говорит, что специально борется с overthinking на тренировке. При этом пишут, что чаще всего дефолтных значений хватает 80% пользователей. Практическая эвристика, когда что-то пошло не так: – Claude всё прочитал, честно старался и всё равно ошибся – проблема в capability, берите модель побольше – Claude скипнул файл, не запустил тесты, бросил рефакторинг на середине – проблема в старании, поднимайте effort – Но сначала проверьте контекст: кривой промпт лечится не крутилками, а нормальным CLAUDE.md Есть и красивая аналогия: Fable – это узкий специалист, который видел проблемы, которых не видел никто. Opus – эксперт, Sonnet – хороший generalist. Opus на low effort = пять минут с экспертом, Sonnet на high effort = целый день работы толкового джуна-плюс, который вычитает весь ваш код. Fable даже на low effort замечает то, что остальные не увидят, но и стоит соответственно. Про экономику честно: на рутине большая модель просто дороже без прироста качества. На сложных multi-step задачах наоборот – маленькая модель идет итерациями к потолку своих способностей, а большая доходит до результата за меньше шагов, и cost per task может выйти ниже. Короче, главный совет от самой Anthropic – не трогайте крутилки. Дефолтный effort откалиброван под то, что «большинство людей хотело бы потратить на задачу», а модель меняйте не по вайбу, а по диагнозу: не знал или не старался. Прикольно, что антропик сам пишет «не платите нам за модельку, которая задаче не нужна». https://claude.com/blog/claude-model-and-effort-level-in-claude-code

AI убил мой главный навык Когда я учился в военном институте, моей гражданской специализацией была юриспруденция. На первой же лекции начальник кафедры сказал: «Ваша задача не стать хорошими юристами. Ваша задача знать, какой кодекс открыть, чтобы найти нужную статью». Долгое время я считал своим главным навыком умение быстро находить информацию. Но в эпоху AI это обесценилось. Больше не важно знать, в какой книге нужная статья или на каком языке программирования вайбкодить прототип. Теперь важнее не находить информацию, а превращать ее в артефакт: инсайт, решение, пост, продукт, методологию. А второй важнейший навык — развивать вкус, насмотренность и физический контакт с реальностью. AI может дать тысячу вариантов, но он не сможет почувствовать, какой из них более уместный, красивый и человеческий для твоего контекста или ЦА. Самый ценный опыт пока еще синтезируется человеком: когда ты сам видел, трогал, пробовал, ошибался, наблюдал и проживал эмоции. Если этого опыта нет и результат всецело доверять ИИ, особенно в контенте, то почти всегда получаетсябезликая клишированная нейронщина, которая пости всегда заметна и бесит.

Товарно-денежная сингулярность Вот ещё интересный (и важный - потому что он про массовую "потребку") сдвиг. Раньше банки шли в торговлю - навешивали доставки, билеты и прочие ритейл-фичи поверх платежей. А сейчас наоборот, маркетплейсы делают собственные платежные движки и заманивают в них юзеров через разные приколюхи - кэшбэки, скидки, субсидирование внутри программ лояльности и т.д. Раньше банк наращивал торговлю, а теперь торговля наращивает банкинг. Весь потребительский сектор с ног на голову перевернулся. Ребята из Brio Capital (это инвестфонд с фокусом на tech и потребку в России) очень подробно всё это разобрали вот в этом исследовании. Там можете глянуть подробнее, а я разберу основные причины, тезисно: 1. Маржа в банкинге обычно выше, чем в торговле. А гемора с инфрой как будто бы поменьше. К тому же, платежи - это более "однородный" бизнес, к которому проще приучить. Торговля - более разнородная и "рваная" штука, у неё сложнее с лояльностью. 2. Частотность. На маркетплейсе можно покупать иногда, по случаю. Конечно, есть юзеры, у которых каждый день 100500 товаров на выкуп, но так не у всех. А платежи - это на каждый день и в любой товарной-сервисной категории. Если добиться top of wallet (это когда ваша карточка - первый выбор у человека, стоит по умолчанию в Apple/Google/Mir-Pay), то всё, у вас стабильная повторяющаяся выручка. Именно поэтому, кстати, маркетплейсы активно работают над выходом за пределы площадки - у того же Ozon Банка операций вне Ozon около 60%. 3. Физиологическая "анестезия". Меньшая осязаемость платежа снижает активность зоны мозга, отвечающей за боль потери денег. Если платите в один клик внутри того же приложения - тратите проще и больше. А платежи через собственный банк всегда можно сделать чуть более бесшовными, чем через чужой. В исследовании разбирают ещё несколько факторов, но эти ИМХО ключевые. А для нас, юзеров, это значит вот что: С одной стороны, удобство и выгода растёт: кэшбэки часто жирнее банковских, а платёж более бесшовный. Но вы физически меньше ощущаете, что тратите деньги. И при этом всё бОльшая доля наших финансов стягивается в компанию, которая активно участвует и в других сферах жизни. Получается "косвенная монополизация" всего нашего потребления, а у монополизации всегда есть свои эффекты. Но факт есть факт. Потребительская экономика идёт к торгово-банковской сингулярности. У нас для этого даже специальный термин придумали: "платформенная экономика". Хотя в других регионах - например, в Китае (Alibaba и куча других), ЮВА (Shopee, Sea Ltd) и Лат Америке (Mercado Libre) - всё аналогично. Так что, тренд глобальный. И кстати, свои возможности для дизрапта тут тоже есть, но это уже другая большая история. Дизраптор

Как Ford признал, что сам себя переиграл В 1964 году Ford выпустил бестселлер - Mustang - машину, которую придумала команда под руководством молодого управленца по имени Ли Якокка. Он пришёл в компанию инженером, но быстро понял, что его сила в понимании потребностей клиентов, и перешёл в продажи и маркетинг. Именно вера в интуицию и опыт команды, а не только в инженерные расчёты, принесла Ford рекорд тех времён - более 400 тыс. проданных авто за первый год, лучший результат компании со времён Model A. Свой успех Ли Якокка описал в книге "Карьера менеджера", кстати, рекомендую. Но спустя 60 лет Ford забыл про человеческую интуицию и чутье и решил поиграть во всеобщую игру под названием "ИИ заменит рабочих" и заодно и издержки, и с 2024 года сократил 20 тыс. рабочих мест. К чему это привело? Брак, с которым Ford борется уже много лет, не уменьшился - в 2025 году компания официально отзывала бракованные партии 152 раза - это самый высокий показатель в США. А вот обучать ИИ стало просто некому, т.к. под сокращение попали те самые грамотные инженеры с интуицией, которые лучше любого ИИ чуйкой понимали где искать причину. Примерно как Якокка ставил свою карьеру на кон, настаивая именно на такой форме Мустанга, а не той, которую хотел Генри Форд младший. Сочетание вернувшихся "gray beards" опытных инженеров, задача которых теперь была обучить ИИ, автоматизации "умными" камерами и перепрошивка систем контроля на основе реального производственного опыта, которого не было в исходных данных без людей, дало результат - уже в этом 2026 году Ford впервые с 2010 года занял первое место среди массовых брендов в рейтинге качества J.D. Power. В общем, Ford - ещё один пример компании, показывающий, что технология усиливает мастерство, а не заменяет его. Алгоритм может обработать данные, но не может обработать опыт, которого в этих данных никогда не было. Да и смысл соревноваться с ИИ там, где решает человеческая интуиция, если можно встроить человека в процесс и получить от технологии максимум? Пусть Ford ещё поработает. Да и нравится мне Ford Mustang, нет в нем ничего лишнего, ИИ уж точно 😉 Согласны? Что скажете? #истории ®️ Фанат сервиса| MAX| Клуб| Обо мне Личный путь лидера - В моменте

Борис Чёрный поделился у себя в твиттере инсайтом, как меняются роли в разработке продуктов:

По мере того как инженерия, продукт, дизайн, DS и другие функции трансформируются в роли нового типа, я размышлял о том, как могут эти роли выглядеть в будущем. Например, глядя на команду Claude Code, я вижу, как мне кажется, пять архетипов: 1. Prototyper: придумывает совершенно новые идеи; много их генерирует, и большинство так и не доходит до релиза 2. Builder: быстро превращает прототип или идею в production-grade продукт и инфраструктуру 3. Sweeper: приводит в порядок интерфейс, упрощает код и систему, убирает лишние фичи, оптимизирует производительность 4. Grower: берёт уже построенный продукт и итерациями улучшает его Product-Market Fit 5. Maintainer: отвечает за зрелость и масштабируемость системы — безопасность, надёжность, скорость и эффективность Люди могут совмещать несколько ролей, иногда три. Я также замечаю, что эти роли не привязаны к должности: в Anthropic одни дизайнеры соответствуют категории 1, другие — 2, третьи — 3. И то же самое с инженерами, продакт-менеджерами и DS. Здоровой команде нужен микс архетипов — в зависимости от продукта: • Новому продукту до PMF нужны люди, сильные в 1+2+3 • Растущему продукту, нашедшему PMF, нужны 2+3+4 и немного 5 • Продукту с прочным PMF нужны 3+4+5 и немного 2 Возможно продуктовые роли будущего будут выглядеть именно так — а не как сейчас, привязанные к конкретной специализации?

→ https://x.com/bcherny/status/2071379474277613732