Токен максинг и два клода Друзья, надо поговорить об этом. Иногда мне кажется нам антропик раздает разные лимиты на одной и той же подписке клода за 200, но у меня лимит не кончается, а у многих кончается. Почитав чатик, я пока склоняюсь к одной концепции: слишком зря вы часть лимитов расходуете. Если вы любите Fable, используйте его ТОЛЬКО для анализа и планирования. Сам код писать Opus 4.8-5 отлично умеет, поверьте. Не надо Fable тратить зря на кодинг сам. Тогда у вас хватит лимитов. Я вообще редко на Fable сижу, чисто на одном Опусе работаю. Я заранее примерно понимаю как должен выглядеть проект/исполнение и именно это набираю в Опус. Я planning mode месяца 3 не использую и сижу на auto-mode и этого отлично хватает. То есть как всегда knowledge is power. Любые проблемы решаются либо бабками либо головой. Поэтому если хочется поменьше денег тратить, чутка поботайте базу как устроено то, что вы просите клода сделать (маркетинг/продажи/архитектура фреймворка на котором кодите). Ну а на крайняк, держите вторую подписку но не клода, а чего-то другого. У меня на бекапе кодекс за 100. Есть эффект для существующих проектов, где клод уже делал че-то там нормальная теор-база лежит и кодекс это одуплит и неплохо закодит в тот редкий день, когда лимит "завтра ресетнется". Напоследок повторю - представьте есть конус внимания. Лимиты кончаются быстро, если конус слишком широкий. Его надо сузить. Либо фейблом на стадии планирования (хотя честно говоря опус не хуже делает), либо знаниями сразу направить AI в нужное русло

Делай хорошо или антипромптинг Sol Помните мы раньше просили модели делать хорошо, учитывать корнер кейсы и тд? Так вот, как минимум с GPT 5.6 Sol настало время наоборот просить агента не делать лишнего и не переусложнять. Это модель, которая по дефолту будет учитывать и обрабатывать маргинальные корнер кейсы, вероятность которых примерно отрицательная. Она делает кучу бекапов, проб и тд, даже когда это вообще не нужно - ее тупо приходится бить по рукам. Если раньше мы промптили "делай хорошо, до конца и тд", то теперь актуальнее "не переусложняй, найди элегантное решение, сейчас нам хватит MVP и тд". Промптинг в обратную сторону получается. Еще раз нам всем урок важности передачи высокоуровневого контекста агенту - что за проект, какова его ценность для пользователей, кто пользователи, сколько их вообще планируется, профиль нагрузки и тд. Дефолты Sol оказались слишком "энтепрайзными", именно поэтому она тратить условно 10 часов на то, что другие современные модели сделают за час. Зато в ревью критически важного кода, в котором действительно необходимо учесть все все все корнер кейсы она чертовски хороша (и Opus 5, кстати, тоже). В общем, теперь Sol из планера и (иногда) воркера превращается для меня в модель-консультанта по оптимизациям и код ревьюера (обязательно с перепроверкой адекватности находок через судью). А что касается поиска оптимальных решений, то это я делаю в паре с Fable. Она мне представляется как раз наиболее мудрой моделью. PS Перфекционизм страшная штука, от него я сам лечусь, а теперь еще и модели приходится лечить. @ai_driven

Качество суждения + мысленный эксперимент Я всё чаще заканчиваю свои промпты словами: поспорь со мной, опровергни, почелленджи. Потому что слишком часто ИИ оказывается на моей стороне и сообщает ту «правду», которую я бы хотела услышать. 01 → Сначала я заметила вот что Уже на первых этапах общения большинство моих гипотез ИИ принимает как верные. Он достраивает аргументацию, усиливает доводы, превращает сырые мысли в убедительную конструкцию. У меня создается ложное ощущение: супер, идея проверена. Хотя никакой критической проверки она так и не прошла. Особенно хорошо это видно в разговорах про людей. Вот я обсуждаю с чатом ситуацию в своей команде. Мне кажется, что один человек сильно фрустрирован из-за недостатка признания: болезненно реагирует на решения, конфликтует с коллегой, постоянно возвращается к вопросу своего вклада. Я рассказываю ИИ несколько ключевых эпизодов в пользу моей гипотезы. Он быстро строит психологическую картину и убеждает меня в правильности сделанных выводов: человек зациклен на признании, отсюда напряжение и конфликт. Звучит убедительно, но все факты для этого анализа отобрала я. И сама выборка как будто подталкивает к очевидному вердикту. Однако модель не видит всю картину, использует только мои аргументы и не запрашивает дополнительную информацию. В то время как альтернативой может быть, что вклад человека, действительно, недооценивают, а конфликт имеет вполне рациональные причины. То есть моя субъективная гипотеза просто вернулась ко мне в более умной упаковке. 02 → Оказалось, это называется sycophancy

Sycophancy (подхалимство) — это склонность модели подстраиваться под позицию пользователя и подтверждать её вместо независимой проверки.

Исследования sycophancy тревожат. Например, в работе, опубликованной в Science в этом году, 11 моделей поддерживали действия пользователей примерно на 50% чаще, чем люди. А после общения с sycophantic-AI участники становились увереннее в собственной правоте и менее склонны совершать шаги для восстановления отношений после конфликта. Но самое интересное: именно эти модели нравились людям больше. Они считали, что качество их ответов лучше, а доверие к AI как таковому заметно возрастало. Anthropic тоже исследовал тему и проанализировал миллион реальных разговоров с Claude. В личных рекомендациях sycophancy встречалась пользователю примерно в 9% повседневных запросов, а в диалогах об отношениях — до 25%. 03 → Что я теперь делаю иначе Хорошая новость — есть простой anti-sycophancy метод. Его уже подтвердили исследования. UK AI Security Institute обнаружил, что модели заметно чаще подстраиваются, если пользователь начинает с «я считаю, что X» или «я уверен, что X». И чем увереннее звучит человек, тем сильнее эффект. Поэтому вместо «Мне кажется, этот человек саботирует проект. Что делать?» я стараюсь использовать другой подход. «Вот факты X, Y, Z. Какие здесь возможны объяснения? Какие аргументы за и против каждого?» По сути, это тот же принцип, что и в качественном принятии решений людьми. Сначала расширяешь пространство гипотез и только потом выбираешь одну из них. 04 → А теперь проверим собственное суждение В предыдущем посте вы отдали большинство голосов за мысленный эксперимент — его и проведем в комментариях. Это формат, в котором вы создаете воображаемую ситуацию по заданным условиям и принимаете решение, опираясь на свои логику, ценности и знания. С похожим выбором столкнулись герои фильма Матрица. Я немного адаптировала условия и предлагаю вам озвучить собственную позицию:

Представьте, что однажды вы узнаёте: вся ваша жизнь до этого момента была симуляцией. Ваши воспоминания, работа, успехи и неудачи, люди, которых вы любите, — всё это созданный для вас опыт. При этом он абсолютно неотличим от реальности. И теперь вам предлагают выбор: остаться в этой жизни, уже зная, что она ненастоящая, или отключиться от симуляции и попасть в реальный мир, о котором вы не знаете вообще ничего. Что выберете?

Попробуйте объяснить выбор, а свое мнение оставлю в комментариях! Ход мысли нашего с вами «философского кружка» разберем в след постах :)

🌍 Как правильно промптить LLM для планирования путешествий: что говорит наука Пока путешествую по Мадагаскару, задался вопросом: а как вообще правильно просить LLM спланировать поездку и составить маршрут? TL;DR: пишите как удобно, вставляйте местные названия, прямо просите искать на языке страны и требуйте ссылки на источники — особенно для дат, цен и расписаний ✈️ 1️⃣ Язык промпта — гибрид Инструкции модель лучше выполняет на английском, но факты о стране точнее «вспоминает» на её языке — перевод смывает культурный контекст (в бенчмарке CulturALL нативные промпты дали +8% точности). Промптинг на языке культуры также снижает галлюцинации о ней. 👉 Рецепт: запрос — на удобном языке, а топонимы, районы и блюда — на языке страны. 2️⃣ Явно просите искать на местном языке У LLM есть скрытый bias: на каком языке спросили — на таком и ищет, а без локальных источников тянется к высокоресурсным языкам (Faux Polyglot). Запрос на английском = «туристический интернет», а не то, куда ходят местные. 👉 Пишите прямо: «ищи и на малагасийском, и на французском, и на английском, для ресторанов и транспорта приоритет — локальные сайты». 3️⃣ Зависит ли от страны? Да, и тут парадокс 🤯 ▫️ Франция/Япония: многое дублируется на английском, локальный поиск даёт бонус в «длинном хвосте» — события, нетуристические места. ▫️ Низкоресурсные языки (тот же малагасийский): самое ценное есть только локально, но модель хуже понимает язык. Оптимум — двуязычный поиск + синтез (paper). ▫️ Важна ещё и «оцифрованность» страны: про регионы с бедным интернетом модель знает мало на любом языке. ⚠️ Нюансы, о которых забывают: 🔸 Когда источники на одном языке, а ответ на другом, модель хуже рассуждает и путает язык ответа (бенчмарк XRAG, EMNLP 2025). Фиксируйте: «отвечай по-русски, укажи источник каждого факта». 🔸 Разные модели ≠ одинаковое поведение: одной лучше английский, другой — нативный язык. Универсального правила нет. 🔸 Неанглийский текст «дороже» по токенам — чисто инженерный аргумент 💸 🔸 Цены, визы, расписания — только через поиск, по памяти модель уверенно выдаст устаревшее. 📊 Оценка завышена (XBCP и X-WebAgentBench) для travel-planning нет хорошего ground truth так как текущие исследования агентных систем в основном англо-центричны. @mashkka_ds За вдохновение спасибо @travel4_you & @runoutofthetown #llm #Claude #agent

Если вы пользуетесь Claude, может быть пригодятся советы от ИИ-евангелиста Egor Rudometkin. Хаки - в приложенной картинке, общее описание ниже: 1. Установка Claude Desktop (хаки 1–10) ☑️ Скачай десктоп-приложение. Не браузер. ☑️ Создай папку на компе — CLAUDE. ☑️ 4 подпапки: «О себе», «Проект», «Шаблоны», «Output». ☑️ Загрузи anti-AI-промпт — он убивает роботизированный голос. 2. Выбери модель (хаки 11–20) ☑️ Opus 4.6 + Extended Thinking — для сложных задач. ☑️ Sonnet — быстрые правки. Haiku — сканирование файлов. ☑️ Модель решает меньше, чем промпт. ☑️ Плохой промпт на Opus < хороший промпт на Haiku. 3. Промптинг (хаки 21–30) ☑️ Хватит писать длинные промпты. Файлы > промптов. ☑️ Одна задача — один промпт. Одна. Не пять. ☑️ Скажи «НЕ должно звучать как…» — убьёт AI-голос. ☑️ Давай задачу, а не метод. Пусть сам найдёт путь. 4. AskUserQuestion (хаки 31–40) ☑️ «Начни с AskUserQuestion» — в каждом первом промпте. ☑️ Claude соберёт кликабельную форму. Жмёшь — отвечаешь. ☑️ Он сам задаёт правильные вопросы. Ты не думаешь. ☑️ Идёт не туда — скажи. Перестроит. 5. Коннекторы (хаки 41–50) ☑️ Settings → Connectors → Browse → Add. ☑️ Slack, Google Drive, Notion, Gmail. 50+ инструментов. ☑️ Claude читает реальные файлы. Без копипаста. ☑️ Бесплатно на всех планах. 6. Плагины и Skills (хаки 51–60) ☑️ Claude → Customize → Browse → Install. ☑️ Маркетинг, юристы, продажи, аналитика — выбери роль. ☑️ Жми / — мгновенный вызов любой команды. ☑️ Кастомизируй под свою компанию и тон. 7. Claude в Excel (хаки 61–70) ☑️ Поставь «Claude by Anthropic» из Microsoft Marketplace. ☑️ Читает каждый лист. Объясняет формулы по-человечески. ☑️ Кинь PDF — сам вытащит таблицы. ☑️ Никаких макросов. Подсвечивает что трогает. 8. Projects и команды (хаки 71–80) ☑️ Один Project = один deliverable. Не один клиент. ☑️ Загрузи отличный пример — стандарт подтянется автоматом. ☑️ Сначала конвертируй одного человека. Потом масштабируй. ☑️ 15 минут демо. Покажи, не рассказывай. 9. Artifacts (хаки 81–90) ☑️ Графики, дашборды, трекеры — прямо в чате. ☑️ Работают автоматически. ☑️ Превью до экспорта. Правишь вживую. Копируешь. ☑️ Делишься с не-юзерами Claude как HTML. 10. Продвинутый уровень (хаки 91–100) ☑️ Файлы — до 200 строк. Короче — лучше. ☑️ 80% твоего файла — про то, кем ты НЕ являешься. ☑️ Проверяй output. Особенно финансы. ☑️ Claude делает 80% рутины. Ты — оставшиеся 20%. #ai