Как я использую Claude в менеджерских задачах

Чтобы AI выдавал хороший результат, он должен знать всё, что знаешь ты. Не «напиши правильный промпт» — а дай весь контекст.

Для этого нужно создать базу знаний и регулярно загружать в неё данные. Сделать это задним числом — сложно и муторно. Намного проще «скормить» предыдущие заметки, начать вести базу знаний в понятном для Claude формате и регулярно к нему обращаться.

С чего я начал в январе:
▫️ создал git-репу, описал себя и свои цели за 3 года
▫️ подключил календари, почту и ремайндеры через MCP
▫️ написал скилл для старта дня: Claude скачивает повестку на сегодня/завтра и ведёт архив
▫️ разложил артефакты по проектам

Через 3 месяца:
▫️ goals/ — цели и стратегия
▫️ projects/ — все проекты с артефактами и контекстом
▫️ meets/ — записи и саммари встреч
▫️ memory/ — персональная память Claude, которой я управляю вручную
▫️ schedule/ — расписание, синхронизированное с календарём
▫️ todolist/ — задачи из Apple Reminders
▫️ tgposts/ — автоматизация контента для Telegram-канала
▫️ main_mcp.py — единая точка входа для собственных автоматизаций: код автоматизаций лежит рядом с базой знаний, база знаний в формате Markdown

Обычный иерархический текст превратился в динамическую базу знаний, которая кумулятивно увеличивает свою ценность. При этом управление контекстом я не отдаю на откуп AI. Модель не определяет самостоятельно, что важно — я вручную управляю необходимой информацией.

Ещё один инсайт: многие процессы можно автоматизировать через человекопонятные алгоритмы на базе скиллов Claude Code. Пишешь по шагам, что нужно сделать — и получаешь не просто детерминированную автоматизацию, а процессы с интеллектом внутри: декомпозиция смет, саммари встреч и собеседований, анализ новостей из Twitter, разбор стартапов из YC.

С удивлением обнаружил, что лидеры индустрии приходят к похожему. Karpathy на этой неделе описал концепцию LLM Wiki: складываешь сырые источники в папку, LLM компилирует из них wiki с бэклинками и категоризацией. Его главная мысль — память AI должна быть явной (видишь, что он знает и не знает), в файлах (не привязана к провайдеру) и интероперабельной (любая модель работает с теми же файлами).

#александр_опрышко #ai #claude_code