Недавно я писала, а вы отвечали про 4 уровня развития навыков работы с ИИ: от промптинга до проектирования сложных ИИ-систем. И если вдруг вы подумали, что не успеваете за развитием технологий, то спешу вас успокоить.
Если вы хотите автоматизировать свои рабочие процессы, важно придерживаться здравого смысла: не каждую задачу нужно превращать в сложную ИИ-систему! Сейчас вокруг много разговоров про агентов, MCP, Skills, Harness, что может возникнуть ощущение: если ты до сих пор работаешь с обычными промптами, то уже отстаешь, но это не так.
По уровням развития ИИ-навыков не обязательно нужно подниматься. Важно использовать нужный подход для решения каждой задачи.
Абсолютно точно, что в работе методиста:
▪️Иногда достаточно хорошего промпта
Сформулировать результаты обучения, придумать варианты практического задания, переработать сложный материал эксперта или улучшить текст урока. Соберите качественный промпт с понятными критериями результата и все.
▪️Иногда нужны контекст, база знаний и навыки
Допустим, вы регулярно разрабатываете программы курсов по единой методологии и алгоритму. Вот здесь уже полезно собрать методические стандарты, шаблоны, примеры хороших программ и оформить навык, по которому ИИ будет выполнять эту работу. Подключите RAG для поиска актуальных данных, если материалов много и они регулярно обновляются. И в итоге получите воспроизводимый процесс без необходимости создавать агентную систему.
▪️Иногда действительно нужен агент с инструментами и MCP
Например, вы хотите автоматизировать обработку обратной связи студентов: собирать ответы из разных источников, анализировать их, рассчитывать показатели, обновлять отчеты и формировать рекомендации команде. Здесь ИИ уже действительно должен взаимодействовать с внешними системами и выполнять последовательность действий.
▪️Возможно, что где-то будет оправдана и целая ИИ-система
Тут отправляемся выстраивать непрерывный процесс разработки образовательных продуктов, где несколько агентов выполняют разные функции, используют общие знания, проверяют результаты друг друга и передают задачи дальше. Нужно продумать архитектуру, оркестрацию, контроль качества. Внедряем, только если денег некуда девать масштаб и сложность задач действительно оправдывают такую систему. И только если вы реально готовы делегировать все ИИ.
⚠️ Что еще важно: чем сложнее ИИ-решение, тем больше ресурсов требуется не только на его создание, но и на поддержку. Агенты будут ошибаться, интеграции будут отваливаться, базы знаний - устаревать. И вместо экономии времени вы получите еще кучу процессов, которыми нужно управлять.
Поэтому делаем вдох-выдох и начинаем с вопроса: «Какое самое простое ИИ-решение позволит мне качественно и быстро выполнять эту задачу?» И внедряем его, а не то, что «все советуют» 💙