Недавно меня спросили, как я реально использую LLM в работе. И пока все пробуют очередного хайпового агента clawdbot, расскажу, как выглядит моя хардкорная рабочая среда для ведения менеджерских задач.
Я сильно проникся идеей Context Engineering — и меня сильно бесит, как ChatGPT любит вытаскивать случайные факты из наших переписок и применять их в максимально нерелевантном контексте:
- Сформулируй техническую стратегию Центра ИИ на 2026 год
- Вижу, что ты интересовался поездкой в Китай, сформулирую техническую стратегию с учётом того, как это сделали бы в Макао.
Я использую такую связку:
VS Code + Codex (gpt-5.2) + AI Native Project Workspace
AI Native Project Workspace — это мой рабочий проект «задач CTO», заточенный под совместное мышление меня и LLM. С помощью структуры проекта я чётко задаю и ограничиваю контекст для LLM-агента: кто я такой, как генерировать идеи, как вести мои задачи. В итоге агент каждый раз работает с одной и той же когнитивной моделью, а не с обрывками переписок.
Такой подход отрезает случайные ассоциации, «галлюцинации по биографии» и даёт воспроизводимый результат.
Вот так выглядит структура проекта, без усложнений:
/DRAFTS — рабочая папка задач. Один .md — одна задача.
/PROFILE.md — кто я такой, чем занимаюсь, за что отвечаю, какой стек технологий, стиль (без воды, data-driven и проч.).
/PROMPTS.md — набор промптов для запуска агента работать над задачей.
/AGENTS.md — инструкции для работы агента: как ведём задачи, DoD, разные роли, инструкции для брейншторма и проч.
Это и есть Context Engineering на практике.
В комментариях — примеры задачек, которые можно решать в таком воркспейсе.