Post #666
659
Работа с ИИ: на что обращать внимание
Когда люди говорят про ИИ-агентов, то чаще всего мешают в одну кучу три совершенно разные вещи. Из-за этого возникают и ложные ожидания («сейчас возьму Claude Code — и всё поменяется»), и разочарования («попробовал, не помогло»), и неправильные вопросы («а какой агент лучше?»). Стоит разобраться, что важно, когда работаешь с ИИ.
Первый слой — это LLM-модель от вендора. Claude, GPT, Gemini — это конкретные сущности, у каждой из которых свои возможности, ограничения, особенности поведения в выдаче информации. Она давно универсальные ответы, что для 80% случаев достаточно. Но чтобы модель хорошо работала в конкретной задаче, её нужно дообучить или настроить под вашу ситуацию. Это дорого, требует данных и технической экспертизы. Большинство людей берут модель как есть: универсальную, с базовыми возможностями от вендора. Они следят за релизами, сравнивают бенчмарки, спорят о том, кто лучше. Хотя для личного или профессионального проекта это, как правило, вопрос наименьшей важности.
Второй слой — это методы и роль, в которую поставлен ИИ-агент на конкретной LLM-модели. Одна и та же модель может работать как ментор, как аналитик данных, как редактор текстов, как архитектор систем. Роль часто задаётся через промпт: что должна делать ИИ-система, какие способы применять, как отвечать и тп. Тут уже не вопрос модели, это вопрос того, как вы настроили работу с ней. Здесь начинается то, что называется «умением работать с ИИ». Умные модели иногда сами выбирают подходящую роль, но только там, где задача достаточно типовая. В узких профессиональных областях универсальная ИИ-система работает плохо, и тогда приходится задавать роль явно. Кстати, когда кто-то говорит «я создаю ИИ-агента» или «обучаю ИИ», чаще всего речь идёт именно об этом: о настройке роли и методов работы под конкретную область. Это не совсем создание агента в полном смысле, скорее точная настройка вендорской модели под определенный тип задач. Но именно здесь можно получить первое реальное преимущество по сравнению с универсальной моделью «как у всех».
Третий слой — это контекст. И вот здесь самое интересное. Представьте: у вас есть доктор-светило. Настоящий специалист. Самый лучший. Он и роль свою знает, и методы применяет современные. Вы приходите к нему, садитесь напротив и говорите: «Вылечи меня». Без анализов. Без истории болезни. Без симптомов. Просто «вылечи». Что он может сделать? Как бы хорош он ни был — без контекста он ничего не сделает. Никакой профессионал в любой сфере не даст результат, если не будет третьего: контекста, в котором ему нужно действовать.
С ИИ точно так же. Слабая модель с лучшим методом и хорошим контекстом даст лучший результат, чем любая сильная модель без контекста. Без контекста вы всегда получаете универсальный ответ. Для бытовых задач это нормально, но для профессиональной деятельности — недопустимо. При этом большинство внимательно следит за выбором модели, хотя это вопрос третьего порядка. Внимание большинства перевёрнуто с ног на голову.
Но здесь возникает следующий вопрос, который обычно остаётся за скобками. Передать контекст — это ещё полдела. Сначала нужно его вычленить из собственного опыта. У человека это работает через память: годами накапливается профессиональная интуиция, понимание того, что важно, а что нет, какие решения работали, какие нет. Это знание живёт в голове — неявное, не записанное, не структурированное. С ИИ этот механизм не работает. Каждый новый разговор как чистый лист. ИИ вендора не особо помнит, что вы обсуждали вчера, какие решения принимали на прошлой неделе, какой контекст уже был передан раньше. Значит, возникает отдельная задача: не просто иметь контекст, а уметь его фиксировать, хранить и поддерживать актуальным. Это отдельная большая работа, которую делает наша собственная память. Теперь её нужно вынести наружу — в базу знаний, в структурированные документы, в систему, которая живёт рядом с ИИ. Но при этом еще постоянно обновляется по мере того, как меняется ваш опыт и ваши задачи.
Разговор про ИИ становится продуктивным когда во внимании эти три объекта.
Когда люди говорят про ИИ-агентов, то чаще всего мешают в одну кучу три совершенно разные вещи. Из-за этого возникают и ложные ожидания («сейчас возьму Claude Code — и всё поменяется»), и разочарования («попробовал, не помогло»), и неправильные вопросы («а какой агент лучше?»). Стоит разобраться, что важно, когда работаешь с ИИ.
Первый слой — это LLM-модель от вендора. Claude, GPT, Gemini — это конкретные сущности, у каждой из которых свои возможности, ограничения, особенности поведения в выдаче информации. Она давно универсальные ответы, что для 80% случаев достаточно. Но чтобы модель хорошо работала в конкретной задаче, её нужно дообучить или настроить под вашу ситуацию. Это дорого, требует данных и технической экспертизы. Большинство людей берут модель как есть: универсальную, с базовыми возможностями от вендора. Они следят за релизами, сравнивают бенчмарки, спорят о том, кто лучше. Хотя для личного или профессионального проекта это, как правило, вопрос наименьшей важности.
Второй слой — это методы и роль, в которую поставлен ИИ-агент на конкретной LLM-модели. Одна и та же модель может работать как ментор, как аналитик данных, как редактор текстов, как архитектор систем. Роль часто задаётся через промпт: что должна делать ИИ-система, какие способы применять, как отвечать и тп. Тут уже не вопрос модели, это вопрос того, как вы настроили работу с ней. Здесь начинается то, что называется «умением работать с ИИ». Умные модели иногда сами выбирают подходящую роль, но только там, где задача достаточно типовая. В узких профессиональных областях универсальная ИИ-система работает плохо, и тогда приходится задавать роль явно. Кстати, когда кто-то говорит «я создаю ИИ-агента» или «обучаю ИИ», чаще всего речь идёт именно об этом: о настройке роли и методов работы под конкретную область. Это не совсем создание агента в полном смысле, скорее точная настройка вендорской модели под определенный тип задач. Но именно здесь можно получить первое реальное преимущество по сравнению с универсальной моделью «как у всех».
Третий слой — это контекст. И вот здесь самое интересное. Представьте: у вас есть доктор-светило. Настоящий специалист. Самый лучший. Он и роль свою знает, и методы применяет современные. Вы приходите к нему, садитесь напротив и говорите: «Вылечи меня». Без анализов. Без истории болезни. Без симптомов. Просто «вылечи». Что он может сделать? Как бы хорош он ни был — без контекста он ничего не сделает. Никакой профессионал в любой сфере не даст результат, если не будет третьего: контекста, в котором ему нужно действовать.
С ИИ точно так же. Слабая модель с лучшим методом и хорошим контекстом даст лучший результат, чем любая сильная модель без контекста. Без контекста вы всегда получаете универсальный ответ. Для бытовых задач это нормально, но для профессиональной деятельности — недопустимо. При этом большинство внимательно следит за выбором модели, хотя это вопрос третьего порядка. Внимание большинства перевёрнуто с ног на голову.
Но здесь возникает следующий вопрос, который обычно остаётся за скобками. Передать контекст — это ещё полдела. Сначала нужно его вычленить из собственного опыта. У человека это работает через память: годами накапливается профессиональная интуиция, понимание того, что важно, а что нет, какие решения работали, какие нет. Это знание живёт в голове — неявное, не записанное, не структурированное. С ИИ этот механизм не работает. Каждый новый разговор как чистый лист. ИИ вендора не особо помнит, что вы обсуждали вчера, какие решения принимали на прошлой неделе, какой контекст уже был передан раньше. Значит, возникает отдельная задача: не просто иметь контекст, а уметь его фиксировать, хранить и поддерживать актуальным. Это отдельная большая работа, которую делает наша собственная память. Теперь её нужно вынести наружу — в базу знаний, в структурированные документы, в систему, которая живёт рядом с ИИ. Но при этом еще постоянно обновляется по мере того, как меняется ваш опыт и ваши задачи.
Разговор про ИИ становится продуктивным когда во внимании эти три объекта.
- 👍 10
- ❤ 6
