"Неопределенность" - частый спутник работы технического менеджера. Мы встречаемся с ней значительно чаще, чем хотелось бы:
- Решит ли новая фича пользовательскую задачу? А точно будет достаточный adoption или ею будут пользоваться полтора землекопа?
- Есть проблема X и она имеет несколько решений - какое подходит лучше с учетом нашей специфики? А может есть еще один более подходящий вариант?
- Возникла возможность Z. Стоит за нее схватиться и переделать планы или двигаться по намеченному ранее пути?
Прикол подобных вопросов в том, что в них может вообще не быть правильного ответа - никакого черного и белого, правильного или неправильного, только серый градиент. Для таких вопросов я приметил пару полезных паттернов использования LLM. Они помогают мне разогнать такие вопросы, ускорить собственный анализ и в итоге принять более взвешенное решение. Захотелось поделиться ими с вами.
1. Просить LLM задать мне важные вопросы по моему запросу ПЕРЕД ТЕМ как отвечать по делу
Хочу решить задачу X. Контекст вопроса Y. Задай мне 5-7 наиболее важных вопросов, которые помогут тебе лучше понять мою ситуацию и дать лучший ответ. Не отвечай по существу вопроса пока я не попрошу явно.
У такого подхода есть одновременно две пользы. Во-первых, вопросы от LLM частенько помогают задуматься о том, чего не было изначально "на столе". Т.е. я и не думал о том, что такие вопросы могут возникнуть при размышлении над своим делом. Такие вопросы заставляют задуматься и посмотреть на дело немного под другим углом. А если они совпадают с тем, о чем я и так думал, то немного укрепиться, что вопросы действительно make sense. Кроме того, я могу углубляться в какие-то вопросы от LLM, которые показались мне важными или непонятными ("Не знаю, что ответить на этот вопрос. Давай порассуждаем вместе над вариантами"). Это приводит к тому, что мы работаем уже не в формате запрос-решение, а скорее в коллаборации или диалоге - модель обучает меня в том, что я не понимаю, а я обогащаю ее специфичным контекстом. И мы вместе нацелены на выбор лучшего решения моей задачи.
Во-вторых, ответы на такие вопросы обогащают диалог контекстом, который специфичен именно для моей ситуации. Это помогает модели сделать предложение, которое лучше всего подходит именно в моей истории.
Ну и, конечно, для таких случаев лучше использовать мощные размышляющие модели типа Gemini 3 Pro или Opus 4.5. С слабыми моделями такой подход не так эффективен.
2. Использовать голос в качестве способа ввода
Сначала я противился голосовому вводу - мне казалось, что печатание текста выпрямляет мысль и даже само формулирование вопросов уже приближает к решению (и так реально бывало!). Однако когда я наслушался более опытных в AI-деле ребят и попробовал голосовой ввод, то очень удивился тому, насколько это ускоряет взаимодействие и привносит в диалог детали, которые я бы не приметил в письме. Поэтому частенько я теперь включаю голосовой ввод на ноуте и спрашиваю модель голосом, также наговариваю и ответы на вопросы.
3. Использовать Cursor не только для кода
В Cursor очень удобно писать и отлаживать код, но оказалось, что удобно и обсуждать продуктовые вопросики. Используя паттерны выше накидываю в Cursor свою задачу, отвечаю на вопросы, задаю новые, углубляюсь в непонятные. На выходе прошу написать md-документ по моей задаче, в диалоге довожу его до нужного мне состояния. Но ценность, конечно, не в документе, а в том знании по своему вопросу, которое я приобретаю в процессе.
В такой коллабе недавно создал сложный excel-документ - сначала мы обсудили в Cursor задачу, потом он ушел с помощью каких-то либ в Python делать сам Excel-файл. Потом мы прошли N итераций ревью - я давал замечания, он делал правки, я открывал Excel и проверял. В результате получился очень неплохой и непростой Excel, это реально сэкономило мне часы работы.