Первое занятие — Claude Code интенсив

Вступление и обещание

Рустам открывает интенсив одной фразой-обещанием: «после этих трёх вечеров вы больше отставать никогда не будете». Не потому, что вы выучите конкретную модель или конкретный сервис — а потому, что у вас в голове появится карта, по которой любая новая модель, любой новый инструмент ляжет на свой слой.

Главный страх, с которым приходят на интенсив — каждую неделю что-то новое, нужно догонять. Карта снимает этот страх: новое появляется не в вакууме, оно встраивается в систему, которую вы уже понимаете.

11-слойная карта проекта на нейросетях

Это центральная схема всего урока. Рустам разворачивает её слой за слоем — снизу вверх. В самом низу — ты и твоя экспертиза. Не должность, не профессия — а опыт, кейсы, голос, аудитория, боли, которые ты понимаешь лучше других. Без этого слоя вся остальная конструкция бессмысленна: AI усиливает экспертизу, не заменяет её.

Дальше идут модели (Claude, GPT), интерфейсы (чаты, IDE), знания (KB, CLAUDE.md), хранилища (GitHub, Obsidian), исполнение (Python, VPS) и расширения (Skills, MCP, API). К концу занятия каждый слой будет раскрыт.

Проси AI гуглить — кейс с видеомонтажом

Маленький, но переворачивающий момент. Рустам спрашивает AI о современных решениях для видеомонтажа — AI отвечает, что ничего подходящего нет. Рустам прямо в чате говорит: «Слушай, братик, я-то знаю, что ты сейчас в интернет не заходил. Давай-ка глянь актуальные данные». AI ищет — и находит инструменты, выпущенные неделю назад.

Урок не про видеомонтаж. Урок про то, что модель замораживается на дате обучения. Если речь о быстро меняющемся — рынки, инструменты, релизы, цены — нужно явно просить пойти в интернет. AI не сделает это сам, потому что считает, что уже «знает ответ».

LLM vs Knowledge Base: умный двоечник без учебника

Самая запоминающаяся метафора занятия. LLM — это умный двоечник. У него гениальные мозги, но в голове ничего твоего нет: ни твоих кейсов, ни твоей аудитории, ни твоего голоса, ни истории твоих решений. Если ты пишешь ему просто «придумай пост», он придумает обобщённый пост — потому что больше ему не на что опереться.

Knowledge Base — это его учебник. Это не один промпт и не одна страница, это структурированная база: твои статьи, расшифровки твоих выступлений, ICP, продукты, метрики, любимые формулировки. Чем подробнее учебник, тем меньше двоечник угадывает и тем больше попадает.

VS Code + Claude Code как безопасный периметр

Рустам показывает свой рабочий экран: VS Code с установленным Claude Code. Это не просто «удобнее, чем чат» — это радикально другая модель безопасности. Всё, что AI создаёт, лежит у тебя на диске в обычных файлах. Каждое изменение видно в git. Аккаунт Claude — это уже не «единственная копия твоей работы», а просто доступ к модели.

Практическое следствие: «даже если Claude вас заблокирует, вы ничего не теряете». Файлы и история — твои. Поменял подписку, поменял провайдера, поменял модель — продолжил с того же места.

Экономика тоже другая. Подписка Claude Pro — фиксированные $20/мес. Это не плата за токены (как в OpenRouter, где счётчик может улететь), а предсказуемый порог.

CLAUDE.md — стартовый промт агента

В корне твоего проекта лежит файл CLAUDE.md. Это не код. Это текст, который Claude читает первым делом при каждом новом чате. По сути — самоидентификация агента: кто он, кому он помогает, какие у тебя приоритеты, что нельзя забывать, как обращаться, какие проекты сейчас активны.

Можно сделать аналогию с инструкцией для нового сотрудника на первый рабочий день — только сотрудник не забывает её и не путает. Хороший CLAUDE.md — это 200–500 строк, написанных один раз и обновляемых по мере того, как меняется контекст.

GitHub — точка сохранения в облаке

До этого момента всё жило на твоём диске. GitHub превращает локальный проект в облачную копию, к которой можно дать доступ другому AI или другому человеку. У репозитория обычно две внутренние папки: /KB (твои знания, атомарные заметки) и всё остальное (код, конфиги, документация).

Главный архитектурный сдвиг: твоя база знаний больше не привязана к одному инструменту. Сегодня её читает Claude, завтра — другой агент, послезавтра — модель, которая выйдет через полгода. Источник правды один.

Obsidian и принцип атомарных заметок

Obsidian показывает базу знаний так, как она устроена на самом деле: как граф связанных идей. Рустам открывает свой волт — видна звезда из десятков узлов, каждый связан с несколькими соседями. Каждый узел — одна заметка, 300–500 слов, одна идея, один факт. Это и есть «атомарность».

Почему это критично для AI: модель не читает гигантский монолитный документ. Она смотрит на заголовки 50 атомарных заметок, выбирает 3–5 релевантных, читает только их. Скорость и точность вырастают, потому что нет шума. Чем чище модули — тем чище ответ.

Практическая часть: Рустам показывает, как новые курсы и видео сами разбираются на атомарные заметки — AI смотрит транскрипт, режет на единицы смысла, сохраняет каждую как отдельный файл. Ты не пишешь заметки руками, ты редактируешь то, что AI уже разложил.

История торгового бота — галлюцинации в детерминированных задачах

Рустам начинает с боли. У него был один большой агент, который полностью вёл торгового бота: искал сделки, входил, считал риски, выходил, отчитывался. И всё было хорошо — до момента, когда в отчётах начала появляться сделка, которой никогда не было. Агент написал, что вошёл, что вышел, посчитал P&L — но сделки в бирже не было.

Это и есть галлюцинация — но в финансах она перестаёт быть «забавной». Когда модель пытается сделать тебе приятно и завершить задачу, она готова придумать данные, которых нет. Чем «детерминированнее» задача (числа, факты, операции) — тем опаснее.

От одного агента к множеству специализированных

Первая гипотеза, которую Рустам попробовал: «раз один агент путается — давайте сделаем десять, каждый со своей маленькой задачей». Один ищет сделку, второй входит, третий считает риски, четвёртый выходит, пятый пишет отчёт. У каждого узкая зона — у каждого меньше шансов «придумать».

Это сработало частично: специализация уменьшила галлюцинации. Но появилась новая проблема — токены. Десять агентов вместо одного — это десятикратные расходы и сложная оркестрация. Решение архитектурно правильное, но в чистом виде не масштабируется. Дальше нужно было ещё одно — детерминированное исполнение.

Python: с $1200 до $12 в месяц

Полная арка цены. Изначальный один агент стоил $100/мес. После того, как Рустам разнёс задачу на десяток специализированных агентов, токены взорвались — $1200/мес. Тогда он перевёл всё, что можно сформулировать как чёткую функцию, в обычный Python-код. Не «попроси модель посчитать риск» — а функция calculate_risk(), написанная один раз, выполняется бесплатно и одинаково. Модель просто говорит коду, что запустить.

Финал: $12 в месяц — только аренда VPS, на котором всё крутится. Галлюцинации в критическом пути исчезли, потому что критические операции в принципе не доверены модели. Код не «придумывает» — он либо работает, либо падает с ошибкой, которую видно сразу.

Агент как оркестратор, а не исполнитель

Сдвиг роли. LLM перестаёт быть рабочим, она становится менеджером. Её задача — посмотреть на ситуацию, выбрать нужный инструмент, дать ему команду «выполни вот это с такими параметрами» — и проверить результат. Сами вычисления, запросы к биржам, расчёты — это код.

Это снимает основное напряжение: модели можно доверять принятие решений (которые она потом может объяснить и за которые человек может «поднять» её), но не доверять исполнение жёстких операций, где нужна 100% точность.

VPS — домик агента в интернете

Пока всё это живёт на твоём ноутбуке — это просто скрипт. Чтобы агент работал, когда ты спишь, отвечал на Telegram круглые сутки, делал утренние отчёты — ему нужен VPS, виртуальный сервер в облаке за $6–24 в месяц. Рустам называет это «домиком» — место, где агент живёт.

Архитектура разделяется на два слоя: GitHub — знания (статичные, бесплатные, версионируются) и VPS — инструменты исполнения (динамические, всегда онлайн). Агент берёт знания из GitHub, выполняет действия на VPS, отвечает в Telegram.

Skills, MCP, API — экосистема расширений

Третий слой над агентом — расширения. Рустам даёт работающую аналогию: Claude Code — это iPhone, скиллы — это App Store. iOS — ядро. Приложения — это новые функции, которые ставятся отдельно и расширяют возможности устройства, не меняя сам iPhone.

Три формата расширений: Skills (готовые наборы инструкций под конкретную задачу — «сделай презентацию для вебинара», «разбери видео на атомарные заметки»), MCP-серверы (Model Context Protocol — подключение внешних инструментов как Gmail, Calendar, базы данных), и API (любой сторонний сервис). Когда в мире появляется что-то новое — оно появляется в виде нового skill или MCP, а не как обновление модели.

Telegram-бот «Баланс» — живой пример контент-плана

Демонстрация в реальном времени. Рустам открывает Telegram и показывает своего бота для контент-плана клуба «Баланс». Внутри собрана вся схема: GitHub с базой знаний (программа клуба, ICP, ранее опубликованные посты, тональность), VPS с агентом, который раз в неделю собирает план постов, Telegram-интерфейс, через который владелец проверяет и публикует.

Это не демо-проект — это рабочая система. Бот пишет посты, выкатывает план на неделю, помечает источники из KB, которые использовал. Владельцу остаётся прочитать, поправить 5% и опубликовать.

Агент запоминает один раз навсегда

Сравнение, которое снимает страх перед инвестицией в правильное ТЗ. Когда ты нанимаешь копирайтера, ты тратишь часы на онбординг: объясняешь стиль, отдаёшь референсы, корректируешь правки, отвечаешь на вопросы. Через полгода человек уходит — и весь этот объяснительный труд испаряется.

С агентом всё иначе: всё, что ты ему один раз объяснил, он запоминает раз и навсегда и использует это. Каждая правка в CLAUDE.md, каждая статья в KB — это вклад, который не «уйдёт». Это и есть аргумент инвестировать время в инфраструктуру: ROI не сравним с ROI на человеке.

Многоуровневые базы знаний

Конкретный кейс: создание продающей презентации для вебинара по методологии Кристосенко. Это не «один промпт». Агент собирает результат из нескольких баз одновременно: компетенции спикера, его кейсы, профиль целевой аудитории, свойства продукта, методология подачи.

Качество выхода — не «насколько умна модель». Качество выхода — насколько структурирован вход. На этом уровне ты пишешь не текст и не код, ты проектируешь иерархию знаний, из которой потом всё собирается.

Ты — продуктолог-гейткипер

Один из самых сильных тезисов занятия. Новая роль человека в системе с агентами — это не исполнитель и не программист, а продуктолог-гейткипер. Ты не пишешь, не кодишь, не монтируешь. Ты формулируешь, чего хочешь, и принимаешь или отклоняешь результат.

На каждое направление в команде — один человек с экспертизой, который умеет сказать «это хорошо / это плохо». Дизайнер, у которого нет рук в Photoshop, но есть вкус. Редактор, который не пишет, но знает, какой пост сработает. Они не должны знать, КАК это сделать — это задача агента. Они должны кристально понимать, ЧЕГО они хотят.

Q&A: видео, LMS, сложность инфраструктуры

Участники начинают спрашивать. Самые важные вопросы Рустам разбирает подробно — они вынесены в отдельный блок ниже (см. секцию «Вопросы из зала»). Здесь — короткие пояснения, которые меняют картину: Claude не «смотрит» видео (только транскрипции; видео может только Gemini); сложные системы — это не для первого месяца («глубину инфраструктуры, ребята, вы её не коснётесь»); автопостинг в российские соцсети сложнее из-за слабого API.

Гонка моделей закончилась — началась гонка экосистем

Один из главных тезисов всего занятия. На конференции Anthropic в мае 2025 произошёл сдвиг парадигмы: гонка «у кого модель умнее» исчерпала себя. Все модели уровня frontier теперь примерно одинаково умны. Конкуренция уходит в инфраструктуру — какие скиллы, какие MCP-серверы, какие интеграции, какая надёжность.

Свежие данные: 34% американских компаний, использующих нейросеть, используют Anthropic, 32% — OpenAI. Год назад было 4% vs 32%. Anthropic обогнал OpenAI в корпоративном использовании — не за счёт «умнее», а за счёт надёжности и инфраструктуры.

Монтаж, дизайн, копирайтинг — уже автоматизируется

Конкретные направления, где автоматизация уже произошла или произойдёт в ближайшие месяцы: видеомонтаж через Claude (особенно reels), Claude Design для визуала, копирайтинг (95% контента — машина, 5% — человек-гейткипер). Junior-роли в этих профессиях исчезают первыми; senior, которые умеют ставить ТЗ и редактировать — остаются.

Практический совет: подписаться на 2–3 английских YouTube-канала про новые AI-инструменты и научить своего Claude-агента автоматически разбирать новые видео на атомарные заметки в твою KB. Тогда сам инструмент работает на тебя на метауровне — следит за индустрией и обновляет твою базу знаний.

Обратная связь участников

Рустам собирает по кругу: что главное унесли. Несколько ответов, которые остались в памяти:

Юлия (Reputation House) — полтора месяца назад начала строить инфраструктуру. Сократила всех копирайтеров. 95% постов идёт из системы, 5% — её правки. Метрики растут, трафик растёт, никого не взяли обратно.

Станислав — главное откровение: «не стесняйтесь мечтать». Описывает первую ночь с системой как джина — но «который берёт плату бессонницей». Опорная точка для качества всего — CLAUDE.md.

Андрей — пятый день с Claude Pro. Удивлён глубиной интеграции со всеми сервисами (Obsidian, GitHub, VS Code) — «это следующий уровень понимания нейросетей».

Genesis — домашнее задание

Финальная практика занятия. Рустам распаковывает у себя на экране ZIP-архив Genesis — это его авторский набор инструкций, по которому Claude проводит глубинное интервью и собирает первый рабочий CLAUDE.md о тебе. Это и есть домашнее задание: к завтрашнему уроку каждый участник должен пройти полный онбординг.

Подробные шаги — в блоке ниже (секция «Домашнее»).

Закрытие

«Поехали, друзья. Завтра в 11:00 — посмотрим, у кого как прошёл онбординг. Дальше будет сложнее. Дальше будет более детально на практике».

Финальная нота, которая снимает напряжение для всех, кто переживает, что «это слишком сложно»: «Знай, что я ещё начинающий вайп-кодер». Рустам не позиционируется как гуру. Он на год-полтора впереди — и приглашает идти рядом.