Зашли с вопросом про стратегию или концепцию AI-first в контент. Но спросили с пониманием, что это когда в любом процессе буквально сначала ИИ. Сгенерили, потом посмотрели, что вышло.
Можно со мной тут поспорить, конечно, но «first» в таких терминах никогда не значило «сначала». Mobile-first — не про то, что мобильную версию рисуют раньше десктопной, а про то, что мобильный экран учитывается в каждом решении. Так же и здесь: AI-first — не порядок шагов, а то, что ИИ встроен во весь процесс, а не стоит отдельным этапом в начале или посередине.
Когда ИИ отдельный этап, вы, например, ускоряете написание черновика втрое, но материал упирается в проверку. Текстов стало больше, проверять чужое дороже, чем писать своё, редактор тонет. Локальное ускорение, глобальное замедление — знакомая история же?
Когда ИИ встроен, вы смотрите на весь маршрут материала: от идеи до разбора после публикации, и на каждом отрезке спрашиваете, что здесь меняется теперь, когда есть модель.
На планировании раньше спорили, какую тему взять: производство стоило дорого, ошибиться было больно. Теперь дешевле накидать три черновика и посмотреть, какой живой, чем неделю обсуждать один.
На брифе выясняется, что модель не читает мысли. Приходится проговаривать вслух: что на входе, что на выходе, что считается браком. Побочный эффект: люди тоже начинают понимать задачу с первого раза.
По той же причине из головы главреда наконец переезжает в файл редстандарт. Больно, зато у команды появляется общий критерий вместо «мне не нравится».
На проверке — главное. Сверить факт с источником, поймать разнобой в терминах, прогнать текст по стандарту: всё это машина делает лучше и дешевле, чем пишет. Но ставят её обычно на написание, потому что генерация эффектнее.
И на разборе после публикации: что зашло, что нет, почему. Раньше на это просто не хватало рук.
Проверить себя просто: спросите, что у вас изменилось, кроме того, что тексты теперь пишет модель. Если ничего — это не AI-first, а новый инструмент на одном этапе. Нормально, все с этого начинают, просто не надо называть это стратегией.
И то, что не меняется при любой встроенности: последний шаг человеческий, кто-то ставит подпись. В этом вся разница между «сначала ИИ» и «ИИ везде». В первом случае вы ищете, что бы ему отдать. Во втором понимаете, что оставляете себе и почему.
Брюзжание off. Пойду дальше работать. Постараюсь следующими публикациями дать что-то прикладное, а не только теорию, как нужно строить новые редакции.
#контентменеджерское #ai
Можно со мной тут поспорить, конечно, но «first» в таких терминах никогда не значило «сначала». Mobile-first — не про то, что мобильную версию рисуют раньше десктопной, а про то, что мобильный экран учитывается в каждом решении. Так же и здесь: AI-first — не порядок шагов, а то, что ИИ встроен во весь процесс, а не стоит отдельным этапом в начале или посередине.
Когда ИИ отдельный этап, вы, например, ускоряете написание черновика втрое, но материал упирается в проверку. Текстов стало больше, проверять чужое дороже, чем писать своё, редактор тонет. Локальное ускорение, глобальное замедление — знакомая история же?
Когда ИИ встроен, вы смотрите на весь маршрут материала: от идеи до разбора после публикации, и на каждом отрезке спрашиваете, что здесь меняется теперь, когда есть модель.
На планировании раньше спорили, какую тему взять: производство стоило дорого, ошибиться было больно. Теперь дешевле накидать три черновика и посмотреть, какой живой, чем неделю обсуждать один.
На брифе выясняется, что модель не читает мысли. Приходится проговаривать вслух: что на входе, что на выходе, что считается браком. Побочный эффект: люди тоже начинают понимать задачу с первого раза.
По той же причине из головы главреда наконец переезжает в файл редстандарт. Больно, зато у команды появляется общий критерий вместо «мне не нравится».
На проверке — главное. Сверить факт с источником, поймать разнобой в терминах, прогнать текст по стандарту: всё это машина делает лучше и дешевле, чем пишет. Но ставят её обычно на написание, потому что генерация эффектнее.
И на разборе после публикации: что зашло, что нет, почему. Раньше на это просто не хватало рук.
Проверить себя просто: спросите, что у вас изменилось, кроме того, что тексты теперь пишет модель. Если ничего — это не AI-first, а новый инструмент на одном этапе. Нормально, все с этого начинают, просто не надо называть это стратегией.
И то, что не меняется при любой встроенности: последний шаг человеческий, кто-то ставит подпись. В этом вся разница между «сначала ИИ» и «ИИ везде». В первом случае вы ищете, что бы ему отдать. Во втором понимаете, что оставляете себе и почему.
Брюзжание off. Пойду дальше работать. Постараюсь следующими публикациями дать что-то прикладное, а не только теорию, как нужно строить новые редакции.
#контентменеджерское #ai
👍3🤔1
Пятничное, отпускное, написанное с телефона.
Смотрите:
— 1 сентября Anthropic выпускает Claude Fable 5.1
— 2 сентября Google свою очередную Gemini 3.8 Flash, кстати, очень дешевую.
— 3 сентября вышла Muse Spark 1.3.
Ждем буквально на днях ещё релиз новой модели OpenAI ASTRA и новый Grok 4.7.
Конкуренция растет, токены дешевеют. Кажется выиграет сейчас тот, будет быстрее внедрять нужную модель на нужном шаге.
Ну и как анонс: сел писать, что я делал в своей системе агентов два месяца. Спойлер: ничего до двух последних дней.
Смотрите:
— 1 сентября Anthropic выпускает Claude Fable 5.1
— 2 сентября Google свою очередную Gemini 3.8 Flash, кстати, очень дешевую.
— 3 сентября вышла Muse Spark 1.3.
Ждем буквально на днях ещё релиз новой модели OpenAI ASTRA и новый Grok 4.7.
Конкуренция растет, токены дешевеют. Кажется выиграет сейчас тот, будет быстрее внедрять нужную модель на нужном шаге.
Ну и как анонс: сел писать, что я делал в своей системе агентов два месяца. Спойлер: ничего до двух последних дней.
👍3🤯1
Forwarded from VK Cloud
🚀К 2030 году российский рынок софта для ИИ вырастет почти в 4 раза
Apple Hills Digital исследовали рынок AI/ML/GenAI за 2022–2025 годы и подготовили прогноз до 2030 года. Посмотрели на динамику разных сегментов, переход бизнеса от экспериментов к измеримому ROI, роль облачных решений и основные ограничения для дальнейшего роста.
Главные выводы собрали в карточках, а полное исследование можно найти здесь 👀
📬 Мы в МАХ
Apple Hills Digital исследовали рынок AI/ML/GenAI за 2022–2025 годы и подготовили прогноз до 2030 года. Посмотрели на динамику разных сегментов, переход бизнеса от экспериментов к измеримому ROI, роль облачных решений и основные ограничения для дальнейшего роста.
Главные выводы собрали в карточках, а полное исследование можно найти здесь 👀
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Вышел DeepSeek V4.1-Flash. Что там по применимости для контента?
Если лень всё читать, то вот сразу вывод: модели дешевеют быстрее, чем умнеют. Читать миллион токенов теперь почти ничего не стоит, а фактология осталась на прежнем уровне. Значит, на первый план выходит не выбор модели, а то, что мы кладём ей в контекст. Кто собирает хороший контекст, тот получает хороший текст. Кто надеется на модель, получит уверенную ошибку, просто дешевле. Контент-инженерия всё больше превращается в инженерию контекста.
Теперь подробности. В отчёте DeepSeek на 51 страницу нет ни одного теста на качество текста и ни слова о русском языке. Модель делали под агентов и код. Но часть выводов прямо переносится на контент-пайплайны.
1. Редстандарты в начало промпта
Главное в релизе — дешёвый контекст. Префилл стал почти вдвое дешевле, KV-кэш — вчетверо компактнее. Кэш префикса DeepSeek хранит не меньше 72 часов. В контент-пайплайне постоянная часть промпта большая: редстандарт, tone of voice, эталоны, описание продукта. Её выгодно ставить первой и не менять между запусками. Всё переменное: задание, исходник, дату — в конец. Если поставить дату в первую строку системного промпта, кэш будет сбрасываться каждый день.
2. Факты давать, а не спрашивать
Слабое место модели — фактология. На SimpleQA-Verified базовая модель набирает 42,3, а V4-Pro — 55,2. Длинные рассуждения не спасают: при переходе с уровня 25 на 100 результат меняется на пару пунктов. Если модель чего-то не знает, додумать это она не сможет.
Для контента вывод простой: имена, даты, цифры и названия продуктов берутся только из источников в контексте. Особенно это касается тех, кто работает на deepseek-v4-pro: с 14 сентября такие запросы молча уйдут на V4.1-Flash.
3. Миллион токенов не значит понимание миллиона токенов
На LongBench-V2 у модели 45,2, у V4-Pro — 51,5. Когда адаптируете длинный отчёт, отдавайте нужные разделы, а не весь PDF целиком.
4. Картинки на вход рабочий инструмент
Модель нативно мультимодальная, на DocVQA у неё 95,6. Слайды спикера, скриншоты интерфейса и таблицы из PDF можно отдавать как есть и просить черновик. При этом картинка сжимается примерно до 1344×1344, так что длинные скриншоты и плотную инфографику лучше резать на части. И цифры, снятые с графиков, стоит проверять: на Chartography у модели 78,9, у Opus 5 — 84.
5. Max не по умолчанию
В API три уровня: low, high и max, внутри это 50, 75 и 100. Переход с 25 на 100 даёт плюс 8–9 пунктов на тестах и примерно в 2,5 раза больше токенов. Большая часть прироста набирается уже к 60–80. Эти данные только по математике и коду, по текстам замеров нет. Моя гипотеза: для рерайта, адаптаций и анонсов хватит low, для аналитики стоит брать high.
Забрать DeepSeek V4.1-Flash, опубликовано под лицензией MIT
#ai
Если лень всё читать, то вот сразу вывод: модели дешевеют быстрее, чем умнеют. Читать миллион токенов теперь почти ничего не стоит, а фактология осталась на прежнем уровне. Значит, на первый план выходит не выбор модели, а то, что мы кладём ей в контекст. Кто собирает хороший контекст, тот получает хороший текст. Кто надеется на модель, получит уверенную ошибку, просто дешевле. Контент-инженерия всё больше превращается в инженерию контекста.
Теперь подробности. В отчёте DeepSeek на 51 страницу нет ни одного теста на качество текста и ни слова о русском языке. Модель делали под агентов и код. Но часть выводов прямо переносится на контент-пайплайны.
1. Редстандарты в начало промпта
Главное в релизе — дешёвый контекст. Префилл стал почти вдвое дешевле, KV-кэш — вчетверо компактнее. Кэш префикса DeepSeek хранит не меньше 72 часов. В контент-пайплайне постоянная часть промпта большая: редстандарт, tone of voice, эталоны, описание продукта. Её выгодно ставить первой и не менять между запусками. Всё переменное: задание, исходник, дату — в конец. Если поставить дату в первую строку системного промпта, кэш будет сбрасываться каждый день.
2. Факты давать, а не спрашивать
Слабое место модели — фактология. На SimpleQA-Verified базовая модель набирает 42,3, а V4-Pro — 55,2. Длинные рассуждения не спасают: при переходе с уровня 25 на 100 результат меняется на пару пунктов. Если модель чего-то не знает, додумать это она не сможет.
Для контента вывод простой: имена, даты, цифры и названия продуктов берутся только из источников в контексте. Особенно это касается тех, кто работает на deepseek-v4-pro: с 14 сентября такие запросы молча уйдут на V4.1-Flash.
3. Миллион токенов не значит понимание миллиона токенов
На LongBench-V2 у модели 45,2, у V4-Pro — 51,5. Когда адаптируете длинный отчёт, отдавайте нужные разделы, а не весь PDF целиком.
4. Картинки на вход рабочий инструмент
Модель нативно мультимодальная, на DocVQA у неё 95,6. Слайды спикера, скриншоты интерфейса и таблицы из PDF можно отдавать как есть и просить черновик. При этом картинка сжимается примерно до 1344×1344, так что длинные скриншоты и плотную инфографику лучше резать на части. И цифры, снятые с графиков, стоит проверять: на Chartography у модели 78,9, у Opus 5 — 84.
5. Max не по умолчанию
В API три уровня: low, high и max, внутри это 50, 75 и 100. Переход с 25 на 100 даёт плюс 8–9 пунктов на тестах и примерно в 2,5 раза больше токенов. Большая часть прироста набирается уже к 60–80. Эти данные только по математике и коду, по текстам замеров нет. Моя гипотеза: для рерайта, адаптаций и анонсов хватит low, для аналитики стоит брать high.
Забрать DeepSeek V4.1-Flash, опубликовано под лицензией MIT
#ai
🔥2
Обещанная история про косяки и разработку агентов, написанная во время перелёта в Москву
То, о чём я сейчас буду рассказывать, наверняка очень хорошо известно любому разработчику. И даже может вызвать у них улыбку. Итак, первую половину года я постоянно писал агенты для контента. Проектировал, вайбкодил, дописывал руками, что не нравилось, снова вайбкодил. Постоянно хотелось что-то улучшить, ускорить, оптимизировать, а затем опять усложнить. На каком то этапе там появился пайтон, экшены в гитхабе, синхронизация с другими репозиториями. И в какой-то момент для меня самого стало казаться, что этот процесс бесконечный.
Почему я вспомнил разработку в начале. Довольно часто знакомые программисты рассказывали, что долго не решались показать какой-то новый продукт, потому что опасались критики и провала. Процесс доработки становился бесконечным, а пока они стремились к идеалу, конкуренты выпускали сырую версию и уже начинали на ней зарабатывать.
Я свой mvp, конечно, раскатал на коллег практически в первые месяцы, но ситуация похожая. От той первой версии, которую забрали коллеги, до следующей анонсированной прошло три-четыре месяца. По своей внутренней нумерации я скакнул от v.1 до 4.55. Это приблизительно, в самолёте не посмотришь ченжлог, да и смысла в этом нет. То есть после первой раскатки я просто ушёл в лютые доработки и не смотрел по сторонам.
К чему это привело лично для меня:
Сложность и монструозность системы. Для всех кроме меня
Я то знаю, почему и зачем все эти проверки и экшены. И даже документацию написал, но кто её читает. Система, которую нельзя объяснить за десять минут, принадлежит одному человеку, даже если лежит в общем репозитории.
Я оптимизировал то, что видел сам
Да, видел много, но только по своим направлениям. Четыре месяца я честно доводил систему до идеала на выборке, которую сам же и составил. В ML для этого есть точное определение: переучился на тестовом наборе. Загуглите сами, что это.
Коллеги остались с v.1
Вот, кстати, это больнее всего. Пока я разгонялся, у них работала первая версия и они к ней приспособились. Придумали обходные пути, завели свои агенты и скиллы, привыкли к её странностям. Моя новая версия для них стала не улучшение, а ломкой того, что уже как-то жило. Чем дольше пауза, тем дороже обходится каждое обновление.
Точка остановки не наступила сама.
Я почему-то ждал, что в какой-то момент станет «готово» и я сам это почувствую. Не чувствуется. Список идей не заканчивается никогда, каждая следующая выглядит как последняя недостающая. Остановиться можно только решением, а не ощущением.
Следующие пару месяцев я не трогал ничего. Просто работал с системой как обычный пользователь, слушал коллег и смотрел по сторонам.
Первое, что выяснилось: половина того, что я написал, используется только мной. Не потому что плохо сделано, потому что не нужно. Я решал задачи, которые люди предпочитают решать другими способами. А то, что реально болит, казалось мне скучным, и я это четыре месяца обходил стороной. Теперь нагоняю.
Второе: пока не трогаешь, наконец видишь, что ломается. Когда каждую неделю выкатываешь новую версию, любой сбой списывается на свежие правки. Когда система стоит неподвижно, становится ясно, что она разваливается стабильно и в одном и том же месте.
Третье, и самое неприятное. За эти два месяца вышло столько всего нового, что какие-то мои проверки и промпты просто перестали иметь смысл. Я месяцами обходил ограничения, которое теперь снято на уровне инструмента. Смотреть по сторонам тоже работа, и я её не делал, потому что был занят.
Так что пауза оказалась не простоем. Она оказалась единственным способом узнать, что строить дальше. Разработка ослепляет: пока пишешь, видишь только следующий шаг.
Теперь стараюсь держать ритм: месяц строю, месяц живу с тем, что построил. Второй месяц даёт больше, чем первый, хотя это до сих пор кажется мне контринтуитивным.
#ai_agents
То, о чём я сейчас буду рассказывать, наверняка очень хорошо известно любому разработчику. И даже может вызвать у них улыбку. Итак, первую половину года я постоянно писал агенты для контента. Проектировал, вайбкодил, дописывал руками, что не нравилось, снова вайбкодил. Постоянно хотелось что-то улучшить, ускорить, оптимизировать, а затем опять усложнить. На каком то этапе там появился пайтон, экшены в гитхабе, синхронизация с другими репозиториями. И в какой-то момент для меня самого стало казаться, что этот процесс бесконечный.
Почему я вспомнил разработку в начале. Довольно часто знакомые программисты рассказывали, что долго не решались показать какой-то новый продукт, потому что опасались критики и провала. Процесс доработки становился бесконечным, а пока они стремились к идеалу, конкуренты выпускали сырую версию и уже начинали на ней зарабатывать.
Я свой mvp, конечно, раскатал на коллег практически в первые месяцы, но ситуация похожая. От той первой версии, которую забрали коллеги, до следующей анонсированной прошло три-четыре месяца. По своей внутренней нумерации я скакнул от v.1 до 4.55. Это приблизительно, в самолёте не посмотришь ченжлог, да и смысла в этом нет. То есть после первой раскатки я просто ушёл в лютые доработки и не смотрел по сторонам.
К чему это привело лично для меня:
Сложность и монструозность системы. Для всех кроме меня
Я то знаю, почему и зачем все эти проверки и экшены. И даже документацию написал, но кто её читает. Система, которую нельзя объяснить за десять минут, принадлежит одному человеку, даже если лежит в общем репозитории.
Я оптимизировал то, что видел сам
Да, видел много, но только по своим направлениям. Четыре месяца я честно доводил систему до идеала на выборке, которую сам же и составил. В ML для этого есть точное определение: переучился на тестовом наборе. Загуглите сами, что это.
Коллеги остались с v.1
Вот, кстати, это больнее всего. Пока я разгонялся, у них работала первая версия и они к ней приспособились. Придумали обходные пути, завели свои агенты и скиллы, привыкли к её странностям. Моя новая версия для них стала не улучшение, а ломкой того, что уже как-то жило. Чем дольше пауза, тем дороже обходится каждое обновление.
Точка остановки не наступила сама.
Я почему-то ждал, что в какой-то момент станет «готово» и я сам это почувствую. Не чувствуется. Список идей не заканчивается никогда, каждая следующая выглядит как последняя недостающая. Остановиться можно только решением, а не ощущением.
Следующие пару месяцев я не трогал ничего. Просто работал с системой как обычный пользователь, слушал коллег и смотрел по сторонам.
Первое, что выяснилось: половина того, что я написал, используется только мной. Не потому что плохо сделано, потому что не нужно. Я решал задачи, которые люди предпочитают решать другими способами. А то, что реально болит, казалось мне скучным, и я это четыре месяца обходил стороной. Теперь нагоняю.
Второе: пока не трогаешь, наконец видишь, что ломается. Когда каждую неделю выкатываешь новую версию, любой сбой списывается на свежие правки. Когда система стоит неподвижно, становится ясно, что она разваливается стабильно и в одном и том же месте.
Третье, и самое неприятное. За эти два месяца вышло столько всего нового, что какие-то мои проверки и промпты просто перестали иметь смысл. Я месяцами обходил ограничения, которое теперь снято на уровне инструмента. Смотреть по сторонам тоже работа, и я её не делал, потому что был занят.
Так что пауза оказалась не простоем. Она оказалась единственным способом узнать, что строить дальше. Разработка ослепляет: пока пишешь, видишь только следующий шаг.
Теперь стараюсь держать ритм: месяц строю, месяц живу с тем, что построил. Второй месяц даёт больше, чем первый, хотя это до сих пор кажется мне контринтуитивным.
#ai_agents
🔥2🤯2👍1
Инженер Контекста
Как и обещал, а вы голосовали, скилл aeo-trust-blocks для аудита и переработки текста под AI-выдачу. Проверяет, насколько безопасно ИИ-поисковикам (ChatGPT, Perplexity, Google AI Overviews, Яндекс Нейро) цитировать ваш контент, и переписывает слабые места…
Обещал на 1000 подписчиков, но получилось раньше. Отдельный скилл clean-ai-patterns для проверки текстов на ИИ-паттерны. Показывает конкретные места и предлагает конкретные правки.
🔥1
Не давай модели подбирать слова. Заметка для редакторов про метод Птачека
Томас Птачек, человек из мира безопасности, написал заметку о том, как он пишет тексты с ИИ. Метод сводится к двум запретам и одному разрешению.
Правило первое: ни одного слова, предложенного моделью
Обоснование у него любопытное. Модели сверхъестественно хороши в подборе приятных оборотов — это, собственно, их главный навык. Проблема тонкая: модель как будто застряла в режиме, где всё, что она пишет, — заголовок для журнала. Заголовки хороши, но человек, написавший статью из нескольких десятков заголовков, вызывает вопросы.
И дальше он предлагает относиться к правилу как к средству индивидуальной защиты: любой конкретный оборот, предложенный моделью, — вне игры, даже если он вам нравится и даже если вы уверены, что он лучше вашего. Логика в том, что вы не сможете надёжно отлавливать все способы, которыми модель превращает текст в нейрослоп. Поэтому запрет тотальный, без исключений на «ну вот тут же правда удачно».
Правило второе: никакой похвалы
Это он называет более тонкой проблемой — влиянием, а не подстановкой слов. Отдаёте черновик, модель отвечает, что это золото. А в первом черновике большинство абзацев плохи, логика скачет и есть лишних слов семьсот пятьдесят.
Модель одобряет структуру, потом абзацы и переходы, потом выбор слов, метафоры, отсылки. В результате вы укрепляетесь во всех импульсах первого черновика, хотя обычно поступили бы иначе: переписали бы, передумали, заменили абзацы. Именно эти передумывания — основа для вашего голоса. Читатель не поймёт, что не так, но почувствует искусственный привкус.
Обходной приём у него был такой: пару лет он открывал каждый промпт враньём. Помогает, но модель обычно начинает подгонять свои выводы под «цели». Так что нынешний совет проще: запретить похвалу прямым текстом и оставаться начеку.
Что модели разрешено
Тут всё про усталость. Ошибки можно ловить и вручную, но это утомительная работа, а модель не устаёт. Отсюда список: перебор со страдательным залогом, отглагольные существительные вместо действия, повторяющиеся обороты; «очень», «к сожалению», «на самом деле», рассыпанные по черновику, как опилки по верстаку. И отдельно — два-три абзаца, которые надо просто переставить в другое место, отчего ясность мгновенно улучшается.
Цикл: попросить модель найти проблемы, самому переписать проблемные куски, потом дать оба варианта на сравнение. И здесь важная деталь, которую легко упустить: сравнивать надо давать другой модели, без контекста вашей правки. Иначе она знает, что вы только что переписали, и знает, какой ответ вы хотите услышать.
Себе он сделал под это инструмент — редактор с подсветкой и комментариями на полях, где по тексту прогоняются заготовленные промпты-проходы. Но в заметке есть оговорка, которая мне нравится больше самого инструмента: что бы вы ни собрали сами, оно будет лучше моего, потому что собранное самостоятельно всегда лучше подходит своему автору.
Он скормил эту заметку GPT-5 со словами «я не автор», и модель сказала, что текст на 20% длиннее нужного. Птачек пишет: вероятно, она права. Но править он не будет.
Что я об этом думаю
Конечно, я не могу все тексты писать сам. Не для этого я целую фабрику контента написал. Но для редакторов экспертных материалов на Хабр эти приёмы очень пригодятся. Особенно проверки разными моделями.
Однако, я заложил эту логику в фабрику. Например, чистый контекст — это как раз проверка моделью без истории создания и правок текста.
Оригинал тут: sockpuppet.org/blog/2026/09/17/how-to-write-with-an-llm/
#ai #контентменеджерское
Томас Птачек, человек из мира безопасности, написал заметку о том, как он пишет тексты с ИИ. Метод сводится к двум запретам и одному разрешению.
Правило первое: ни одного слова, предложенного моделью
Обоснование у него любопытное. Модели сверхъестественно хороши в подборе приятных оборотов — это, собственно, их главный навык. Проблема тонкая: модель как будто застряла в режиме, где всё, что она пишет, — заголовок для журнала. Заголовки хороши, но человек, написавший статью из нескольких десятков заголовков, вызывает вопросы.
И дальше он предлагает относиться к правилу как к средству индивидуальной защиты: любой конкретный оборот, предложенный моделью, — вне игры, даже если он вам нравится и даже если вы уверены, что он лучше вашего. Логика в том, что вы не сможете надёжно отлавливать все способы, которыми модель превращает текст в нейрослоп. Поэтому запрет тотальный, без исключений на «ну вот тут же правда удачно».
Правило второе: никакой похвалы
Это он называет более тонкой проблемой — влиянием, а не подстановкой слов. Отдаёте черновик, модель отвечает, что это золото. А в первом черновике большинство абзацев плохи, логика скачет и есть лишних слов семьсот пятьдесят.
Модель одобряет структуру, потом абзацы и переходы, потом выбор слов, метафоры, отсылки. В результате вы укрепляетесь во всех импульсах первого черновика, хотя обычно поступили бы иначе: переписали бы, передумали, заменили абзацы. Именно эти передумывания — основа для вашего голоса. Читатель не поймёт, что не так, но почувствует искусственный привкус.
Обходной приём у него был такой: пару лет он открывал каждый промпт враньём. Помогает, но модель обычно начинает подгонять свои выводы под «цели». Так что нынешний совет проще: запретить похвалу прямым текстом и оставаться начеку.
Что модели разрешено
Тут всё про усталость. Ошибки можно ловить и вручную, но это утомительная работа, а модель не устаёт. Отсюда список: перебор со страдательным залогом, отглагольные существительные вместо действия, повторяющиеся обороты; «очень», «к сожалению», «на самом деле», рассыпанные по черновику, как опилки по верстаку. И отдельно — два-три абзаца, которые надо просто переставить в другое место, отчего ясность мгновенно улучшается.
Цикл: попросить модель найти проблемы, самому переписать проблемные куски, потом дать оба варианта на сравнение. И здесь важная деталь, которую легко упустить: сравнивать надо давать другой модели, без контекста вашей правки. Иначе она знает, что вы только что переписали, и знает, какой ответ вы хотите услышать.
Себе он сделал под это инструмент — редактор с подсветкой и комментариями на полях, где по тексту прогоняются заготовленные промпты-проходы. Но в заметке есть оговорка, которая мне нравится больше самого инструмента: что бы вы ни собрали сами, оно будет лучше моего, потому что собранное самостоятельно всегда лучше подходит своему автору.
Он скормил эту заметку GPT-5 со словами «я не автор», и модель сказала, что текст на 20% длиннее нужного. Птачек пишет: вероятно, она права. Но править он не будет.
Что я об этом думаю
Конечно, я не могу все тексты писать сам. Не для этого я целую фабрику контента написал. Но для редакторов экспертных материалов на Хабр эти приёмы очень пригодятся. Особенно проверки разными моделями.
Однако, я заложил эту логику в фабрику. Например, чистый контекст — это как раз проверка моделью без истории создания и правок текста.
Оригинал тут: sockpuppet.org/blog/2026/09/17/how-to-write-with-an-llm/
#ai #контентменеджерское
👍4❤1
Сегодня хочется просто поддержать коллег из Yandex и Yandex Cloud. Тем, кто пытается восстановить инфраструктуру и тем, кто отвечает на сотни сообщений и поддерживает коммуникацию с клиентами, коллегами, конкурентами и СМИ. Держитесь. Вы в ответе за Тех.
У меня готовы материалы о том, как я строю свою работу с нейросетями. Такие живые хайлайты реальной работы контент-лида в 2026 году. Но давайте уже в понедельник.
У меня готовы материалы о том, как я строю свою работу с нейросетями. Такие живые хайлайты реальной работы контент-лида в 2026 году. Но давайте уже в понедельник.
❤5🔥1😁1😭1🗿1
Второй мозг контент-менеджера. Часть 1. Что стало с базой контента
Больше года назад я начал писать текст про базу контента в Obsidian. Он так и остался в черновиках, оборванный на фразе «прошло несколько месяцев, и я начинаю подводить итоги эксперимента». Итогов не было, потому что эксперимент не закончился. Он свернул туда, куда я не планировал.
С чего всё началось. Я разобрал свой рабочий день и увидел, что весь день пишу: минутки встреч, тексты задач, ответы в чатах, комментарии к чужим текстам. Написанное копится, но почти не переиспользуется. Через полгода найти старую заметку стоит столько же, сколько написать её заново. Я прошёл обычный путь: папки по проектам, потом по годам и месяцам, потом заметки в телефоне. Папки работают, пока ты редактор одного направления. Заметки хранят голый текст, который ни с чем не связан.
Тогда я написал, что в основе продуктивности контент-менеджера лежит база контента, и составил список, что она должна уметь: теги, Markdown с таблицами, шаблоны, папки, автоматизация, графы связей, визуализация. Семь пунктов. Я собирался выбрать под них инструмент — Obsidian — и рассказать, как всё устроил.
Инструмент я выбрал. Это оказался репозиторий на GitHub, и сейчас в нём лежит всё, что я делаю как контент-менеджер.
Пройдусь по старому списку, потому что он закрылся весь, только не так, как я ожидал.
Теги есть: у каждого файла в шапке домен, тип, продукт, география. Markdown с таблицами есть: кроме него, там вообще ничего нет. Шаблоны есть, но не заметок, а целых процессов: пресс-релиз, кейс, SEO-статья, дайджест, у каждого свои шаги и своя папка, куда он сохраняется. Папки есть, и они плоские: один уровень по типу материала, имя файла начинается с даты, никаких «черновиков» и «опубликованного». Автоматизация есть, и её больше, чем я мог себе представить год назад: конспект исследования сохраняется сам, ещё до того, как его кто-то прочитал. Графы есть: система показывает, какие статьи ни на кого не ссылаются и на кого стоило бы сослаться из новой. Визуализация тоже есть, хотя ей я пользуюсь реже всего.
Вот только главный читатель этой базы теперь не я.
Её читают ИИ-агенты. Перед тем как искать что-то в вебе, агент смотрит, есть ли по теме конспект в базе. Перед тем как написать цифру, сверяется с карточкой факта, у которой есть источник и срок годности. Перед тем как назвать продукт, открывает словарь канонических имён. Я год назад думал, что строю базу для себя, чтобы быстрее находить старое. А построил память для системы, которая без этой памяти врёт уверенно и красиво.
И тут список из семи пунктов оказался неполным. В нём не было трёх вещей, которые по-настоящему отличают базу контента от второго мозга. Память должна проверять то, что в неё кладут. Память должна стареть: цифра годовой давности должна сама проситься на перепроверку. И память должна учиться: ошибка, повторившаяся дважды, должна превращаться в правило, а не в ещё одну правку в тексте.
Про это и будет цикл. Не про то, как писать: на это есть Ильяхов и коллеги. Про то, как контент-менеджеру держать поток, когда часть потока теперь пишут не люди. Как и обещал год назад: только мой опыт, только мой идеальныйдушный мир, и каждый пост должен быть полезен сам по себе.
В следующем: четыре задачи моей недели и как выстраивается процесс работы.
P.S.: Сорри за второй мозг. Этим термином очень любят пользоваться инфоцыгане от ИИ, чем уже сильно бесят. Но на самом деле эта концепция очень даже рабочая, особенно если ты работает с огромным количеством информации.
#контентменеджерское #ai_agents #второймозгконтентменеджера
Больше года назад я начал писать текст про базу контента в Obsidian. Он так и остался в черновиках, оборванный на фразе «прошло несколько месяцев, и я начинаю подводить итоги эксперимента». Итогов не было, потому что эксперимент не закончился. Он свернул туда, куда я не планировал.
С чего всё началось. Я разобрал свой рабочий день и увидел, что весь день пишу: минутки встреч, тексты задач, ответы в чатах, комментарии к чужим текстам. Написанное копится, но почти не переиспользуется. Через полгода найти старую заметку стоит столько же, сколько написать её заново. Я прошёл обычный путь: папки по проектам, потом по годам и месяцам, потом заметки в телефоне. Папки работают, пока ты редактор одного направления. Заметки хранят голый текст, который ни с чем не связан.
Тогда я написал, что в основе продуктивности контент-менеджера лежит база контента, и составил список, что она должна уметь: теги, Markdown с таблицами, шаблоны, папки, автоматизация, графы связей, визуализация. Семь пунктов. Я собирался выбрать под них инструмент — Obsidian — и рассказать, как всё устроил.
Инструмент я выбрал. Это оказался репозиторий на GitHub, и сейчас в нём лежит всё, что я делаю как контент-менеджер.
Пройдусь по старому списку, потому что он закрылся весь, только не так, как я ожидал.
Теги есть: у каждого файла в шапке домен, тип, продукт, география. Markdown с таблицами есть: кроме него, там вообще ничего нет. Шаблоны есть, но не заметок, а целых процессов: пресс-релиз, кейс, SEO-статья, дайджест, у каждого свои шаги и своя папка, куда он сохраняется. Папки есть, и они плоские: один уровень по типу материала, имя файла начинается с даты, никаких «черновиков» и «опубликованного». Автоматизация есть, и её больше, чем я мог себе представить год назад: конспект исследования сохраняется сам, ещё до того, как его кто-то прочитал. Графы есть: система показывает, какие статьи ни на кого не ссылаются и на кого стоило бы сослаться из новой. Визуализация тоже есть, хотя ей я пользуюсь реже всего.
Вот только главный читатель этой базы теперь не я.
Её читают ИИ-агенты. Перед тем как искать что-то в вебе, агент смотрит, есть ли по теме конспект в базе. Перед тем как написать цифру, сверяется с карточкой факта, у которой есть источник и срок годности. Перед тем как назвать продукт, открывает словарь канонических имён. Я год назад думал, что строю базу для себя, чтобы быстрее находить старое. А построил память для системы, которая без этой памяти врёт уверенно и красиво.
И тут список из семи пунктов оказался неполным. В нём не было трёх вещей, которые по-настоящему отличают базу контента от второго мозга. Память должна проверять то, что в неё кладут. Память должна стареть: цифра годовой давности должна сама проситься на перепроверку. И память должна учиться: ошибка, повторившаяся дважды, должна превращаться в правило, а не в ещё одну правку в тексте.
Про это и будет цикл. Не про то, как писать: на это есть Ильяхов и коллеги. Про то, как контент-менеджеру держать поток, когда часть потока теперь пишут не люди. Как и обещал год назад: только мой опыт, только мой идеальный
В следующем: четыре задачи моей недели и как выстраивается процесс работы.
P.S.: Сорри за второй мозг. Этим термином очень любят пользоваться инфоцыгане от ИИ, чем уже сильно бесят. Но на самом деле эта концепция очень даже рабочая, особенно если ты работает с огромным количеством информации.
#контентменеджерское #ai_agents #второймозгконтентменеджера
🔥4
Второй мозг контент-менеджера. Часть 2. Четыре задачи из моей недели
Не откладываем в долгий ящик — продолжаем цикл. Год назад я описал свой день списком задач. По сути он не изменился, но у каждого дела появилась одна общая точка старта. Это сессия Claude Code, открытая внутри моего репозитория. Не потому, что я полюбил терминал. Это единственное место, где одновременно лежат память, правила и агенты: чат без репозитория забывает всё после закрытия вкладки, а репозиторий помнит, что я туда положил за полгода.
Покажу на четырёх реальных задачах, как я работаю с нейросетями. Можно сказать, что тут полностью реализован подход ai-first.
Пресс-релиз про технологический анонс. На входе: тема, бриф и имя спикера для цитаты. Я пишу в сессии «напиши пресс-релиз про ...». Начинается мастер: шаг за шагом, по одному вопросу. Тип релиза, продукт, потом выбор из трёх заголовков, трёх лидов, набора блоков. Я выбираю, как выбирал бы из вариантов коллеги. Дальше конвейер уходит в фон: ресёрчер собрал семь источников и сохранил конспект отдельным коммитом ещё до того, как его увидел автор. Фактчекер проверил четырнадцать утверждений: семь подтвердил, четыре уточнил, три не нашёл в публичных источниках, выдуманных не нашёл ни одного. Например, одна цифра вела на SEO-агрегатор, первоисточника не было — и в текст она не вошла. На выходе три версии релиза: общая, техническая и упрощённая техническая, и рядом отчёт, где написано, что проверено, а что осталось на согласование. Моя работа — согласовать то, что осталось.
Интервью для СМИ. На входе документ, в котором уже есть комментарии от разных сторон: заход от лица вендора, рыночный блок на подтверждение спикеру, никаких оценок про чужие платформы, у заказчика стилевой контракт без длинных тире и конструкций «не X, а Y». Раньше это был вечер правок руками и три переписки. Теперь я даю ссылку на документ, он импортируется в библиотеку как Markdown, а дальше говорю: «переработай по комментариям, образец канвы — вот это интервью из базы». Система берёт старое интервью как референс структуры, проходит комментарии, прогоняет финальную траст-редактуру. Идём согласовывать.
SEO-статья для блога. На входе документ с ТЗ: тема, ключи, структура. Я говорю: «напиши статью по этому ТЗ, работай автономно». Система сначала проверяет базу: у меня уже есть конспекты по теме, их она дополняет, а не собирает заново. Потом ресёрч, автор, фактчекер. И вот тут самое интересное: фактчекер снял из текста цифру, которая пришла из нашей же продуктовой фактуры, но публичного первоисточника у неё нет, а та публичная, что нашлась, относится к другому направлению. Заодно он заметил, что условия скидки в фактуре и на сайте расходятся. В статью ни то ни другое не вошло, но в отчёте появилась строка для продуктовой команды: сверить фактуру с сайтом. Траст-редактор внёс 26 правок и статья сохранена со статусом «на ревью». Идём согласовывать.
Обновление лендинга по SEO-ТЗ. На входе документ с тремя вкладками (анализ, структура, SEO) и текущая страница. Я говорю: «обнови лендинг баз данных по этому ТЗ». Режим обновления отличается от создания: структура страницы жёстко сохраняется, число блоков и предложений плюс-минус одно, на выходе таблица «было — стало» по каждому блоку. Редактор оценил черновик на 8 из 10, повторный круг не потребовался. Цифры в новых блоках траст-редактор пометил на перепроверку, фактчекер прошёл по ним точечно. В CMS я несу таблицу, а не текст: так тот, кто вносит правки на сайте, видит, что именно изменилось.
Что общего у этих четырёх задач. Я ни разу не писал текст с нуля и ни разу не искал факты сам. Моя работа сдвинулась в две точки: решения на входе (какой заголовок, какой угол, что считать источником) и приёмка на выходе (что взять на согласование и что из открытых вопросов нести людям на проверку). Всё между ними делает система, и всё между ними остаётся в репозитории: конспект, черновик, отчёт с трассой проверок. Поэтому следующая такая задача начнётся не с чистого листа, а с того, что уже найдено.
В следующем посте: про то, как у меня всё хранится и три вида памяти.
#контентменеджерское #ai_agents #второймозгконтентменеджера
Не откладываем в долгий ящик — продолжаем цикл. Год назад я описал свой день списком задач. По сути он не изменился, но у каждого дела появилась одна общая точка старта. Это сессия Claude Code, открытая внутри моего репозитория. Не потому, что я полюбил терминал. Это единственное место, где одновременно лежат память, правила и агенты: чат без репозитория забывает всё после закрытия вкладки, а репозиторий помнит, что я туда положил за полгода.
Покажу на четырёх реальных задачах, как я работаю с нейросетями. Можно сказать, что тут полностью реализован подход ai-first.
Пресс-релиз про технологический анонс. На входе: тема, бриф и имя спикера для цитаты. Я пишу в сессии «напиши пресс-релиз про ...». Начинается мастер: шаг за шагом, по одному вопросу. Тип релиза, продукт, потом выбор из трёх заголовков, трёх лидов, набора блоков. Я выбираю, как выбирал бы из вариантов коллеги. Дальше конвейер уходит в фон: ресёрчер собрал семь источников и сохранил конспект отдельным коммитом ещё до того, как его увидел автор. Фактчекер проверил четырнадцать утверждений: семь подтвердил, четыре уточнил, три не нашёл в публичных источниках, выдуманных не нашёл ни одного. Например, одна цифра вела на SEO-агрегатор, первоисточника не было — и в текст она не вошла. На выходе три версии релиза: общая, техническая и упрощённая техническая, и рядом отчёт, где написано, что проверено, а что осталось на согласование. Моя работа — согласовать то, что осталось.
Интервью для СМИ. На входе документ, в котором уже есть комментарии от разных сторон: заход от лица вендора, рыночный блок на подтверждение спикеру, никаких оценок про чужие платформы, у заказчика стилевой контракт без длинных тире и конструкций «не X, а Y». Раньше это был вечер правок руками и три переписки. Теперь я даю ссылку на документ, он импортируется в библиотеку как Markdown, а дальше говорю: «переработай по комментариям, образец канвы — вот это интервью из базы». Система берёт старое интервью как референс структуры, проходит комментарии, прогоняет финальную траст-редактуру. Идём согласовывать.
SEO-статья для блога. На входе документ с ТЗ: тема, ключи, структура. Я говорю: «напиши статью по этому ТЗ, работай автономно». Система сначала проверяет базу: у меня уже есть конспекты по теме, их она дополняет, а не собирает заново. Потом ресёрч, автор, фактчекер. И вот тут самое интересное: фактчекер снял из текста цифру, которая пришла из нашей же продуктовой фактуры, но публичного первоисточника у неё нет, а та публичная, что нашлась, относится к другому направлению. Заодно он заметил, что условия скидки в фактуре и на сайте расходятся. В статью ни то ни другое не вошло, но в отчёте появилась строка для продуктовой команды: сверить фактуру с сайтом. Траст-редактор внёс 26 правок и статья сохранена со статусом «на ревью». Идём согласовывать.
Обновление лендинга по SEO-ТЗ. На входе документ с тремя вкладками (анализ, структура, SEO) и текущая страница. Я говорю: «обнови лендинг баз данных по этому ТЗ». Режим обновления отличается от создания: структура страницы жёстко сохраняется, число блоков и предложений плюс-минус одно, на выходе таблица «было — стало» по каждому блоку. Редактор оценил черновик на 8 из 10, повторный круг не потребовался. Цифры в новых блоках траст-редактор пометил на перепроверку, фактчекер прошёл по ним точечно. В CMS я несу таблицу, а не текст: так тот, кто вносит правки на сайте, видит, что именно изменилось.
Что общего у этих четырёх задач. Я ни разу не писал текст с нуля и ни разу не искал факты сам. Моя работа сдвинулась в две точки: решения на входе (какой заголовок, какой угол, что считать источником) и приёмка на выходе (что взять на согласование и что из открытых вопросов нести людям на проверку). Всё между ними делает система, и всё между ними остаётся в репозитории: конспект, черновик, отчёт с трассой проверок. Поэтому следующая такая задача начнётся не с чистого листа, а с того, что уже найдено.
В следующем посте: про то, как у меня всё хранится и три вида памяти.
#контентменеджерское #ai_agents #второймозгконтентменеджера
🔥1