Вчера разобрали как настроить ИИ-чат под себя.
Сегодня то же самое, но для кодинга.
И тут всё интереснее.

Когда работаешь с ИИ в терминале через Claude Code или Codex, системный промт привязан не к тебе, а к проекту. Лежит прямо в репозитории, рядом с кодом. Каждый раз когда агент запускается, он читает этот файл и понимает где он, какой стек, какие правила.

Важный принцип - для агента существует только то, что лежит в репозитории. Всё что в Slack, Google Docs или у вас в голове, он не видит.

CLAUDE.md - инструкция для Claude Code

Файл кладёшь в корень проекта, Claude Code читает его при каждом запуске. По сути это контекст, который ты бы объяснял голосом новому разработчику.

Что туда попадает - стек, структура проекта, правила кодинга, запреты, команды для запуска и тестов. Например:

# CLAUDE.md
## Стек: Python 3.11, aiogram 3.x, PostgreSQL 16
## Структура: handlers/ → роутеры, models/ → ORM
## Правила:
- async everywhere, типизация обязательна
- перед коммитом: ruff check + pytest
## Не делать:
- не менять БД без миграции Alembic
- не хардкодить конфиги, всё через .env

Без этого файла агент каждый раз начинает с нуля - угадывает структуру, предлагает решения мимо архитектуры. С файлом он сразу в контексте.

agent.md - то же самое для Codex

У OpenAI Codex аналогичный механизм, файл называется agent.md (или AGENTS.md). Логика та же - кладёшь в корень, описываешь проект и правила. Можно держать оба файла в одном репо, если работаешь и с Claude Code, и с Codex.

Документация отдельно, путь в конфиге

Один гигантский файл на весь проект плохо работает - контекст вытесняет задачу. OpenAI пришли к тому же выводу. Их рецепт - короткая «карта» на ~100 строк плюс docs/ директория с небольшими файлами.

Хорошая практика - вести документацию отдельно и прописывать в CLAUDE.md путь к ней:

## Документация:
- docs/architecture.md - компоненты
- docs/api.md - описание API
- docs/decisions.md - решения и почему

Агент сам прочитает нужный файл когда понадобится.

Зачем это всё?

OpenAI опубликовали статью о том, как команда из 3 инженеров за 5 месяцев написала продукт на миллион строк - целиком через агентов. Ключевой вывод - инженер больше не пишет код, а строит среду в которой агент работает эффективно. CLAUDE.md, agent.md, документация - это и есть та среда.

И необязательно писать руками - Claude Code сгенерирует CLAUDE.md сам по команде /init. Просканирует проект и создаст файл за вас. У Codex аналогично.

Потратьте 15 минут на /init и допилите под себя. Это сэкономит часы.

Пост и так получился длинным, так что про скиллы для кодинга расскажу отдельно - там есть что показать.

Статья OpenAI: https://openai.com/index/harness-engineering/

#ИИнапрактике

Сегодня последний день, чтобы вступить в Нейроцех. Следующее окно продаж откроется минимум через месяц.

Поэтому кратенько напомним, что получают резиденты «Нейроцеха».

📄 Гайды по внедрению ИИ в свои рабочие процессы. 100+ подробных, детальных и самое главное реальных инструкций, лично протестированные нами.

📸 Лекторий с 80 вебинарами практиков. Постоянно приглашаем выступить экспертов с кейсами применения нейросетей. Они рассказывают, что конкретно они делают ИИ-шками и как это реализовали. К каждому вебинару мы делаем текстовый гайд, так что вы во всем разберетесь даже без просмотра.

🥽 Мини-курсы. Каждый из них посвящён конкретному направлению нейросетей — чтобы погрузиться в тему с полного нуля. Мы уже выпустили курсы по n8n, работе с LLM-моделями и обучение для начинающих. Сейчас готовим ещё один миникурс, который выйдет этой осенью.

🧗‍♀️Сообщество ИИ-энтузиастов, в котором вы будете окружены идеями, что же еще такого делегировать нейросетям.

💪 Кейсы резидентов. Здесь наши резиденты публично хвастаются результатами. Страница открыта для всех, можете почитать;)

Кому будет полезно. Да всем. Это сообщество про использование нейронок в работе в целом, мы стараемся не перегибать с контентом в сторону какой-то определенной темы.

В «Нейроцехе» не понравится тем, кто не верит в возможность использования нейросетей в работе; думает, что это просто бесполезная игрушка. А еще тем, кто не сможет хотя бы пару часов в неделю выделять на внедрение нейросеток в свою работу.

Если еще не решились, можете изучить полный список гайдов и вебинаров на сайте «Нейроцеха»:

→ Посмотреть список гайдов
→ Посмотреть список вебинаров
→ Посмотреть мини-курсы
→ Почтитать бесплатные кейсы
→ Посмотреть бесплатные статьи в блоге

Начинайте новый год правильно, вступайте в Нейроцех → @neurozeh_bot.

SEO-машина

Последние пару месяцев я создаю сервис для помощи студентам в учебе — https://zachet.tech/
Идея простая — обертка вокруг пачки нейронок, которая генерит разные текстовые работы, презентации и решает сложные задачи.

До текущего момента я никогда не занимался продвижением диджитал сервисов и маркетингом в целом. Сейчас познаю этот дивный новый мир через призму нейронок.

Всем привет, на связи Иван Марцинкевич, менеджер проектов и продуктов, сейчас работаю Head of PMO в компании Микран, «ИКС холдинг»

Первым делом я натравил OpenClaw агента проанализировать сайты пятерых конкурентов (ai-student.ru, studgen.ru, begemot.ai, wordybot.ai, deeplom.ru и kampus.ai). Выяснилось, что половина из них активно работают над SEO, о чем OpenClaw очень подробно расписал и предложил ряд задач по SEO-оптимизации. Так была выбрана стратегия продвижения через SEO.

Вот список вещей, которые мне предложил сделать OpenClaw:

1. Добавить мета-теги (title, description) на все страницы лендинга
2. Добавить Open Graph разметку для соцсетей
3. Добавить структурированные данные JSON-LD (организация, FAQ, хлебные крошки, инструкции)
4. Настроить хлебные крошки для навигации
5. Найти и поправить все битые ссылки на сайте (404 ошибки)
6. Ускорить загрузку сайта до 130-200ms — лучшее значение среди конкурентов
7. Оптимизировать все заголовки
8. КЛЮЧЕВОЕ: Создать каталог из нескольких тысяч статических страниц по предметам и типам работ на все низкочастотные запросы в поисковиках, чтобы забирать весь этот трафик себе. Пример: Курсовая работа на тему "Внешняя политика Российской империи в XIX веке" — который будет выпадать в поиске, если пользователь будет искать такую работу.
9. Уникализировать контент всего набора этих страниц, чтобы они не выглядели как клоны (гугл это очень сильно не любит)
10. Перелинковать как можно больше страниц сайта между собой
11. Объединили все это дело в единый sitemap — индексный файл и отправить его в Google Search Console и Яндекс.Вебмастер + запросить индексацию в обеих системах

Получив эти рекомендации, я зарядил их пачкой в своего Claude и прошелся по своему фреймворку создания крупной фичи. Через пару часов разработки и отладки получилось примерно 25 тысяч статичных страниц, полностью оптимизированных, уникальных и готовых к поисковой выдаче. Прокинул все это в яндекс вебмастер и гугл серч консоль, теперь жду, когда все это проиндексируется.

Гугл и Яндекс все это очень сильно любят и радостно подхватили мой лендинг в работу — на сайт УЖЕ пошли первые пользователи.

На минуточку, я НИКОГДА не занимался SEO ранее. Кому-то может показаться, что все это стандартные задачи по продвижению сайта, но для меня это магия, ставшая реальностью.

Самое приятное, что в любой момент времени Claude вел меня по процессу поясняя все не понятные моменты и рассказывал, что происходит и зачем.

В очень интересное время живем.

#кейсы

@neurozeh

POV: ваша нейронка пытается работать за вас, налаживать отношения, анализировать результаты медицинских анализов и готовить ужин.

Вам зашли прошлые статьи-сравнения разных нейронок, поэтому я написал еще одну и сравнил китайские ИИшки.

Спойлерить не буду, можете сами заценить — читать статью

@neurozeh

Что такое RAG и как его готовить

Бывает нужно сделать умный поиск по базе знаний, когда текстов много, они разрозненные и простого поиска уже недостаточно. Для этого есть технология RAG, о которой мы сегодня и поговорим.

🧑‍💻Меня зовут Сергей Мелодин — программист, управленец и автор блога Юный менеджер. Расскажу вам свой кейс использования RAG.

❓Что такое RAG и как он работает

Retrieval Augmented Generation — это не один инструмент, а общий термин для технологии. Благодаря RAG нейросеть ищет информацию по текстам из документов пользователя. Работает это в достаточно простой последовательности:
1️⃣ Берём текстовые файлы, по которым хотим организовать поиск информации.
2️⃣ "Загружаем" файлы в нейросеть. Под капотом документы преобразуются так, чтобы по ним можно было делать семантический поиск.
3️⃣ Делаем интерфейс для использования или используем готовый, например, NotebookLM.
4️⃣ Пишем вопрос системе, которая ищет релевантные фрагменты документов и передаёт их нейросети.
5️⃣ Получаем ответ, на основе данных, которые наиболее близко оказались к нашему вопросу.

Но важно помнить, что нейросеть — это просто набор алгоритмов с весьма ограниченной памятью, без реального понимания текстов. Из-за этого появляются такие проблемы:
❗️ Если на вопрос нет прямого ответа в тексте, то нейросеть найдёт только похожие тексты и сделает ответ на основе того как сама "поняла" их.
❗️ RAG передаёт нейросети только несколько наиболее релевантных фрагментов (например, 5–10). Если правильный ответ оказался за пределами этого списка, модель его просто не увидит.
❗️ Просто загрузить PDF и начать с ним работать — можно, но не стоит. Чтобы поиск был быстрым, ответы точными, а интерпретация корректной, нужна разметка данных — выделить ключевые слова, явно указать связи между частями текста, превратить это всё в какой-нибудь JSONL-формат.

💼 НейроПДД как кейс для RAG

Мне давно казалось хорошей идеей загрузить в нейросеть правила дорожного движения и уточнять там ответы на свои вопросы. Нейросеть хорошо подходит для такой задачи потому что ПДД написаны для юристов, а не обычных людей. А ещё в них много противоречий и неучтённых деталей. Так как ПДД — документ юридический, в этом есть и плюс. Данные уже размечены по пунктам и сформулированы достаточно чётко.

Но на вопрос "можно ли развернуться через трамвайные пути?" я получал ответы про езду по встречным путям, но не про разворот. Так как в ПДД нет прямого ответа на вопрос, фрагмент "трамвайные пути" встретился раньше и в большем количестве мест в контексте езды по встречке.

Отсюда можно сделать важный вывод:

🧠 учитывайте стоимость ошибки

Если вы загрузили обычную книгу и общаетесь по поводу идей автора, то стоимость ошибки может быть невелика. Особенно, если скрестить информацию из RAG и обычной нейросети.

А вот с юридическими документами вам важна точность и предсказуемость. То есть, чтобы на один и тот же вопрос был один и тот же ответ, подкреплённый одними и теми же ссылками с цитатами без вольной трактовки.

🛠 Какие есть решения этих проблем

Как мы уже обсудили, для RAG данные нужно предварительно подготовить. А когда у вас данные размечены, загружены в базу и вы в них ориентируетесь, то вам и нейросети не нужны.

Вот как можно подойти к этой работе:
1️⃣ Нейросеть вытаскивает тексты из pdf, размечает их, подготавливает для RAG.
2️⃣ На RAG в несколько итераций отрабатывается поиск по размеченным данным, просто ради валидации.
3️⃣ Берётся любой нормальный инструмент с полнотекстовым поиском (Elasticsearch / PostgreSQL / Sphinx / etc) и данные загружаются в базу данных.
4️⃣ Реализуется обычный поиск по ключевым словам, алгоритмы подтягивают по разметке все связанные тексты.
5️⃣ Нейросеть помогает с раздачей весов релевантности поиска и объяснением другими словами те тексты, которые ей пришли из поиска.

Так мы сокращаем контекст, с которым нейросеть работает. То есть, тратим меньше денег на запросы к ней. При этом, получаем больше гарантий, что наш поиск не выдаст на один и тот же вопрос два противоположных ответа.

#кейсы

@neurozeh