Азамат Гулиев – Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов (страница 1)
Азамат Гулиев
Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов
Предисловие
Предисловие
Эта книга пишется в 2026 году – в момент, когда ИИ перестал быть экзотикой и стал частью рабочей среды. Языковые модели встроены в текстовые редакторы, почтовые клиенты, корпоративные системы и мессенджеры. Вопрос больше не «использовать ли ИИ», а «насколько осознанно».
Большинство людей застряли на уровне чат-бота: задали вопрос, получили ответ, закрыли вкладку. Между этим и полноценной системой работы – пропасть, которую не перепрыгнуть случайными экспериментами. Книга строит мост.
* * *
Что внутри
Книга устроена как маршрут, а не энциклопедия. Каждая глава – один навык. Каждый практикум – конкретная задача с измеримым результатом, который можно применить на следующий день.
Путь состоит из семи этапов: понять, как устроен ИИ и почему он ошибается; научиться формулировать запросы, которые дают нужный ответ с первого раза; подключить собственные документы и базы знаний; освоить прикладные сценарии – от текстов до анализа данных; построить автоматизации и агентов, которые работают без вас; выработать критическое мышление для работы с ненадёжным инструментом; сформировать личную стратегию на следующие полгода.
* * *
Про российский контекст
Большинство книг по ИИ написаны для западного читателя с западным набором инструментов. Эта – нет. Здесь также разобраны и отечественные модели; учтено законодательство о персональных данных; описаны инструменты, реально доступные в России в 2026 году.
Там, где зарубежные решения недоступны или нецелесообразны, предложены альтернативы. Там, где они работают – они описаны честно, без замалчивания.
* * *
Главная идея
Человек с выстроенной системой закрывает задачи, которые раньше требовали команды. Не потому что он умнее – а потому что он правильно делегирует. Этому и учит книга.
* * *
Как читать
Книга читается последовательно – каждая глава опирается на предыдущую. Если вы опытный пользователь, начните с диагностики в Главе 2: она покажет, с какого места имеет смысл стартовать.
Три трека для разной аудитории описаны в разделе «Как работать с учебником». Студентам рекомендован полный путь. Специалистам – акцент на Частях II–V. Руководителям – Части I, VI и VII плюс профессиональные кейсы.
Практикумы – не опциональный бонус. Без них книга даёт знания, но не навык. Разница между знанием и навыком здесь принципиальна: ИИ-грамотность проявляется только в действии.
Глава 1. Что такое современный ИИ и почему он изменил всё
Часть I · Фундамент
Если вы начнёте изучать любую технологию с вопроса «как ею пользоваться», вы рискуете стать её заложником. Человек, который знает только кнопки, теряет ориентацию при каждом обновлении интерфейса. Человек, который понимает принцип работы, адаптируется к любому интерфейсу. Эта глава – о принципе.
Речь не о том, чтобы «разобраться в ИИ» в абстрактном смысле. Речь о конкретной рабочей модели: почему языковые модели ведут себя именно так, откуда берутся ошибки и неожиданные успехи, какие инструменты реально доступны в 2026 году и как не попасть в ловушку расхожих заблуждений. Без этой базы даже хорошие промпты будут работать вслепую.
История ИИ – это история трёх принципиально разных ответов на один вопрос: как сделать так, чтобы компьютер вёл себя «умно»? Каждый ответ доминировал в своё время, у каждого были реальные успехи и реальные потолки. Понять эту эволюцию – значит понять, почему нынешние модели устроены именно так, а не иначе.
Первый подход, господствовавший с 1950-х по 1980-е годы, исходил из простой идеи: знания можно записать в виде правил. Если пациент – мужчина старше 40 лет, у него повышенное давление и одышка – вероятен сердечный приступ. Экспертные системы типа MYCIN (диагностика инфекций, 1972) или XCON (конфигурирование компьютеров, 1980) работали именно так: специалисты формализовали свои знания в тысячи правил «ЕСЛИ – ТО», программисты их кодировали.
Эти системы показывали впечатляющие результаты в узких областях. Но у них был фундаментальный изъян: они не умели справляться с тем, что выходило за рамки прописанных правил. Реальность богаче любого набора правил – и эти системы раз за разом разбивались о пограничные случаи, которые их создатели не предусмотрели. К 1987 году рынок экспертных систем рухнул: затраты на поддержку и обновление правил превышали выгоду от автоматизации.
Второй подход перевернул логику: вместо того чтобы писать правила, дайте компьютеру много примеров и позвольте ему самому найти закономерности. Именно это делает машинное обучение (machine learning). Вместо правила «спам, если в тексте есть слово «выиграли»» – тысячи примеров спама и не-спама, из которых алгоритм сам извлекает признаки.
Машинное обучение сделало возможным практичный спам-фильтр, распознавание рукописных цифр на банковских чеках, системы рекомендаций. Но и у него был потолок: алгоритму нужно было вручную указывать, на какие признаки смотреть. В задачах с изображениями это означало ручное проектирование детекторов краёв, текстур, форм – огромный труд экспертов.
Третий подход снял и это ограничение. Глубокое обучение (deep learning) – это многослойные нейронные сети, которые сами учатся извлекать признаки из данных, не нуждаясь в ручном проектировании. Идею нейросетей предложили ещё в 1940-х, но до 2010-х она оставалась маргинальной: не хватало вычислительных мощностей и данных.
В 2012 году сеть AlexNet выиграла конкурс ImageNet с результатом, который превзошёл второе место на 10 процентных пунктов. Это был статистический шок: такого разрыва никто не ожидал. С этого момента глубокое обучение стало доминирующей парадигмой в распознавании изображений, речи, игре в шахматы и го. Когда AlphaGo в 2016 году обыграл Ли Седоля – одного из лучших игроков в мире – это была победа не правил, а обученной нейросети.
В 2017 году исследователи Google опубликовали статью «Attention Is All You Need» – и предложили архитектуру трансформер (transformer). Ключевое изобретение – механизм внимания (attention): способность сети при обработке каждого слова учитывать весь контекст предложения, взвешивая важность каждого другого слова. До этого языковые модели обрабатывали текст последовательно – слово за словом, быстро теряя контекст длинных фрагментов. Трансформер обрабатывает весь текст параллельно.
Это открыло путь к масштабированию: чем больше данных и вычислений – тем лучше модель. GPT-1 (2018) обучился на книгах. GPT-2 (2019) – на текстах из интернета, и его авторы поначалу отказались публиковать полную версию, опасаясь злоупотреблений. GPT-3 (2020) с 175 миллиардами параметров продемонстрировал то, что назвали «эмерджентными способностями»: модель стала делать вещи, которым её не учили явно – переводить, решать задачи по аналогии, писать код. С этого момента языковые модели перестали быть инструментом для специализированных задач и стали общим инструментом для работы со смыслом.
Понимание механики LLM на уровне пользователя – не академическое упражнение. Это прямая карта того, где модель надёжна, а где ненадёжна, почему повторный запрос даёт другой ответ и почему длинный разговор деградирует. Каждый из следующих принципов имеет практическое следствие.
LLM не читает текст словами – она работает с токенами (tokens). Токен – это фрагмент текста, обычно от одного символа до нескольких букв или целого короткого слова. Слово «продуктивность» может быть разбито на несколько токенов; английское «cat» – скорее всего один. Это техническая деталь, но у неё есть следствие: модель «считает» не слова, а токены, и в нестандартных задачах подсчёта слогов или букв легко ошибается.
Работа модели – это итеративное вычисление вероятностей. На каждом шаге модель смотрит на всё, что написано до сих пор (контекст), и выбирает следующий токен на основе распределения вероятностей по всему словарю. Параметр температура (temperature) регулирует, насколько детерминировано это семплирование: при низкой температуре модель почти всегда выбирает наиболее вероятный токен, при высокой – чаще выбирает «неожиданные» варианты. Именно поэтому один и тот же промпт даёт разные ответы при разных запросах – это не случайность и не баг, это функция.
Важнейшее следствие: модель предсказывает «правдоподобный продолжатель текста», а не «правдивый ответ». Она не знает правды – она знает, что было написано в текстах, на которых её обучили. Если в обучающих данных что-то написано неверно, но написано часто, – модель будет уверенно воспроизводить ошибку.