Взорви личную продуктивность с AI

Я почитываю комментарии на vc.ru и reddit, чтобы понимать отношение людей и боли при использовании ИИ. За последнее время все чаще говорят, что LLM стали больше врать. И исследования это подтверждают. Сегодня расскажу о методах, которые помогут избежать галлюцинаций и повысить точность ответов. 1. Предоставить в промпте все нужные знания и дать больше контекста. Я уже рассказывал в этом посте про случай, когда после скидывания документации, нейросеть перестала врать, да, банальной документации по языку программирования (задача была тесно связана с его синтаксисом)...

Устали ждать, пока ChatGPT ищет информацию? Или гуглить среди тонны мусорных сайтов? Я тоже. Пока не открыл для себя Perplexity. За пару минут я могу сделать несколько запросов и получить ответ на свой вопрос Сейчас отовсюду говорят, что ChatGPT заменит Google. Но все равно в некоторых случаях, когда нужен более точный или быстрый ответ, использовать Google удобнее. Однако недавно я наткнулся на Perplexity и вот что об этом думаю. В этом посте я уже писал об идее написания коротких промптов. И как...

Люди жалуются, что ИИ пишет бездушные тексты, выдаёт не то, что ожидалось, и слишком поверхностно. Да, так действительно бывает. НО... Но что, если мы возьмём неудачный промпт и попросим человека выполнить работу, описанную в нём? Какой процент людей напишет текст, который вы действительно ожидали? Во многих подобных промптах простор для ответа слишком велик. На него можно ответить миллиардами способов: с разными эмоциями, для разной аудитории, разными стилями повествования и т. д. Секрет в том, чтобы показать пример желаемого результата...

Не раз замечал за собой, что хочется написать супер-пупер большой промпт, в котором ты объяснишь весь контекст для решения большой задачи. Но потом наткнулся на это исследование: где показано, насколько точность ответов от LLM понижается в зависимости от длины промпта. Я в целом слишком редко использовал короткие промпты — с идеями, мини-ресерчем, оптимизациями, правками и прочим. Банально пара мелких лаконичных промптов в разных чатах перед тем, как просить решить большую задачу, даёт очень крутой результат...

Недавно мне написали вот такой комментарий к этому посту. И за одно мне попалась вот такая статья, в которой по данным MIT 95% внедрений ИИ провалились. У нас в Яндексе стояла задача о внедрении ИИ в работу разработчиков. Это прямо очень нетривиальная задача. Ты не можешь заставлять людей что-то начать делать. Но при этом тебе нужно им доказать, что ИИ действительно работает и помогает. При этом большинство попробовало какие-то мелочи, по типу: один раз закинуть в дипсик задачу, написать код с помощью Алисы (я серьёзно, это реальный случай)...

Знаете, почему 90% людей используют ChatGPT неправильно для обучения? Они просят его дать готовые ответы. А что если я скажу, что правильный подход — заставить AI задавать ВАМ вопросы? Оксфорд недавно выпустил гайд, который перевернул моё представление об обучении с AI. Перед тем как переходить к примерам и паттернам, важно сказать, что обучение — это всегда сложно. ChatGPT может что-то разъяснить и помочь, но думать всё равно придётся. Основной концепт заключается в том, чтобы ChatGPT подталкивал нас думать...

Серьезно, каждый раз, когда слышу очередное "AI не может в программирование", хочется спросить: а ты что использовал? GitHub Copilot за 10 баксов? Или может быть пытался заставить ChatGPT написать микросервис через веб-интерфейс? Это как судить о всех автомобилях, покатавшись только на Запорожце. Да, он тоже машина. Да, он тоже едет. Но блин, давайте будем честными — разница колоссальная. Последние 4 месяца я использую Claude Code непрерывно в своей работе. До этого я пользовался Cursor и Cline, и вот мои впечатления и мысли, что именно мне понравилось...

Многие, кто пытался начать планировать свой день в календаре, сталкивались с тем, что со временем это становится делать лень, а сам план на день часто повторяет предыдущий. Я тоже столкнулся с этим и придумал, как упростить процесс и сделать его интерактивнее с помощью ИИ. Идея: – Подготовить заранее несколько шаблонов своего дня (это тоже можно попросить сделать ChatGPT) в виде файла. – Затем загружать этот файл вместе с промптом, описывающим, каким хочется видеть следующий день, в ChatGPT. – Вносить небольшие правки...

Так уж вышло, что последний год мне часто приходилось сталкиваться с задачами, решение которых было совсем неочевидно. Слишком сложные задачи с большой долей неопределённости часто вызывают прокрастинацию. Что делать, если у тебя прямо сейчас есть насущная проблема или задача? Попробуй обсудить её с ChatGPT. Попроси его: – разобить задачу на мелкие шаги; – найдти нужную информацию в интернете; – объяснить непонятные части. Когда ChatGPT сгенерировал хоть какой-то черновой вариант решения, сразу начинаешь погружаться в его улучшение — и прокрастинация уходит...

В наше время есть много людей, которые продают составление VIBE-, Master-, System- и других промптов: Рассказываю за бесплатно как составлять для себя подобные промпты и зачем они вообще нужны. Вся суть этих промптов заключается в том, что вы даёте нейросети гораздо больше контекста: – о себе, – о задаче, – о результате, который хотите получить. Часто к таким промптам добавляют эмоциональную окраску или даже угрозы в сторону ChatGPT. Считается, что это может работать лучше. Я не до конца уверен в эффективности подобных методов, но поэкспериментировать точно стоит...

А ты действительно уверен, что оно тебе нужно? Прямо сразу все сервисы из подборок, о которых ты читал, которые оптимизируют и сделают всё за тебя? Почему возникает разочарование У многих людей появляется разочарование от AI-инструментов, когда пытаешься внедрить всё и сразу. В итоге всё плохо работает… и человек разочаровывается в ИИ в принципе. Люди сталкиваются с тем, что ожидания, подогретые хайпом и рекламой («ИИ заменит тебя»), не совпадают с реальностью, где ИИ — это помощник, а не инструмент, который сделает всё за тебя...

Многие, кто активно пользуются ChatGPT или другими LLM, замечали одно и то же: если задача редкая, узкоспециализированная или про что-то слабо описанное в интернете, нейросеть начинает «галлюцинировать». Она придумывает несуществующие методы, API или даёт советы, которые в реальности не работают. Это не баг, а закономерность. LLM обучены на огромных массивах текста, и если нужного контекста нет, они просто начинают достраивать пробелы фантазией. Простой трюк, который работает В моём случае задача была настолько специфичная, что найти готовое решение в интернете не получилось...