Один и тот же мозг, разные результаты: три слоя, которые всё решают

Разница в результатах — десятки раз при одной модели

ChatGPT, Gemini, Claude — все спорят о том, какая из моделей самая умная. Но правда в том, что сегодня практически каждая из них работает одинаково. Разница только в том, кто ими пользуется.

Пока люди пишут, что Claude отупел и пользоваться им для вайб-кодинга невозможно, у меня он до сих пор закрывает 100% задач разработки для Yoolip AI, моего онлайн-продукта, чистая прибыль которого уже больше 1 000 000 ₽.

А у большинства людей тот же Claude будет мяться на простой переписке. Один и тот же мозг, но разные результаты в десятки раз.

Дальше я покажу скрытый рабочий слой. Настроишь его один раз — и наконец сможешь превратить нейросеть в своего рабочего партнёра.

Мы выбираем нейросеть как телефон — по маркетингу

Большинство из нас выбирает нейросеть примерно так же, как телефон или машину. Вместо понимания того, как что работает, мы смотрим на маркетинг. Маркетинг для нас самое важное.

Когда все пересаживались с ChatGPT на Gemini — был ли у Gemini серьёзный перевес? На самом деле нет. Он точно так же тупил. У ChatGPT были долгие ответы, Gemini путался иногда уже на десятой фразе.

То есть мы все смотрели просто на отклик блогеров, вместо того чтобы оценивать, насколько нейросеть выполняет именно нашу задачу.

А стоит посмотреть на опросы и бенчмарки за последние полгода — и мы увидим, что Claude Opus сравнялся с конкурентами. В коде то же самое: там есть модели вроде Kimi, которыми большинство вообще не пользовалось, потому что маркетинг у них не такой крутой.

Слой первый: инструкция вместо десятого повторения

Люди редко создают проекты, потому что нужно заморочиться. Обычно мы в лучшем случае улучшили промт и идём в модель с мыслью, что теперь-то она справится.

Но стоит помнить: и у ChatGPT, и у Claude, и у Gemini есть контекст между диалогами — модель может просмотреть их и выгрузить основное. Однако помнить всё, о чём вы общались, она не будет. Поэтому важные вещи всегда должны быть закреплены.

Покажу на примере. Когда ты собираешь проект через вайб-кодинг, нейросеть должна знать про твой продукт всё: как он работает, где он работает. Любая погрешность приведёт к тому, что ты поменяешь код не так, как было нужно, и сломаешь систему.

Поэтому первым делом пишется инструкция, как работать с проектом. Это нужно, чтобы ты десять раз не повторял одно и то же. Видишь, что нейросеть стабильно делает одну и ту же ошибку — и речь не только про код, это про любую популярную модель — твоя задача добавить это в инструкцию.

Он диагностирует то, чего не видит

Приведу свою ошибку, чтобы стало понятнее, что именно попадает в инструкцию.

У меня долгое время модель просто угадывала. Я пишу ей о проблеме пользователя — она отвечает: ну да, это вот это. Но она не видит код. Она только догадалась, её гипотеза неверна. И вместо того, чтобы пойти сделать аудит — то есть написать себе запрос и посмотреть, — она диагностирует то, чего не знает.

Все такие вещи мы заранее фиксируем в проектной инструкции.

Но секретный слой здесь в другом: в том, как подключить к системе файлы, чтобы у модели всегда был контекст. У меня в какой-то момент файлов в документации проекта стало настолько много, что обычного проекта перестало хватать. Тогда то же самое настраивается в Cowork — инструкции пишутся прямо в его проект, в папку внутри репозитория с документацией. И теперь, когда я составляю задачи, модель всегда знает самые свежие данные.

Слой второй: как чинить провалы памяти

Все знают, что нейросети особенно тупят где-то в середине диалога. В начале модель помнит всё отлично, в конце тоже неплохо, а вот к середине начинает забывать и путаться. И неважно, про какую нейросеть мы говорим.

У меня бывает так, что Claude путается на банальной ерунде, которая описана и в документации, и в проектах. Забывает, например, какие базы данных вообще есть в проекте. Я отвечаю на этот вопрос — а он снова начинает путаться, и мне уже приходится устраивать эскалацию: я только что тебе объяснил, пожалуйста, вернись и посмотри почему.

В такие моменты дам важный совет: сразу же зафиксируйте то, что произошло, и спросите саму нейросеть, как это исправить.

Берёте улучшатель промтов и в этом же диалоге фиксируете ошибку. Пишете: создай, пожалуйста, промт. Я работаю над проектом, который мы собираем вайб-кодингом, а модель продумывает интерфейс и даёт запросы для агента. И дальше получается большой промт, который сделает за нас всё: проанализирует, почему так произошло, и сам примет решение, как это исправить в будущем и не допускать.

Правило для памяти: два сценария по размеру проекта

На этом этапе можно зафиксировать важнейшие правила по памяти. Их всего два, и выбор идёт по размеру проекта.

Первое: если проект небольшой — организуйте его в Claude. Добавьте туда всю документацию, добавьте инструкцию и соберите их вместе с самой моделью или через улучшатель промтов.

Второе: когда проект разрастается и модель начинает путаться — ничего страшного, просто переходите в Cowork или в Codex и продолжайте продумывать проект там. Там бесконечная файловая система, в которую агент заходит сам и сам её редактирует.

И это иногда даже дешевле по токенам. Хотя в целом Cowork больше жрёт, но именно из-за того, что не нужно постоянно считывать полный файл и переписывать его, он выходит немного дешевле. И память в больших задачах там строится гораздо легче.

Слой третий: Notion как универсальная база

Мы разобрались, как сделать память без рук. Но нужна третья вещь — то, что модель может делать в реальном времени. Здесь мы переходим к рукам, которые ей необходимо дать.

Существуют разные типы коннекторов, но говорить будем про MCP — так немного проще. Прикрутить к нейросети стоит две вещи: Notion и Obsidian.

С Notion всё довольно просто. Это супер универсальная штука, которую модель сама же может настраивать через подключённый коннектор: создавать системы задач и базы знаний, с которыми потом самостоятельно работает.

В моём случае у неё есть доступ ко всем моим сценариям для YouTube. Когда я создаю новый сценарий, модель смотрит всё, что я делал до этого: учитывает вышедшие видео, находит дополнительную информацию, чтобы сделать сегодняшний сценарий лучше.

Это универсальный инструмент, который я советую каждому: Notion даёт возможность организовать что угодно — системы задач, учёт финансов, внутренние базы, систему учёта клиентов.

Obsidian как граф документации проекта

Второй инструмент больше для тех, кто собирает проекты, но подойдёт не только им. Obsidian — просто универсальный текстовый редактор, который работает с обычными текстовыми файлами. Тут важно не путать: многие считают его чем-то уникальным, а это редактор, который заполняется по определённым правилам.

Зачем он нужен. Когда проекты разрастаются до чего-то масштабного, документации становится много. И проблема даже не в том, что агент её не может читать — ему-то как угодно, он справится. Проблема в том, что я сам начинаю не понимать, как устроены решения в моей системе. Я остаюсь менеджером, который понимает систему в целом, но не программистом.

Тогда я настраиваю инструкции в Cowork для связки с Claude Code, и вместе они создают документацию прямо внутри директории проекта. Obsidian становится графом документации.

Там я в любой момент вижу, какой технический долг у меня есть на текущий момент, и раз в неделю выделяю время закрыть всё, что в будущем может сломать систему. Там же описаны принятые решения — чтобы модель в любом чате понимала, что было до неё, и не делала одно и то же. Там шаблоны и журнал: в какой день что мы делали.

Это и есть та самая большая память. Но важно, что заполняю её не я — система наполняется автоматически. Всё, что я делаю, — продолжаю ставить задачи, а они вместе ведут огромную документацию на человеческом языке.

Три слоя целиком

Свожу в таблицу — чтобы ты видел, какой слой у тебя настроен, а какой пустой.

Три возражения про сложность

Костыли больше не нужны

Общий парадокс мало кто замечает. Чем умнее становятся модели, тем меньше вокруг них нужно строить.

Сегодня тебе не нужно много костылей и не нужно огромное количество функций. Тебе нужны всего лишь эти три элемента, чтобы качественно работать с нейросетью в своём проекте.

Проверь, какой слой у тебя пустой

Ты дочитал до конца — значит, вопрос не в том, какую модель выбрать. Они работают похоже, и спор об этом бесполезен. Вопрос в том, сколько из трёх слоёв у тебя настроено.

Один вопрос напоследок. Ответь себе одним предложением: какую ошибку твоя нейросеть повторяет чаще всего — и записана ли она хоть где-нибудь, кроме твоей головы? Если не записана, начинать надо с этого, а не со смены модели. Я читаю.