Главный навык в работе с ИИ это не знание конкретной инструкции, а умение разговаривать с моделью: поставить задачу, дать контекст, проверить ответ и попросить объяснить непонятное. Инструкции устаревают за недели, модели с каждым выпуском становятся умнее, а навык разговора с ними переносится на любую новую модель и любую новую задачу.
Поэтому в Академии Solaris мы учим прежде всего этому. Весь курс ученик проходит в диалоге с Claude, а модули с пошаговыми инструкциями даны как пример: их достаточно, чтобы начать и закрепить навык, дальше человек разбирается и углубляется сам.
Любую инструкцию можно получить за минуту, если сказать модели голосом: «Напиши мне подробную инструкцию, что куда нажать, что сделать, где зарегистрироваться и как». Вопрос только в том, умеете ли вы так спрашивать.
Почему инструкции устаревают быстрее, чем их успевают выучить
Инструкция описывает мир на день её написания, а мир вокруг ИИ меняется каждую неделю. За одну эту неделю у нас в Академии поменялись две вещи, на которые опирались уроки.
Первая: сервис-посредник, через который ученики брали ключи к моделям, закрыл регистрацию на сайте. Ученик честно шёл по уроку, искал кнопку «Регистрация», которой больше нет, и застрял. Путь при этом никуда не делся, он просто переехал: ключ теперь берут у проверенного продавца на маркетплейсе. Урок пришлось переписать.
Вторая: Anthropic выбросила 80% системного промпта Claude Code под новую модель, и модель стала работать лучше. Мы разбирали это в статье как работать с Fable после того, как Anthropic убрала 80% инструкций. Длинные списки «делай так, не делай этак», которые год назад были обязательны, теперь мешают.
Выучить инструкцию значит выучить снимок. Научиться разговаривать с моделью значит получить способ собрать свежую инструкцию под свою задачу в любой момент.
Что значит уметь разговаривать с моделью
Уметь разговаривать с моделью значит за один заход дать ей всё, что знаете сами, и получить ответ, который можно проверить. На практике это пять вещей: контекст, цель, что уже сделано, что пошло не так дословно и как понять, что результат хороший.
Сравните «бот не работает» с запросом, собранным из этих пяти частей:
| Что даёте модели | Как это звучит в запросе |
|---|---|
| Контекст | «Бот на VPS с Ubuntu, запущен через systemd, основной канал подписка, резерв через роутер» |
| Цель | «Нужно, чтобы бот сам поднимался после перезагрузки сервера» |
| Что сделано | «Проверил статус сервиса, вручную бот стартует нормально» |
| Что сломалось | «После перезагрузки journalctl пишет вот это: вставляю текст ошибки целиком» |
| Критерий | «Готово, когда после перезагрузки бот отвечает в Telegram без моих действий» |
Такой запрос пишется на минуту дольше, но экономит часы. Модель не угадывает, что у вас в голове, она работает с тем, что вы ей дали. Тот же принцип работает для ответа клиенту и для агента: «напиши ответ клиенту» даст общий текст, а «клиент пишет в 21:40, что бот не отвечает, вот переписка, нужен короткий ответ без обещаний по срокам» даст ответ, который можно отправить после проверки.
Голосом быстрее и честнее
Голосом за минуту человек наговаривает втрое больше контекста, чем успевает напечатать, и говорит проще, без попытки сформулировать красиво. Для модели это лучший вход: живая речь с подробностями вместо трёх сухих слов.
Мы в Solaris давно наговариваем задачи голосом: диктовкой Windows по Win+H, диктовкой на Mac, микрофоном на клавиатуре телефона. С первого модуля Академии ученик делает часть домашки голосом, и это не формальность. Кто привык наговаривать задачу, тот и клиенту потом отвечает быстрее, и агенту ставит задачу точнее.
Как учиться у модели, а не просто получать ответы
Claude один из лучших учителей и наставников, которые сейчас есть: он объяснит любую тему столько раз и такими словами, сколько нужно, в три часа ночи и без раздражения. Но учит он того, кто правильно спрашивает.
Несколько приёмов, которые работают у наших учеников:
Просите не ответ, а план. «Разложи по шагам и после каждого шага скажи, как проверить, что он получился».
Возвращайте модели результат. Вставили команду, получили вывод, отдали вывод обратно целиком, а не пересказом.
Спрашивайте, чего вы не спросили. «Какие три вопроса мне стоило задать про эту задачу, но я не задал?»
Просите объяснить на своём примере. «Объясни, что такое systemd, на примере моего бота».
Просите найти ошибки в своём понимании. «Вот как я понял, где я ошибаюсь?»
И одно правило сверху: модель наставник, а не оракул. На этой неделе наш собственный бот-куратор уверенно написал ученикам, что покупки ключа на маркетплейсе не существует, и ошибся: путь есть и был описан в уроке. Ученик, который проверил и переспросил, сэкономил себе день. Проверять факты, цены и сроки по первоисточнику это часть навыка, а не недоверие к технологии.
Где разговор с облачной моделью заканчивается
Навык разговора с моделью не отменяет границ. Главная из них: данные клиента не попадают во внешние модели, если это чувствительные данные бизнеса.
Правило, которому мы учим отдельным блоком: облачные модели вроде Claude используются для написания кода, скриптов, самих агентов и архитектуры, а внутри контура клиента с его данными работает только локальная модель.
Когда агент будет читать почту, CRM, выгрузки из учётных систем или персональные данные, а в договоре есть поручение на обработку персональных данных, мы поднимаем сервер в контуре клиента и разворачиваем модель с открытыми весами. В основном это Qwen: мы протестировали всю линейку Qwen и версии DeepSeek на базе Qwen, рабочая планка для агентов на русских документах 32 миллиарда параметров. Как это устроено целиком, мы разбирали в статье про то, как работает своя ИИ-система на сервере компании.
Разговаривать с Claude при этом никто не перестаёт. Он пишет код агента на выдуманных данных той же структуры, помогает спроектировать схему, объясняет, как поставить Qwen на конкретный сервер. Меняется только то, какие данные ему показывают.
Как мы этому учим в Академии
Программа Академии построена вокруг ежедневной практики. Ученик разворачивает свою систему на сервере, подключает основной канал к модели и запасные, собирает агента, отвечает в чате потока другим ученикам и заказчикам на учебных ситуациях. На каждом шаге рядом Claude, и каждый шаг это ещё одна постановка задачи.
Инструкции в модулях конкретные: команды, адреса, проверки. Но оцениваем мы не то, как точно человек повторил инструкцию, а как он разбирается, когда она не сработала: что спросил у модели, что проверил, чем починил. Этот «разбор полёта» обязателен в домашке, потому что именно в нём видно навык.
Я, Антон Баранов, основатель Solaris AI, за 16 лет в предпринимательстве видел много инструментов, которые приходили и уходили. С ИИ впервые вышло так, что главный инструмент сам учит им пользоваться, если с ним разговаривать.
Если хотите пройти этот путь на практике, с боевыми инструкциями и проверкой домашек, загляните в программу Академии Solaris.
Разборы того, как меняются модели и что из этого следует для работы, я пишу в канале «Антон про бизнес», обычно раньше, чем это доходит до обзоров.
Частые вопросы
Нужно ли учить промпт-инжиниринг, если модели умнеют?
Нужно, но не как набор заклинаний. Длинные шаблоны промптов устаревают вместе с моделями, а умение дать контекст, цель и критерий результата работает с любой моделью. Учить стоит постановку задачи, а не формулировки.
Как попросить нейросеть написать инструкцию под мою задачу?
Опишите, что у вас есть, чего хотите добиться и на чём застряли, и попросите пошагово с проверкой каждого шага. Например: «У меня VPS без видеокарты, нужно подключить к боту локальную модель. Напиши подробную инструкцию, что куда вводить и как проверить». Голосом это займёт минуту.
Можно ли доверять ответу нейросети без проверки?
Нет. Модель отлично объясняет и собирает черновики, но может уверенно ошибиться в фактах, ценах и деталях сервисов, которые недавно поменялись. Факты проверяйте по первоисточнику, команды по их реальному выводу.
Можно ли загружать в Claude данные клиента?
Если это чувствительные данные бизнеса или персональные данные, нельзя. Claude пишет код и архитектуру на выдуманных данных, а с настоящими данными внутри контура клиента работает локальная модель.
Какую локальную модель ставить для работы с чувствительными данными?
Мы в основном ставим Qwen, рабочая планка 32 миллиарда параметров, ей нужна видеокарта примерно на 24 ГБ. Итоговый выбор делаем замером на типовых задачах клиента, а рядом держим запасную модель поменьше.