Для начинающих: как начать работать с ИИ
Abstract
Начни не с терминов и инструментов, а с одной реальной задачи. Дай модели понятный контекст, проверь результат и только потом усложняй процесс.
1. Понять главное
LLM генерирует ответ на основе обучения и переданного контекста. Она умеет объяснять, писать, преобразовывать информацию и предлагать решения, но не проверяет автоматически каждое своё утверждение.
Три правила на старте:
- Уверенный ответ не обязательно верный — важные факты проверяй по источникам.
- Модель видит только переданный ей контекст и возможности выбранного продукта.
- Не отправляй пароли, ключи, персональные или рабочие данные без понимания настроек приватности.
Для базы достаточно сначала прочитать Token, Context Window и Hallucination.
2. Выбрать подходящий режим
| Задача | С чего начать |
|---|---|
| Объяснить тему, придумать варианты, отредактировать текст | Обычный чат |
| Найти свежие факты и источники | Чат с веб-поиском; проверяй даты и ссылки |
| Ответить по своим документам | Загрузка нужных файлов или RAG |
| Изменить много файлов, запустить команды или тесты | [[Agent |
| Работать без передачи данных облачному API | [[_Local AI Index |
Не выбирай агента только потому, что он «мощнее». Если задачу можно безопасно решить одним ответом, обычный чат проще и предсказуемее.
3. Поставить первую задачу
Хороший запрос содержит четыре части:
Цель: что должно получиться.
Контекст: данные, аудитория и исходные материалы.
Ограничения: что нельзя менять, какой нужен объём и стиль.
Результат: формат ответа и критерий готовности.Пример:
Цель: превратить эту заметку в краткую инструкцию для новичка.
Контекст: читатель впервые пользуется ИИ; исходный текст ниже.
Ограничения: не добавляй неподтверждённые факты, уложись в 500 слов.
Результат: Markdown с короткими разделами и чеклистом в конце.Не обязательно писать идеальный промпт сразу. Получи черновик, укажи конкретную проблему и сделай ещё одну итерацию.
4. Проверить результат
Перед использованием ответа спроси себя:
- Выполнена ли исходная цель?
- Не придуманы ли факты, ссылки, цитаты или команды?
- Можно ли проверить важные утверждения по первичному источнику?
- Сохранились ли ограничения и нужный формат?
- Если агент менял файлы — виден ли diff и запускались ли подходящие проверки?
- Если действие внешнее или необратимое — подтвердил ли его человек?
Правильный формат и красивое объяснение не доказывают правильность содержания.
5. Перейти к агентам, когда появится задача
Агент полезен, когда работа состоит из нескольких шагов и требует файлов, команд или внешних инструментов. Начинай с небольшой папки и минимальных разрешений.
Для работы с проектами можно использовать Claude Code или другой совместимый coding agent:
- Быстрый старт Claude Code — установка и первая безопасная сессия.
- AI-ассистенты для разработки — Codex, Claude Code и безопасный старт.
- Рабочий цикл с coding-агентом — общий процесс, не привязанный к одному продукту.
Перед запуском сформулируй критерий готовности и явно укажи, что разрешено менять. Удаление, публикацию, оплату и отправку сообщений лучше оставлять за подтверждением человека.
Куда идти дальше
- Глоссарий — когда встретился незнакомый термин.
- Справочник основных LLM — чем отличаются семейства моделей.
- Prompt Lab — способы формулировать и улучшать запросы.
- Агентные системы — инструменты, память и циклы выполнения.
- Полезные ссылки — официальная документация и первичные источники.
Самый полезный первый эксперимент
Возьми небольшой текст, попроси сделать две версии результата с разными ограничениями, сравни их и объясни модели, что именно нужно исправить. Так быстрее всего становится понятно, что ИИ — не оракул, а управляемый инструмент.