Юридический вайбкодинг
С недавних пор я окунулась в мир LegalTech-стартапов и чуть больше читаю про юристов и их задачи, но вайбкодинг и тут меня нашёл!

По ссылке pdf с пошаговой инструкцией в картинках по созданию инструмента для анализа данных документов в сводных таблицах.
Юрист самостоятельно сделал её при помощи Manus AI и рассказал по шагам свой путь.

Примечательно, что функцию он взял из Harvey AI -- это очень модный LegalTech-ИИ-стартап в штатах, лицензия на 1 юриста у них стоит больше тысячи долларов в месяц. Конечно Harvey AI отрабатывают её стоимость десятком других возможностей и контролем за качеством того самом анализа, но вайбкодер-юрист взял только то, что ему нужно, и по цене токенов Manus закрыл свою (а может и ещё нескольких тысяч юристов) конкретную задачу. И выложил решение на Гитхаб.
https://github.com/jamietso/Tabular_Review

Это вам для вдохновения 🧚

Вы не поверите, но это снова про вдохновляющий вайбкодинг от юристов!

Девушка-юрист по имени Катя написала ботика для проверки рекламы, а пока его делала, разобралась в куче технических вопросов, завела канал “Делай RAG” (!) и написала методичку по счастливому вайбкодингу.

Читается легко, рекомендации полезные, страниц немного и для легко отвлекающихся есть картинки. Бесплатно и без СМС!

Приятного чтения. 🌈

Надеюсь, ваши выходные прошли лучше, чем у этого парня 🌚
Хорошей рабочей недели!

Немного про агентов из личного опыта.

Агенты -- что это?
Этим словом, как вы могли заметить, называют примерно все последние запуски.
Исходный термин говорит, что агент -- это LLM-мозг (промпт), которому дали кучу инструментов (всякие API/MCP/данные) и он сам решает как ими пользоваться для решения задачи.
На практике часто агентами назыают воркфлоу -- цепочки действий, где заранее понятно, когда и как сработает каждый шаг (кубик). Засовываем промпт в кубик -- разворачиваем рекламную кампанию со словами "мы запустили агента".

🤔 Почему ж так?
Причин, вероятно, больше, но мне известны такие:
- для решения многих задач подхода с воркфлоу достаточно;
- если есть инструмент для сборки флоу -- это очень быстро;
- оценить качество каждого кусочка и довести качество решения задачи задачу целиком можно в одиночку и на досточном уровне.

🤓 Если делаете агента на базе воркфлоу
Нужно будет подумать про следующие вещи:

1. декомпозиция
Разбиваем задачу на шаги, можно с LLM (например с Cursor Planning). Например, автоматизируем убирание слона в холодильник. Шаги: открыть холодильник, положить слона, закрыть холодильник. Совсем сюр, но представьте, что каждый шаг выполняется промптом в LLM в голове у робота 🙂

2. проверка понимания входящих данных
Если мы делаем "агента", то обычно это значит, что пользователь с ним говорит/ему пишет. Если мы объяснили, с чем к агенту идти, то в большинстве случаев LLM-агент справится, но на этапе тестирования можете легко проверить, как агент понял, что от него хотят. Добавляем в промпт указания вывести саммари задачи.
Пользователь: "да убери уже!"
Агент "вы хотите убрать слона в холодильник, начинаю!"

Пользователь: "какая сегодня погода?"
Агент "похоже сейчас слона убирать не будем, отбой."

3. ветки решений
Из примера выше понятно, что путь не всегда может быть прямым, в том числе в промпте кубика (ну не 100 же их делать, кубики тоже могут быть умненькими). Опыт показал, что если промпт можно представить в виде блок-схемы с изолированными ветками, то он сработает хорошо. Помогите модели понять, какие бывают развилки.

4. однозначность
Для каждой ветки опишите условия и что надо делать, если они выполняются. Ветка рассуждений должна понятно завершится.

Возвращаясь к слонам, наш агент на первом шаге должен понять, хочет ли человек убрать слона в холодильник:
- если не хочет, то [саммари понимания + отбой] и завершить процесс;
- если хочет, то [саммари понимания + начинаем] и начать процесс с холодильником.

5. порядок
Проверено, что LLM может сбиться с пути, если проверки переставить местами. В примере выше этого скорее всего не произойдёт, но если промтп длинный, то лучше сначал сделать блок, где модель осознает развилки, и сказать, в какую часть промпта идти за подробными указаниями по ветке.

А вы как побеждаете промпты? 🙂

Сколько часов ИИ может сэкономить продакту?

👻 Вариант тактический: сработала в минус
На этой неделе я потратила целый рабочий день не на свою роль, а на задачу продуктового аналитика, потому что он был в отпуске, а мне срочно хотелось разобраться с огромным экселем. Формально это максимально странное и неэффективное решение для продакта.

🤓 Что же я делала?
Я читала эксель и просила Cursor агрегировать данные. Cursor писал и запускал скрипты на данных из эксельки. На выходе я сама написала аналитический отчёт о своем продукте.

🚀 Что мне дал это подход
1. скорость
— быстро получала ответы. Без ожиданий и пересылок;
— меняла формулировку вопроса к данным, когда видела неожиданный паттерн;
— сразу же аналитически закапывалась в крупные кластера, которые только что нашла, чтобы сделать более правильный вывод.
2. качество
— я лучше погрузилась в данные. Что в них есть определяет то, что из них можно узнать и как;
— проверяла гипотезы сфокусированно, без потери контекста из-за переключения.

Тактически я «украла» день у своих менеджерских задач. Но я на месяц раньше более правильно думаю о своем продукте и меньше галлюцинирую в решениях.

📌 Практические советы:
1. Начинать работу над аналитической задачей с Cursor лучше в режиме Plan.
2. По ходу спрашивайте Cursor о разных возможных подходах к решению.
3. Неизвестные подходы лучше не использовать, но с некоторыми можно быстро разобраться по ходу почитав матчасть.
4. Внимательно читайте скрипты.
5. Если читать сложно, вы можете попросить Cursor описать логику скрипта или его части словами, чтобы вам было проще её перепроверить.
6. При агрегации просите добавить колонку с доп.параметрами в эксель. Cursor создаст файл, где вы сможете выборочно проверить правильность.
7. Считайте контрольные суммы и доли, чтобы убедиться, что вы не делаете вывод по неполным или задублированным данным.
8. Думайте, как перепроверить вывод на адекватность. Например, законы физики не позволяют совершать действия на сайте большему числу пользователей, чем на него зашли. В вашем случае могут быть другие, но они точно есть, и позволят вам не ошибиться радикально.
9. В конце концов, поделитесь скриптами с аналитиком: он как минимум сможет найти в вашем рассчете ошибку, а как максимум -- вас лучше понять 🙂

Судя по реакциям к прошлому посту, кому-то стало плохо от прочитанного.
Всё проходит, и это пройдёт 😇

Если вам вдруг почему-то надоело отдыхать, то вот отличный способ разобраться в нейросетях:
- как именно они устроены;
- как их обучают;
- что конкретно происходит, пока вы ждёте ответ.

Плейлист Neural Networks из 9 видео от 3Blue1Brown -- автора канала, который доносит математику через визуализации. Оригиналы на английском, но на YouTube есть русская аудио-дорожка. Ролики от 10 до 30 минут, сначала покороче, чтобы вы втянулись 🤓

Важно -- это не изи-листенинг, так сказать. Внутри матрицы, векторы, функции и вот это вот всё, как оно есть. Как гуманитарий гуманитариям могу сказать, что посильно, если набраться терпения, останавливаться, когда больше не лезет, и пересматривать, если всё ещё непонятно. Ну то есть, если начать сегодня, то за неделю можно и осилить 🌚

Первые 4 видео записаны 8 (!!!) лет назад -- в них база про работу нейросетей и их обучение. Остальные сняты примерно год назад -- они про GPT, но первые 4 очень сильно помогают понять следующие 5.

Если у вас есть обучалки, которые помогли вам лучше понять GPT-технологии, то, пожалуйста, поделитесь 🙏