Как использовать ИИ-ассистента для учёбы, не превращая мозг в овощ
Практичная схема учёбы с ИИ: объяснение, активное вспоминание, задачи, разбор ошибок и проверка знаний без готовых ответов вместо мышления.
Your companion in the world of code
Articles and guides from practicing developers. Learn new things, find solutions and implement your ideas.

Choose several — articles update instantly

Практичная схема учёбы с ИИ: объяснение, активное вспоминание, задачи, разбор ошибок и проверка знаний без готовых ответов вместо мышления.

Настраиваем полезную критику: критерии, контраргументы, проверяемые тесты, адвокат дьявола и правило, которое не даёт ИИ спорить ради спора.

Разбираем, почему запрос «сделай хороший текст» не работает, и собираем точную постановку из цели, контекста, ограничений, формата и проверки.

Пять практичных сценариев для ИИ без магии: письмо, конспект, документ, план и идеи. Для каждого есть входные данные, промпт и способ проверки.

Сравниваем ChatGPT, Claude, Gemini и GitHub Copilot по рабочим сценариям: документы, поиск, тексты, код, экосистема и повторяющиеся задачи.

Осваиваем uv для Python: создаём проект, добавляем зависимость, запускаем код и разбираемся, как pyproject.toml, uv.lock и автоматическая .venv заменяют ручную рутину.

Создаём ИИ-приложение на Python в Streamlit: чат-поле, сообщения, локальная модель Ollama, потоковый ответ, session_state и кнопка очистки истории.

Создаём NPC в Roblox Studio, генерируем короткую реплику через TextGenerator, фильтруем её для игроков и озвучиваем через AudioTextToSpeech в 3D-пространстве.

Подключаем Ollama к Python, запускаем локальную модель, добавляем потоковый вывод и историю сообщений, а затем проверяем ошибки соединения и длину контекста.

Включаем MCP-сервер Roblox Studio, подключаем совместимый ИИ-клиент и создаём светящуюся прыжковую платформу с Luau-скриптом и обязательным playtest.

Собираем ИИ-агента на Python и Ollama: модель выбирает калькулятор или поиск по заметкам, Python выполняет tool call, а цикл возвращает итоговый ответ.

Создаём первый MCP-сервер на Python, добавляем типизированный инструмент, запускаем Inspector и проверяем, как ИИ вызывает нашу функцию с аргументами.