ИИ как личный редактор: как улучшать текст, а не переписывать всё под себя
Учимся просить ИИ сокращать, усиливать и упрощать текст точечно: редакторская рубрика, запрет на новые факты, сохранение голоса и работа через diff.
Твой напарник в мире кода
Статьи и гайды от практикующих разработчиков. Узнавайте новое, находите решения и воплощайте идеи.

Можно выбрать несколько — статьи обновятся сразу

Учимся просить ИИ сокращать, усиливать и упрощать текст точечно: редакторская рубрика, запрет на новые факты, сохранение голоса и работа через diff.

Быстрый чек-лист проверки ответов ИИ: факты, даты, ссылки, цитаты, расчёты, код, допущения и уровень риска перед использованием результата.

Выбираем между огромным промптом и диалогом: минимальный достаточный контекст, длинные документы, примеры, ограничения и поэтапное уточнение задачи.

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.