Learn.Experiment.Build.
AI уже умеет не только отвечать, но и работать с файлами, работать в браузере и работать с приложениями. Это полезно — и рискованно. Здесь я показываю реальные эксперименты: что поручил AI, что получилось, где он ошибся и как я это проверил. Начните с одного кейса и повторите его у себя.
AI-грамотность — это не список сервисов.
Важно не только знать, что умеет новая модель, а получать от неё проверяемый результат. Поэтому здесь каждая тема начинается с реальной задачи: что хотели сделать, что поручили AI, что произошло и как это проверили. Так обычный эксперимент превращается в понятную инструкцию, а затем — в видео, методику или инструмент. Выберите Learn, Experiment или Build — в зависимости от того, что вам нужно сейчас.
Сначала — карта взаимодействий. Потом — процесс.
AI Interaction Vectors показывают не продукты, а с чем именно взаимодействует AI. Векторы не взаимоисключающие: один шаг может одновременно использовать несколько. Чтение страницы — это KN + WB, чтение локального файла — KN + CP, а согласование решения с человеком — HM. Поэтому сложный workflow лучше читать как комбинацию векторов, а не как цепочку брендов.
Что AI читает, получает и использует как контекст.
Где AI читает, действует и изменяет состояние среды.
С кем AI согласует, делегирует и принимает решения.
KN + WB = знания из web; KN + CP = знания из локальной среды; HM + KN = человек передал новую информацию или критерий.PAE — отдельная ось. AIV отвечает «с чем взаимодействует AI?», а PAE — «на каком этапе управляемого процесса это происходит?».
sankey-beta
KN Knowledge,TX Text,1
KN Knowledge,CD Code,1
KN Knowledge,IM Image,1
KN Knowledge,VD Video,1
KN Knowledge,3D,1
KN Knowledge,DT Data,1
CP Computer,CD Code,1
CP Computer,IM Image,1
CP Computer,VD Video,1
CP Computer,AU Audio,1
CP Computer,3D,1
CP Computer,DT Data,1
CP Computer,WF Workflow,1
WB Web,TX Text,1
WB Web,IM Image,1
WB Web,VD Video,1
WB Web,DT Data,1
WB Web,WF Workflow,1
HM Human,TX Text,1
HM Human,CD Code,1
HM Human,IM Image,1
HM Human,VD Video,1
HM Human,AU Audio,1
HM Human,3D,1
HM Human,DT Data,1
HM Human,WF Workflow,1
AG Agent,CD Code,1
AG Agent,3D,1
AG Agent,DT Data,1
AG Agent,WF Workflow,1
PH Physical,DT Data,1
PH Physical,WF Workflow,1
AIV-компоненты не взаимоисключающие. Один шаг workflow может иметь несколько активных векторов одновременно. AG означает взаимодействие с другим агентом; PH — с физическим миром. PAE при этом остаётся отдельной осью процесса: PLAN → ACTION → EVIDENCE. Это рабочая модель AI Literacy, а не отраслевой стандарт. Толщина линий условная: диаграмма показывает связи, а не статистику.
Сначала понять, что AI видит и что может сделать.
Чтобы уверенно работать с AI, не нужно становиться исследователем машинного обучения. Достаточно понимать, что модель видит, какими инструментами пользуется и где может ошибиться. Здесь эти вещи разбираются на обычных примерах — без лишнего жаргона. Если вы только начинаете, откройте «Онбординг в AI».
Онбординг в AI
Базовая рабочая модель: PLAN → ACTION → EVIDENCE и переход от чата к инструментам.
Agentic AI Literacy
Что меняется, когда AI получает инструменты и начинает выполнять задачи, а не только генерировать текст.
AI Glossary
Контекст, RAG, MCP, Computer Use, Prompt Injection, Sandbox и другие термины — с практическими примерами.
Проверять AI там, где ошибка имеет последствия.
Самое интересное начинается, когда AI получает доступ к реальной среде. Тогда ошибка — это уже не странная фраза в чате, а изменённый файл, нажатая кнопка или запущенная команда. Мы проверяем такие сценарии на реальной Windows-машине и в браузере и фиксируем, что сработало, а что нет. Начните с Desktop Commander или Opera Neon.
Desktop Commander: AI на локальном компьютере
Файлы, терминал, процессы и автоматизация на реальной машине. Ключевой вопрос — как ограничить blast radius, проверять действия и не путать guardrails с настоящей изоляцией.
- computer control
- scoped local agent
- filesystem workflows
- real task automation
Opera Neon: браузер становится рабочей средой AI
Не просто поиск и ответы на странице, а агентская работа в web-интерфейсах: исследование, навигация, действия и совместные workflows с Desktop Commander.
- agentic browsing
- web research
- real UI workflows
- DC + Opera Neon
Viewoupe: Read. Reduce. Recall.
Open-source reading experiment: Focus, до трёх смысловых anchors, одна формулировка In my words и local-first Recall, который возвращает мысль до повторного чтения оригинала.
- human-centered interface
- memory layer over the web
- local-first recall
- open source
После эксперимента должно остаться что-то полезное.
Хороший эксперимент заканчивается не только выводом. После него может остаться рабочий код, инструкция, схема, чек-лист или небольшой инструмент. Так отдельные попытки складываются в систему и постепенно превращаются в экспертность. Посмотрите A1sCode, Viewoupe и реальные automation-кейсы.
A1sCode
AI-assisted software engineering: читаемые спецификации, архитектура, код, ревью и сохранение инженерного намерения.
AI-native websites
Сайт как живая база знаний: линейное чтение, эксперименты, артефакты, видео-сценарии и собственные инструменты.
Automation workflows
Связки AI + computer + browser + business systems, где результат можно проверить независимо от ответа модели.
Чем больше AI умеет делать за вас, тем важнее решить, чего ему делать нельзя.
Удобный доступ к файлам, браузеру и терминалу быстро становится риском, если не задать границы. Поэтому безопасность встроена в каждый эксперимент: отдельный пользователь, минимальные права, backup, пробный запуск и проверка результата. Перед первой автоматизацией начните именно с этих правил.
Хороший эксперимент должен суметь повторить другой человек.
Красивого финального результата недостаточно: важно сохранить, что было до него, какие шаги сработали и где возникли ошибки. Поэтому каждый LAB-кейс хранит контекст, действия и доказательства. Такой материал потом легко превратить в инструкцию, видео или консультационный шаблон. Используйте этот каркас для своего следующего эксперимента.
LAB-ID / DATE
CONTEXT → почему тема важна
QUESTION → что именно проверяем
SETUP → среда, инструменты, ограничения
ACTION → что реально сделали
EVIDENCE → чем доказан результат
EDGE → где обнаружилась граница
SECURITY → риски и защита
ARTIFACT → что можно повторить
VIDEO → hook · demo · explanation · conclusion
PRODUCT → во что это может превратитьсяНе только читать — взять и повторить.
Материал становится полезнее, когда из него можно что-то забрать. Поэтому сильные кейсы получают схемы, команды, чек-листы, конфигурации, исходники и готовые планы видео. Например, один эксперимент с Desktop Commander может дать статью, security checklist и демонстрацию. Откройте нужный артефакт и повторите шаги у себя.
Architecture diagram
Одна схема, которая объясняет систему быстрее длинного текста.
Reproducible workflow
Последовательность действий, которую другой человек может повторить.
Video script
Hook → проблема → демонстрация → разбор → ограничения → вывод.