ИИ для начинающих: первые шаги с AI-инструментами

Не нужно каждый раз просить «начни с вывода» или «отвечай по-русски»: достаточно один раз написать это в поле инструкций, которое автоматически действует во всех разговорах. В ChatGPT это «Пользовательские инструкции», в Claude — «Инструкции для Claude», в Gemini — «Инструкции для Gemini», но у них различаются и название в интерфейсе, и расположение, и допустимое число символов. В ChatGPT лимит составляет 1 500 символов на Free и Go и 5 000 на Plus и выше (подняли в июле 2026 года), а Claude и Gemini лимит не публикуют. В этой статье мы проверяем расположение и лимиты по официальной справке трёх компаний и на основе официального руководства Anthropic по промптам показываем, как писать работающие инструкции, с примером. А случаи, в которых, по официальной справке, инструкции не действуют (внутри проектов и Gem-ботов, во временных чатах, в корпоративных аккаунтах), собраны в чек-лист.

Теперь, когда у ИИ появились «руки, которые пишут код», даже в одиночку можно создать продукт и выпустить его в мир. Но информация разбросана по этапам, и легко растеряться, не понимая, с чего начать. Эта статья — полная карта пути от идеи → проектирования → реализации → публикации → монетизации: она раскладывает соло-разработку на 5 фаз (решить → подготовиться → создать → выпустить → развивать), показывает на каждом этапе, что делать и какими инструментами пользоваться, а для глубокого погружения отправляет к отдельным руководствам. Это статья-хаб. Причём она ведёт по двум маршрутам — 🌱для новичков почти без кода и 🔧для практиков с кодом в ИИ-редакторе, так что, выбрав подходящий, вы дойдёте до работающего продукта без лишних кругов. Разработка на основе спецификаций, ИИ-конструкторы приложений, Claude Code/Cursor, встраивание ИИ-функций (API/RAG/шлюз), деплой, привлечение через SEO/AEO, монетизация, управление затратами и 5 ловушек соло-разработки с ИИ — всё собрано на одной странице со ссылками на практические руководства.

Именно те, кто бросил рисование со словами «не умею рисовать», найдут в ИИ-рисовании настоящую площадку для игр. Опишите словами картинку из головы — и она станет искусством; фото с телефона или детский каракуль меньше чем за минуту превращается в произведение. Это не сравнение инструментов и не серьёзный курс — это сборник идей для игры в одиночку или всей семьёй. От бесплатных инструментов для старта (ChatGPT, Google Gemini, Microsoft Copilot, Canva) до 10 идей (① каракуль в искусство ② фото в новом стиле ③ свой персонаж по сценам ④ детский рисунок как страница книжки ⑤ оригинальные эмодзи ⑥ комиксы в четыре кадра ⑦ миксы «а что, если» ⑧ свои раскраски ⑨ перепланировка комнаты ⑩ дуэли художников), маленьких хитростей для картинок получше и трёх вещей, которые нужно знать перед игрой (не используйте чужие лица, проверяйте права и коммерцию, помечайте как сделанное ИИ).

ИИ может стать другом-всезнайкой, поспевающим за детским «почему?», и рассказчиком сказок перед сном, но с детьми безопасность важнее веселья. Сначала расставляем 5 обещаний о безопасности (взрослый управляет и проверяет / проверьте возрастные ограничения / не вводите личных данных / объясните, что ИИ может ошибаться / задайте тон и время), затем даём таблицу возрастных требований, сверенных с правилами каждой компании (ChatGPT — с 13 лет, до 18 с разрешения родителей; Copilot — с 13; Claude — с 18; Gemini для детей младше 13 — через Family Link, где это доступно и разрешено родителем), пошаговые настройки для родителей (родительский контроль ChatGPT, Google Family Link, Microsoft Family Safety, временный чат на взрослом аккаунте) и частые ошибки. Дальше — 10 готовых занятий для копипаста: история, где ребёнок — герой, история, продолжение которой выбирают дети, спокойная сказка на ночь, профессор-всезнайка, викторина про животных и динозавров, приветствия на разных языках, рисование придуманного существа, раскраски, поделки и ролевая игра про чувства. С советами по возрасту и ответами на частые вопросы.

Для тех, кто застревает на «А что вообще спрашивать у ИИ?», собрано 30 «заданий», которые достаточно скопировать и вставить, чтобы получить интересный ответ. 6 жанров × 5 вопросов: узнать себя (скрытые сильные стороны, ценности, с каким животным сравнить), разгон фантазии и мир «а что если» (неожиданное применение обычных вещей, гравитация вдвое слабее, изобрести несуществующий праздник), объяснения, после которых кажется, что понял (квантовая механика для пятилетнего, сложные проценты тремя метафорами, как устроен интернет на примере доставки пиццы), игра слов (переписать в 10 стилях, микроистория в 2 предложениях, придумать прозвище, палиндромы), ролевые игры и советы (жёсткий лайф-коуч, мудрец с новой пословицей, письмо от себя из будущего, недоумевающий инопланетянин), полезно, но весело (оправдание как изречение, 5 степеней вежливого отказа, оживить сухое сообщение, драматичные названия блюд, весёлый крюк в списке дел). Работает на бесплатных ChatGPT, Claude, Gemini. С секретами интереса (наращивать «ещё», роль и ограничения, менять ИИ), предостережениями и ссылкой на статью-спутник «15 весёлых способов использовать ИИ».

Когда речь заходит об ИИ, всегда всплывает что-то серьёзное, но ярче всего ИИ раскрывается именно в игре. В этой статье — 15 весёлых способов использовать ИИ, и к каждому прилагается готовый промпт, который можно вставить прямо сейчас. Игра слов & юмор (① батлы шуток ② машина пародийных песен и рэпа ③ фабрика названий), ролевая игра & диалоги (④ разговор с исторической личностью ⑤ спор двух ИИ ⑥ тренировка спора с ботом-адвокатом дьявола), игры (⑦ текстовое приключение, где ИИ — гейм-мастер ⑧ собственная викторина ⑨ детективная игра), творчество (⑩ справочник по вымышленным существам ⑪ история, где герой — вы ⑫ игра с генерацией изображений) и быт & неожиданное (⑬ повар из остатков ⑭ маршрут в Древний Рим или на Луну ⑮ гадалка ради развлечения). Всё работает на бесплатных ChatGPT, Claude или Gemini (кроме № 12 — генерации изображений: Claude её не умеет, используйте ChatGPT или Gemini). Три ключа к веселью — задайте роль, свяжите ограничениями, наращивайте «ещё» — заодно служат основой практичного промптинга. С предостережениями (факт против вымысла, личные данные, игра с детьми) и разделом FAQ.

Ollama — стандартный инструмент с открытым исходным кодом для запуска локальных LLM, который берёт на себя почти всю утомительную настройку и позволяет скачать модель и начать диалог одной командой. В этом руководстве для новичков мы разберём весь путь от начала до конца: установку на Windows, Mac и Linux, основные команды, выбор моделей по размеру и VRAM, добавление GUI вроде Open WebUI, использование локального и совместимого с OpenAI API для встраивания в приложения, настройку через Modelfile и переменные окружения, а также решение типичных проблем.

Переобучать гигантский ИИ с нуля слишком дорого, но хочется настроить его под себя; LoRA (Low-Rank Adaptation) исполняет это желание, замораживая исходную модель и обучая лишь крошечную навесную деталь (адаптер), сокращая обучаемые параметры до менее чем 1% от исходной модели. LoRA делает файнтюнинг заметно дешевле и быстрее и чрезвычайно популярна в генерации изображений вроде Stable Diffusion как маленький файл, добавляющий персонажа или стиль. Статья объясняет её через аналогию заплатки. LoRA — флагман параметрически эффективного файнтюнинга (PEFT): огромные исходные веса остаются замороженными, в каждый слой вставляется небольшая навесная матрица, и обучается только она (W = W0 + BA, где W0 заморожена, а BA — небольшая добавленная часть). В основе — гипотеза, что адаптация ИИ не требует больших изменений (достаточно низкого ранга), которую подтвердили эксперименты оригинальной статьи (хотя в математике и программировании, по сообщениям, LoRA уступает полному обучению). Преимущества: обучаемых параметров меньше 1% от исходных (в оригинальной статье для GPT-3 175B — примерно в 10 000 раз меньше), меньше памяти GPU при обучении (там же 1,2 ТБ → 350 ГБ), быстрее и дешевле обучение, без задержки при инференсе после слияния адаптера, и модель меньше забывает исходные способности. Главная сила — сменные адаптеры: держите одну общую базу и мгновенно меняйте маленькие файлы LoRA под каждый случай (поддержка, тон компании, конкретный персонаж). Многие впервые встречают LoRA в генерации изображений, где широко распространяются LoRA для Stable Diffusion, обучённые персонажу, стилю или объекту (добавить стиль, обучить персонажу, лёгкие и удобные для обмена). QLoRA сочетается с квантизацией, обучая LoRA поверх базы на 4-bit: по статье, модель 65B, которой при полном обучении в 16 битах нужно более 780 ГБ, дообучается на одном GPU с 48 ГБ, а 33B — на потребительском GPU с 24 ГБ, с результатами на уровне 16-битных методов (сравнима ли 33B и 65B с полным обучением, статья, по её словам, не проверяла). По сравнению с полным файнтюнингом (обучение всех весов) LoRA отличается обучаемыми весами, стоимостью, результатом и областью применения; для большинства задач LoRA достаточно. Базу оставь как есть, приправляй понемногу. Цифры получены в условиях экспериментов оригинальной статьи и других работ, ориентировочно.

Огромная модель 70B, работающая на одном домашнем ПК вместо стойки дата-центровых GPU (то, что не влезает в потребительскую GPU, берут на себя CPU и оперативная память), возможна благодаря квантизации, которая снижает числовую точность весов модели, чтобы резко уменьшить размер и память. Если дистилляция переносит знания в отдельную меньшую модель, то квантизация делает ту же модель легче. Статья объясняет это через аналогию со сжатием фотографии. Квантизация заменяет веса, хранящиеся как дробные FP16/FP32, целыми INT8 (8-бит) или INT4 (4-бит), сокращая байты на вес (FP32=4, INT8=1, INT4=0,5); как сжатие RAW-фото в JPEG, жертвуем малой точностью ради большого выигрыша, и удивляет, как мало вы теряете. По памяти 4-bit использует около четверти от FP16: модель 70B падает с ~140GB до ~35GB, а 8B при 4-bit — ~4.5-5GB, умещаясь в средний GPU с 8GB VRAM для локального запуска (демократизация LLM). По точности INT8 почти без потерь, а INT4, по имеющимся данным, деградирует менее чем на 4% на обычных Q&A и задачах на здравый смысл, но потеря заметнее для математики, генерации кода и сложных рассуждений (проявляется как небольшой рост перплексии), поэтому выбирайте разрядность под задачу. Основные методы: GPTQ (первопроходец точного 4-bit), AWQ (защищает ~1% самых важных весов; превосходит ли он GPTQ, зависит от оценки), GGUF (формат llama.cpp/Ollama, Q2_K-Q8_0, гибрид CPU+GPU, для локального) и QLoRA (4-bit база плюс LoRA для файнтюнинга на потребительском GPU). Это отличается от дистилляции (перенос в отдельную малую модель) и файнтюнинга (добавление знаний задачи), и эти три обычно комбинируют (квантизовать дистиллированную модель; файнтюнить квантизованную базу). Чтобы начать, запустите модель GGUF с Ollama одной командой, выберите Q4/Q8 по VRAM и избегайте INT4 для кода или точной математики. Большинство крупных моделей поставляются уже квантизованными, так что вы просто скачиваете и используете их. Сохраняем ум, убираем только вес. Цифры взяты из публичных материалов, ориентировочны.

Огромный, высокопроизводительный ИИ умён, но тяжёл и дорог; дистилляция моделей (knowledge distillation) решает это, перенося знания крупной модели-учителя в небольшую модель-ученика и сохраняя близкую к учителю производительность при гораздо меньшем размере и большей скорости. Статья объясняет это через аналогию «учитель — ученик». Ключ — soft labels: обычное обучение учит только «ответ — кошка» (hard label), а дистилляция передаёт всё распределение вероятностей учителя, например «90% кошка, 8% собака, 2% лиса», чья степень сомнения несёт богатую информацию; параметр temperature смягчает вероятности, открывая тонкие отношения (реальный пример: функция API OpenAI 2024 года для обучения малых моделей на выходах крупных). Преимущества: быстро и дёшево, намного компактнее при близкой к учителю производительности (TinyBERT: в 7,5 раза меньше, более 96,8%), работа на edge, сила в специализации. Два подхода: white-box (полный доступ к весам и внутренним представлениям, более глубокий перенос; для своих или OSS-моделей) и black-box (видны только выходы/ответы API; чужой API как учитель может нарушать условия). Отличается от квантизации (сжатие точности весов той же модели) и fine-tuning (дообучение существующей модели под задачу) — дистилляция переносит знания в отдельную малую модель, и все три комбинируемы. Правовая сторона стала большой темой 2026 года: технология легитимна, но OpenAI, Anthropic и xAI имеют анти-конкурентные положения о дистилляции, запрещающие использовать выходы для создания конкурирующих моделей, поэтому дистилляция конкурента из ограниченного API может нарушать условия. Спор OpenAI против DeepSeek (OpenAI заявила, что связанные с DeepSeek аккаунты обходили ограничения, чтобы получить выходы для дистилляции, тогда как условия DeepSeek, по сообщениям, разрешают дистиллировать её выходы) показывает, что оценка зависит от того, чьи условия API применяются, а Claude Fable 5/Mythos 5 переключают запросы, помеченные как дистилляция, на менее мощную модель Opus. Советы: используйте свои или лицензированные OSS-модели как учителя, проверяйте анти-дистилляционные положения перед использованием коммерческого API и оценивайте, не является ли использование «разработкой конкурирующей модели». Ум — от большой модели, эксплуатация — от малой, но выбор учителя меняет результат технически и юридически. Цифры приведены по открытым материалам, ориентировочно.

В статье «Как построить мультиагентную систему» мы советовали инструментировать каждую передачу управления до добавления агентов; технология, которая обеспечивает это в продакшене, — наблюдаемость ИИ. Она делает видимым то, что LLM и агенты на самом деле делают в продакшене (какая модель с каким промптом, какие инструменты и поиски, что возвращено, сколько времени и денег), чтобы можно было проследить путь до причины. Решающее отличие от обычного мониторинга: ИИ может вернуть 200 OK за 50ms и при этом уверенно галлюцинировать, поэтому большинство сбоев ИИ — это сбои качества (галлюцинации, слабое извлечение, небезопасные ответы, незавершённые задачи, плохое использование инструментов, регрессии после изменения промпта), а не инфраструктуры. Наблюдаемость опирается на три столпа: trace (один запрос как дерево span с вызовами LLM, инструментами, извлечением, цепочками рассуждений; главный элемент наблюдения ИИ), метрики (задержка, стоимость, токены, частота ошибок, пропускная способность) и логи (детали по событиям). Отраслевой стандарт — соглашения GenAI в OpenTelemetry — фиксирует промпты, ответы, использование токенов и вызовы инструментов/агентов в схеме без привязки к вендору, которую можно направить в Datadog/Grafana. Чаще всего путают наблюдаемость и оценку (evals): наблюдаемость показывает, что произошло (легко измерить, но нельзя сказать, верен ли ответ), а evals измеряют, хорош ли ответ (точность, groundedness, безопасность), и требуют явной оценки. Поскольку стоимость и задержку измерить легко, а качество ответа — нет, инструменты 2026 года совмещают показ trace с оценкой выходов и оповещениями о деградации. Метрики делятся на операционные (стоимость, задержка, токены, частота ошибок) и качественные (галлюцинация, groundedness/достоверность, важнейшая для RAG, безопасность, завершение задачи); обнаружение галлюцинаций — через LLM-as-a-judge, семантическое сходство и оценки groundedness. Основные инструменты: LangSmith (LangChain), Langfuse (open-source self-host), Arize Phoenix (отладка RAG), MLflow (жизненный цикл), AgentOps (агенты) и OpenTelemetry (стандарт). Начните со сбора trace (совместимо с OpenTelemetry), визуализируйте операционные метрики, затем подключите evals до выпуска. Для мультиагентных систем наблюдение необходимо, так как сбои прячутся в многошаговых цепочках, видимых только в trace всей сессии. Наблюдать плюс оценивать — вот что делает ИИ продакшен-уровнем. Иллюстрации и характеристики приведены по публичным материалам, как ориентир.

Теперь, когда ИИ-агенты стали обыденностью, следующий вызов — как заставить агентов работать сообща. Если MCP соединяет агента с его инструментами, то A2A (Agent2Agent) соединяет агента с другим агентом — это открытый стандарт, позволяющий ИИ, построенным на разных платформах и фреймворках, находить друг друга, общаться и сотрудничать через общую договорённость. Google выпустил его в апреле 2025 года, в июне передал Linux Foundation, и в 2026 году он достиг версии v1.0. Это руководство для новичков объясняет, что такое A2A (аналогия с этикетом делового партнёрства), зачем он нужен (специализированные агенты передают работу по эстафете — агент планирования, агент бронирования отелей, агент оплаты), чем отличается от MCP (MCP — это вертикаль, агент ↔ инструменты; A2A — это горизонталь, агент ↔ агент; совмещение обоих — стандартная двухслойная схема), как это работает (Agent Card — JSON-«визитка» по адресу /.well-known/agent-card.json — используется для обнаружения возможностей, затем Task несёт запрос через состояния working, input-required, completed, а Artifact возвращает результат, и всё это поверх HTTP, Server-Sent Events и JSON-RPC 2.0, причём агенты держат своё внутреннее устройство скрытым), а также каково текущее состояние и реализация (по состоянию на апрель 2026 года: 150+ поддерживающих организаций, 22 000+ звёзд на GitHub, SDK на пяти языках — Python, JavaScript, Java, Go, .NET — при участии Microsoft, Salesforce, SAP и ServiceNow). Запомнить просто: подключение к инструментам = MCP, подключение к равным = A2A.