🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Карта ИИ-инструментов: с чего начать, если ничего не понятно, а очень хочется:)
Если вы смотрите на эту карту и думаете: «Ого, тут слишком много всего», то это абсолютно нормально.
Я сам собрал и запустил уже с 10-к приложений и агентов, об одном из них вы уже знаете: Ссылка скрыта
Об остальных расскажу позже.
Первый раз я попробовал весной этого года. Я потратил кучу времени и токенов просто потому, что никто не подсказал мне с чего начать и в какой последовательности двигаться.
Вот вам небольшая подсказка и направление:
Новичку не нужно разбираться во всём сразу. Достаточно понять простую последовательность:
сначала научиться говорить с моделью, потом соединять сервисы, затем подключать свои данные, а уже после этого переходить к агентам и более сложным штукам.
Шаг 1. Начать с LLM
Для старта подойдут ChatGPT, Claude или Gemini. На этом этапе не нужно покупать API или собирать сложные схемы — достаточно бесплатного тарифа и обычной практики.
Самое важное здесь — научиться формулировать запросы. Хороший базовый шаблон очень простой: роль + задача + контекст + формат ответа. Этого уже хватает, чтобы получить качественный результат.
Шаг 2. Попробовать автоматизацию
Когда вы замечаете, что делаете одни и те же действия много раз, можно посмотреть в сторону n8n или Make.
n8n больше понравится тем, кто хочет гибкости и не боится чуть глубже разобраться в логике. Make — хороший вариант, если хочется начать попроще и визуально понятнее.
На этом этапе полезно собрать несколько маленьких автоматизаций для себя. Например: письмо → таблица, Telegram → Notion, форма → уведомление.
Шаг 3. Подключить свои данные
Если модель хорошо отвечает на общие вопросы, но теряется на ваших документах, заметках или рабочих материалах, значит пора познакомиться с RAG.
Для этого обычно используют LangChain или LlamaIndex. Смысл простой: вы загружаете свои материалы, а ИИ учится находить ответы именно в них.
Из векторных баз для старта можно посмотреть на Chroma или Qdrant. Не обязательно брать что-то сложное — сначала важно просто почувствовать принцип работы.
Шаг 4. Дойти до агентов
Агенты нужны тогда, когда хочется, чтобы ИИ не просто отвечал, а выполнял цепочку действий: искал, сравнивал, писал, проверял и отправлял.
Для первого знакомства подойдёт CrewAI. Если понадобится больше контроля, можно посмотреть в сторону LangGraph.
Но сюда лучше переходить только после того, как первые три шага уже более-менее освоены. Иначе всё быстро превращается в путаницу.
Шаг 5. Понять MCP
MCP — это способ подключить ИИ к реальным сервисам: почте, календарю, базам данных и другим инструментам.
Это уже более продвинутый уровень, но знать о нём полезно заранее. Когда до него дойдёте, станет понятнее, как собрать не просто эксперимент, а рабочую систему.
Шаг 6. Не забывать про безопасность
Когда ИИ начинают использовать в работе, важно смотреть не только на удобство, но и на контроль. Для этого есть инструменты наблюдаемости, тестирования и защиты.
LangSmith помогает понимать, что делает агент. Promptfoo полезен для проверки промптов. Guardrails-инструменты нужны, чтобы снизить риск ошибок и неожиданных действий.
Если совсем коротко:
Спроси → Соедини → Накорми → Отправь
1. Сначала просто пообщайтесь с моделью.
2. Потом соедините сервисы между собой.
3. Затем дайте модели свои данные.
4. И только после этого пробуйте агентов и автоматизацию.
Главное — не пытаться освоить всё за один вечер. Лучше спокойно пройти этот путь по шагам и собрать что-то полезное уже на первом этапе.
P.S. А по ом уже можно браться за скилы, переезд на правильные серверы, оптимизацию стоимости и т.д. Об этом отдельно расскажу)