Anthropic Academy:конспект всех курсов

Конспект всех образовательных курсов Anthropic по состоянию на 2026-09-10. Источники: Claude Academy (academy.claude.com; прежние адреса anthropic.skilljar.com и anthropic.com/learn редиректят туда), репозиторий github.com/anthropics/courses (5 курсов-ноутбуков) и блог Anthropic про подход к обучению. Прочитаны программы всех 24 курсов и полное содержание ~50 ключевых уроков (уроки открыты без логина). Все курсы бесплатны; после квиза выдаётся бейдж.

Карта курсов

Learning path «Claude Partner Network»: Agent Skills → Building with the Claude API → Intro to MCP → Claude Code in Action (вход в партнёрскую сертификацию).

Мышление: AI Fluency и 4D-фреймворк

Курс: AI Fluency: Framework & Foundations · 4 ч, 14 уроков · бесплатно, бейдж после квиза

Курс «AI Fluency: Framework & Foundations» написан Anthropic вместе с профессорами Риком Даканом (Ringling College of Art and Design) и Джозефом Феллером (University College Cork) — авторами фреймворка. Это «операционная система» для всех остальных курсов: каждый отраслевой курс — применение тех же 4D к своей области.

Почему «мышление, а не фичи»

Из блога Anthropic про подход к обучению — пять принципов: обучение должно расширять агентность человека (решать реальные задачи, а не показывать кнопки); учить устойчивым установкам, а не поведению под текущую версию продукта («сегодняшний ИИ — худший из тех, что вы будете использовать», «проверяй пропорционально ставкам»); смотреть на ИИ целостно (что делегировать, какие навыки сохранить, как раскрывать использование); учиться через практику и рефлексию; использовать ИИ как партнёра по обучению. Внутри Anthropic это оформлено как «ever-boarding» — постоянный онбординг: 4D-фреймворк, управление агентами, ограничения моделей, работа в человеко-агентных командах.

Четыре D

• Delegation (делегирование) — осознанно решать, что делать самому, что вместе с ИИ, что отдать ИИ целиком. Три компонента: problem awareness (понимаю цель и природу работы до того, как зову ИИ), platform awareness (знаю, что умеет и не умеет конкретная система), task delegation (разделение труда по сравнительным преимуществам). Цель — не автоматизация, а «самое эффективное партнёрство для этой задачи». Вопросы: что считается успехом; из каких частей состоит работа; какие части требуют именно человеческой экспертизы, оригинальности, суждения.
• Description (описание) — общение с ИИ как создание «совместной рабочей среды», а не написание промпта. Три слоя: product (что нужно: формат, аудитория, стиль, длина), process (как подойти: метод, шаги, рамка), performance (как себя вести: кратко/подробно, спорить/поддерживать). «ИИ не умеет читать мысли; качество результата определяется ясностью описания потребности, подхода и стиля взаимодействия».
• Discernment (различение) — критическая оценка того же на трёх слоях: product (точность, уместность, связность, релевантность, уровень детализации), process (логика, пробелы в рассуждении, обоснованность метода), performance (внимателен ли к вопросу, реагирует ли на фидбек, уместны ли тон и термины). Упражнение «эксперт»: взять свою сильную тему, попросить три разных объяснения, разобрать по трём слоям — экспертиза и есть инструмент различения.
• Diligence (добросовестность) — этика и ответственность: creation (какие системы выбираю, какие данные им отдаю, приватность), transparency (кому и как раскрываю роль ИИ), deployment (отвечаю за то, что выпустил: проверил, соответствует моим стандартам, беру ответственность). Шаблон «diligence statement»: какие системы использовал, как именно ИИ участвовал, как проверял, кто отвечает.

Три режима взаимодействия

Automation — ИИ исполняет по инструкции, человек проверяет. Augmentation — совместное мышление, партнёрство. Agency — человек настраивает знания и поведение ИИ, и тот работает самостоятельно в заданных границах. Один и тот же проект обычно смешивает режимы по задачам.

Две петли

• Внутренняя (Description ↔ Discernment) — тактика, «ремесло момента»: Describe → Discern → Refine (уточнить описание, попросить правку) → Integrate (добавить своё, принять решение, взять ответственность). Цель — результат лучше, чем у каждого по отдельности.
• Внешняя (Delegation ↔ Diligence) — стратегия и этика: стоит ли вообще, когда и как. Работает в обе стороны: решение делегировать порождает обязанности надзора, а этические ограничения меняют решения о делегировании. Ограничения здесь — «творческие катализаторы», а не тормоз.

Шесть базовых приёмов промптинга (из курса)

Дать контекст (что, зачем, фон); показать примеры; задать ограничения (формат, длина); разбить сложное на шаги; попросить сначала подумать; задать роль/тон. Промптинг итеративен; можно просить ИИ помочь улучшить инструкцию. Упражнение «Bad prompt makeover»: попросить Claude выдать плохие промпты и переписать их по трём слоям описания, затем поменяться ролями.

Учебный проект курса

Выбрать проект на час (коммуникация / исследование / креатив / обучение), в диалоге с Claude сформулировать критерии успеха, разбить на задачи и по каждой обсудить: какие навыки нужны, где сильнее человек, где ИИ, где точка сотрудничества. Именно «разговор, а не обмен утверждениями». Дальше этот план прогоняется через все петли.

Как устроена модель: AI Capabilities & Limitations

Курс: AI Capabilities and Limitations · 3.5 ч, 13 уроков

Курс-компаньон к 4D: «свойства машины, а не компетенции человека». Цель — уметь назвать категорию странного поведения, поместить задачу на спектр «возможность ↔ ограничение» и применить прицельное лекарство вместо перебора.

Откуда «характер»

Два этапа обучения: претрейнинг делает систему «дописывания документов» (никакого понятия о помощи пользователю); файн-тюнинг накладывает ассистентское поведение и опирается на человеческие оценки, поэтому оставляет четыре предсказуемых отпечатка: сикофантия (подтверждает ваши предпосылки вместо спора), многословие, переосторожность (хеджирование сверх реального риска), плохая калибровка уверенности (заявленная уверенность не совпадает с точностью). Тесты на себе: базовый прогон задачи → тот же запрос с заведомо неверной предпосылкой и затем с явным приглашением возразить; вопрос на одно предложение, затем «ответь одним предложением» — сравнить длину.

Четыре свойства

• Next-token prediction. Модель — «чрезвычайно сложный автокомплит». Сильна на «протоптанных тропах» (суммаризация, переформатирование, объяснение общеизвестного); слаба на редком/новом и там, где нужно отличать правду от правдоподобного. Ключевое: выдумки концентрируются в конкретике — имена, даты, цифры, цитаты, ссылки, URL. Чем точнее утверждение, тем выше риск галлюцинации. Лекарства: цитаты, сигналы неуверенности, ограниченная генерация, пары «генератор — проверяющий».
• Knowledge. Знает только то, что видела при обучении, с датой отсечки. Вопрос не «знает ли», а «насколько тема представлена в данных». Четыре типа отказов: устаревание, неравномерное покрытие (ниши, локальное, спорное), унаследованная предвзятость (взгляд «извне» на то, что «нормально»), амнезия источника (не помнит, откуда знает). Лекарства: веб-поиск, retrieval/RAG/MCP, инструменты.
• Working memory (контекстное окно). Фиксированный контейнер с обрывом, а не плавной деградацией: «работает, пока не перестаёт», причём усечение тихое. Внимание по длинному тексту неравномерно — «потеря в середине». Не учится на исправлениях между сессиями. Приёмы: front-loading (важное в начало), chunking (резать), re-supplying (повторно подать критичное), а также продуктовые механики — память, компакция, проекты, большие окна.
• Steerability (управляемость). Следование инструкции — паттерн-матчинг, а не понимание. Надёжно: короткие, конкретные, проверяемые указания; формат; лимит длины; роль. Ненадёжно: длинные цепочки зависимых шагов, абстракции, «родная» арифметика. Отказы: дрейф рассуждения (ранняя ошибка накапливается), буква вместо духа (сократил текст, когда надо было перестроить структуру). Правило: если инструкция выполнена буквально, но бесполезно — переформулируй цель, а не повторяй команду громче; в многошаговых задачах ставить контрольные точки.

Когда свойства сталкиваются

«Большинство реальных провалов — не одно свойство, а два одновременно».

Метод: описать провал (что просил, что получил, что не так) → назвать пару свойств → выбрать лекарство. «Назвать свойства — значит сразу увидеть фикс».

AI Fluency for Creative Work — курс для арт-директора

Курс: AI Fluency for Creative Work · 5 ч, 8 уроков · рекомендуется после Framework & Foundations

Написан теми же авторами (Дакан преподаёт в художественном колледже). Главная установка: стартовая позиция — без ИИ; с помощью двух линз и 4D вы сами решаете, нужен ли ИИ в вашей практике и где именно. Оба исхода — принять или отвергнуть — легитимны, если решение из анализа, а не по умолчанию. Первое упражнение — «снимок стартовой позиции»: описать отношения с ИИ и назвать главную тревогу из пяти: аутентичность, зависимость, согласие на посредственность, качество, собственная ненужность.

Линза ценности (Creative Value Lens)

Три измерения, чем работа ценна: выражение (какой опыт производит работа), связь (какие отношения между автором и аудиторией она создаёт), отличимость (чем не похожа ни на что другое). Измерения «толкают и тянут» друг друга; введение ИИ меняет все три. Аутентичность = реальные решения, заложенные в работу, плюс то, как аудитория эти решения воспринимает; сильнее всего бьёт по «связи». Упражнение: оценить три своих реальных работы по трём измерениям с обоснованием через детали работы, найти расхождение между своими ценностями и ценностями рынка, зафиксировать один trade-off. Вопрос на рефлексию: «какое измерение опаснее всего потерять незаметно?».

Линза производства (Production Lens)

Базовые ограничения любой работы: время, усилие, ресурсы. Технология не убирает ограничения, а перестраивает их. Центральная мысль: «ИИ сдвигает усилие с исполнения на направление» — исполнение дешевеет, а понимание, чего хочешь, и умение распознать качество становятся узким местом. Метод аудита реального проекта: разбить на стадии → назвать T/E/R каждой → для каждой стадии отметить, что ИИ понижает, повышает, сдвигает, добавляет нового → честно посчитать нетто. Следствие: «когда ограничения падают, линза ценности становится дифференциатором»: разница в качестве возникает из цели и специфичности, а не из скорости исполнения.

Внутренняя петля: описать практику и стандарты

«ИИ не может служить практике, которую вы не описали, а вы не можете оценивать результат по стандартам, которых не сделали явными». Практика описывается на трёх слоях: product (что создаю), process (как), performance (как веду себя как работающий автор). Стандарты процесса — на уровне отдельного шага, чтобы решать про ИИ пошагово, а не «весь пайплайн целиком». Упражнение — «Practice Articulation Workbook»: перевести практику в явный язык, вывести стандарты, применимые к любой работе (не только своей), откалибровать их на своих старых работах.

Внешняя петля: делегирование и добросовестность

Три стадии делегирования (осознать задачу → понять платформу → назначить конкретную работу) и три проверки (creation → transparency → deployment). Дефолт — не использовать; анализ решает, включать ли. Риски: немедленный — «использовать ИИ, не зная, чего хочешь»; долгосрочные — конвергенция (потеря собственного голоса, всё становится похожим) и атрофия навыка. Упражнение — «Decision memo»: один реальный проект, прогнанный через петлю, страница, которую можно защитить перед коллегой. Вопрос: «какую проверку хотелось пропустить и что это говорит о процессе?».

Пять ролей ИИ как исход делегирования

Единственный критерий разделения — попадает ли сгенерированный материал в финальную работу, которую видит аудитория.

• No AI — не участвует.
• Consultant — помогает в разработке, в финале его нет (референсы, критика, брейншторм).
• Tool Builder — создаёт элементы, которые автор существенно трансформирует (скрипты, заготовки, инструменты).
• Co-Creator — сгенерированный материал присутствует в финале.
• Medium — ИИ является основным средством создания.

Первые три — ИИ скрыт; последние две — виден. «Роли — словарь для решений, и у каждой свой профиль добросовестности» (объём проверки и раскрытия). Упражнение: отметить, где ИИ реально появляется в моих работах, и где границы могут сдвинуться; рефлексия — какие роли неловко признавать публично.

Итог курса: персональная AI-политика

Три вопроса: где ИИ уместен, а где нет (по режимам/типам работы); что и кому раскрываю (по аудиториям); когда пересматриваю политику. «Политика без триггеров пересмотра устаревает молча». Живая политика собирается так: решить роль ИИ для каждого режима работы; задать обязательства о раскрытии по типам аудитории; назвать триггеры пересмотра; прогнать через три реалистичных сценария; подписать. Принцип: «нет единой позиции по ИИ; она определяется на уровне режима и задачи».

AI Fluency for Builders

Курс: AI Fluency for Builders · 3 ч, 9 уроков

Курс для продактов и инженеров; сквозной учебный проект — портал времени ожидания клиники.

• Делегирование = сначала декомпозиция. Не «использовать ли ИИ здесь», а «разложить проблему и решить роль ИИ на каждом шаге». Делегировать реализацию безопасно, делегировать суждение — нет. Ценность строителя мигрирует в постановку задачи, поднятие планки качества и решения.
• Приёмочные тесты до кода. Написать конкретные проверяемые критерии готовности, которые сторонний человек может подтвердить без двусмысленности: «пользователь находит время ожидания за 30 секунд без регистрации», а не «система удобная».
• Цепочка описания. Потребность пользователя → продуктовое требование (измеримый скоуп) → техспецификация → инструкция ИИ → код. Строитель — переводчик на каждом звене; «ИИ не услышит того, что пользователь не сказал». Если «код работает, а продукт — нет», провал был выше по цепочке, не в промпте. «Тесты — самая точная форма описания»: прошедший тест при недовольном пользователе значит, что описали не то намерение.
• Discernment для UX. «Когда реализация быстрая, опыт становится дифференциатором». Четыре проверки сгенерированного интерфейса: ясность и ментальная модель пользователя (его словарь), иерархия информации (важное не спрятано), доступность (контраст, скринридер, клавиатура — «ИИ не делает доступность по умолчанию: задайте, затем проверьте»), обратная связь и ошибки. Правило: «описывайте опыт с той же точностью, что и функцию»; «сделай красиво» — не инструкция.
• Stand behind what you build. «Вы владеете исходом, а не выводом»; «ИИ помог» — не объяснение. Чеклист перед выпуском: понимаю ли, что делает код; прошли ли приёмочные тесты и краевые случаи (сервис недоступен, данные неполные, нулевое ожидание); кого мой продукт обслуживает плохо; могут ли выводы быть неверно поняты, раскрыта ли роль ИИ; какой механизм обратной связи после запуска. Прототип может быть небрежным; выпуск требует избирательной строгости.

Building Effective Human-Agent Teams + подход Anthropic к обучению

Курс: Building Effective Human Agent Teams (beta) · 45 мин, 5 уроков · плюс блог-посты Lessons on building effective human-agent teams и Anthropic's approach to teaching and learning AI

Короткий beta-курс для тимлидов, чьи команды используют ИИ «в одиночном режиме» и хотят перейти в «мультиплеер». Основан на внутреннем опыте Anthropic (Claude Tag в Slack, Managed Agents).

• Чем мультиплеерный агент отличается от чат-бота: собственная идентичность и креденшалы (команда решает, к чему у него доступ), общая память (растёт от взаимодействий всех участников — институциональная память), общий контекст (читает командные пространства сам, а не ждёт ручного ввода). Не начинает с нуля каждый раз.
• Четыре принципа сильной команды: ясные роли с подходящими инструментами (у каждого, включая агента); записанная «полярная звезда» — явная общая цель, которая позволяет агенту проактивно предлагать работу; постепенная передача автономии пропорционально доказанной надёжности; правильный доступ к информации — «если не записано и не доступно, для агента этого не существует».
• Нормы: работать прозрачно; давать широкий контекст; одно рабочее пространство; строить доверие пошагово. Для каждой повторяющейся задачи — кто ведёт, кто готовит черновик, как часто, как проверяется. Чем выше доля выполненного агентами, тем дороже рассинхрон.
• Что остаётся людям: ставить цель; решения, требующие суждения; одобрение не запрошенных предложений агента; проверка качества.
• Чеклист готовности (5 вопросов): информация открыта и ищется, а не лежит в личках и приватных документах? записано, кто чем владеет, включая агентов? у всех, включая агентов, есть инструменты? можно ли проверить ключевую работу агента рубрикой, тестом или вторым агентом до того, как её увидит человек? есть ли записанная полярная звезда?
• Как начать (первые две недели): 3–5 человек с высоким доверием в одном пространстве + один агент на общем проекте. Норма «решение, принятое на встрече или в личке, публикуется в тот же день». Ростер повторяющихся задач с единственным владельцем (пусть агент предложит ростер по доступной информации, затем утвердить). Первая задача — утренний брифинг для команды с ручной проверкой первые дни. Расширять полномочия по одному типу задач после серии успехов; для каждой задачи агента — явная рубрика «что значит прошло». Еженедельная ретроспектива с людьми и агентом, записанная. Ловушки: относиться к агенту как к персональному инструменту; держать решения в силосах; давать широкие полномочия до доказанной компетентности; пропускать ретро.

Claude 101 — claude.ai как рабочее место

Курс: Claude 101 · 2.5 ч, 13 уроков

Базовый курс про интерфейс claude.ai; содержательные части:

• Типовые проблемы и лекарства: общие ответы → добавить аудиторию, роль, ограничения; не та длина → назвать явно; не тот формат → показать пример; уверенные ошибки → проверять, просить цитаты, включать веб-поиск; не тот тон → описать словами и примером. Итерационная установка: первый промпт редко даёт готовый результат; фидбек давать конкретный («убери первые два абзаца, усиль действие», а не «короче»); если разговор ушёл в сторону — новый чат с более ясным промптом лучше, чем разворачивать старый.
• Простой eval для повторяющейся задачи: собрать 5–10 реальных примеров (письма, отчёты, анализы) → написать промпты с естественным контекстом → сравнить выводы с известным результатом (ключевая информация, тон, пропуски) → уточнить промпт, добавить примеры, отметить, где нужна проверка человека. Пример Рио: прогнал прошлые данные, которые уже анализировал вручную, увидел, что ИИ пропускает корреляции по типу программы, дописал это в промпт — получил «проверенный подход» на следующие кварталы с документированным контекстом. «Проверка строит уверенность, но не снимает ответственность».
• Проекты vs скиллы. «Проекты хранят знание, скиллы выполняют задачи». Проект = история чатов + база знаний (PDF, документы, CSV, Drive) + инструкции; при большом объёме знаний автоматически включается RAG (до 10× ёмкости). Инструкции проекта: контекст работы, шаги процесса, тон, требования к формату/цитатам. Практика: узкий фокус на кейс, актуальная база (устаревшие документы дают устаревшие ответы), явные инструкции, говорящие имена файлов (Claude ищет по именам), ссылаться на документы по имени в чате. Скилл = папка инструкций/скриптов, которую Claude подгружает под задачу; создаётся в диалоге (интервью о процессе, критериях качества, референсы) без кода; примеры — бренд-гайд для презентаций, формат протокола встречи, регламентный чеклист.
• Research mode. Агентное многошаговое исследование с цитатами (минуты работы). Когда: сводные отчёты из многих источников, сравнение конкурентов/вендоров, рыночный анализ, планирование сложного проекта, брифинги. Когда нет: быстрый факт (веб-поиск), 1–2 источника, приоритет скорости, рассуждение без внешних данных (thinking), внутреннее знание компании (enterprise search). Промпт: конкретная цель вместо «расскажи про», заданная структура разделов, параметры (бюджет, сроки, география); можно попросить Claude сначала улучшить промпт для Research.
• Кейсы по ролям: статус-отчёты, паттерны из фидбека клиентов, применение бренд-гайда через переиспользуемый скилл (общие); репурпоз контента по каналам, анализ метрик (маркетинг); онбординг-материалы (HR); таймлайны (юристы) и т. д. — с отсылкой к галерее кейсов.

Introduction to Claude Cowork

Курс: Introduction to Claude Cowork · 2.5 ч, 14 уроков

Cowork — Claude, работающий с файлами, папками и приложениями на компьютере пользователя; курс — от установки до ежедневной практики.

• Петля задачи: Delegate → Clarify (ответить на уточняющие вопросы, обычно кликабельные) → Steer (прервать, если ушёл не туда; «цена редиректа низкая», прерывать лучше, чем ждать и перегенерировать) → Review.
• Бриф из трёх частей: результат (точный формат и объём: «бриф на страницу», «ранжированный список с комментариями»), источники (какая папка, каналы, даты, приложения), нюанс (доменная экспертиза, которую ИИ не угадает: «учти три новые точки Q3»). Больше работы до старта, но обсуждение переезжает в «до», а не в «после». «Это не промпт чат-боту, а бриф толковому коллеге, который уйдёт и вернётся с готовым».
• Ревью черновика «как от человека, которому доверяешь, но ещё не знаешь»: соответствует ли цели; факты, цифры и источники (спросить, из каких документов взято); флаги выдумки — даты, имена, цитаты, которые нельзя проследить до входных данных. Почти верное — править точечно (правка быстрее регенерации); в корне неверное — промпту не хватило контекста, дать его.
• Стоячий контекст. Четыре кирпича, наращиваемых постепенно: глобальные инструкции (роль, потоки работы, аббревиатуры, формат/длина/тон; шаблон: «я — [роль] в [компании], работаю над [1–2 потока], аббревиатуры […], большинство результатов — [доки/деки/брифы], апдейты — кратко, сначала рекомендация»), проекты (инструкции + расписание + контекст-папки + накопленная память: «вне проекта каждая сессия начинается с нуля, внутри — каждый разговор добавляет знания»), скиллы (то, что объясняю повторно), плагины (упакованная экспертиза команды). Правило: если одно и то же исправление даёшь дважды — в глобальные инструкции.
• Scheduled tasks: /schedule → описать задачу и частоту (ежечасно / ежедневно / будни / вручную) → утвердить сгенерированный промпт; лучший путь — сначала сделать задачу вручную, проверить, потом превратить в расписание. На десктопе — когда компьютер включён (иначе очередь), в облаке (beta) — по коннекторам. Примеры: пятничный обзор недели, ежемесячная сводка метрик, утренний брифинг из календаря/заметок/почты.
• Безопасность: отдельная рабочая папка, а не Documents/Downloads; бэкап невосполнимого; критичные файлы вне досягаемости; новые воркфлоу — на копиях; явные формулировки для деструктивного («удали раздел из черновика, файл оставь»; «только три последних файла»; «никому не писать — только черновик»); расписания сначала в режиме «черновик на проверку»; три проверки в реальном времени — план перед действием, расползание скоупа (тронул файлы, которых не просили — стоп), диалоги подтверждения перед отправкой/публикацией. Не использовать для регулируемых процессов с аудит-трейлом, для отправки юридических документов и публичных анонсов, для чувствительных персональных данных вне ИТ-периметра.

Claude Code: 101 → in Action → Skills → Subagents → SDLC Playbook

Курсы: Claude Code 101 · Claude Code in Action · Introduction to Agent Skills · Introduction to Subagents · The AI-Native SDLC Playbook · документация Best practices for Claude Code

Пять курсов дают одну связную дисциплину. Ниже — слитная выжимка с приоритетом на «in Action», «Skills», «Subagents» и официальные best practices.

8.1 Главное ограничение — контекст

Контекстное окно — рабочая память; в него попадает всё: сообщения, прочитанные файлы, вывод команд; по мере заполнения качество падает, инструкции «забываются». Отсюда почти все практики. Команды: /clear между несвязанными задачами (новая фича — новый контекст, чтобы не тянуть предвзятость старого разговора), /compact <инструкция> («сфокусируйся на изменениях API») когда продолжаешь ту же задачу, /context — что занимает место, /btw — вопрос, ответ на который не должен остаться в истории. Экономия: конкретные промпты (расплывчатые заставляют читать лишнее), выключать неиспользуемые MCP-серверы (все их инструменты грузятся в контекст), субагенты для исследования. Правило двух поправок: если поправил дважды по одной теме — контекст замусорен неудачными подходами; /clear и новый промпт с учётом выученного «почти всегда обгоняет длинную сессию с накопленными правками». Антипаттерны: «кухонная раковина» (несвязанные задачи в одной сессии), бесконечное исследование без скоупа, раздутый CLAUDE.md, «доверяй, но не проверяй».

8.2 Explore → Plan → Code → Commit

Plan mode (Shift+Tab, или claude --permission-mode plan) — только чтение: исследовать, задать вопросы, попросить план (Ctrl+G — открыть план в редакторе и поправить), затем реализация с проверкой по плану, затем коммит/PR. «Итерировать план быстрее, чем убирать за исполнением». Планировать, когда не уверен в подходе, меняешь много файлов, не знаешь код; «если diff описывается одним предложением — план не нужен». Для крупной фичи: «проинтервьюируй меня через AskUserQuestion: техника, UX, краевые случаи, компромиссы; не задавай очевидного; в конце запиши спецификацию в SPEC.md» — и выполнять её в свежей сессии. Хорошая спека самодостаточна: файлы и интерфейсы, что вне скоупа, сквозная проверка в конце.

8.3 Дай Claude способ проверить себя

«Claude останавливается, когда работа выглядит сделанной; без проверки, которую он может запустить, «выглядит» — единственный сигнал, и петлёй проверки становитесь вы». Дать всё, что возвращает pass/fail: тесты, сборку, линтер, скрипт-дифф, скриншот браузера против макета. Уровни жёсткости: в одном промпте («напиши, прогони тесты, исправь») → /goal (отдельный оценщик перепроверяет условие после каждого хода) → Stop-хук (детерминированно блокирует конец хода, пока проверка не прошла) → «холодное второе мнение» (субагент-верификатор в свежем контексте пытается опровергнуть). Требовать доказательства, а не утверждения: вывод тестов, команду и её результат, скриншот. Для UI: «реализуй, сделай скриншот, сравни с оригиналом, перечисли отличия, исправь» (2–3 круга). Для багов: сначала падающий тест, потом фикс без права править тесты (хуком).

Верификация без присмотра («Trust it»): «чем меньше смотрел, тем больше проверяй». Оставлять auto-режим (классификатор не судит корректность, только опасность действий); начинать с diff, а не с резюме («аккуратное резюме читается отлично, а diff тронул файл, которого не ждал»): сначала файлы из плана, потом неожиданные; тесты — как гейт (Stop-хук, PostToolUse-линт), а не как обещание; для важного — холодное ревью свежей сессией/субагентом, который «ловит то, мимо чего исходный прогон себя уговорил».

8.4 CLAUDE.md, который соблюдают

«Чем тоньше файл, тем большая его часть соблюдается» — каждая строка конкурирует за внимание; раздутый файл заставляет игнорировать половину. Тест каждой строки: «если её убрать, Claude начнёт ошибаться?» — нет → вырезать. Включать: команды, которые нельзя угадать; стиль, отличающийся от дефолта; как тестировать; этикет репозитория; архитектурные решения; квирки окружения; неочевидные грабли. Исключать: то, что видно из кода; стандартные конвенции языка; документацию API (ссылка); часто меняющееся; описание файлов; «пиши чистый код». Фразировка: конкретно и проверяемо («новые роуты — в src/api/handlers, один на файл», а не «следуй best practices»); назвать замену, а не только запрет («именованные экспорты вместо default»); акцент как дефицитный ресурс — «IMPORTANT» только для 2–3 правил, поломка которых дороже всего. Четыре уровня (managed policy → user → project → local, все грузятся вместе); импорты @path — для порядка, не для экономии контекста (раскрываются при старте). Жёсткие правила — не в CLAUDE.md, а в pre-tool хуки. Относиться как к коду: ошибся Claude → добавить правило, а не чинить руками; /doctor предложит вырезать лишнее; если Claude спрашивает то, что уже написано — формулировка двусмысленна.

8.5 Скиллы, хуки, субагенты, MCP — что для чего

Правило: «если дважды напечатал одну и ту же многошаговую инструкцию — это скилл». Скилл = папка с SKILL.md (имя, описание-триггер, процедура) + тяжёлое в боковые файлы (reference.md грузится при необходимости, check.sh запускается напрямую); SKILL.md держать тонким; disable-model-invocation: true для воркфлоу с побочными эффектами (запуск руками через /имя). Первым строить verification skill: сам запускает тесты, читает diff, проверяет, что тесты не ослаблены ради прохождения, отчитывается с доказательствами — снимает зависимость «проверка случается, только если я вспомнил попросить». Троблшутинг: не срабатывает — описание не совпадает с тем, как я формулирую запросы (добавить фразы-триггеры, протестировать формулировки); не грузится — SKILL.md строго в подпапке, claude --debug; срабатывает не тот — описания пересекаются, сделать различимее; конфликт имён с enterprise-скиллом — переименовать; ошибки в скриптах — зависимости, chmod +x, прямые слэши; сначала прогнать валидатор скиллов.

8.6 Хуки

Превращают просьбы в гарантии: код в фиксированных точках петли. Ключевые события: PreToolUse (может заблокировать или переписать вызов — паттерн «редактировать, а не запрещать»: заменить sk_live_… плейсхолдером и разрешить), PostToolUse (форматирование, линт), Stop/SubagentStop (не дать закончить ход, пока условие не выполнено), SessionStart с матчером compact (после компакции напечатать краткую сводку файлов в работе — против «холодного старта»), PreCompact/PostCompact, InstructionsLoaded. Коды выхода: 2 — блокирующий, stderr уходит Claude как контекст; 1 — не блокирует (частая ошибка); JSON-решение allow/deny/ask/defer, updatedInput заменяет весь ввод. Claude сам напишет хук по просьбе («хук, который запускает eslint после каждой правки», «хук, который блокирует запись в migrations»).

8.7 Режимы разрешений

Manual (только чтение без вопросов), Accept Edits (правки и обычные команды без вопросов), Plan (только чтение и план), Auto (всё разрешено, отдельный классификатор проверяет каждое действие: блокирует прод-деплои, force-push, утечку секретов, разрушение сессии; проверяет намерение, не корректность — поэтому пара с Stop-хуком), Don't Ask (только заранее одобренные инструменты, остальное — тихий отказ; для CI и расписаний), Bypass (без проверок; только в изолированном контейнере). Сокращать вопросы allowlist-ами (/permissions) и песочницей (/sandbox).

8.8 Субагенты

Четыре характеристики хорошего субагента: конкретное описание (оно управляет и запуском, и тем, какое задание главный агент ему сформулирует — «укажи точно, какие файлы ревьюить» в описании заставляет главный поток перечислять файлы); структурированный вывод (разделы = точки остановки; без формата субагент не понимает, когда достаточно; пример: Summary / Critical / Major / Minor / Recommendations / Approval / Obstacles Encountered); отчёт о препятствиях (обходные пути, квирки окружения, флаги команд — иначе главный поток переоткрывает то же); ограниченный доступ к инструментам (исследование — Glob/Grep/Read; ревью — Bash для git diff, без Edit; изменения — Edit/Write). Решающий вопрос: «важна ли промежуточная работа?» Нужен только результат — субагент; нужно видеть и реагировать по ходу — главный поток. Лучшие применения: исследование кодовой базы, код-ревью «свежими глазами» (Claude критикует чужой код строже, чем свой), кастомные системные промпты (копирайтер с другим тоном; стилист, заранее загружающий дизайн-систему). Антипаттерны: «ты эксперт по Python» (ничего не добавляет), последовательные пайплайны из агентов (информация теряется на стыках; для багфикса особенно вредно), субагент-раннер тестов (прячет вывод, нужный для диагностики; худшая конфигурация в тестах Anthropic).

8.9 Управление длинной сессией

Скоупить в plan mode (читать план внимательно, не скользить), компактить с инструкцией что сохранить, Esc — остановить (контекст сохраняется), Esc Esc / /rewind — откатить код и/или разговор, «summarize from/up to here»; /goal — условие завершения, проверяемое по выводу («все тесты в src/billing проходят, тайпчекер без ошибок»); /loop — периодический промпт для внешних состояний (CI, деплой); worktrees — своя копия репо на каждую параллельную сессию (.worktreeinclude для env-файлов). Паттерн Writer/Reviewer в двух сессиях: свежий контекст не предвзят к только что написанному коду. Сессии именовать (/rename) и вести как ветки; claude --continue / --resume.

8.10 Автоматизация и распространение

Лестница: routines (промпт + репозиторий + коннекторы + триггер cron / HTTP POST / событие GitHub; на инфраструктуре Anthropic; /schedule daily dependency audit at 9am или claude.ai/code/routines; research preview, не чаще раза в час, пуш только в ветки claude/) → headless claude -p (пайпить данные, --output-format json + --json-schema для структурированного результата, jq; --resume с session_id для многошаговой автоматизации; пропускает автозагрузку хуков/скиллов/MCP — быстрее старт) → --bare для детерминированного CI → Agent SDK (Claude Code как библиотека внутри продукта). Fan-out: список файлов → цикл claude -p … --allowedTools → протестировать на 2–3, потом на всех; /batch раскидывает на 5–30 субагентов в своих worktree с PR. GitHub Actions: Claude в ревью PR. Плагины: скиллы + субагенты + хуки + MCP-конфиги (+ LSP, темы, кусок settings) одним установочным юнитом; /plugin install, командный marketplace; хуки плагина срабатывают на каждый подходящий вызов и исполняются с моими правами — ставить только из доверенных источников и читать содержимое; своя папка .claude уже почти плагин: .claude-plugin/plugin.json с именем (неймспейс компания:скилл).

8.11 AI-Native SDLC Playbook

Для лидов, у которых «агенты пишут большую часть кода, а гейты, ревью и хендоффы всё ещё на человеческой скорости». Шесть стадий: Plan — идея фиксируется как intent.md самим автором в диалоге с Claude (шаблон: Problem / Proposed outcome / Affected users and systems / Constraints / Open questions; версионируется в intent/ репозитория; метрики — время от разговора до коммита, доля intent-ов, дошедших до спеки, число правок intent после первой спеки); Design — требования и спека; Build — plan mode по умолчанию, CLAUDE.md, скиллы как институциональное знание, параллельные сессии; Test — дать Claude петлю обратной связи (единые команды make test/build/lint с примерами здорового вывода в CLAUDE.md; блок «Verifying your work: … прогони все три перед отчётом и вставь вывод; падает тест — чини код, не тест»; хук, запрещающий править тесты во время фикса) + непрерывные evals в CI; Deploy — ИИ в ревью PR, хуки как гейты одобрения, CI/CD; Maintain — метрика с базовой линией, детектор аномалий (правила Western Electric), ярусы ответа 1σ лог / 2σ диагностика / 3σ PR или заранее одобренный ранбук, результат агента — новый intent.md в очередь триажа. Метрики: first-pass CI success агентных изменений; время ревью на PR; доля находок, ставших мерджами.

Разработка на API: Platform 101, Claude API, MCP, Bedrock, Vertex

Курсы: Claude Platform 101 · Building with the Claude API · Introduction to Model Context Protocol · MCP: Advanced Topics · Claude with Amazon Bedrock · Claude with Google Cloud's Vertex AI

Пять курсов на одну тему для Python/TypeScript-разработчиков; Bedrock и Vertex — тот же 9-часовой курс с платформенной обёрткой. Что в них есть (справочно, для моих инструментов):

• Платформа и цикл агента (Platform 101): первый вызов; выбор модели по цене/скорости; цикл агента (модель → tool_use → результат → снова модель); tool use; thinking; встроенные инструменты; скиллы; MCP; управление контекстом; Managed Agents (агент как хранимая версия + сессии на инфраструктуре Anthropic с потоком событий); сборка через Claude Code.
• Building with the Claude API (9 ч): доступ и ключи, мультитёрн, системные промпты, temperature, стриминг, структурированные данные; prompt evaluations (типовой воркфлоу, генерация тестовых наборов, code-graded и model-graded оценка); техники промптинга (ясно и прямо, конкретно, XML-теги для структуры, примеры); tool use (схемы, обработка блоков, несколько инструментов, text-editor и web-search); RAG (чанкинг, эмбеддинги, BM25, мультииндекс, реранкинг, contextual retrieval); фичи (extended thinking, изображения, PDF, цитаты, prompt caching, code execution + Files API); MCP (сервер, клиент, инспектор, tools/resources/prompts); Claude Code и Computer Use; workflows vs agents (параллелизация, цепочка, роутинг; «агент» — когда модель сама решает путь).
• MCP (intro + advanced): сервер на Python-декораторах, инспектор в браузере, ресурсы (только чтение), промпты (инструкции воркфлоу), паттерны автодополнения и инъекции контекста; продвинутое — sampling (сервер просит клиента вызвать модель), лог- и прогресс-нотификации, roots (доступ к директориям с границами), типы JSON-сообщений, транспорты STDIO и Streamable HTTP, stateless-режим за балансировщиком.

Образование: Educators, Facilitators, K-12, Students

Курсы: AI Fluency for Educators · Teaching AI Fluency · AI Fluency for pK–12 Educators · pK-12 Train the Trainer · AI Fluency for Students

• AI Fluency for Educators — 4D в проектировании курса. Стадии: спланировать (какой курс/юнит, какая работа нужна, где моя экспертиза незаменима) → начать свежий диалог с документом «Teaching Context» (аудитория, пререквизиты, ограничения, критерии успеха), пригласить вопросы → строить через Description/Discernment: темы (принимать/отклонять с объяснением причин ИИ), карта пути на 3–4 занятия (попросить ИИ «встать на позицию студента» на переходах: где путаница, где нужны леса), учебные результаты (измеримые, связанные с требованиями программы; ИИ ищет пробелы и дубли) → документировать: проверка фактов, ключевые решения, отклонённые предложения, заявление о роли ИИ. Принцип: «контекст превращает общий ИИ в партнёра по преподаванию»; «улучшение важнее ускорения»; «ИИ — не педагогика, педагогика — вы».
• Teaching AI Fluency — как учить и оценивать 4D. Оценивать через три подхода: по результату (что создано), по процессу (как взаимодействовал: аннотированные логи, записанные комментарии), по рефлексии (дневник, личная политика, анализ своих решений); «наблюдаемые действия и артефакты надёжнее предположений о понимании». Признаки по D: Delegation — цели, декомпозиция, выбор инструмента; Description — качество диалога и итерации; Discernment — критическая оценка; Diligence — этика и подотчётность. Задания: три архетипа (outcome / process / reflection), принципы аутентичности (как в реальной профессии), итеративности, прозрачности («оцениваем процесс, не только результат»); рефлексия «только» утомляет — чередовать. Больше объёма работ → подробные рубрики, peer review, «молниеносные» короткие конференции, выборочная проверка. Учить через сценарии с точками решений, а не по компетенциям-галочкам.
• pK–12 + Train the Trainer. Личный «ценностный документ» учителя: Intentions / Principles / Boundaries — 2–3 правила для себя и «один вид работы, который всегда делаю сам»; разные модели — разные «личности» под разные задачи; держать ценности живыми (следить за исследованиями, пересматривать, обсуждать с коллегами). Кит тренера: дек, гайд фасилитатора, упражнения по возрастам, рабочая тетрадь — образец упаковки воркшопа.
• Students — ИИ как партнёр по обучению, а не замена. Различать «учусь» и «делаю за меня»; Description — настроить как тьютора («задавай вопросы, не давай ответ; проверь понимание, прежде чем идти дальше; генерируй задачи по нарастающей»); Discernment — честно спрашивать себя, учусь ли или потребляю; Diligence — «уметь объяснить и применить всё, что сдал». Протоколы: решение задач — только подсказки и вопросы; повторение — вопросы по нарастающей сложности; подготовка к экзамену — структурированные квизы с разбором ошибок; письмо — развивать аргументы через вопросы.

Организации: Small Business, Nonprofits, Enterprise

Курсы: AI Fluency for Small Businesses · AI Fluency for Nonprofits · Deploying Claude Enterprise with Confidence

• Приватность данных (Nonprofits). Некоторые сервисы учатся на вводе — подбирать уровень защиты инструмента под чувствительность данных; «ответственное использование, а не избегание». Чеклист перед загрузкой: где PII (имена, контакты, номера счетов); что реально необходимо для цели; можно ли анонимизировать без потери аналитической ценности; какой ущерб при утечке. Стратегии: делить задачу на части, убирать несущественное (анализ паттернов не требует имён), идти от цели к минимально нужным данным. Восстановление: удалить диалоги, запросить удаление, следовать протоколам организации; настройки обучения на диалогах — в приложении Claude.
• Human in the loop (Small Business). «Быть человеком в контуре — больше, чем надзор: вы решаете, какие проблемы ИИ вообще должен решать». Остаётся человеческим: решения, требующие суждения; отношения (личное обращение); подотчётность. «ИИ должен освобождать для более человеческой работы, не менее». Зависимость предотвращается не отказом, а пониманием: «можешь объяснить, что делает ИИ?». Рано договориться, куда уходит сэкономленное время, иначе тихий дрейф к чистой эффективности. AI-политика организации: утверждённые задачи (гранулярно: не «письмо», а «черновики ответов на типовые запросы»), защищённая человеческая работа (поимённо), механизмы подотчётности (надзор, прозрачность, протокол сбоев).
• Deploying Claude Enterprise. Пять решений, определяющих раскатку: структура и идентичность (одна организация или несколько, группы), доступ (какие поверхности каким группам, коннекторы), управление кастомизациями, расходы (лимиты и управление), видимость (что измеримо, сигналы адопции); решения взаимозависимы, менять позже дорого; «когда приходит новый продукт» — как встроить.

GitHub-курсы anthropics/courses

Репозиторий: github.com/anthropics/courses · пять курсов в Jupyter-ноутбуках: API Fundamentals · Prompt Engineering Tutorial · Real World Prompting · Prompt Evaluations · Tool Use

Пять ноутбуков-курсов (Python, на старой модели ради дешевизны), рекомендуемый порядок 1→5:

1. Anthropic API Fundamentals — ключ и первый запрос, формат messages, сравнение моделей, параметры, стриминг, vision.
2. Prompt Engineering Interactive Tutorial — 9 глав: базовая структура; ясно и прямо; роли; отделять данные от инструкций (XML-теги); формат вывода и «речь за Claude»; думать пошагово; примеры (few-shot); избегать галлюцинаций: дать «выход» («отвечай только если уверен»), сначала выписать цитаты-доказательства из документа и лишь потом отвечать, низкая temperature для фактов; сложные промпты для чат-бота, юристов, финансов, кода. Приложение: цепочки промптов, tool use, поиск.
3. Real World Prompting — промпт-инжиниринг как повторяемый процесс, а не разговор: точность, итеративное тестирование, масштабируемость. Шаблон промпта из 10 блоков (в этом порядке): контекст задачи → контекст тона → фоновые данные/документы → правила и детальное описание задачи → примеры → история диалога → непосредственная задача → «думай пошагово» → формат вывода → префилл. Разборы: медицинский промпт, суммаризация звонков, бот поддержки.
4. Prompt Evaluations — «неспособность измерить качество — главный блокер продакшена»; три способа оценки: human-graded (Workbench), code-graded (точное совпадение, классификация), model-graded (LLM как судья, кастомные рубрики); promptfoo как инструмент.
5. Tool Use — первый инструмент, JSON через tool use, полный воркфлоу, tool_choice, чат-бот с несколькими инструментами.

Сертификации (справочно)

Программа Claude Certification (с марта 2026, с июля — Pearson VUE): Claude Certified Associate — Foundations ($99, для ежедневных пользователей), Certified Developer — Foundations ($125), Certified Architect — Foundations ($125), Certified Architect — Professional ($175). 120 минут, проходной 720/1000, действует 12 месяцев с бесплатным продлением.