Общая шкала, по которой мы измеряем, как именно команда работает с AI сейчас — и куда движется дальше.
| Уровень | Аналогия (вождение) | В работе с AI |
|---|---|---|
| L0 · Manual | Нет автоматизации, ты контролируешь всё | AI не используется в рабочих процессах |
| L1 · Assistive | Круиз-контроль, подсказки на полосе | Черновики через ChatGPT от случая к случаю |
| L2 · Partial | Машина рулит и разгоняется, ты наблюдаешь | Общие AI-воркфлоу, есть постоянный контекст |
| L3 · Conditional | Едет по трассе сама, ты — на сложных участках | Процессы перестроены вокруг AI, человек — архитектор, который всё запускает и смотрит контрольные точки |
| L4 · High | Едет сама почти везде | Агенты работают автономно, человек задаёт стратегию и вмешивается только в исключительных случаях |
Мы ставили цель: переход в L3 за 2 месяца
Пять шагов, которые команда уже прошла с начала программы — от теории до первой QA-встречи по декомпозиции процессов.
Блок 1 «AI-эволюция команды»: аудит AI-зрелости, шкала уровней L0–L4, целевой уровень L3 и разрыв между командой и целью. Блок 2 «Ландшафт AI-систем и Токеномика»: карта экосистем моделей, устройство токена и контекстного окна, техническая настройка, структура SKILL.md, принцип работы MCP и правила обращения с ключами.
Установили Cursor и подключили Claude Code — рабочая CLI-среда для агентной работы поднята у обоих участников программы. Это техническая база, на которой дальше разворачиваются скиллы и MCP.
Подключили пакет модуля M1: /honexauto-onboarding (фиксирует роль, 5 правил AI Mandate, стартовый уровень по шкале L0–L5 и поведенческий профиль — из них строится архитектура личного ассистента), /context-engineering (проектирование контекста агента и диагностика, почему он выдаёт слабый ответ), /daily-log (ежедневный чек-ин прогресса по своему процессу автоматизации, баллы идут в общий счёт AI Champion), /atomize (разбор текста и заметок на атомарные идеи со связями между ними) и /reflect (еженедельное ретро — дельта к базовой линии, что оставляем, что меняем).
Дали агенту «руки» — выход за пределы чата. Google Calendar и Gmail — через self-hosted MCP-пакеты (читать и создавать события, проверять занятость, читать, искать и отправлять письма); встроенный коннектор Claude Code для календаря на момент настройки не сохранял токен, обошли через отдельные npm-серверы. Telegram — через telegram-mcp в Docker: чтение истории чатов, поиск сообщений, черновики ответов — когда контекст задачи лежит в переписке, а не в самом Claude Code.
Разобрали декомпозицию на конкретном кейсе — задаче Ивана «Таблицы и отчётность» (7 шагов, от передачи шаблона агенту до фиксации правил на будущее), с явной таблицей вход / действие агента / результат / кто решает. Второй кейс — «Склад» (Сергей) — в работе.
Дело не только в связке Cursor + Claude Code как таковой. Команда до программы уже решала свои задачи через Codex — и переход на Claude Code воспринимается не как апгрейд, а как смена привычного инструмента без очевидной выгоды взамен.
14 скиллов курса и 4 MCP-сервера: какую боль каждый закрывает, что происходит под капотом, и насколько это переносимо на Codex вместо Claude Code.
| Skill | Боль закрывает | Как работает | Адаптация под Codex |
|---|---|---|---|
| Руки агента | |||
| /hands-setup | Агент «без рук» — не может открыть файл с остатками или прайс поставщика, пока руки не подключены. | Гейт выбора: сначала вопрос «где физически лежат данные», потом один из двух путей. Путь 1 — плагин Anthropic document-skills (xlsx/docx/pptx/pdf), под капотом Python openpyxl/pandas, без OAuth. Путь 2 — Playwright MCP (npx @playwright/mcp --isolated) для сайтов и прайсов в вебе. Осознанно не подключает live Google Sheets и COM-мост к Excel — слишком много точек отказа. |
ЧастичноPlaywright MCP переносится как есть. Плагин document-skills ставится через Claude-специфичный marketplace. |
| Память процесса | |||
| /run-log | Дельта «агент против человека» живёт только в памяти участника и к финалу теряется. | Файловая механика: CSV runs.csv с фиксированными полями (дата/процесс/тип/минуты/вход/выход/фикс), одна строка = один append сразу после прогона. Гейт-данные перед уроком 3: ≥3 manual + ≥5 agent + ≥1 самостоятельно исправленный провал. |
ДаУниверсальная файловая операция, без Claude-специфики. |
| /remember | Агент стартует с нуля каждую сессию и переспрашивает то, что уже объясняли. | Один факт = один файл в memory/, индекс MEMORY.md по темам, не по хронологии. Перед ответом «не знаю» — обязателен Grep по всей папке. Раз в 2–4 недели — ревизия актуальности. |
ДаУ Codex тоже нет встроенной долгой памяти — тот же файловый паттерн подходит. |
| Ресёрч | |||
| /lightresearch | Полная проверка на запрос «дай цифру с источником» — оверкилл, сжигающий бюджет. | Паттерн scope→search→fetch→verify→synthesize без 3-голосой верификации — один проход на факт. Бюджет ~15–20 сабагентов. Дефолтный режим; эскалация в deep — только при противоречии источников. | ЧастичноИсполняется через кастомный Workflow-инструмент этой среды — у Codex готового аналога нет. |
| /deepresearch | Наивный фан-аут (агент на каждый факт) даёт ~100+ сабагентов и счёт как за рабочий день. | Тот же движок, но с гейтом стоимости до старта (скаут ~$1 / light ~$3 / standard ~$7–8 / deep ~$15), тремя разными линзами верификации на central-факты, тирами источников и матричным режимом для таблиц «N объектов × M признаков». | ЧастичноМетодология переносится; код оркестрации — нет, нужен порт под subagents Codex. |
| Длинные и повторяющиеся задачи | |||
| /harness | На задаче >50–100K токенов агент галлюцинирует и требует вмешательства каждые ~30 минут. | Внешняя файловая оболочка: task.md + progress.md + step-NN-output.md на каждый шаг. Каждый шаг стартует с чистым контекстом, читает только файлы предыдущего шага. |
ДаОграничение контекстного окна общее для любого LLM-CLI. |
| /software-factory | Без конвейера человек — узкое место, масштабируется только наймом. | Файловая очередь queue/ → processing/ → done/ + лог, шаблон тикета, фиксированный промпт исполнителя. Параллельный запуск — несколько задач через git worktrees. |
ДаWorktree-каталоги работают так же через codex --dir. |
| /n8n | Рутина повторяется вручную 3+ раза без триггера — ручной шаг убивает привычку. | Справочник рецептов для внешнего инструмента n8n (Schedule / Trigger-on-file / Webhook / Chain). Правило входа: автоматизировать с 3-го повтора, не раньше. Доступ к инстансу компании — через координатора. | ДаОписывает внешнюю систему, не зависит от CLI-агента. |
| Качество и стоимость | |||
| /eval | Десятки результатов агента — вручную читать каждый нет времени. | 3-уровневая система: 50% авто-тест по формату → 40% LLM-as-Judge по смыслу ($0.01–0.05) → 10% спорных случаев человеку. Судья выдаёт PASS/FAIL/NEEDS_REVIEW по фиксированному промпту. | ДаОбщий паттерн LLM-as-Judge, работает с любой моделью-судьёй. |
| /cost-audit | Сессия внезапно стоила $50–370 — непонятно, во что ушли деньги. | 3 шага: авторитетная цифра только из /cost / Console (никогда наивный подсчёт по сырому JSONL) → разбивка по модели/фазе/паттерну → 2–3 рычага экономии, не 20. |
ЧастичноМетодология переносится; источник данных и скрипт дедупа завязаны на формат Claude Code. |
| /agent-retro | Промпт скилла деградирует без обратной связи, агент ошибается на 20–30% кейсов. | 4-шаговый цикл: сбор прогонов → Evaluator находит разрыв ожидание/результат → Generator переписывает промпт с few-shot → тест на прежних провалах, человек апрувит. | ДаМетодология работы с текстом промпта не зависит от рантайма. |
| Множественные точки зрения | |||
| /council | На стратегическом решении агент подстраивается под «мнение начальника» — групповое мышление маскируется под консенсус. | 3–5 персон-экспертов как независимые сабагенты, каждый со своим контекстным окном. После дебата — отдельный проход Meta-Analyst: ищет общие слепые пятна всего консилиума. | ДаЕсть и у Codex (subagents, GA март 2026) — переносится с заменой механизма вызова. |
| /multi-agent | Один агент на всех ролях = усреднённое качество, нет независимости мнений. | Три паттерна: Consilium (упрощённый /council), Fan-out (агент на объект массива, параллельно), Retro (агент правит свой промпт сам). Плюс правило, когда переключаться на Ollama вместо облака. | ДаПаттерны переносимы через subagents Codex. |
| MCP | Боль закрывает | Как работает | Адаптация под Codex |
|---|---|---|---|
| Google Drive | Данные лежат в Google Docs/Sheets, а не в файле на диске — приходится экспортировать вручную. | Два пути: (1) нативный коннектор Google Workspace в Claude.ai/Desktop — читает и сравнивает файлы в чате, но не редактирует существующие; (2) community MCP-серверы с собственным OAuth — риск еженедельного отзыва токена у неверифицированных приложений. | ЧастичноMCP-серверы подключаются как обычно; нативный коннектор — фича интерфейса Claude, не протокола MCP. |
| Granola | Встречи транскрибируются, но заметки и решения не попадают в рабочий контекст агента. | Официальный Granola MCP: список встреч, поиск по названию, полный текст заметок/транскрипта/action items. На бесплатном тарифе — только встречи за последние 30 дней. | ДаОфициальный MCP-сервер, стандартный протокол. |
| WA | Рабочие задачи обсуждаются в WhatsApp и нигде не фиксируются. | Официального сервера нет — десяток community-реализаций (чаще всего через личный WhatsApp Web, реже — Business Cloud API). Общий риск: личный номер привязывается к серверу, часть реализаций формально нарушает ToS WhatsApp. | СложноТехнически переносимо, но отсутствие официальной поддержки не меняется от смены CLI. |
| Miro | Декомпозиция процессов ведётся на Miro-доске — переносить карточки туда вручную рутинно. | Официальный remote MCP (mcp.miro.com), OAuth 2.1. Читает содержимое доски и создаёт/обновляет доски, диаграммы, таблицы, code-виджеты. |
ДаОткрытый remote MCP, задокументированы инструкции для ряда клиентов. |
Локальное хранилище заметок поверх обычных Markdown-файлов — без облачного вендора, полностью переносимо. Методология — Zettelkasten: одна идея = одна заметка, а связи между заметками важнее папок и тегов. Мысль сначала попадает во Fleeting Note (черновик в Inbox), затем оформляется в Atomic Note со связями — и только на этом этапе становится материалом для совместного мышления с агентом, а не потерянной строчкой в переписке.
Роль AI здесь — не хранить, а обрабатывать: атомизировать сырые заметки (тот же принцип, что уже работает в подключённом /atomize), искать связи между новой идеей и накопленным архивом, и по запросу собирать из заметок готовый документ или презентацию. Из community-расширений — Smart Connections (автопоиск связей) и Copilot (чат прямо с базой).
Агент по умолчанию не умеет открывать большинство реальных рабочих файлов — Read не читает бинарные форматы: .xlsx, .docx, .pptx, .pdf. А это ровно те форматы, в которых лежит вход у большинства бизнес-процессов — прайсы, остатки, отчёты, документы.
Агент вызывает Python (py -3) напрямую через Bash и открытые библиотеки: openpyxl и pandas — читать и считать Excel, python-docx — Word, python-pptx — презентации, pdfplumber — PDF, xlsxwriter — писать Excel с форматированием. Ставится один раз (pip install ...) и дальше работает офлайн, без подписок и лицензий.
Шесть компонентов, которые вместе и дают переход с ситуативного использования AI на системное — когда через агента закрывается 90–100% рутинных задач.
Скиллы и MCP подбираются под стартовый уровень команды L0–L5 и реальные бизнес-задачи — не общий пакет на всех, а точка входа, которую команда может реально осилить.
Персонализация здесь начинается с измерения: по каждой задаче, которую сотрудник делал руками, сначала фиксируем baseline — сколько времени она реально занимала. Дальше автоматизируем не абстрактный процесс «для отрасли», а конкретный бизнес-процесс компании, и сверяем результат с той же меркой. Экономия времени становится фактом в часах, а не оценочным ощущением.
Блок теории до практики: как устроены модели и токеномика, что физически происходит с контекстным окном, из чего состоит SKILL.md и как работает MCP («мозг и руки» агента).
Без понимания механики участник не может сам починить или адаптировать настройку, когда типовой рецепт не сработал на его задаче — и откатывается к работе руками. Теория здесь не формальность, а то, что удерживает человека в системе, когда что-то пошло не по шаблону.
Пошаговые инструкции с отдельным разделом troubleshooting под каждое подключение (Telegram MCP, Google Calendar/Gmail MCP), плюс QA-встречи, выделенные специально под технические долги подключения.
Не на понимании AI, а на банальной технической установке — застрял на OAuth-окне или Docker-контейнере и бросил. Без выделенного саппорта прогресс стопорится на самом первом шаге, до содержательной работы так и не доходят.
Аудит по каждому сотруднику — что делается руками, сколько часов в месяц, насколько полно можно автоматизировать и какое влияние на прибыль. Старт — с процессов на пересечении «легко» и «заметно» (например, «Таблицы и отчётность» — 5 ч/мес, автоматизируется полностью, влияние 6 из 10).
Если начинать со сложного процесса, мотивация гаснет раньше, чем появляется результат. Наложение на реальные, а не абстрактные задачи компании — это то, что превращает обучение в измеримую экономию часов.
Личный ассистент (COMPANY.md + AGENT-PERSONALITY.md) наполняется поэтапно по роадмапу M1→M2→M3. Еженедельный цикл /daily-log → /reflect фиксирует дельту к базовой линии и правит паттерны поведения агента.
Реальная автоматизация — не разовая установка, а процесс, который агент проходит вместе с сотрудником: расхождение между тем, что нужно человеку, и тем, что агент умеет, иначе только растёт со временем.
Metaskill — навык переносить свою модель поведения (как вы анализируете, решаете, взаимодействуете) на агента, чтобы он усиливал именно ваш способ работы, а не выдавал усреднённый результат «для всех».
До AI изменение модели поведения человека занимало 1–5 лет; агент, настроенный на компенсацию слепых зон, выправляет то же самое меньше чем за год. Библиотека инструментов и настроенный ассистент остаются у команды навсегда — это и есть момент «перелома», когда сотрудник сам выбирает поручить задачу агенту, а не делает её руками.