Как давать нейросетям более амбициозные задачи: четыре уровня из свежего туториала

Типичный запрос к нейросети звучит скромно: «сделай слайды из этих данных». И модель честно делает слайды. 13 октября 2026 года Феликс Ризеберг — инженер, работающий над Claude, — опубликовал туториал «How to be more ambitious» ровно об этом: как перестать просить у модели минимум. Его расклад простой — амбиция бывает четырёх типов (скорость, высота, глубина, охват), и для каждого есть конкретные приёмы, которые можно применить к своей рутинной задаче уже сегодня. Ниже — разбор с переводом готовых формулировок.

Скорость — это точка отсчёта, а не достижение

Первый тип — сделать ту же работу быстрее. Автор его сознательно пропускает: это «хлеб и масло» экономической ценности ИИ, тут всё понятно. Пишешь код — модель напишет быстрее тебя. Интересное начинается дальше.

Высота: цель за целью

Высота — это подъём на уровень абстракции выше: не задача, а результат, ради которого задача вообще существует. Пример из туториала — квартальный бизнес-ревью. Базовый уровень: «скажи, что изменилось за квартал, почему и что нам с этим делать». Шаг выше: «определи три самых срочных решения и начни прорабатывать варианты с аргументами за и против». Ещё выше — и вот тут интересно: «ревью существует, чтобы руководство раньше замечало проблемы и вовремя двигало деньги и людей. Придумай способ делать это лучше, чем квартальная презентация. Покажи на нашей собственной истории, что новый способ ловил бы проблемы раньше, и обкатай его квартал рядом со старым».

Тот же подход у автора на его собственной работе: вместо «почини краш» — «держи приложение свободным от крашей». Но честная оговорка: чтобы модель могла это тянуть, Ризебергу сначала пришлось дать ей доступ к отчётам о падениях, к сопоставлению версий приложения с коммитами и к машинам на трёх ОС — иначе самостоятельно воспроизвести и проверить исправление она не сможет. Высота требует подготовить почву.

Как понять, что приём подходит? Простая примета: если по результату работы вы собираетесь проводить совещание — пробуйте высоту. Для чисто творческих задач она работает хуже.

Глубина: инструменты профи и внешний судья

Глубина — это работать так, как работал бы лучший специалист отрасли. Конкретные приёмы из туториала:

• Настаивайте на инструментах профессионалов. Модель по умолчанию тянется к markdown-таблицам — попросите базу данных и статистические модели. Вы не обязаны знать, что используют эксперты, модель обычно знает сама.
• Ставьте неправдоподобные цели и настаивайте, что они реальны. Сайт грузится за 5 секунд, а надо быстрее? Просите 200 мс. Модель считает задачу невозможной — повторите, что она решаема, просто нужно продолжать.
• Проверяйте допущения на сырых данных. «Мы считаем, что отток клиентов — проблема онбординга. Попробуй воспроизвести этот вывод из сырых данных» — и дайте модели доступ к этим данным.
• Просите новое знание, а не пересказ. «Построй симуляцию наших клиентов, которая воспроизводит прошлый год по логам. Найди самый ранний сигнал оттока, которого мы ещё не знаем, и покажи, что он предсказывает на данных, которых не видел».
• Внешний судья. Не просите модель оценивать саму себя — в октябре 2026-го, настаивает автор, валидация должна быть внешней, в идеале инструментом, который модель может запустить и сразу получить обратную связь.

И готовый промпт, который Ризеберг называет своим рабочим: «Мне нужна более глубокая версия этой задачи, а не более крупная. Прежде чем переписывать её: (1) скажи, что сделал бы здесь топ-специалист в этой области, о чём я не прошу; (2) назови самые сырые материалы, с которых он начал бы, вместо уже переваренных для меня; (3) назови конкретные методы и инструменты, которые он применил бы; (4) скажи, что, кроме тебя и меня, покажет, что результат верен. Затем перепиши мой промпт ровно под это».

Охват: позвать чужие дисциплины

Охват — взгляд на задачу с точки зрения других областей, тех, что раньше было «неэкономно» привлекать. Два приёма. Первый — заменить существительные глаголами (приём из книги The Art of Innovation): квартальное ревью — это не «презентация», а «за 30 минут убедить занятых людей в истории про причинно-следственную связь и принять решение в условиях неопределённости». С глаголами сразу видно, какие дисциплины пригодятся.

Второй — собрать команду. Если от презентации зависит спасение Земли от пришельцев, кого человечество позовёт? Для продакшн-качества — аналитика, журналиста и редактора; для подачи — моушен-дизайнера; а в красную команду — шорт-селлера и судебного бухгалтера. Важная оговорка: это не ролевая игра. Не просите модель «написать как шорт-селлер» — спросите, что шорт-селлер делает, чтобы исследовать позицию. Ролевая игра делает диалог страннее, а результат не улучшает.

Почему мы сами себе запрещаем

Вторая половина туториала — про психологию. У этого есть имя: самоэффективность. Люди с высокой самоэффективностью верят в свои силы — и правда делают больше. Причём её можно «взломать»: в 1939 году Джордж Данциг опоздал на пару в Беркли, списал с доски две задачи и сдал решения, приняв их за домашку. Это были две нерешённые проблемы статистики. Роджер Баннистер в мае 1954-го первым пробежал милю быстрее четырёх минут — и 46 дней это оставалось достижением одного человека: как только кто-то показал, что можно, повторить стало «нормально». В этом апреле Себастьян Саве первым официально выбежал марафон из двух часов — и второй участник той же гонки тоже выбежал из двух часов. А Локк и Латэм, разобрав 35 лет исследований о постановке целей, заключили: конкретные трудные цели дают лучший результат, чем «старайся как можешь».

Что это значит на практике

Наши собственные данные подтверждают картину «скоростного» использования, которую описывает туториал. По обезличенным агрегатам боевой базы NeuralSpace за 30 дней (окно 04.09–04.10.2026, server/seo/benchmarkData.json) платформа выполнила 12 689 генераций: 9 907 изображений, 2 334 видео и 448 музыкальных треков. Подавляющая часть запросов — быстрые одноразовые задачи, а не многошаговые амбициозные сценарии.

И честная оговорка про надёжность, которая напрямую связана с советом про внешнего судью: за 90 дней (окно 06.07–04.10.2026, та же база) успешность генераций изображений составила 92,2% у gpt-image-2 (3 518 завершившихся генераций) и 91,9% у seedream-4.5 (1 127), а у видео kling-3.0 — 79,7% (374). Чем длиннее цепочка шагов, тем заметнее каждый отказ умножает шансы сорвать весь сценарий. Так что амбициозный план обязан включать повторы и проверку результата инструментом, которому модель сама не доверяет.

Где туториал не поможет

Минусы автор называет сам. Высота плохо работает для творческих задач. «Модель, зарабатывай мне деньги» в 2026 году само по себе не работает ни у кого. А глубина и охват требуют доступа к компьютеру и данным — без MCP-коннекторов и права ставить софт часть приёмов просто не запустится. Это не баг, а условие: амбиция стоит подготовки.

Частые вопросы

Кто автор туториала?

Феликс Ризеберг — инженерный менеджер в команде Claude, со-мейнтейнер Electron и автор нескольких книг. Туториал опубликован на его личном сайте 13 октября 2026 года.

Подойдёт ли для других моделей?

Автор прямо пишет, что советы не привязаны к конкретной модели — он рассказывает на примере Claude, потому что работает над ним, но приёмы про формулировку задач, а не про конкретный продукт.

С чего начать?

Возьмите одну рутинную задачу недели и задайте себе вопрос «что я на самом деле хочу получить в итоге». Потом попробуйте промпт про «более глубокую версию задачи» — он сам подскажет, чего вы не попросили.

Попробовать приёмы можно на любых доступных моделях — например, в чате NeuralSpace или в разделе «Код», где модель работает с вашим проектом напрямую.