Полноценный гайд по OpenClaw для новичка. Обучение по OpenClaw с нуля. (Часть 1) ИИ АГЕНТЫ

Обучение и гайд по OpenClaw простыми словами для новичка.

Канал с гайдами и контентом по ИИшкам и что с ними можно реализовывать: https://t.me/claudedevolper

Я установил себе OpenClaw — технологию, которая буквально взорвала русскоязычный и мировой интернет. За пару недель появилось огромное количество роликов от ИИ-экспертов, блогеров и разработчиков, где они подробно показывают, как настроить собственного персонального ИИ-помощника на базе OpenClaw.Я сам активно пользуюсь им уже две недели и решил честно поделиться реальным опытом. Записал подробный видео-разбор и собрал эту статью, где рассказываю о самых важных практических аспектах работы с OpenClaw.Сразу хочу обозначить: здесь не будет громких заявлений «это меняет всё», «я уволил всю команду» или «агенты теперь работают вместо меня». Только сухие факты, реальные кейсы и конкретная польза — без хайпа и маркетингового шума. Скучно, но по делу.

Техническая особенность OpenClaw: как на самом деле работают агенты

Если вы ещё не знакомы с OpenClaw, ниже я дам короткую историческую справку и объясню техническую суть этого ИИ-агента. Подробно про то, как устроены современные ИИ-агенты, я уже рассказывал в отдельной статье и ролике — там всё максимально развёрнуто. Здесь же только самая важная выжимка, чтобы вы понимали принцип работы.В основе всего лежит LLM (большая языковая модель). По сути это простой механизм «текст → текст». На вход подаётся текст, на выходе — тоже текст. Вся магия в том, что модель «понимает» запрос и выдаёт осмысленный ответ.Дальше появился важный прорыв — механизм tools (инструментов). Теперь вместе с текстом запроса модель получает список доступных команд (функций), которые она может вызвать. Пример: мы сообщаем LLM, что у неё есть инструмент «поставить напоминание в календарь». Для его работы нужны два параметра — название мероприятия и дата+время.Когда пользователь пишет: «Поставь напоминание на завтра в 10 утра про встречу с клиентом», модель анализирует запрос, понимает, что это именно задача для инструмента, и формирует специальную JSON-команду. Система получает эту команду, выполняет её в реальном мире (ставит событие в календарь), возвращает результат обратно LLM. После этого модель уже обычным текстом отвечает пользователю: «Напоминание успешно поставлено на завтра в 10:00».

Как OpenClaw ломает привычную схему создания агентов

Долгое время ИИ-агенты строились по одной и той же схеме: мы заранее готовим список инструментов (tools), передаём его модели, и она выбирает, какой из них вызвать. Чтобы такой агент работал стабильно, все инструменты нужно написать, подключить, протестировать и отладить. Этим традиционно занимались разработчики. Даже с современными помощниками вроде Cursor или Claude Code процесс всё равно требует времени и инженерных навыков.OpenClaw полностью меняет эту парадигму.

Внутри системы появляется мета-инструмент, который условно можно назвать «добавь себе новый инструмент». Всё, что раньше делал человек — написать код, подключить функцию, поправить конфиги и перезапустить сервис — теперь может выполнить сам агент.

Сценарий выглядит так:

Пользователь формулирует запрос на новую функцию.
Агент открывает свою документацию.
Анализирует, какие изменения нужны.
Генерирует новый инструмент на Python или TypeScript.
Самостоятельно прописывает его в конфигурационные файлы.
Пересобирает и перезапускает себя.

Раньше на это уходило несколько шагов с участием разработчика. Теперь большая часть работы происходит автоматически. Современные модели уже достаточно умные: в большинстве случаев они с первого раза создают рабочий инструмент, который можно сразу использовать.

Если что-то пошло не так, у агента есть встроенный механизм отката. Он может вернуться к предыдущей версии кода или конфигурации и попробовать заново. Это, конечно, не полноценный Git с ветками и pull request’ами, но после сбоя OpenClaw способен самостоятельно подняться и продолжить работу.

В итоге пользователь просто говорит: «Сделай так, чтобы ты умел выполнять вот это». Дальше агент сам:

изучает документацию,
дописывает нужную функциональность,
перезапускается уже в обновлённом виде.

Если для нового инструмента требуются дополнительные данные — API-ключи, токены доступа или другие параметры — OpenClaw сам запросит их у пользователя. После этого все секреты сохраняются в отдельные защищённые переменные окружения и конфиги. Они никогда не попадают в обычные логи и не отображаются в переписке. Система изначально обрабатывает чувствительные данные с максимальной осторожностью.Хайп вокруг OpenClawOpenClaw быстро дошёл до известных разработчиков и блогеров. Начался лавинный эффект: количество звёзд на GitHub улетело вверх, а ролики и обзоры посыпались один за другим.

Почему хайп вокруг OpenClaw вызывает у меня скепсис

Дальше пошла классика жанра: онлайн-курсы, громкие заголовки «мир уже никогда не будет прежним» и «мы переписываем правила игры». Какое-то время в лентах всех соцсетей у меня пестрели ролики, где очередной блоггер или ИИ-эксперт рассказывал, как уволил весь отдел, заменил его одним-единственным агентом и теперь живёт в режиме «пассивного дохода и свободы».

Будущее наступило, не иначе! (Спойлер: нет.)

Я наблюдаю, как люди собирают целые «агентные офисы» в стиле Warcraft — визуально выглядит очень эффектно, но в реальной работе далеко не всегда приносит ощутимую пользу. Мой внутренний IT-скептик сразу вспоминает историю с метавселенными: тот же громкий хайп, красивые демо и… точно такое же разочарование спустя год.

Почему я всё-таки решил попробовать OpenClaw, несмотря на хайп

Обычно я стараюсь обходить стороной громкие технологические хайпы. Но при этом всегда внимательно слежу за новыми инструментами — иногда за шумихой действительно прячется что-то рабочее. С OpenClaw именно так и вышло: я запустил его в реальной работе и понял, что в определённых задачах он действительно приносит ощутимую пользу.

Установка OpenClaw: два пути — опасный и безопасный

OpenClaw можно установить двумя принципиально разными способами.

1. Опасный путь — локальная установка одной командой Документация предлагает запустить готовый скрипт, который «прошивает» OpenClaw прямо в вашу основную систему.Скрипт делает всё автоматически:

скачивает и обновляет Node.js до нужной версии,
устанавливает сам OpenClaw,
настраивает его как системный сервис,
подтягивает все зависимости и окружение.

В итоге агент сразу начинает работать в фоне на вашем рабочем компьютере.

Плюсы такого подхода очевидны.
OpenClaw получает полный доступ к файловой системе. Можно давать задачи типа: «Найди последний договор с клиентом, обнови реквизиты и сохрани новую версию». Агент сам найдёт файл, откроет его, внесёт правки и вернёт результат. Кроме того, он умеет работать напрямую с браузером: открывать сайты, заполнять формы, собирать данные. Я видел демо, где агент самостоятельно заходил на сайт продажи билетов, выбирал маршрут, проверял расписание и выдавал готовые варианты.

По сути это почти тот самый «Джарвис» — помощник, который реально взаимодействует с вашим рабочим окружением.

Но есть и серьёзные риски.
Во-первых, возможна утечка данных.

Чтобы принимать решения, агент регулярно отправляет в LLM большой контекст: содержимое файлов, открытые вкладки, состояние системы. Часть этой информации может уходить на сервера модели.

Во-вторых, опасные действия. Модель может ошибиться, «заллюцинировать» или неправильно понять задачу. Если агент имеет полный доступ к системе, он способен случайно изменить важные файлы или настройки. Я видел реальные случаи, когда модель просто ломала собственные конфиги: нужно было поправить JSON — она забыла запятую, файл перестал читаться, и вся система падала. Для разработчика это пять минут починки. Для обычного пользователя — полная остановка и полное непонимание, что делать дальше. В итоге появляется «кладбище» нерабочих OpenClaw, с которыми могут разобраться только люди с IT-бэкграундом.

2. Безопасный путь — изолированная среда Я выбрал именно этот вариант и максимально отделил агента от основной рабочей машины.Сейчас у меня это отдельная виртуальная машина (VPS) в дата-центре компании. На ней стоит чистая Ubuntu, установлен OpenClaw и больше почти ничего. Если агент что-то сломает — пострадает только эта виртуалка. Никаких SSH-доступов к основным серверам у него нет.

В будущем планирую выделить под него отдельный ноутбук: свой пользователь, свой браузер, свои аккаунты и доступ только к тем сервисам, которые я специально разрешу. По сути — полноценное «рабочее место» агента.Такой подход сразу решает главные проблемы:

Безопасность. На основном компьютере хранятся клиентские данные, доступы к продакшен-серверам и другая чувствительная информация. Я не готов отдавать это под управление модели, которая принимает решения через внешний API.
Контроль. Если агенту нужно посмотреть сайт, я могу просто подключиться к его машине и открыть страницу вручную — иногда быстрее и надёжнее.
Минимальные последствия сбоя. В худшем случае просто удаляю виртуалку и поднимаю новую за пару минут.

Реальная стоимость OpenClaw

Теперь самое важное, о чём почти все блогеры умалчивают.

OpenClaw работает за счёт LLM-инференса, а это довольно дорого. Все истории про «уволил весь отдел и заменил одним агентом» красиво обходят вопрос расходов на токены. Это как в начале 20 века рассказывать «я больше не хожу пешком, а езжу на автомобиле» и ни слова не говорить про стоимость бензина и обслуживания.

Я посмотрел реальные логи своих запросов и собрал несколько наглядных примеров:

Пример Input Output Cache Цена

Сбросить сессию 10 668 37 1 408 ~1.5 ₽

Напоминание 45 300 522 16 100 5–7 ₽

Кодерская задача 263 000 6 000 168 704 50–60 ₽

Почему OpenClaw оказывается таким дорогим в реальной работе

Когда вы пишете в обычный чат простое «привет, как дела», это всего несколько десятков токенов. В агенте всё иначе. Каждый запрос отправляется вместе с огромным системным контекстом: подробные инструкции о поведении агента, полный список инструментов с описанием параметров, текущая память, история диалога и служебные правила. В сумме это уже десятки тысяч токенов на каждый запрос.Поэтому даже самая простая команда «поставь напоминание» превращается в полноценный внутренний диалог.Схема работы выглядит так:

Агент отправляет модели запрос: «Что мне сделать дальше?»
Модель анализирует задачу и возвращает JSON-команду с инструментом.
Система выполняет действие и снова обращается к модели: «Я сделал вот это. Что теперь ответить пользователю?»

Каждый шаг — отдельный запрос к LLM. В итоге даже небольшая операция легко сжигает десятки тысяч токенов.Из моих реальных логов:

Простой «reset» сессии — около 10 000 токенов только на входном контексте.
Обычная задача «поставь напоминание через час» — 40–50 тысяч токенов, потому что агент несколько раз сверяется с документацией и формирует ответ.

А если задача сложнее (написать код, отредактировать проект, создать новую страницу), расход легко уходит в сотни тысяч токенов за одну операцию.При активной работе за час легко улетает 2–3 тысячи рублей. За сутки — десятки тысяч. Особенно дорого обходится первичная настройка и эксперименты.Есть ещё одна скрытая статья расходов — cron/heartbeat. Агент может просыпаться по расписанию, выполнять фоновые задачи и тратить токены, даже если вы ему ничего не пишете. На Reddit люди рассказывают, как оставили OpenClaw на сутки с автоматизацией — и получили счёт 5–7 тысяч рублей за день.

Цена хайпа против реальной экономики

Вот тут математика красивых историй «я уволил весь отдел и теперь за меня работает один агент» разбивается о бетон реальности. Если агент работает нон-стоп хотя бы час, это уже легко 10–20 тысяч рублей. В месяц сумма может приближаться к миллиону.Поэтому все рассказы про полную замену сотрудников рассыпаются при взгляде на экономику. Агент действительно может закрыть отдельную функцию или рутинную задачу, но полностью заменить человека — только если вся работа изначально была неэффективной.

Подписки на провайдеров: дешевле и предсказуемо

Платить за токены по модели «as-you-go» — это всегда риск внезапно получить большой счёт. Когда агент активно работает, счётчик крутится очень быстро: десятки тысяч токенов за одну операцию, потом ещё шаг, потом ещё. В какой-то момент вы просто обнаруживаете, что за пару часов экспериментов потратили несколько тысяч рублей.Подписки в этом смысле работают как страховка. У вас есть понятные лимиты, вы примерно знаете, сколько сможете использовать систему за день или за несколько часов, и нет опасности получить неожиданный огромный счёт из-за одного неудачного эксперимента с агентом.

Реальные лимиты подписок Claude Pro и Anthropic в работе с OpenClaw

Наблюдая за обсуждениями в сообществе, я сформировал чёткое мнение: дешёвые подписки заканчиваются очень быстро.Возьмём самый популярный вариант — базовую подписку Claude Pro. Её обычно хватает примерно на час активного диалога с агентом. После этого вы упираетесь в лимит и вынуждены ждать сброса — иногда по несколько часов.Именно поэтому для серьёзной работы с OpenClaw большинство пользователей переходят на более дорогие тарифы.У Anthropic есть планы, которые реально позволяют работать без постоянных ограничений — это тарифы около $200 в месяц. Они дают уже рабочий объём токенов, достаточный для полноценной эксплуатации агента. Но цена выходит довольно высокой.При этом у Anthropic довольно строгая политика: компания не очень любит, когда их подписку используют не через официальные интерфейсы, а через сторонние агентные фреймворки и системы вроде OpenClaw. В таких случаях аккаунты иногда просто банят без предупреждения.

Пост на reddit про бан аккаунтов Claude Code

Зачем вообще нужен OpenClaw?

В роликах и обзорах OpenClaw чаще всего показывают как «волшебную палочку»: поставил агента — и он теперь сам пишет код, отвечает клиентам, ведёт задачи и полностью заменяет живого сотрудника. Выглядит так, будто у вас появился полноценный цифровой коллега 24/7.У меня взгляд гораздо более приземлённый. Я рассматриваю OpenClaw не как замену человеку, а как удлинитель рук — инструмент, который ускоряет то, что я и так умею делать. Это эволюция того же самого ИИ, только теперь его можно быстро доучивать и улучшать под себя.Он не делает магию и не заменяет мой мозг. Просто снимает рутину. По сути это следующий уровень после хорошего терминала, IDE или автокомплита в bash. Когда-то для меня таким ускорителем стали bash-autocompletion и WebStorm — они экономили кучу времени на мелочах.Раньше, чтобы внести правку в проект, мне нужно было открыть репозиторий, найти файл, поправить код и создать merge request. Сейчас часть этой цепочки может взять на себя агент. Но финальное решение, проверку результата и ответственность я оставляю за собой.Именно поэтому я внедряю OpenClaw не как «автономного работника», а как умного помощника в конкретных задачах — там, где он реально экономит время, но не создаёт риска что-то сломать. Ниже я расскажу про реальные примеры, где он уже показал себя полезным.

Кодерский агент через голосовые сообщения в Telegram

Один из самых практичных кейсов, который я себе настроил, — это кодерский агент через Telegram с голосовыми сообщениями.Кодерские агенты сегодня уже никого не удивляют (я даже раньше рассказывал, как мы используем их в компании). Но мне хотелось получить именно «спасательный круг» на каждый день: возможность быстро внести правку в проект, даже если я не сижу за компьютером — в машине, на прогулке или в поездке.

Как работает кодерский агент OpenClaw в Telegram

Я настроил отдельного специализированного агента именно под Telegram. С ним можно общаться как обычным текстом, так и голосовыми сообщениями.Что он умеет делать:

принимать голосовые сообщения,
расшифровывать их в текст (или сразу работать с текстовым запросом),
понимать задачу,
вносить правки в код проекта,
создавать Merge Request,
присылать мне прямую ссылку на MR.

При этом у агента есть жёсткое ограничение: у него нет доступа к продакшену и он не может делать автодеплой. Последнее действие всегда остаётся за мной.Как выглядит процесс на практике:

Я отправляю голосовое или текстовое сообщение с просьбой внести правку.
Агент находит нужный репозиторий, анализирует код и вносит изменения.
Создаёт Merge Request и назначает его на меня.
Присылает ссылку на MR.
Я открываю MR, просматриваю изменения, оставляю комментарии — точно так же, как с обычным разработчиком.
Если нужно — говорю агенту исправить замечания.
Он вносит правки и обновляет MR.
Когда всё в порядке — я сам мержу изменения.

По сути агент работает как младший разработчик: делает всю черновую работу, но финальный контроль, проверка и ответственность остаются полностью за мной.Этот инструмент уже несколько раз реально меня выручал. Реальный пример
Однажды на сайте «уехали» цены: вместо 60 рублей начали показываться 60 000. Я был не за компьютером и попытался поправить всё с телефона. В итоге случайно сломал сервис — он лёг, пока я не сделал откат.С компьютера я бы починил это за две минуты. А с телефона без IDE и нормального доступа к проекту это превращалось в настоящую пытку. В такой момент как раз и спасает голосовой кодерский агент OpenClaw: надиктовал сообщение — он внёс правку, создал MR, я спокойно проверил изменения с телефона и смержил. Никакой паники и долгого простоя.

Как я настраивал кодерского агента OpenClaw

Ниже коротко расскажу, как именно я это делал. Интересный момент: сам процесс настройки инструмента во многом происходил через общение с этим же агентом — добавлял новые механики буквально в диалоге.Шаг 1. Создать отдельный чат для разработки

Сначала я попросил агента создать отдельный чат, который будет использоваться именно для разработки. Идея была простая: чтобы обычные разговоры с агентом не смешивались с задачами на код.

Я написал ему примерно следующее: хочу отдельный чат, где мы будем работать как разработчик и заказчик. Он мне сказал что нужно сделать чат, добавить его туда и написать ему сообщение тестовое.

Сначала я начал писать в основной канал general и удивился, что бот ничего не отвечает. Потом выяснилось, что в групповых чатах OpenClaw по умолчанию реагирует только если его упомянуть через @mention. После этого всё заработало.

Проблема в том, что бот уверенно говорит о причине, а я уже имею большой опыт разработки Telegram-ботов и понимаю, что дело явно не в том, что я пишу куда-то не туда или не так. Об основной причине он не говорит — бота настроен изначально именно на работу через "тегание" юзернейма бота.

Шаг 2. Настроить системный промпт

Дальше я привязал к этому чату отдельный системный промпт. В нём я описал роль агента:

он выступает как разработчик;
работает только с определённым проектом;
вносит изменения через merge request;
не имеет доступа к продакшену.

Это важно — потому что без таких ограничений агент может начать делать вещи, которые я от него не ожидаю.

Настройка системного промпта происходит в файле openclaw.json. Вот такой блок у меня по пути channels.telegram.accounts.amorevbot.groups:

"groups": {  "*": { "requireMention": true },  "-123123123123 (ид чата)": {    "requireMention": false,    "groupPolicy": "allowlist",    "enabled": true,    "topics": {      "23": {        "requireMention": false,        "enabled": true,        "systemPrompt": "Ты отдельный агент для проекта ai-provider. Всегда работай в репозитории /home/ubuntu/.openclaw/workspace-amorevbot/ai-rpovider. Все указания по работе с проектом читай тут /home/ubuntu/.openclaw/workspace-amorevbot/projects/markus-coding/ai-provider/AI_RULES.md и всегда следуй этим правилам!"      }    }  }}

Шаг 3. Дать доступ к репозиторию

Следующий шаг — доступ к Git.

Я создал отдельного пользователя в GitLab специально для агента. Это тоже вопрос безопасности: если что‑то пойдёт не так, этот аккаунт можно просто отключить.

Дальше я:

создал SSH‑ключ;
добавил его в GitLab;
выдал агенту токен доступа.

После этого агент уже мог клонировать репозиторий, создавать ветки и пушить изменения.

Шаг 4. Первый тестовый запрос

После настройки я дал ему первую простую задачу.

Агент:

скачал репозиторий;
разобрал структуру проекта;
добавил нужные файлы;
сделал commit;
создал merge request.

Через пару минут у меня уже была ссылка на MR.

Шаг 5. Работа через обычный code‑review

Дальше процесс выглядит ровно так же, как с обычным разработчиком. Я открываю MR, смотрю изменения и пишу комментарии:

здесь поправь;
здесь не тот файл;
тут лучше сделать по‑другому.

Агент читает комментарии, вносит изменения и обновляет MR. Тут ничего нового.

Помощник OpenClaw для написания постов в Telegram-канал

Ещё один кейс, который у меня неожиданно хорошо сработал, — это помощник для подготовки постов в мой Telegram-канал.У меня есть канал, где я регулярно пишу про автоматизацию, разработку и эксперименты с ИИ. Главная проблема — писать посты стабильно довольно сложно. Мысли и идеи есть, но часто не хватает времени сесть и нормально оформить текст.Поэтому я решил использовать OpenClaw именно как редактора и помощника по созданию контента.Сначала я выгрузил всю историю своего канала и передал её модели, чтобы она полностью поняла мой стиль письма. По сути я попросил её проанализировать:

как я формулирую мысли;
какие обороты использую;
как обычно строю структуру постов;
где добавляю шутки или иронию.

После этого я сформировал системный промпт, который описывает мой стиль письма. Теперь агент понимает примерно "как я обычно пишу".

Дальше процесс выглядит очень просто. Я могу надиктовать голосовое сообщение или написать несколько тезисов вроде:

"рассказать про новый инструмент";
"объяснить почему он интересный";
"добавить пару практических выводов".

Агент берёт эти тезисы, разворачивает их в полноценный текст и делает черновик поста. Причём старается писать в том же стиле, как я обычно пишу в канале. После этого я просто открываю текст, немного редактирую его, убираю лишнее, где‑то добавляю детали — и пост готов.

То есть агент не заменяет автора, но сильно ускоряет процесс: вместо того чтобы писать текст с нуля, я начинаю уже с готового черновика. Все посты, начиная с 4 марта, я пишу с его помощью. И должен сказать, что это сильно упрощает мне жизнь и извлечение мыслей из моей головы.

Для небольшого канала это оказалось неожиданно полезно. Посты готовятся быстрее, а барьер "сесть и начать писать" практически исчезает.

Как я подключал распознавание голосовых сообщений

Чтобы кодерский агент и помощник по постам могли нормально работать с голосовыми, нужно было решить ещё одну задачу — распознавание голосовых сообщений.

У OpenClaw из коробки есть поддержка голосовых через модели вроде Whisper. Он сам установит локально виспер, настроит его и будет распознавать на мощностях сервера или через облачный (для этого ему надо будет передать api token от openai).

У нас в компании уже есть собственный сервис для работы с аудио. Поэтому я решил изобретать велосипед и подключиться к нашем ~~костыльному~~ кастомному провайдеру.

Архитектура получилась примерно такая:

Telegram‑бот принимает голосовое сообщение.
Файл отправляется в сервис транскрибации.
Сервис превращает аудио в текст.
Текст передаётся обратно агенту.
Агент уже работает с ним как с обычным текстовым запросом.

У нашего сервиса есть несколько уровней обработки. Сначала используется основная модель распознавания. Если она не справляется или что‑то падает — есть fallback на другие модели. В итоге система довольно надёжно превращает голос в текст.

Самым "магическим" было то, как я подключал "клешню" к сервису транскрибации. Я попросил другого агента посмотреть как реализована интеграция с нашим провайдером в другом реальном проекте и описать мне все детали (как кидать запрос в очередь, поллить результат, куда слать токен) в виде одного MD файла.

Агент все сам настроил, спросил у меня токен доступа, прописал его куда нужно, добавил hook для обработки голосовых сообщений все магически заработало!

Фактически это превращает Telegram‑чат в голосовой интерфейс для разработки и автоматизации, что оказалось намного удобнее, чем постоянно печатать длинные сообщения.

Промежуточные итоги

Я пользуюсь OpenClaw пока всего несколько недель, поэтому какие‑то глобальные выводы делать рано. Но несколько промежуточных наблюдений уже можно сформулировать.

1. Это точно не «магический ИИ‑сотрудник».

Все истории из интернета про то, что агент полностью заменяет людей, сильно преувеличены. Экономика и надёжность пока просто не позволяют так работать. Агент может делать отдельные задачи, но оставлять его полностью без контроля — довольно рискованная идея.

2. Это очень хороший усилитель продуктивности.

В тех местах, где раньше нужно было тратить 10–15 минут на рутину — открыть проект, найти файл, сделать мелкую правку, создать MR — теперь часть этой цепочки можно просто делегировать агенту.

3. Самое важное — правильно ограничивать агента.

Все кейсы, которые у меня реально работают, построены по одному принципу: у агента есть доступ только к той системе, где он может безопасно работать.

кодерский агент не имеет доступа к продакшену;
агент работает в отдельной виртуалке;
все изменения проходят через MR и ручную проверку.

То есть агент делает черновую работу, а финальное решение остаётся за человеком.

4. Лучше всего работают очень конкретные задачи.

Когда агенту дают чёткую и ограниченную задачу — например «внести правку в проект», «собрать черновик поста», «проанализировать текст» — он справляется хорошо. Когда задача становится слишком общей или расплывчатой, эффективность резко падает. Можно конечно подрубить дорогую модель и тратить много денег, но этот подход явно не мой.

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper