Почему AI проекты не работают при внедрении

Эта инструкция показывает, как превратить разрозненные промпты и личный опыт одного специалиста в документированный набор «скиллов», которые любой член команды может запустить на следующем проекте почти без ручной работы. Подход вырос из реальной задачи: технический лидер нескольких команд (фронтенд, бэкенд, QA, исследования) столкнулся с тем, что проекты застряли в разных технологических эпохах и часть из них даже не запускалась на современных ноутбуках. Опыт описан в публикации на Хабре.

Что понадобится

• Любая LLM (большая языковая модель, нейросеть, которая понимает текст и код), к которой у команды есть доступ: ChatGPT, Claude, YandexGPT, GigaChat или локальная модель с открытыми весами
• Текстовый редактор и Git-репозиторий для хранения скиллов
• Базовое знание Markdown (простой язык разметки для документов)
• Доступ к терминалу и пакетному менеджеру проекта
• Время: первый скилл занимает один-два дня, каждый следующий собирается быстрее

Как собрать воспроизводимый процесс из разовых промптов?

1. Соберите «сырьё» из головы эксперта. Найдите человека, который уже решал задачу с помощью нейросети вручную. Попросите его выгрузить всё: промпты, последовательность шагов, типичные ошибки, на которых он застревал. Не редактируйте на этом этапе, просто соберите.

2. Выделите повторяющийся сценарий. Из массива заметок вычлените одну конкретную задачу, которая встречается в нескольких проектах. Например, «поднять версию Node.js на следующий major-релиз». Одна задача, один скилл.

3. Опишите скилл как папку с файлом SKILL.md. В заголовке укажите имя, описание и область применения. Формат frontmatter (служебный блок в начале файла):

---
name: bump-node-major
description: >-
  Итеративный подъём major-версий Node.js.
  Скилл проверяет текущий runtime, находит
  блокеры зависимостей и предлагает следующий
  безопасный шаг.
scope: any
---

1. Добавьте вспомогательные скрипты и справочные материалы. Скилл быстро перерастает один файл. Структура папки:

skills/bump-node-major/
├── SKILL.md
├── scripts/
│   ├── detect-current-node.sh
│   ├── analyze-blockers.mjs
│   └── plan-iterative-bump.mjs
├── assets/
│   ├── blockers.json
│   └── Dockerfile.template
└── references/
    └── breaking-changes.md

1. Создайте диагностический мета-скилл. Прежде чем мигрировать что-либо, нужно понять, что именно болит. Диагностический скилл сканирует репозиторий на «запахи»: устаревший runtime, старый пакетный менеджер, deprecated-зависимости, несовместимые версии линтеров и тестовых фреймворков. Он ничего не меняет в коде, только выдаёт отчёт.

2. Разделите скиллы на типы по назначению. Диагностические запускают первыми. Миграционные выполняют конкретное обновление по шагам. Проверочные валидируют результат после миграции. Такое разделение не даёт смешать «посмотреть» и «поменять» в одном запуске.

3. Запустите скилл на втором проекте и зафиксируйте расхождения. Именно на втором проекте вылезают допущения, зашитые под конкретный первый проект. Каждое расхождение превращайте в ветвление внутри скилла: «если версия ниже 16, сначала выполни шаг X».

4. Передайте скилл другому члену команды без устного объяснения. Если человек смог пройти сценарий, не задавая вопросов, скилл работает. Если задал вопрос, ответ дописывается в SKILL.md. Это и есть тест на воспроизводимость.

Роль человека меняется, а не исчезает

При таком внедрении искусственного интеллекта разработчик перестаёт быть «героем спринта», который лично тянет каждую миграцию. Он становится контролёром и экспертом на развилках: проверяет результат, принимает решения там, где автоматике не хватает контекста, и дописывает скилл новыми находками. Нейросеть делает рутину, человек отвечает за качество и нестандартные случаи.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена и контент-специалисту. Тот же принцип применим к контенту: если вы нашли промпт, который хорошо генерирует заголовки или структуру статьи, не держите его в голове. Опишите в отдельном файле: какой промпт, для какого типа текста, какой результат считается хорошим. Это ваш «скилл» для редакционного процесса.

Маркетологу. Задача та же: превратить удачные находки одного специалиста (промпты для анализа аудитории, генерации рекламных текстов, обработки отзывов) в документированный процесс, который сможет повторить стажёр без созвона с автором.

Предпринимателю в РФ и СНГ. Подход работает с любой доступной моделью. Из доступных в России: YandexGPT, GigaChat, а также локальные модели с открытыми весами. Начните с одной повторяющейся задачи, которая съедает время команды. Упакуйте решение в воспроизводимый скилл. Это даст больше, чем покупка дорогой подписки без процесса вокруг неё.

Воспроизводимый процесс обходится дороже на старте и дешевле на дистанции. Один задокументированный скилл экономит спринт на каждом следующем проекте, а десять скиллов превращают «мы попробовали нейросеть» в рабочий конвейер, который переживёт уход любого отдельного специалиста из команды.