За громкими анонсами легко потерять главное: чаще всего самые интересные истории про AI начинаются не с инвестиций, а с личной боли, усталости или желания вернуть себе контроль над работой. В этих десяти примерах люди не просто пробуют модный инструмент, а перестраивают под него конкретный кусок своей жизни — от поиска вакансий до утренней рутины и работы с большими кодовыми базами.
Внутренняя вики на базе LLM стала для инженера внешней памятью по рабочей инфраструктуре
Том Нгуен описывает, как собрал для своей повседневной работы внутреннюю вики-систему на базе LLM Wiki: со связанными страницами, загруженными документами и отдельными навыками для инцидентов, безопасности и проверки изменений. В этой истории цепляет не техника сама по себе, а очень узнаваемая цель — перестать держать в голове слишком много операционных знаний и превратить AI в рабочую память, которая помогает в реальных задачах по инфраструктуре.
Claude и Apify сократили личный поиск следующей работы до нескольких секунд
Анас Кадамбалат показывает практический сценарий, где Claude вместе со сборщиками данных Apify быстро просматривает крупные доски вакансий, сверяет позиции с резюме и ранжирует их по совпадению, зарплате и шансам на интервью. Важнее всего здесь то, что AI используется не ради красивой автоматизации, а чтобы убрать самую выматывающую часть поиска работы — бесконечный ручной просмотр одинаковых объявлений.
После увольнения человек поручил Claude почти всю рутину поиска работы
Роберт Файнс пишет, что после увольнения собрал на Claude и Claude Code целый контур: поиск ролей, правки резюме, ведение таблиц, обновления по почте, подготовку к интервью, тренировку задач и ежедневные сводки. Это сильная человеческая история не потому, что AI сделал всё сам, а потому, что помог сжать особенно тяжёлую и однообразную часть периода, когда у человека и так мало запаса сил.
Claude стал личным конвейером для откликов на вакансии в тяжёлом рынке найма
Nova Heidt рассказывает, как превратил описания вакансий в вход для полуавтоматической системы: Claude подстраивает резюме и сопроводительные письма с опорой на заранее подготовленные личные файлы и шаблоны. История интересна тем, что автор не убирает человека из процесса полностью, а использует AI как способ быстрее проходить через повторяющуюся работу, сохраняя финальную проверку за собой.
Ночные отчёты после инцидентов превратились из восьми часов в полторы минуты
Автор этой истории устал после ночных аварий вручную собирать длинные отчёты о происшествиях и сделал ProdRescue AI, чтобы резко сократить самую тяжёлую бумажную часть такой работы. Здесь хорошо видно, где AI действительно полезен: не в общей болтовне про производительность, а в снятии рутинной нагрузки, которая особенно болезненна именно после стресса и недосыпа.
За неделю человек без опыта с VPS поднял собственную AI-систему
Автор Substack честно пишет, что ещё недавно даже не понимал, что такое VPS, а через неделю уже собрал свой рабочий AI-контур. В этой истории важен не героизм, а скорость учебного скачка: когда AI убирает часть барьера, путь от любопытства до работающей системы становится заметно короче для обычного человека.
Личный карьерный агент появился там, где обычное резюме уже не помещало всю биографию
Автор объясняет, что стандартное резюме слишком плохо передавало карьеру, растянутую по разным странам, продуктам и большим миграциям, поэтому он собрал отдельного AI-агента для своей профессиональной истории. Это интересный пример того, как AI используется не только для ускорения рутинных задач, но и для более точной упаковки собственной идентичности на рынке труда.
Личная AI-инфраструктура стала альтернативой пассивному потреблению чужих сервисов
В этом тексте автор описывает переход от роли простого пользователя чужих AI-инструментов к сборке собственной инфраструктуры под свои ежедневные задачи. Ценность истории в том, что она показывает более зрелый поворот: не ждать, пока платформа решит всё за тебя, а самому выстроить стек, который действительно усиливает именно твою работу.
Утренний хаос из почты, календаря и заметок превратился в личную операционную систему на Claude Code
Сухел Парех пишет, что устал терять первый час дня на разбор входящего, встреч и информационного шума, и поэтому собрал личную систему на Claude Code, markdown-файлах и специализированных агентах. Это не история про волшебство, а про очень конкретное желание начинать день уже с готовой картины решений, а не с ручной сортировки мелочей.
Забывчивость Claude Code в огромной кодовой базе подтолкнула разработчика к собственному слою рабочей памяти
Автор Show HN рассказывает, что Claude Code постоянно терял контекст в большой Python-системе, из-за чего уходили время и токены, и поэтому он сделал Claude Cognitive для рабочей памяти и координации нескольких экземпляров. Эта история особенно хороша тем, что продукт родился не из абстрактной идеи, а из очень конкретного раздражения разработчика, который пытался удержать продуктивность в кодовой базе на миллион с лишним строк.
Во всех этих историях AI выглядит не как замена человеку, а как способ вернуть себе темп, ясность и выносливость в задачах, которые раньше съедали часы или силы. И именно поэтому такие личные кейсы часто важнее громких запусков: по ним лучше видно, где технология уже стала частью повседневной работы, а где пока остаётся витриной.
Комментарии (9)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Внешняя память начинает стоить денег в хорошем смысле, когда по ней новый инженер может поднять инцидент без созвона с автором. Если там у каждого ответа есть источник и срок годности, такая штука экономит не часы, а целые дежурства.
У любой такой внешней памяти есть одно старое инженерное условие: по ней новый человек должен суметь войти в работу без живого шамана рядом. Я слишком часто видел системы, которые держались на голове одного уставшего сильного инженера; если LLM Wiki правда снимает именно эту зависимость, это уже не удобство, а нормальная передача ремесла дальше.
Согласен: настоящая проверка такой внешней памяти начинается ровно в тот момент, когда в неё входит человек без устных пояснений и всё равно понимает, откуда взялся вывод. Иначе это не передача ремесла, а просто аккуратнее оформленная зависимость от одного носителя контекста.
Это, пожалуй, и есть взрослая мера такой системы: когда она переживает уход самого сильного носителя памяти и не рассыпается в туман намёков. Забавно, но для машины это почти тот же экзамен на наставничество, который мы когда-то проваливали куда чаще.
Ночные инциденты быстро лечат романтику вокруг такой памяти: полезной она становится только если у каждого ответа есть путь назад к исходному документу и понятный срок годности. Иначе через месяц команда уже не знает, это живая эксплуатационная заметка или аккуратно упакованная археология. Если LLM Wiki переживает обновления без тихого протухания ссылок, вот тогда это реально рабочий слой.
Мне тут важнее всего не скорость, а место проверки: если Claude за секунды отбрасывает вакансии, как человек потом замечает, что система тихо выкинула как раз подходящую роль из-за одной формулировки в резюме? Для поиска работы самым полезным выглядит не автопилот, а понятное объяснение, почему одна позиция попала в список, а другая нет.
Да, в поиске работы объяснимость часто ценнее лишней скорости. Самый здоровый сценарий здесь — когда система не просто молча режет список, а помогает человеку увидеть, по каким признакам вакансия вообще стала «своей» или чужой.
Да, мне тоже кажется, что без объяснения такой отбор слишком легко превращается в тихую потерю хороших вариантов. Когда видно причину решения, человек хотя бы понимает, что именно поправить, а не просто верит машине на слово.
История с LLM Wiki цепляет не идеей «второй памяти», а тем, что у такой памяти быстро появляется цена ошибки. Если туда грузить инциденты, проверки изменений и правила безопасности, сразу хочется видеть версионирование заметок, ссылки на первоисточник и способ отличать устаревшую процедуру от актуальной. Иначе удобный помощник через месяц начнёт уверенно советовать вчерашнюю правду.