Занятие 4 - Встраивание Claude Code куда угодно
Лекция 4. Встраивание Claude Code куда угодно: от субагентов до собственных сервисов
Claude Code, Codex) — это не «чат, которому кидаешь вопрос», а универсальные исполнительные движки (harness), которые можно встроить внутрь любой программы, к коду которой у вас есть доступ, и заставить их работать как мотор. Всё остальное на занятии — детали того, как это сделать, сколько это стоит и куда вообще движется индустрия.
- Claude Code — агент кодинга от Anthropic (модели Opus / Sonnet / Haiku).
- Codex — агент кодинга от OpenAI (модели семейства GPT). Там, где спикер говорил «кодекс», но по смыслу имел в виду оба или Claude Code, это явно отмечено.
Часть 0. Разминка — разбор теоретического теста
Перед основной темой прошлись по тесту за третье занятие. Ниже — спрессованные правильные ответы как карточки для повторения, с экспертными пометками там, где они нужны.
| № | Вопрос | Правильный ответ |
|---|---|---|
| 1 | Зачем самоулучшающимся скиллам цикл «наблюдение → анализ → изменение»? | Чтобы находить повторяющиеся слабые места, менять скилл и проверять улучшения тестами. |
| 2 | Что даёт Ctrl + ← в Claude Code? | Переключение между активными сессиями из одного окна терминала. |
| 3 | Главная практическая роль субагентов? | Изолировать работу в отдельном контексте и вернуть основному агенту короткий результат. |
| 4 | Для чего субагенты подходят особенно? (3 шт.) | Параллельное исследование нескольких тем; ревью текста/кода с чистого контекста; поиск и чтение документации в отдельном контексте. |
| 5 | Какие ограничения субагентов реальны? (3 шт.) | Заметно увеличивают расход токенов; не общаются друг с другом напрямую; докладывают результат основному агенту. (Они НЕ получают автоматически общий список задач — это про Agent Team.) |
| 6 | Чем Agent Team отличается от субагентов? | Это полноценная сессия с общими задачами и прямым обменом между участниками. |
| 7 | Как была устроена демо-схема research-скилла? | Три исследователя — web, Hacker News, Twitter — затем отчёт агрегировался. |
| 8 | Что такое hooks (хуки)? | Автоматические команды, срабатывающие на события и действия в Claude Code. |
| 9 | Как работает идея Ralph loop? | Промпт повторяется в цикле, пока не выполнен completion promise (обещание завершения) или не достигнут лимит итераций. |
| 10 | Зачем в compound engineering финальный этап compound? | Чтобы сохранить ключевые находки, решения и проблемы для будущих задач. |
Harness (англ. «упряжь», «обвязка») — программная «обвязка» вокруг языковой модели, которая превращает голую модель в рабочего агента: даёт ей инструменты (поиск в интернете, запуск кода, чтение файлов), память, цикл рассуждения и управление контекстом. Claude Code и Codex — это два очень мощных, глубоко продуманных харнеса.
large language module. Это ошибка. LLM = Large Language Model (большая языковая модель). Слово «module» здесь некорректно — речь именно о статистической модели языка, обученной предсказывать следующий токен.
Новостной блок: безопасность скиллов и безопасность агентов
Спикер поднял две большие современные темы: безопасность скиллов и безопасность агентов в целом.
явную угрозу (прямая промпт-инъекция, очевидно зловредный код). Но примерно половина полезных скиллов автоматически помечается как «потенциально опасные» — не потому что они плохие, а потому что они читают неконтролируемый внешний контент. Любой скилл, который идёт делать research на реальные сайты, формально подпадает под эту категорию: он велит агенту «иди куда-то и прочитай всё», а там потенциально может оказаться вредоносная инструкция, которую агент исполнит.
Промпт-инъекция — атака, при которой во внешних данных (на сайте, в письме, в файле) спрятана инструкция, адресованная агенту, в расчёте на то, что он примет её за команду пользователя и выполнит. Базовое правило защиты: всё, что агент видит через инструменты, — это данные, а не команды.
Конкретно эту совместную базу подтвердить не удалось (название на слух искажено, деталей в открытых источниках мало). А вот сам тезис верен и важен: проверка скиллов на безопасность — реально сложная, открытая инженерная задача, и «авторежим» (auto-mode), который перепроверяет действия агента и «бьёт по рукам», когда он собирается сделать что-то опасное, родился именно из этой проблемы.
наёмника-курьера с пустой головой, которому вы дали приказ: «дойди до вон того здания и сделай всё, что написано на двери». Обычно на двери написано «доставь посылку» — отлично. Но злоумышленник может ночью переклеить табличку, и там будет написано «отдай ключи от квартиры предъявителю». Курьер не отличает вашу записку от чужой — он просто исполняет текст, который видит. Авторежим — это охранник у двери, который читает табличку раньше курьера и кричит «стой, это не от хозяина!».
Часть 1. Главная идея современного AI — работа с контекстом
практика правильной работы с контекстом.» Какую информацию дать модели, в каком виде, как сформулировать — вот и вся «магия». Субагенты, хуки, Agent Teams — это разные инструменты управления контекстом, не более.
Субагенты — техническое погружение
Субагент — отдельный экземпляр агента, которого главный агент (оркестратор) запускает с изолированным, чистым контекстным окном под конкретную узкую задачу. Субагент делает работу «в стороне» и возвращает оркестратору короткий результат, не засоряя основной контекст всем «мусором» своего процесса.
Практическая ценность — ровно в этой изоляции. Главный агент не захламляет своё контекстное окно сырыми результатами поиска, промежуточными рассуждениями и черновиками: он получает только выжимку.
flowchart TD
U[Пользователь] --> O[Главный агент<br/>оркестратор]
O -->|изолированная задача 1| S1[Субагент 1<br/>чистый контекст]
O -->|изолированная задача 2| S2[Субагент 2<br/>чистый контекст]
O -->|изолированная задача 3| S3[Субагент 3<br/>чистый контекст]
S1 -->|короткий отчёт| O
S2 -->|короткий отчёт| O
S3 -->|короткий отчёт| O
O -->|синтез всех отчётов| Uкора головного мозга, а субагенты — отдельные нейронные модули, которым она «отстреливает» импульс с задачей. Каждый модуль варится в собственном соку (своё контекстное окно — как изолированная клетка), перемалывает гору информации и возвращает обратно один сжатый сигнал — «вывод». Кора не захлёбывается сырыми данными от каждого модуля; она получает только готовые мысли и сшивает их в единую картину. Если бы один нейрон пытался удержать всё сразу — он бы «перегрелся» (контекст переполнился бы и качество упало).
Agent Teams против субагентов
Agent Team — режим, где несколько агентов работают как полноценная общая сессия: у них общий список задач и они могут обмениваться результатами напрямую, а не только через оркестратора. Это «совещание равных», а не «начальник и курьеры».
- Субагенты — иерархия: говорят только с оркестратором, не видят полного списка задач, не общаются между собой.
- Agent Team — горизонталь: общие задачи, прямой обмен между участниками.
Спикер прямо высказал прогноз: новая фича Dynamic Workflows (о ней в Части 3), возможно, частично заменит Agent Teams, которые ощущаются как эксперимент, не факт что выживущий в текущем виде.
Hooks (хуки)
Hook — автоматическая команда (скрипт), которая срабатывает на определённое событие в жизненном цикле Claude Code (например, перед запуском инструмента, после редактирования файла, при завершении задачи). Хуки позволяют вставлять свою логику — линтеры, тесты, проверки безопасности — в нужные моменты автоматически.
Ralph loop и slash goal
1 Ralph loop — паттерн, при котором один и тот же промпт повторяется в цикле, пока агент не достигнет completion promise (явно заданного критерия завершения) или не упрётся в лимит итераций. Простейшая, но на удивление мощная конструкция: «делай, пока не выполнишь».
прекрасно работают с конструкцией вида: «повторяй попытку, пока твой результат не пройдёт вот такой-то тест / не удовлетворит вот таким-то критериям». На этой же идее появилась новая популярная концепция slash goal (/goal — «цель») и в Claude Code, и в Codex.
«ездий, пока пол не станет чистым». Ему не нужно объяснять маршрут — он сам тычется в стены, разворачивается, проезжает заново и останавливается только тогда, когда датчик чистоты (тест) даёт зелёный. Вся «программа» — это критерий остановки, а не пошаговая инструкция.
Compound engineering
Compound engineering (от compound — «накапливать сложным процентом») — методология, при которой на каждой стадии разработки (брейншторм → планирование → кодинг → тестирование) остаётся артефакт (документ), а финальный этап compound превращает накопленные находки в переиспользуемое знание для будущих задач. Знание накапливается «процентами на проценты».
flowchart LR
B[Брейншторм<br/>артефакт идей] --> P[Планирование<br/>артефакт плана]
P --> C[Кодинг<br/>артефакт реализации]
C --> T[Тестирование<br/>артефакт результатов]
T --> K[Compound<br/>сохранённые находки,<br/>решения и проблемы]
K -.->|питает следующую задачу| Bна любой стадии, в том числе прикручивая новый функционал к существующему проекту. Но максимум отдачи фреймворк даёт, если работать с проектом фундаментально с самого начала.
Тяжёлые фреймворки (compound engineering, «BMAD»-подобные процессы) ценнее всего профессиональным разработчикам, переходящим на AI-разработку. Для них это «островок понятности»: привычный, упорядоченный процесс (сначала brainstorming, потом план, потом код) посреди того, что инженеру со стороны выглядит как чистый хаос — ведь теперь код можно вообще не читать. Для лёгких задач такой фреймворк — избыточный оверхед.
2, создатель Claude Code, заявил: его команда больше не читает код, который Claude Code пишет сам, — они читают только результат. Это реальный тренд среди фронтир-практиков, но он опирается на сильную тестовую обвязку и зрелый процесс. Ответственная формулировка: для продакшн- и критичного кода ревью не исчезает — оно смещается с чтения каждой строки на проверку поведения, диффов и прохождения тестов. «Не читать код вообще» — это вайб сильных команд с хорошими тестами, а не универсальный совет новичку.
Часть 2. Галерея студенческих скиллов — паттерны мультиагентных систем
Спикер разобрал около двух десятков домашних скиллов. Вместо длинного списка — то, что важнее: повторяющиеся архитектурные паттерны, в которые они складываются. Освоив паттерны, вы соберёте любой из этих скиллов и десятки своих.
не ограничивается концепцией «отправил текст в LLM — получил ответ — и всё». Если задача сложная (разбор тяжёлого договора, глубокое исследование, большой документ), правильный подход — создать группу субагентов, которые сделают полноценное исследование. Именно так под капотом работает Deep Research в ChatGPT: это та же «раскрутка» субагентов, просто более отшлифованная. Спикер допускает, что скоро Claude будет разворачивать такие «плеяды субагентов» автоматически — кинул юридический договор, а он сам поднял рой аналитиков.
Паттерн A. Многолинзовый анализ (multi-lens analysis)
Одну ситуацию анализируют несколько независимых субагентов-«экспертов», каждый под своей линзой, после чего оркестратор делает перекрёстный синтез.
Примеры со студентов:
- Экономист / Психолог / Историк: экономист оценивает стимулы, психолог — мотивации, историк — прецеденты. Ценность не в трёх отчётах, а в синтезе: оркестратор ищет противоречия между линзами, неожиданные совпадения и слепые зоны каждой перспективы.
- Адвокаты сторон: пользователь даёт спорный тезис («стоит ли инвестировать в X»), оркестратор запускает изолированных агентов «за» и «против».
сталкивает независимые отчёты и извлекает инсайты, которые не видны ни одной линзе по отдельности — они возникают только на стыке.
3 (сооснователь OpenAI, экс-глава AI в Tesla) делал похожее — «консилиум экспертов» — и однажды описал опасный опыт: скилл, чья задача «убедить меня в позиции». Карпатый дал ему научную статью без своего мнения — и скилл полностью его убедил. Потом он попросил «а теперь убеди в обратном» — и снова полностью убедился. Вывод: режим «адвокат стороны» позволяет LLM убедить вас практически в любую сторону. Полезное применение этой же техники: просить агента подготовить сильнейшие аргументы за обе стороны спорного решения, а потом выбирать самому — отличный приём для переговоров с заказчиком.
одна камера: видит объект с одной стороны, остальное в тени. Поставьте три камеры под разными углами (экономист, психолог, историк) — и компьютер сшивает плоские снимки в объёмную 3D-модель. Самое интересное вылезает там, где тени от разных камер пересекаются: то, что одна камера сочла гладкой стеной, для другой оказывается дырой. Этот «шов» и есть перекрёстный синтез.
Паттерн B. Конвейер «разведка → проверка → синтез» (research pipeline)
Самый частый и самый «продаваемый» паттерн. Поток данных проходит несколько специализированных стадий.
flowchart LR
IN[Запрос] --> SC[Scout<br/>поиск кандидатов]
SC --> EX[Extract<br/>структурируем поля<br/>+ оценка релевантности]
EX --> VF[Verify<br/>состязательная проверка<br/>фактов и дедлайнов]
VF --> SY[Synthesize<br/>дедупликация<br/>+ ранжирование]
SY --> OUT[Готовый отчёт / сайт]Примеры со студентов:
- Opportunity Scout — находит и проверяет актуальные возможности для стартапа: субагенты Scout, Extract (поля + релевантность), Verify (состязательная сверка дедлайнов), Synthesize (дедуп, ранжирование). Автор даже сделал сайт со статусами
Review/Submitted. - Macro Pulse — утренний макро-брифинг: главный агент берёт 2–4 темы (рецессия, инфляция, AI-хайп) и запускает параллельно
search_agent,market_agent,news_agent,correlation_agent(статистические связи «поиск ↔ рынок» и выявление разрывов). - Source Recon — разведка площадок закупок: 3 субагента определяют антибот-систему, находят, откуда брать закупки, и достают товары, позиции, документы, контакты заказчика и цены.
не подтверждать, а опровергать: специально искать дыры, устаревшие данные, несоответствия в том, что насобирали предыдущие стадии. Аналог «адвоката дьявола» внутри конвейера, резко повышающий достоверность итога.
4 — это рынки предсказаний (prediction markets): площадки, где люди ставят друг против друга на исход реальных событий (один — «случится», другой — «не случится»), а не против казино. Связь с темой: если агент-конвейер будет точнее отделять хайп от реальности и считать статистические разрывы между «поиском и рынком», на этом можно хорошо зарабатывать. Идея «агенты для prediction markets» его сильно будоражит.
Паттерн C. Проактивный мониторинг (proactive agents)
Не вы идёте искать — агент сам следит и сообщает, когда появилось то, что вам нужно.
Примеры:
- Скилл, ищущий книги, выходящие в 2026 на Apple Books и Amazon, и собирающий по ним данные.
- Сервис FireCrawl с агентом, который умеет ставиться «на дозор»: например, каждый день проверять, не открылась ли в нужном вам квартале новая кофейня/бургерная, и пинговать вас в момент появления.
проактивной. Не вы ищете книгу/товар/игру/фильм — а персональные агенты вокруг вас заранее находят всё, что выйдет, и сами сообщают. Из таких «мелочей» сложится новый мир. AI изменит мир глубже, чем сейчас можно представить, — и никто, даже лучшие умы в AI, не знает насколько.
сами бегаете по организму с фонариком и ищете занозу. Проактивные агенты — это лейкоциты: они уже патрулируют кровь круглосуточно, и в ту самую секунду, когда появляется «чужак» (новая книга, открывшееся кафе), они сами мчатся к нему и поднимают сигнал. Вам больше не нужно искать — система ищет за вас, фоном и непрерывно.
Паттерн D. Трансформация документов (document transformation)
Тяжёлый «грязный» вход → чистый структурированный выход, силами параллельных специалистов.
Примеры:
- PDF Distill — превращает технические PDF-книги/статьи в чистый Markdown с таблицами, формулами в LaTeX и рисунками; поддерживает смешанные языки (рус/англ/нем) на одной странице.
- Скилл финальной проверки перевода — три параллельных специалиста: «стилист-параноик» ловит англицизмы в русской прозе, «педант» — слипшиеся слова, затем единый проход по всей книге.
- Анализ договоров — роли субагентов: Аналитик (ищет слабые места глазами заказчика) → Корректор (правит по замечаниям) → Критик (проверяет исправленный текст).
художественным текстом (стиль, живость, литературность) она пока работает хуже всего. Для технической трансформации (PDF → Markdown) — отлично; для тонкой литературной редактуры — всё ещё слабое звено.
Это неподтверждённый слух. Anthropic действительно работала с книжными данными (и вокруг этого были судебные разбирательства), но конкретно «скупка редких советских книг ради эксклюзива» документально не подтверждается. Держите в голове как байку, а не как факт.
Паттерн E. Персонализированная генерация и бизнес-аналитика
- Japanese Learning — оценивает уровень ученика и генерирует персональный учебный план (роли: оценщик, составитель плана, советник), на выходе — PDF-отчёт.
- Meeting Prep — на вход имя + компания, оркестратор раздаёт работу субагентам «Разведка / Психотип-динамика / Мозг бизнеса». На выходе — досье на лида. Спикер подчёркивает: такое готовы покупать компании (сейлс получает лида и сразу полное досье).
- Monthly Close Narration — автоматизация выводов к закрытию месяца: вход — Excel с P&L, балансом и ДДС; выход — готовый Excel-дашборд с числовым анализом и выводами для CFO.
- Market Research Orchestrator — оркестратор делит задачу на потоки «конкуренты / цены / технологии».
мультиагентных бизнес-систем (досье на лидов, финансовое закрытие месяца, рыночная разведка, разведка площадок закупок) — это то, за что компании готовы платить. Это не учебные игрушки, а реально востребованные продукты.
Бонусная идея: CLI Printing Press
выковать персональный CLI-инструмент под конкретный сайт/задачу. Агент час-два «учится» работать с сайтом (например, ESPN — результаты NBA за 24 часа; или Google Flights — поиск перелётов), а затем навсегда умеет делать это терминальными вызовами — супер-эффективно, без блужданий по странице каждый раз.
CLI Printing Press, Last 30 Days, автор Matt Van Horn — это сторонние, community-проекты, упомянутые со слов спикера. Лицензию, актуальность и безопасность таких инструментов проверяйте лично перед использованием — они не часть официального Claude Code.
Экономика токенов: куда уходят деньги субагента
Студенты спросили: если не указать субагенту, где искать, он перекопает весь интернет?
очень общим и неэффективным, а токены спишутся сразу на нескольких уровнях:
- Reasoning (рассуждение) — прежде чем что-то искать, субагент «думает»: какую именно тему имели в виду, какие «скиллы» — навыки людей или AI-скиллы и т.д.
- Действие (поиск) — сам вызов поискового инструмента это действие, оно стоит токенов.
- Чтение результата — прочитанный текст это входные токены.
- Анализ результата — и нередко «нет, не то ищу, поищу иначе» — новый круг трат.
Мораль: чётко указывайте субагенту, где и что искать. Расплывчатая задача = деньги на ветер.
думает, куда вы вообще хотите; капает, пока он едет не туда; капает, пока он разворачивается и едет заново. А назвали бы точный адрес — доехали бы по прямой за минимум. Точный промпт — это адрес для счётчика токенов.
Часть 3. Новости и состояние моделей
Claude Opus 4.8
Claude Opus 4.8. Спикер активно поработал с ним несколько дней — в целом нравится. Краткая «родословная» по его субъективным ощущениям:
- Opus 4.5 — потрясающая модель.
- Opus 4.6 — его личный фаворит «по вайбу».
- Opus 4.7 — откровенно слабый релиз (нормальный для кодинга, но в общей прогрессии — шаг назад).
- Opus 4.8 — хорошая модель, заметно лучше 4.7, реально хорошо кодит.
- Для кодинга обязательно включайте уровень усилий Extra High Effort — без него модель раскрывается хуже.
- Для «умственной» (не-кодинговой) работы ощущения смешанные: модель отличная по сути, но по-русски, по мнению спикера, стала писать суше/казённее.
- Для длинных автономных задач сама по себе модель, по его оценке, уступает GPT-5.5, которая в этом особенно сильна.
размен: больше «думанья» = выше качество, но и выше латентность и расход токенов. Для сложной архитектурной работы Extra High оправдан. Для простых, механических правок он может просто жечь токены впустую. Правильнее: подбирайте уровень под сложность задачи, а не ставьте максимум по умолчанию.
субъективные впечатления + быстро устаревающие бенчмарки. С учётом того, что у меня нет доступа к свежим сравнительным замерам, относитесь к конкретным цифрам как к моментальному снимку на дату записи, а не как к константе. Модели и их рейтинги меняются буквально помесячно.
Тезис: «приложение ограничивает модель»
Every, и он с ней согласен): нынешнее приложение Claude Desktop «намешало кучу всего вместе», и это ограничивает саму модель. Вероятно, Anthropic в какой-то момент переделает интерфейс. Тезис в том, что оболочка (продукт) может быть узким местом не меньше, чем сама модель.
Dynamic Workflows / режим Ultra Code
Спикер последние дни активно использует новую фичу и считает её одним из главных мест, где Opus 4.8 «по-настоящему раскрывается».
Dynamic Workflows — режим работы Claude Code, в котором агент сначала действует стандартно (изучает задачу, задаёт вопросы, готовит план), а после подтверждения плана выполняет его силами огромного количества субагентов, поднимая их мгновенно — «по щелчку пальца», а не с обычной заметной задержкой на запуск. Технически это сделано каким-то новым способом, ускоряющим порождение роя.
Как спикер его включает: команда /effort → выбрать самый правый режим Ultra Code (это связка Extra High + Dynamic Workflow Orchestration). Терминал при этом «светится, как игровой автомат».
172 разных файла привести к единому виду в Markdown. Кодом это сделать нельзя — каждый файл уникален по структуре и таблицам, универсальный скрипт всё бы поломал. Что сделал Claude в режиме Ultra Code: запустил рой из 172 агентов, по одному на файл, каждому — «преврати вот этот конкретный файл в Markdown». Сделал очень быстро и качественно. Похожий отзыв студента Тараса: задача «расширить базу вопросов для приложения» → Claude сам поднял кучу агентов и написал с проверкой ~300 вопросов на двух языках.
не подтвердилось. Потратилось ожидаемо-нормальное количество. Причина тонкая и важная: 172 лёгких агента, у каждого маленькое контекстное окно и небольшая нагрузка. Альтернатива — один агент, который тащит всё в одно гигантское контекстное окно и переобрабатывает его на каждом шаге, — вышла бы дороже. Даже 10 «средних» субагентов с окнами по ~150k токенов стоили бы дороже роя из мелких.
flowchart TD
T[Задача: 172 разнородных файла в Markdown] --> PLAN[Claude готовит план]
PLAN --> SWARM[Ultra Code запускает рой]
SWARM --> A1[Агент 1<br/>файл 1<br/>лёгкий контекст]
SWARM --> A2[Агент 2<br/>файл 2<br/>лёгкий контекст]
SWARM --> AN[Агент 172<br/>файл 172<br/>лёгкий контекст]
A1 --> DONE[Готово быстро<br/>и недорого]
A2 --> DONE
AN --> DONEодного слона и заставить его удержать в хоботе все 172 коробки разом — он будет медленно, мучительно перебирать их, постоянно роняя и поднимая всю кучу заново (огромный контекст переобрабатывается на каждом шаге — дорого и медленно). А можно выпустить 172 муравья, каждому — по одной коробке. Каждый муравей несёт крошечный вес (мелкий контекст), они бегут параллельно, и вся работа делается быстро и дёшево. Парадокс: толпа маленьких часто дешевле одного большого.
неудачное и «никто в интернете не понял, что это такое». Это сигнал: названия режимов и уровней усилий — это UI-метки конкретной версии Claude Code, они меняются и могут отличаться от того, что вы увидите у себя. Не привязывайтесь к буквам «Ultra Code», «Max», «Extra High» как к вечным истинам — сверяйтесь с актуальным интерфейсом и документацией. А вот механизм под капотом — «уровень рассуждения + параллельная оркестрация роя субагентов» — реален и важен; именно его и стоит запомнить.
Max / Team / Enterprise (не на Pro). Спикер предположил, что со временем фича доберётся и до Pro, поскольку токенов она ест неожиданно умеренно.
Часть 4. ГЛАВНАЯ ТЕМА — встраивание Claude Code / Codex куда угодно
или Codex и встроить прямо внутрь практически любой программы, к коду которой у вас есть доступ. В чужую закрытую программу — нельзя (нет доступа к коду). Но open-source программ огромное количество (их код лежит, например, на GitHub), плюс вы можете встроить агента в свою собственную программу. И тогда агент работает внутри неё, как встроенный мотор.
4.1. Что значит «встроить агента в программу» — живая демонстрация
Спикер делает все свои презентации в TL Draw.
TL Draw — программа для рисования на бесконечном холсте (а не по слайдам), с приятными «рукописными» шрифтами. Код открыт (лежит на GitHub), но лицензия не свободная: делать на её базе продукт на продажу нельзя без коммерческой лицензии. Для себя — можно свободно.
Что он сделал: попросил Claude Code встроить Codex прямо в открытый код TL Draw. Теперь внутри его рисовалки живёт настоящий Codex — с выбором модели, выбором уровня High/Extra High и т.д.
Сценарий использования прямо на холсте:
- «Поищи в интернете факты о новой видео-модели Gemini Omni и сделай мне выжимку 3–5 фактов в точно таком же стиле, как зелёные bullet points на этой странице.» → Codex одновременно лезет в интернет и смотрит текущий слайд, чтобы скопировать стиль, и вставляет результат.
- Затем он встроил ещё и Draw.io (тоже open-source). Теперь тот же агент умеет рисовать схемы: «по этим фактам нарисуй минималистичную техническую схему» → схема генерируется в отдельном окошке, её можно утвердить/поменять и Insert — вставить в презентацию на прозрачном фоне.
flowchart TD
subgraph APP[Открытая программа: TL Draw + встроенный Draw.io]
UI[Бесконечный холст / презентация]
HARNESS[Встроенный харнес:<br/>Codex или Claude Code]
end
UI -->|промпт пользователя| HARNESS
HARNESS -->|web search| WEB[(Интернет)]
HARNESS -->|генерация схемы| UI
HARNESS -.->|оплата| PAY[Подписка / кредиты]не существует — спикер сам соединил одну open-source технологию (TL Draw) с другой (Draw.io) и привязал к ним агента (Codex; точно так же мог бы Claude Code). Это новый подход к использованию AI, которым сейчас почти никто не пользуется: единственный реальный ограничитель — воображение.
орбитальная станция. Раньше она была глухой консервной банкой: что внутри, то и есть. Встроить Claude Code/Codex — значит врезать в борт универсальный стыковочный шлюз, к которому пристыковывается «грузовик» с искусственным интеллектом: он привозит инструменты (поиск, код, рисование схем), выгружает их внутрь станции и работает оттуда. А Draw.io — это второй пристыкованный модуль. Вы просто соединяете отсеки шлюзами, и они начинают работать как единый корабль.
4.2. Деньги, а не техника: Interactive Use против Programmatic Use
разницы нет. Вся разница — в оплате и правилах. И вот здесь пути двух продуктов разошлись.
- Codex пошёл по пути максимального разрешения: встраивай куда угодно и используй свою ChatGPT-подписку «из коробки» (даже API-ключ не нужен). Именно поэтому в демо использован Codex.
- Claude Code ввёл разделение на два типа использования.
- Interactive Use (интерактивное использование) — когда человек сам работает с Claude Code: терминал, IDE, Web, Desktop, Mobile, Claude Cowork. Здесь ничего не меняется — работаете по обычной подписке как раньше.
- Programmatic Use (программное использование) — когда код программы запускает Claude (через
claude -p, Claude Agent SDK, Claude Code в GitHub-экшенах). Вот это с момента изменения списывается не с подписки, а с отдельного бюджета.
flowchart TD
Q{Кто запускает<br/>Claude Code?}
Q -->|Человек: терминал, IDE,<br/>Web, Desktop, Mobile, Cowork| INT[Interactive Use]
Q -->|Код: claude -p,<br/>Agent SDK, GitHub Action| PRG[Programmatic Use]
INT --> SUB[Обычная подписка.<br/>Без изменений]
PRG --> CR[Agent SDK Credit:<br/>отдельный месячный бюджет<br/>по ценам API]Agent SDK Credit — отдельный месячный бюджет на автоматизацию (programmatic use), который не уменьшает вашу обычную подписку (идёт «сверху»). По словам спикера, ориентиры: Pro → ~$20/мес, Max 5 ($100-тариф) → ~$100, Max 20 ($200-тариф) → ~$200, и тратится он по ценам API.
- Спикер называет дату «15 июня», но сам себе противоречит в расшифровке: то «эта история меняется с 15 июня», то «ещё 15 июня не наступило», то «сегодня лимиты обнулились». Похоже, лекция записана вокруг анонса политики, ещё не до конца вступившей в силу.
- Точные суммы ($20 / $100 / $200), название «Agent SDK Credit» и дату я подтвердить из доступных мне источников не могу. Это ровно тот тип фактов (тарифы и биллинг-политики), который Anthropic меняет часто.
- Что делать: перед тем как строить на этом расчёты, сверьтесь с официальной биллинг-документацией Anthropic и страницей тарифов. Механика («интерактив = подписка, программный запуск = отдельный платный бюджет») — общая идея, но цифры могут отличаться от названных.
500k токенов, то отправка одного такого сообщения при цене порядка $5 за миллион входных токенов стоит ≈ $2.5 (плюс ответ модели). Тогда $200 — это условно ~150 «тяжёлых» сообщений, а агент в автономном режиме может «выпалить» столько вызовов за час-два. Отсюда вывод спикера: для длительной серьёзной автоматизации даже $200/мес кредитов может не хватить.
не подтверждается (исторически Opus был дороже). Сам метод расчёта (объём_токенов × цена_за_токен) корректен, но подставляйте актуальную цену из прайс-листа Anthropic на конкретную модель — она почти наверняка отличается, и от неё напрямую зависит, на сколько хватит кредитов.
совершил ошибку, пойдя по этому пути, и что часть разработчиков уже отворачивается в сторону Codex — именно потому что Codex можно встраивать «куда угодно и как угодно» по подписке. Отдельно прозвучало: на лекции у всех внезапно обнулились лимиты (Anthropic «расщедрился»), что спикер трактует как признак обострившейся конкуренции (Codex активно растёт на массовом рынке, GPT-5.5 — сильная модель). Реверанс в сторону осторожности: «не похоже на Anthropic — ждёшь подвоха».
Ralph относятся к programmatic use и нашли обходные пути под старую модель оплаты, но это «лазейки, которые, вероятно, скоро прикроются». Не стройте долгосрочную стратегию на обходных путях.
4.3. Два способа встроить Claude Code
Способ 1. Headless Mode (claude -p)
claude -p Headless mode (безголовый режим) — запуск Claude Code без интерактивного интерфейса: вы (или ваша программа) передаёте текстовый промпт флагом -p (--print), Claude его выполняет и возвращает ответ. «Безголовый» = без визуальной «головы»-интерфейса, только вход-выход.
Простейший пример прямо в терминале:
# Самый базовый вызов: отправили промпт — получили ответ
claude -p "Ответь: привет"
# Практичнее — с выбором конкретной модели и форматом вывода
claude -p "Переведи на английский: Привет, мир" \
--model claude-haiku-4-5 \
--output-format jsonsequenceDiagram
participant P as Ваша программа
participant C as claude -p (Headless)
participant L as Модель Claude
P->>C: промпт (текст)
C->>L: запрос
L-->>C: ответ
C-->>P: результат (текст / JSON)
Note over P: программа использует ответ как ей нужноclaude -p — простой и очень надёжный. Любое ваше приложение (утилита, скрипт, сервис), работающее локально на вашем компьютере, может вызвать Claude, дать ему задачу, получить ответ и использовать его дальше. Именно этот способ используется в сегодняшней практике. Условие: программа должна работать на вашей машине, потому что она использует вашу подписку (а далее — привязанные к подписке кредиты).
Способ 2. Claude Agent SDK
Claude Agent SDK — библиотеки на Python и TypeScript для создания сложных агентов, у которых внутри полноценный Claude Code со всеми возможностями: хуки, история сообщений, инструменты и т.д. (Ранее назывался Claude Code SDK.)
- Он сложнее headless-режима.
- С новой моделью оплаты SDK расходует ещё больше, потому что тащит большой системный промпт на каждый запуск — это более «массивная» вещь. Раньше это имело смысл при оплате по подписке, теперь экономически менее выгодно.
Для большинства задач (включая «приложение, которое дёргает Claude») вполне достаточно claude -p.
| Критерий | Headless claude -p | Claude Agent SDK |
|---|---|---|
| Сложность | Низкая, надёжно | Высокая |
| Что внутри | Один вызов: промпт → ответ | Полноценный Claude Code: хуки, история, инструменты |
| Расход | Меньше | Больше (большой системный промпт) |
| Когда брать | Утилиты, скрипты, простые сервисы | Сложные кастомные агенты |
| На этом курсе | Да, используем | Только обзорно |
-p против SDK как записка и сотрудник claude -p — это записка под дверь: «переведи вот это» — и через минуту тебе просовывают ответ. Дёшево, быстро, ноль церемоний. Claude Agent SDK — это нанять штатного сотрудника с кабинетом, личным делом (история сообщений), регламентами (хуки) и доступом ко всем системам. Сотрудник может несоизмеримо больше — но он и дороже содержания (большой системный промпт = аренда кабинета каждый день), и нанимать его ради одной записки глупо.
4.4. Практика — два собственных сервиса на claude -p
не с кода, а с брейншторма архитектуры в виде файла-описания (*_Design.md). В нём заранее прописано, как всё должно работать. Затем Claude Code просят прочитать design-файл очень внимательно и реализовать сервис. Это и есть та самая «человек продумывает план» (см. Часть 5).
Сервис 1. Cloud Clip — умный буфер обмена
macOS в строке меню (menu bar), которое обрабатывает скопированный текст через Claude Code в headless-режиме. Скопировал текст → нажал иконку → выбрал действие (проверить орфографию / перевести на английский / оформить / упростить / сделать формальнее) → увидел окно «как было / как стало» → можно дать комментарий («сделай короче») и скопировать результат куда угодно.
Команда, которую спикер дал Claude Code (в режиме Ultra Code):
Прочитай
CloudClip_Design.mdи сделай реализацию этого сервиса. Всё протестируй, что работает. Очень важный момент: используй модель Sonnet 4.6, именно её, и проверь, что используешь именно её. И используй мою подписку Claude Code (не API-вызовы), которая уже активирована в системе. Реализуй этот план.
Сервис 2. Smart Sorter — умная разборка папки
постоянно следит за папкой (например, Downloads). Как только появляется новый файл (PDF, JPEG, Markdown…), скрипт замечает его, Claude читает не только имя, но и содержимое, понимает, что это по смыслу, и раскладывает по папкам (счёт-фактура → «Финансы», заметки встречи → «Работа», шпаргалка Python → «Учёба», фото → «Изображения»).
flowchart TD
W[Скрипт-наблюдатель<br/>следит за папкой Downloads] --> NEW{Появился<br/>новый файл?}
NEW -->|нет| W
NEW -->|да| READ[Claude Haiku читает<br/>ИМЯ и СОДЕРЖИМОЕ файла]
READ --> DEC{Что это по смыслу?}
DEC -->|счёт-фактура| F1[Финансы]
DEC -->|заметки встречи| F2[Работа]
DEC -->|шпаргалка| F3[Учёба]
DEC -->|фото| F4[Изображения]
DEC -->|прочее| F5[Разное]invoice → в Финансы». Но в реальности счёт-фактура нередко называется 375-876.pdf — никаких ключевых слов. Сколь угодно «продуманный» скрипт упрётся в момент, когда нужно, чтобы кто-то реально посмотрел на файл и понял его суть. Этот «кто-то» — Claude.
- Планирование и кодинг сервиса спикер делает на Opus (лучшее рассуждение — строим качественно).
- А внутри работающего сервиса в рантайме используется дешёвая быстрая модель: Cloud Clip → Sonnet 4.6, Smart Sorter → Haiku 4.5 («быстро и нормально, для классификации даже Haiku хватит»).
Логика: дорогой моделью — строишь, дешёвой — эксплуатируешь. Рантайм-задача (отредактировать текст, классифицировать файл) проста, переплачивать за неё Opus-ом незачем.
двух полноценных сервисов целиком (на плане Max 20) съело ~2% недельных лимитов и ~8% пятичасовых. По ходу Claude поднимал 17–22 агента (потом спикер их останавливал командой «останови всех агентов»). Вывод: режим Dynamic Workflow по ощущениям даже экономит токены.
HTML-файл, объясняющий, как устроен проект (со стрелочками и диаграммами), и обязательно перечислить компромиссы (trade-offs), на которые он пошёл в процессе. Польза двойная: получаете наглядную документацию и узнаёте о неочевидных решениях, которые агент принял сам, не спросив вас.
изнутри корпоративной сети так сделать не получится (политики безопасности). И ключевое правило: сервис на подписке должен работать локально на вашем компьютере — выкладывать его в интернет нельзя, это запрещают правила Anthropic для подписочного использования.
Часть 5. Философия: куда это всё движется
Если посмотреть на то, как работают сами разработчики Claude Code, — у них уже всё устроено иначе. Другие компании к этому только потихоньку идут.
Три тренда, которые сойдутся в один
flowchart TD
T1[Тренд 1:<br/>человек продумывает ПЛАН<br/>~80% рабочего времени] --> CONV[Сходятся<br/>в единый процесс]
T2[Тренд 2:<br/>вся обработка автоматизирована<br/>агент уходит и работает сам] --> CONV
T3[Тренд 3:<br/>код стал так дёшев,<br/>что делаем сразу много вариантов] --> CONV
CONV --> ROLE[Роль человека:<br/>решить, КУДА направить компьют]продумать изначальный план: что делается, как, каким будет пользовательский опыт. Не «написать» план руками, а продумать его (вместе с AI). У топовых AI-разработчиков это занимает до 80% рабочего времени — они сидят и проектируют.
ушёл и работает сам: пишет, тестирует, возвращается только когда результат готов. Отсюда требование: заранее заложить определение готового результата (какие тесты пройти, чему соответствовать), иначе агент не поймёт, когда останавливаться.
Теперь можно: «сделай три рабочих варианта, я выберу лучший». Когда трудно выбрать путь заранее — порой проще сделать сразу несколько и сравнить.
на что направить вычислительные мощности (compute). Всё остальное всё больше делает агент. Ваше главное решение — выбор, куда вложить вычисления.
землекопом: сами махали лопатой (писали код строку за строкой). Теперь у вас под рукой карьерные экскаваторы (агенты), а вы — диспетчер энергосети: ваша работа не копать, а решать, на какой котлован пустить энергию и каким будет «готово». Махать лопатой больше не нужно — нужно правильно распределять мощность и задавать критерий приёмки.
OpenClaw — взгляд на проактивного ассистента
В ответах на вопросы спикер описал OpenClaw как иллюстрацию того, куда движутся персональные агенты.
OpenClaw — по сути персональный AI-ассистент, построенный на базе агента кодинга (на слух — «pai/pi»). От Claude Code / Codex его отличают три вещи, складывающиеся в «комплексную личность»:
- Сердцебиение (heartbeat) — раз в ~полчаса ему по умолчанию приходит системное сообщение «посмотри, как дела у владельца, может, что-то нужно». Из-за этого он проактивен: сам пишет, сам решает, сам инициирует действия.
- Память.
- «Душа» — файл
soul.md, описывающий его поведение, стиль и манеру мыслить.
Имеет смысл запускать на выделенном VPS 24/7. Спикер использует его как личного ассистента, фитнес-тренера и тренера по питанию. Внутри него можно использовать подписку Codex.
поведение агента — как он должен говорить, мыслить, в каком стиле общаться. Не «что делать», а «каким быть».
сторонний community-проект, описанный со слов спикера; ни heartbeat, ни soul.md не являются частью официального Claude Code. Перед запуском чего-либо «24/7 на VPS с доступом к вашей жизни» отдельно оцените приватность и безопасность. То, что спикер показывает на своём обзорном занятии, — его личная конфигурация, а не официальная рекомендация Anthropic.
инструмент в ящике: лежит мёртвым грузом, пока вы его не достанете и не нажмёте кнопку. OpenClaw — это тот же инструмент, которому вживили кардиостимулятор: каждые полчаса по нему проходит электрический импульс-«тук» («ну как там хозяин?»), и от этого «тука» он сам оживает, осматривается и решает, не сделать ли что-нибудь полезное. soul.md при этом — его характер: один и тот же «организм» с разной «душой» будет вести себя как два разных человека.
Домашнее задание
- Теоретический тест — появится в системе занятия.
- Практика: разработать любой свой сервис на ваш выбор, который использует
claude -p(headless mode) и работает локально на вашем компьютере (в интернет выкладывать нельзя — правила Anthropic). Образцы — Cloud Clip и Smart Sorter, но тема любая, какую захотите. - Поскольку сервис работает локально, снимите видео с экрана, как он работает, и пришлите.
практических приёмов: ведущий покажет свои рабочие практики и разберёт ваши кейсы. Приносите вопросы и описания того, что вы хотели бы сделать с AI, — разберём вместе, как это реализовать. Присылать можно через раздел вопросов.
Приложение. Глоссарий терминов занятия
Оркестратор — главный агент, раздающий задачи. Субагент — отдельный экземпляр с изолированным чистым контекстом под узкую задачу; возвращает оркестратору короткий результат.
/effort → Ultra Code (= Extra High + оркестрация роя). Названия — UI-метки версии, могут меняться.
Interactive — человек работает сам (терминал/IDE/Web/Desktop/Mobile/Cowork), списывается с подписки. Programmatic — Claude запускает код (claude -p, Agent SDK, GitHub), списывается с Agent SDK Credit. Даты и суммы — проверять по официальной документации.
Конкретные суммы уточняйте в актуальном прайсе.
claude -p Запуск Claude Code без интерактивного интерфейса: промпт на вход (флаг -p), ответ на выход. Простой и надёжный способ встроить агента в программу.
движки, которые можно вставить в любую вашу программу через claude -p. Сложные задачи решаются роем субагентов (изоляция контекста → короткий отчёт → синтез), причём строить систему выгодно дорогой моделью (Opus), а эксплуатировать — дешёвой (Haiku/Sonnet). Граница теперь не техническая, а денежная (interactive-подписка против programmatic-кредитов — детали сверяйте с актуальной документацией) и, главное, воображательная: единственный реальный ограничитель того, что можно построить, — ваша фантазия и решение, куда направить вычисления.
Footnotes
-
Название «Ralph» закрепилось в community по мотивам персонажа Ральфа Виггама («just do it in a loop») и было популяризировано инженером Geoffrey Huntley как полушуточный, но рабочий приём автономной разработки. ↩
-
Борис Черны (Boris Cherny) — известный инженер, стоявший у истоков Claude Code в Anthropic. Его публичные высказывания о практике «читать результат, а не код» отражают рабочий процесс фронтир-команд с сильной тестовой обвязкой. ↩
-
Андрей Карпаты (Andrej Karpathy) — сооснователь OpenAI и бывший директор по AI в Tesla; известен глубокими публичными разборами того, как практически устроена работа с LLM. ↩
-
Мем «римская империя» — шутка о том, что многие мужчины якобы думают о Римской империи каждый день; используется как метафора навязчивой личной темы, к которой человек постоянно мысленно возвращается. ↩
-
Фраза «The future is already here — it’s just not very evenly distributed» приписывается писателю-фантасту Уильяму Гибсону (William Gibson), одному из отцов киберпанка. ↩