Персональный план AI Fluency
Автор: Эмиль Амиров
Контекст: студент КФУ, курс BroJS (KFU-26-1), разработка LangChain/LangGraph-агентов, подготовка к защите проектов
Основа: AI Fluency: Framework & Foundations (модель 4D: Delegation, Description, Discernment, Diligence)
1. Цели и контекст
Зачем мне AI fluency
- Ускорять учёбу и домашние задания без потери понимания кода и архитектуры.
- Строить надёжных агентов (память, RAG, HITL, MCP), а не «магические» демо.
- Готовиться к защите: уметь объяснить решение, ограничения модели и свою роль в работе.
Текущий уровень (честная самооценка)
| Компетенция |
Сильные стороны |
Зоны роста |
| Delegation |
Разделяю задачи: LLM — черновик/объяснение, я — интеграция, тесты, сдача |
Иногда делегирую слишком крупные куски («сделай всё ДЗ») |
| Description |
Умею задавать структуру (файлы, API, LangGraph), использовать .env и контекст репо |
Слабее в performance description (тон, границы, «остановись и спроси») |
| Discernment |
Проверяю код запуском, линтером, MCP/Gitea |
Редко фиксирую «галлюцинации» в теоретических ответах |
| Diligence |
Не коммичу секреты, знаю про rework в журнале |
Нужны явные правила для данных курса и личных проектов |
Измеримые цели на 8 недель
- Недели 1–2: для каждого ДЗ — чеклист 4D до начала работы (5 мин).
- Недели 3–4: один «эталонный» system prompt для учебного агента + шаблон итерации (3 раунда минимум).
- Недели 5–6: журнал ошибок модели (5 записей: что сказала / что проверил / итог).
- Недели 7–8: защита: 10-минутный рассказ без слайдов с ИИ — только с демо и своими словами.
2. Delegation — что кому делегировать
Режимы взаимодействия (по курсу)
| Режим |
Когда использую |
Пример в моей учёбе |
| Automation |
Повторяемые, чётко описанные шаги |
Генерация requirements.txt, boilerplate README, форматирование |
| Augmentation |
Нужно моё суждение + скорость ИИ |
Разбор traceback, рефакторинг графа, идеи тест-кейсов |
| Agency |
Долгий цикл с guardrails |
BroJS-агент с MCP (журнал, Gitea) — только с лимитами и review |
Матрица «человек / ИИ»
| Задача |
Решение |
Почему |
| Архитектура графа (узлы, interrupt, checkpoint) |
Человек |
Ошибка = неверная модель выполнения |
| Черновик кода по ТЗ |
ИИ + человек |
ИИ ускоряет, я правлю и запускаю |
Сдача в журнал, секреты, .env |
Только человек |
Ответственность и безопасность |
| Поиск по документации LangChain |
ИИ + официальные docs |
ИИ может устареть; сверяю с docs |
| Этика, цитирование, «чья работа» |
Человек |
Diligence |
Правило «стоп-делегирования»
Не отдаю ИИ целиком, если не могу ответить на три вопроса:
- Что должно быть на выходе (артефакт)?
- Как я проверю результат за < 15 минут?
- Что будет, если модель ошибётся?
3. Description — как описывать задачи ИИ
Шаблон запроса (Product + Process + Performance)
Performance description (как должен вести себя ассистент)
- «Если требования неясны — задай до 3 уточняющих вопросов, не пиши код.»
- «Перед финалом перечисли допущения и риски.»
- «Не предлагай commit/push без явной просьбы.»
- «Для BroJS: owner Gitea = Emil, ответ в журнал — link или text по типу задания.»
Контекст-блок (обновляю раз в неделю)
- Проект:
brojs-agent-main, Python 3.11+, venv, OpenRouter.
- Стек ДЗ: LangGraph, MCP journal, Gitea, Qdrant/Ollama где нужно.
- Слабые места: PowerShell (
; не &&), кодировка UTF-8, лимиты free-моделей (429).
4. Discernment — как оценивать ответы ИИ
Цикл Description ↔ Discernment (минимум 3 итерации на нетривиальную задачу)
- Черновик — получить структуру/код.
- Критика — «найди 3 бага и 1 лишнюю зависимость».
- Синтез — внести правки, запустить локально.
- Финал — сравнить с ТЗ построчно.
Чеклист проверки вывода
Красные флаги
- Слишком гладкий ответ без trade-offs → остановка и ручная проверка.
- «Уже готово к сдаче» без логов запуска → не верю до теста.
- Один огромный diff → разбить на шаги.
Инструменты верификации
python main.py, pytest где есть.scripts/health_check.py для окружения.- Gitea + журнал MCP для сдачи.
- Для RAG: spot-check источников в Qdrant, не только ответ модели.
5. Diligence — ответственное использование
Принципы
- Прозрачность: на защите говорю, где использовал ИИ (черновик, рефакторинг, документация).
- Конфиденциальность: API-ключи только в
.env, не в чатах и не в Gitea.
- Академическая честность: сдаю свою понятую работу; ИИ — инструмент, не соавтор без ревью.
- Ограничение вреда: не генерирую вредоносный код, не обхожу ограничения платформ курса.
Действия при ошибке ИИ в продакшене учебного смысла
- Откатить коммит / не сдавать до исправления.
- Зафиксировать в комментарии к себе: промпт → ошибка → исправление.
6. План действий по неделям
| Неделя |
Фокус 4D |
Действие |
Критерий успеха |
| 1 |
Delegation |
Матрица задач для текущего ДЗ |
Заполнена таблица «человек/ИИ» |
| 2 |
Description |
Один system prompt в AGENTS.md агента |
3 успешных запроса подряд без переделки ТЗ |
| 3 |
Discernment |
Журнал 5 проверок выводов |
5 записей с итогом pass/fail |
| 4 |
Diligence |
Правила .env + pre-submit checklist |
0 утечек ключей, сдача с непустым answer |
| 5 |
Delegation |
Режим agency только с HITL |
Демо interrupt на защите |
| 6 |
Description |
Шаблон prompt в README репо |
Коллега может повторить workflow |
| 7 |
Discernment |
Mock-защита без слайдов |
10 мин объяснения + вопросы |
| 8 |
Все 4D |
Ретроспектива плана |
Обновлённая версия плана v2 |
7. Инструменты и среда
| Инструмент |
Роль в плане |
| Cursor + агент |
Augmentation при разработке |
| OpenRouter / Claude |
LLM с переключением модели при 429 |
| LangGraph |
Agency с checkpoint и interrupt |
| BroJS Journal MCP |
Сдача; всегда task_update_answer перед submit |
| Gitea (Emil) |
Хранение кода ДЗ |
| Anthropic AI Fluency course |
Референс терминологии 4D |
8. Риски и митигация
| Риск |
Митигация |
| Переоценка ИИ на защите |
Еженедельная mock-защита без подсказок |
| Пустая сдача в журнал |
Чеклист: answer не пустой (text или link) |
| Устаревшие API в коде |
Сверка с официальной документацией |
| Выгорание от 429/ретраев |
Запасная модель в OPENROUTER_MODEL |
9. Краткое резюме
Мой план AI fluency — не «больше промптов», а дисциплина 4D: осознанно делегировать (automation/augmentation/agency), чётко описывать задачи (product/process/performance), критически проверять вывод (итерации + тесты), ответственно сдавать и защищать работу (diligence). Фокус на курсе BroJS: агенты с памятью, RAG, HITL и MCP — с человеком в контуре принятия решений.
Версия плана: 1.0 — май 2026
