Саммари

🎯 О чём этот конспект: Разбор фундаментальной концепции «Harness Engineering» (инженерии обвязок для ИИ), объясняющей, почему топовые разработчики и стартапы фокусируются не на моделях, а на слоях адаптации вокруг них. Включает 4-уровневую модель создания собственной AI-обвязки, пошаговый процесс сборки локального Knowledge Harness через Claude Code и разбор «Кривой Карпаты» (Karpathy Curve).

👤 Кому будет полезно: Вайбкодерам, инженерам и создателям AI-продуктов, которые хотят автоматизировать рутинные рабочие процессы, перестать зависеть от стандартных чат-интерфейсов и создавать сверхточные персональные AI-инструменты.

✨ Что получите: Чёткую архитектуру из 8 компонентов AI-обвязки, готовый промпт для развертывания локального дашборда базы знаний на Claude Code с интеграцией MCP и понимание долгосрочной стратегии построения AI-инструментов.

1. Концепция Harness Engineering и расширенная формула AI-продуктивности

Контекст: Большинство пользователей и компаний ошибочно полагают, что победа в AI-разработке зависит от доступа к самой мощной LLM. Однако новейшие инструменты вроде Muse от Meta или Grokbot от SpaceX/xAI показывают, что реальная ценность создается за счет «обвязки» (harness/wrapper) — слоя, упрощающего и направляющего взаимодействие с моделью. По данным инвесторов (включая Y Combinator), современный пайплайн стартапов почти целиком состоит из harness- и hardware-проектов. Разница между средним пользователем и топ-билдером заключается в использовании собственного доменного слоя.

Тайминг: ▶ 00:08, ▶ 01:23, ▶ 02:22

Выгода: Понимание формулы позволяет перестать тратить время на бесконечный перебор базовых моделей и сосредоточиться на создании уникального конкурентного преимущества — собственной доменной надстройки.

Как применить:

• Шаг 1: Осознайте базовую формулу большинства (99% рынка) — Обычный результат работы с ИИ описывается формулой:

$$\text{AI Output} = (\text{Model} + \text{Prompt}) \times \text{Base Harness}$$ Где Base Harness — это готовый инструмент, выбранный вендором (например, стандартный терминал Claude Code, веб-интерфейс ChatGPT или Grokbot).

• Шаг 2: Внедрите формулу лидеров индустрии (Domain Harness) — Лидеры создают дополнительную персональную надстройку:

$$\text{AI Output} = (\text{Model} + \text{Prompt}) \times (\text{Base Harness} + \text{Domain Harness})$$ Domain Harness — это надстройка, созданная поверх базового инструмента, которая учитывает ваш персональный контекст, специфику задач и рабочие привычки.

Результат: Переход от потребительского использования моделей к созданию собственных AI-активов с высокой добавленной стоимостью.

2. Позиционирование: Maker vs. Taker vs. Shaper

Контекст: Классификация McKinsey делит участников AI-рынка на три категории: Makers, Takers и Shapers. Makers (OpenAI, Anthropic, Google) разрабатывают базовые модели — конкурировать с ними в одиночку бессмысленно. Takers берут готовые вендорские интерфейсы «как есть» — это быстро и дешево, но лишает какой-либо уникальности и преимущества. Shapers (создатели обвязок) строят специализированные надстройки над моделями Makers. Главное преимущество персонального Shaper'а перед корпорациями уровня Meta или xAI — проектирование системы под выборку $N=1$ (ровно под одного пользователя — вас самих).

Тайминг: ▶ 03:14, ▶ 04:26, ▶ 04:54

Выгода: Фокусировка на собственной узкой экспертизе позволяет создать инструмент, который работает в вашей конкретной роли эффективнее любого массового SaaS-продукта.

Как применить:

• Шаг 1: Выберите свой текущий рабочий домен — Не пытайтесь сделать универсальный комбайн «для всего». Если вы маркетолог — делайте обвязку под маркетинг; если сейлз — под продажи; если разработчик — под свой стек и кодстайл.
• Шаг 2: Запустите промпт для распаковки домена и выявления узких мест — Загрузите в AI-ассистента следующий запрос для аудита ваших задач:

Проанализируй мой текущий рабочий процесс и помоги выделить узкий домен для создания персонального AI Harness (обвязки).
 
Моя текущая роль: [Укажите роль, например: Fullstack-разработчик / Маркетинг-лид]
Основные повторяющиеся задачи: [Перечислите 3-5 ежедневных рутинных задач]
Где я теряю больше всего времени: [Опишите проблемы с контекстом, переключением окон, шаблонами]
 
Задай мне 3 уточняющих вопроса, чтобы определить:
1. Самое частое действие, требующее контекста моих прошлых проектов.
2. Внешние источники данных, к которым я обращаюсь чаще всего (Notion, Drive, Git, CRM).
3. Формат вывода, который избавит меня от ручной постобработки ответов.

Результат: Четко определенная спецификация для персональной AI-обвязки, решающей конкретную проблему переключения контекста.

3. Архитектура Harness: 8 фундаментальных компонентов

Контекст: Любая эффективная AI-обвязка состоит из восьми взаимосвязанных уровней. Попытка написать всё с нуля через чистый API — частая ошибка новичков, приводящая к чрезмерной сложности. Правильный подход — использовать функционал существующих инструментов (например, Claude Code) как базис и конфигурировать недостающие переменные.

Тайминг: ▶ 07:00, ▶ 07:28, ▶ 08:44

Выгода: Модульная структура позволяет собирать сложные агентские системы за часы, а не недели, повторно используя готовые навыки и интеграции.

Как применить:

• Компонент 1: Правила (Rules) — Прямые системные инструкции, определяющие базовое поведение и ограничения модели.
• Компонент 2: Навыки (Skills) — Переиспользуемые детерминированные функции/скрипты, вызываемые по необходимости.
• Компонент 3: MCP-серверы (Model Context Protocol) — Унифицированные коннекторы к внешним сервисам (Google Drive, Notion, Postgres, GitHub).
• Компонент 4: Контекст (Context / Knowledge Graph) — Специфичные персональные или корпоративные знания, подаваемые в модель.
• Компонент 5: Хуки (Hooks) — Скрипты, срабатывающие по событиям (например, автозапуск тестов после изменения файла или блокировка опасных команд).
• Компонент 6: Субагенты (Sub-agents) — Делегирование и разделение задач между изолированными специализированными агентами.
• Компонент 7: Интерфейс (Interface) — Точка взаимодействия (локальный веб-дашборд, CLI-терминал или плагин).
• Компонент 8: Механизм обратной связи (Feedback Mechanism) — Инструмент быстрой оценки ответов и дообучения контекстной базы.

Результат: Полная ментальная и техническая карта для сборки любой AI-системы.

4. Практика: Сборка локального Knowledge Harness через Claude Code

Контекст: В качестве базового примера собирается Internal Knowledge Harness — персональный ассистент по внутренней базе знаний, который строго ограничен вашими документами и не фантазирует на базе внешних данных. Система использует два кастомных навыка (KB sync и KB answer), подключение по MCP и легковесный локальный веб-интерфейс.

Тайминг: ▶ 09:16, ▶ 10:48, ▶ 11:24

Выгода: Исключение галлюцинаций LLM при ответах на рабочие вопросы и мгновенная синхронизация с базами знаний без написания сложного бэкенда.

Как применить:

• Шаг 1: Подготовьте рабочее окружение — Откройте Claude Desktop (или терминал), перейдите в режим Claude Code, создайте новую директорию harness-demo и откройте её.
• Шаг 2: Настройте MCP-подключения — Подключите источники данных (Notion, Google Drive или локальную папку с markdown-файлами) через конфигурацию claude_desktop_config.json или .mcp.json.
• Шаг 3: Запустите генерацию harness через мета-промпт — Выполните в Claude Code следующий промпт:

Создай локальный Internal Knowledge Harness со следующей архитектурой:
 
1. Правила (Rules):
   - Модель должна отвечать на вопросы СТРОГО на основе предоставленного локального контекста и файлов базы знаний.
   - Если информации нет в контексте, явно сообщать: "Информация отсутствует в базе знаний".
 
2. Навыки (Skills):
   - `kb_sync`: функция/скрипт для получения и индексации актуальных документов из подключенных папок / MCP-источников в локальную директорию `/context`.
   - `kb_answer`: навык поиска по локальному контексту и формирования ответа с точными ссылками на исходный документ.
 
3. Интерфейс (Interface):
   - Одностраничный локальный веб-интерфейс (HTML/Tailwind/JS) со светлой/темной темой.
   - Кнопка "Sync" (триггерит `kb_sync`).
   - Поле ввода вопроса + кнопка "Send" (триггерит `kb_answer`).
   - Блок Feedback под каждым ответом: кнопки "Полезно / Не хватило контекста" с возможностью в один клик добавить недостающий факт в базу знаний.
 
Разверни проект локально, создай все необходимые файлы и запусти локальный dev-сервер.

• Шаг 4: Тестирование и итерация — Проверьте работу синхронизации, отправьте тестовый вопрос и используйте блок feedback для дозагрузки недостающих документов.

Результат: Работающий локальный сервис базы знаний с персональным веб-интерфейсом и механизмом дообучения.

5. UI/UX обвязки: Преимущества локальных веб-дашбордов

Контекст: Интерфейс — самый недооцененный, но критически важный слой Harness Engineering. Возможности моделей Claude и Grokbot во многом идентичны под капотом, но разница в UX делает один инструмент продуктивнее другого в конкретных сценариях. Локальный веб-дашборд дает три ключевых преимущества: работу через существующую подписку Claude (без поминутной оплаты API-токенов), возможность мгновенного редактирования «на лету» (in-place iteration) и простой путь масштабирования на команду.

Тайминг: ▶ 12:30, ▶ 13:31, ▶ 14:11

Выгода: Снижение затрат на разработку до нуля (используется flat-rate подписка) и сокращение цикла внесения правок в логику ассистента до нескольких секунд.

Как применить:

• Шаг 1: Используйте локальный запуск поверх Pro/Max аккаунтов — Запускайте локальные UI-обвязки, подключенные к CLI-инструментам Claude Code, чтобы утилизировать лимиты вашей подписки вместо платных API-кредитов.
• Шаг 2: Внедрите элемент быстрого редактирования (Pencil Edit Pattern) — Добавьте в ваш интерфейс кнопку редактирования системных промптов и источников «на лету»:

<!-- Пример концепта быстрого инлайн-редактирования логики источника данных -->
<div class="flex items-center gap-2 p-2 border rounded">
  <span id="source-name">Источник: Google Drive / Marketing</span>
  <button onclick="editSourcePrompt()" class="p-1 hover:bg-gray-100 rounded">
    ✏️
  </button>
</div>
 
<script>
function editSourcePrompt() {
  const newPrompt = prompt("Введите новое правило выборки данных или добавьте источник (например, Outlook):");
  if (newPrompt) {
    // Отправка команды на обновление конфигурации harness
    fetch('/api/update-harness-config', {
      method: 'POST',
      headers: {'Content-Type': 'application/json'},
      body: JSON.stringify({ rule: newPrompt })
    });
  }
}
</script>

• Шаг 3: Итерируйте прямо во время реальной работы — Замечая неточность в ответе во время созвона или работы, сразу нажимайте иконку правки и корректируйте поведение системы без перезапуска всего проекта.

Результат: Самообучающийся персональный рабочий инструмент с минимальным временем отклика на изменения.

6. Кривая Карпаты (Karpathy Curve) и будущее разработки

Контекст: Андрей Карпаты (экс-глава AI в Tesla и сооснователь OpenAI) сформулировал видение будущего, альтернативное распространенному «AI-думеризму» (где единый сверхразум решает всё, а человек теряет ценность). Согласно Кривой Карпаты, сама модель со временем становится наименее интересной и коммодитизированной частью стека. Главная ценность смещается в три области: кураторство данных (data curation), декомпозиция задач (task decomposition) и адаптация под структуру организаций и процессов.

Тайминг: ▶ 14:59, ▶ 15:35, ▶ 16:05

Выгода: Фокусировка усилий на долгосрочно устойчивых навыках: проектировании систем, структурировании данных и декомпозиции процессов, которые не обесценятся с выходом следующей версии LLM.

Как применить:

• Шаг 1: Перестаньте конкурировать с «размером мозга» модели — Примите тот факт, что побеждает не тот, у кого самая большая модель, а тот, кто сформулировал наиболее ценную задачу и обеспечил её релевантным контекстом.
• Шаг 2: Инвестируйте в декомпозицию задач — Разбивайте сложные рабочие процессы на цепочки детерминированных шагов (skills, sub-agents, hooks), где модель выполняет только изолированные микро-действия.
• Шаг 3: Формируйте качественные локальные датасеты — Собирайте и структурируйте примеры ваших лучших рабочих результатов (шаблоны КП, код-ревью, архитектурные решения) для использования в слое Context вашей обвязки.

Результат: Устойчивый стек персональной автоматизации, который становится только эффективнее при обновлении базовых моделей от вендоров.

FAQ

В: В чем принципиальная разница между AI Wrapper и AI Harness? О: По сути, это синонимы. Однако исторически термин «AI Wrapper» ассоциировался с поверхностными коммерческими обертками над ChatGPT API. Термин «Harness Engineering» подчеркивает глубокую инженерную интеграцию: объединение правил, локального контекста, MCP-серверов, навыков и специализированных интерфейсов под конкретные профессиональные задачи.

В: Обязательно ли уметь программировать, чтобы создать свой Domain Harness? О: Нет, глубоких знаний программирования не требуется. Используя современные агентские инструменты (такие как Claude Code), вы можете сгенерировать локальный веб-интерфейс, скрипты интеграции и конфигурации MCP с помощью текстовых промптов, выступая в роли архитектора системы.

В: Почему лучше использовать локальный веб-интерфейс, а не стандартный чат Claude.ai? О: Стандартный чат заставляет вас каждый раз вручную копировать контекст, переключаться между вкладками и платить вниманием за выбор инструментов. Локальный интерфейс позволяет зафиксировать правила, автоматически подключать локальные файлы через MCP, собирать обратную связь и использовать подписку Claude Pro/Max без затрат на API.

В: Что такое MCP-серверы и зачем они в обвязке? О: Model Context Protocol (MCP) — это открытый стандарт от Anthropic для подключения моделей к внешним хранилищам данных и сервисам. В обвязке MCP выполняет роль проводки: он позволяет модели напрямую читать данные из Notion, Google Drive, локальной файловой системы или баз данных.

В: Как масштабировать созданный для себя Harness на команду? О: После того как вы отточили логику и правила на себе ($N=1$), обвязку можно упаковать в Docker-контейнер или развернуть как внутренний веб-сервис компании с авторизацией и единым подключением к корпоративной базе знаний.

В: Заменит ли выход новых моделей (например, Claude 4 / GPT-5) необходимость в обвязках? О: Нет. Согласно Кривой Карпаты, чем умнее становится модель, тем большую отдачу дает качественная обвязка. Новые модели лишь быстрее и точнее выполняют навыки (skills) и следуют инструкциям внутри подготовленного вами доменного каркаса.

Ресурсы и ссылки

• Claude Code / Desktop App — Рабочая среда и агентский инструмент для написания кода и сборки проектов от Anthropic — упомянут в видео
• BuildPartner.ai — Бесплатный плагин автора для пошаговой сборки AI Harness (/buildpartner:build harness) — упомянут в видео
• Model Context Protocol (MCP) — Стандарт подключения внешних источников данных к AI-моделям — упомянут в видео
• Muse (Meta) — Специализированная AI-обвязка от Meta — упомянут в видео
• Grokbot (SpaceX / xAI) — Инструмент автоматизации на базе Grok — упомянут в видео

Конспект создан на основе видео «I Studied The Fastest AI Builders (The 4 Layers of Harness Engineering)» канала Frank Fletcher. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=bIYWxYm5cOY