Большинство людей застревают на уровне пользования готовыми AI-инструментами. Ты спрашиваешь ChatGPT, копируешь промпты из интернета, иногда пробуешь Claude Projects — но каждый раз адаптируешь себя под чужие решения. А что если перевернуть этот паттерн и начать создавать AI-инструменты под свою конкретную жизнь?
Life Engineering — это методология превращения повседневных фрикшенов в работающие цифровые артефакты. Не абстрактные AI-ассистенты "для всех", а персональные микро-инструменты для твоих задач. Инструменты, которые знают контекст твоих проектов, понимают твою терминологию и автоматизируют именно те паттерны, которые ты повторяешь.
В этом руководстве разберём всю цепочку — от момента раздражения до запущенного инструмента. Покажу реальные кейсы, которые люди собирали за 1-2 часа без серьёзного технического бэкграунда, и дам тебе фреймворк для создания собственных решений.
Сдвиг мышления: от использования к созданию
Четыре уровня погружения в AI
Большинство останавливается на втором уровне и думают, что это потолок:
Awareness — ты знаешь, что AI существует, видел демки, читал статьи. Понимаешь возможности на концептуальном уровне, но не применяешь регулярно.
Using — активно используешь готовые инструменты. ChatGPT для текстов, Midjourney для картинок, может быть Claude Projects для более сложных задач. Здесь застревает 80% пользователей.
Integrating — встраиваешь AI в рабочие процессы. Настроил автоматизации через Zapier, подключил API к своим системам, создал промпт-библиотеку для команды.
Building — создаёшь собственные инструменты. Пишешь кастомные агенты, собираешь веб-приложения, настраиваешь Agent Teams для специфических задач.
Переход с уровня Using на Building — это не вопрос технических навыков. В моей практике люди без опыта программирования собирали рабочие инструменты за один вечер. Барьер психологический — "это для программистов" или "у меня нет времени разбираться".
AI как команда сотрудников, а не IT-инструмент
Вот фундаментальный сдвиг мышления: перестань относиться к AI как к программному обеспечению. Начни относиться к ним как к команде специалистов с разными ролями и контекстом.
Когда у тебя в команде появляется новый человек, ты не просто даёшь ему задачу. Ты:
- Объясняешь контекст проекта и терминологию
- Показываешь, где хранятся файлы и документация
- Задаёшь рамки ответственности и non-goals
- Определяешь метрики успеха
Точно так же работают персональные AI-инструменты. Разница в том, что "онбординг" занимает 15 минут вместо недели, и ты можешь создать пять специализированных агентов под разные задачи вместо найма универсального помощника.
Методология Pain-to-Product
Правило второго (пятого) раза
Самая распространённая ошибка — пытаться автоматизировать всё подряд или строить универсальные решения. Вместо этого используй простое правило: если делаешь что-то во второй раз, обрати внимание. Если в пятый — пора автоматизировать.
Вот реальный пример из моей практики. Каждую неделю я собирал саммари проектов для клиентов: открывал Linear, копировал задачи, заходил в Notion, форматировал текст, генерировал отчёт. 20 минут каждый понедельник. После пятого раза записал фрикшен и за час собрал скрипт, который делает это автоматически.
Фокус не в том, чтобы сэкономить 20 минут. Фокус в том, что теперь я не трачу ментальную энергию на рутину. Могу запустить скрипт в любой момент, а не только по понедельникам. И главное — скрипт не забудет ни одну задачу и не ошибётся в форматировании.
Как записывать фрикшены
Заведи документ (я использую Obsidian note "friction-log") и записывай туда моменты раздражения в реальном времени. Не анализируй, не фильтруй — просто фиксируй:
- Переключился между тремя вкладками, чтобы скопировать данные
- Третий раз за день объясняю один и тот же контекст ChatGPT
- Потратил 10 минут на поиск того промпта, который работал в прошлый раз
- Вручную переименовываю файлы по паттерну YYYY-MM-DD_название
- Копирую структуру из старого проекта и адаптирую под новый
К концу недели у тебя будет 10-15 записей. Теперь примени фильтр: какие из них повторяются? Какие отнимают больше 5 минут? Какие вызывают наибольшее раздражение, даже если быстрые?
Возьми топ-3 и превращай их в инструменты.
Промпт для генерации идей инструментов
Когда у тебя есть список фрикшенов, используй этот промпт в Claude или ChatGPT:
Записал несколько моментов раздражения из повседневной работы:
1) Каждый раз заново объясняю контекст проекта при создании новой задачи в Linear
2) Трачу 15 минут на форматирование markdown-заметок после митингов
3) Вручную проверяю три разных дашборда, чтобы собрать недельную статистику
Для каждого фрикшена предложи простой инструмент — бот, веб-приложение, автоматизацию или кастомный GPT. Опиши:
- Формат инструмента (Telegram бот / веб-приложение / скрипт / Claude Project)
- Основной функционал в 2-3 предложениях
- Необходимые интеграции (если есть)
- Примерное время на создание
Модель выдаст конкретные решения с учётом твоего контекста. В 80% случаев это будет что-то реализуемое за 1-2 часа.
Agent Teams и архитектура персональных инструментов
Параллельные агенты вместо одного универсального
Забудь идею создать "одного AI-ассистента для всего". Это путь к размытому контексту и generic результатам. Вместо этого собирай команду специализированных агентов с чёткими ролями.
Вот как это работает в Claude Code (поддерживает параллельные агенты нативно):
Planner — получает задачу, разбивает на подзадачи, определяет последовательность Sub-Planner — берёт одну подзадачу и детализирует её до конкретных шагов Worker — выполняет один конкретный шаг (генерирует код / пишет текст / создаёт схему) Judge — проверяет результат на соответствие критериям, даёт feedback
Каждый агент видит только свою зону ответственности. Worker не знает общей цели проекта — он видит одну чёткую спецификацию и выполняет её. Judge не создаёт ничего нового — только оценивает по заданным метрикам.
Когда я настраивал генератор статей для блога, создал четыре агента:
- Research Agent — собирает референсы по теме, извлекает ключевые идеи
- Structure Agent — создаёт outline со строгой иерархией H2/H3
- Writing Agent — пишет секции по outline с конкретными примерами
- SEO Agent — проверяет плотность keyword, добавляет meta description и internal links
Каждый агент работает независимо, но передаёт результат следующему. Если Structure Agent создал слабый outline, я вижу это до того, как Writing Agent начал работу, и могу переделать.
Product Requirements Document для AI
Большинство людей пишут промпты в формате "сделай X". Это работает для разовых задач, но для инструментов нужна структура Product Requirements Document.
Вот шаблон PRD, который я использую для каждого нового инструмента:
# [Название инструмента]
## Контекст
Для кого этот инструмент и какую проблему решает.
Пример: "Для контент-криейторов, которые ведут несколько проектов
и тратят время на переключение контекста между ними"
## Цель
Одно предложение с измеримым результатом.
Пример: "Сократить время на переключение между проектами с 10 до 2 минут"
## Функциональные требования
- Что инструмент должен уметь (список конкретных функций)
- Какие интеграции необходимы
- Какой формат ввода и вывода
## Ограничения
- Технические ограничения (размер файла / скорость / API limits)
- Контекстные ограничения (максимум 3 проекта одновременно)
- Временные ограничения (создать за 2 часа)
## Non-goals
Что инструмент НЕ должен делать.
Пример: "Не нужна синхронизация с Google Calendar — только Notion"
## Success Metrics
Как понять, что инструмент работает.
Пример: "Использую 5+ раз в неделю без багов"
Когда ты даёшь Claude или GPT такой PRD, результат в 10 раз точнее. Модель понимает границы задачи и не пытается сделать "всё и сразу".
Платформы для создания инструментов без кода
Google Build (AI Studio) — веб-приложения за 15 минут
Google Build — недооценённая платформа для быстрого создания AI-приложений. Ты описываешь, что должно делать приложение, и система генерирует работающий код с интерфейсом.
Реальный кейс: Voxel Art Generator. Задача — генерировать воксельных персонажей для игры. Промпт был такой:
Создай веб-приложение для генерации воксельных персонажей.
Интерфейс:
- Текстовое поле для описания персонажа
- Кнопка "Generate"
- Область предпросмотра 400x400px
- Кнопка "Download as PNG"
Функционал:
- Принимает текстовое описание (например "a knight with blue armor")
- Генерирует изображение через Imagen API
- Применяет voxel art стиль через post-processing
- Позволяет скачать результат
Стиль: minimalist UI, тёмная тема
Через 15 минут приложение было готово. Не production-качество, но рабочее решение для внутреннего использования. Главное — ты можешь итеративно улучшать: добавить слайдер для размера воксела, выбор цветовой палитры, историю генераций.
ComfyUI + Nana Banana Pro — точный контроль над изображениями
Если тебе нужен более точный контроль, чем дают Midjourney или DALL-E, используй ComfyUI с нодами Nana Banana Pro. Это система, где ты описываешь редактирование изображений через JSON-спецификацию.
Вот промпт для работы с Nana Banana:
Переведи следующий запрос в JSON-спецификацию для редактирования изображения:
"Замени фон на тёмный лес, сохрани оригинального персонажа,
добавь свечение вокруг меча, стиль dark fantasy"
Формат JSON:
{
"objects": [...],
"preserve": [...],
"style": "..."
}
Модель выдаст структурированную спецификацию, которую ComfyUI выполнит точно. Ты не зависишь от того, "правильно ли меня поняла модель" — ты явно указываешь, что менять, а что сохранять.
Я использовал это для создания AI Avatar Generator — системы, которая генерирует анимированные аватары по фото. Три ноды: Image Input → Nana Banana Edit → Animation Export. Весь воркфлоу занял 40 минут на настройку, теперь генерирую аватар за 2 минуты.
Claude Projects + MCP — интеграция с реальными инструментами
Claude Projects с Model Context Protocol (MCP) — это способ подключить AI к твоим реальным инструментам. Не копировать данные вручную, а дать Claude прямой доступ к Linear, Notion, Obsidian, файловой системе.
Реальный кейс: Pomodoro Timer с контекстом. Задача — таймер в Mac menu bar, который не просто считает время, но и:
Подтягивает текущую задачу из Linear
Показывает дедлайн задачи
После завершения помидора автоматически логирует время в Linear
Предлагает следующую задачу по приоритету
С MCP я подключил Claude к Linear API и файловой системе Mac. Промпт:
Ты — Pomodoro Assistant. У тебя есть доступ к Linear через MCP.
При запуске:
1. Получи текущую активную задачу пользователя из Linear
2. Покажи название, описание, дедлайн
3. Запусти таймер на 25 минут
4. После завершения логируй 25 минут в Linear и предложи следующую задачу
Формат вывода для Mac menu bar: "Task: [название] | 25m | ⏱"
Результат — работающий таймер, который сэкономил мне 30 минут в день на переключение контекста. И всё без написания кода — только промпты и конфигурация MCP.
Ловушка: не путай "без кода" с "без мышления"
Многие думают, что no-code = ноль усилий. Это ложь.
Ты всё ещё должен:
- Думать о системе — как данные текут, где точки отказа
- Писать чёткие спецификации — "красиво работает" ≠ работает правильно
- Тестировать на реальных примерах — генератор работает с одним промптом, но падает на другом
- Итерировать — первая версия редко идеальна
Когда я создавал Avatar Generator, потратил 40% времени на то, чтобы понять, какие параметры Nana Banana нужны для сохранения уникальности лица. Это не был код, но это был серьёзный инженерный процесс.
Практический чек-лист: готов ли ты создавать свои инструменты?
- Знаешь, какую проблему решаешь (не просто "хочу AI инструмент")
- Написал PRD на 200 слов с целями и ограничениями
- Выбрал платформу исходя из нужного уровня контроля (Google Build < ComfyUI < Claude Projects)
- Подготовил 3+ примера входных данных для тестирования
- Понимаешь, где инструмент может сломаться и как это ловить
Если ты на все пункты ответил "да" — ты готов. Если нет — начни с PRD.
Итог
Создавать свои AI инструменты стало доступно каждому. Не нужен опыт программирования, нужна ясность в мышлении.
Три платформы выше — это твои инструменты для разных сценариев:
- Быстрый прототип? Google Build
- Точное редактирование изображений? ComfyUI + Nana Banana
- Интеграция с реальным воркфлоу? Claude Projects + MCP
Главное — не спешить в код. Сначала спецификация, потом реализация.
Подписывайся на канал https://t.me/serg_defi — разбираю такие темы каждую неделю.