Родила тут Astra в ночь
Вчера у меня закончились недельные кредиты сразу на трёх подписках x20, но больше $600 в месяц на AI я не хочу сейчас тратить, так что до субботы Codex будет отдыхать. Это ровно такое же поведение, как у продолжающего писать про свой опыт многоагентной работы Steve Yegge (Seats and Sunsets — Steve Yegge). Он тоже добавлял подписки, пока не перевалил за двадцать, но и этого оказывается мало, так что его фабрика производства софта сейчас регулярно простаивает, ожидая “топлива”. Я понял тренд “подписок всегда мало” достаточно рано, остановился на трёх подписках, у меня конверсия результата работы AI в деньги не такая прямая, как у видеоигр, которые производит Steve Yegge.
За пять минут до исчерпания всего “топлива” я закончил делать Foundational Thinking DPF Suite. Это набор DPF для фундаментального физматвычислительного мышления. Теперь у меня есть FPF Core, Engineering DPF Suite (который ещё как-то понятен) и много менее понятный Foundational Thinking DPF Suite.
У меня есть уже отклики от людей, которые попробовали работать с этими Suites (да, и с физматвычислительным тоже), но этих мнений крайне мало. Поэтому я не стесняюсь спросить у знающих не-людей о том, где по отношению к каким конкурентам на Парето-фронте находятся все эти поделки. “Топливо” закончилось для Codex, но осталось неограниченное использование ChatGPT с Astra Pro и DeepResearch, чем я и пользуюсь.
Общий ответ по итогам многих запросов: “про доминируемость на Парето-фронте сказать трудно, поскольку такого нигде особо нет”. А вот дальше – много-много интересного.
С нашими руководствами R0-R11 все уже знакомы (хотя с руководством R0 мы не вели резидентур, но текст его был доступен, R11 — это обновлённый материал семинара “Развитие для развитых”, R1-R10 – программа рабочего развития). Я провёл множество семинаров по FPF, поэтому считаю, что с этим уже более-менее всё в порядке. Engineering DPF Suite в существенной мере базируется на материалах руководств, хотя там есть много новаций – но это всё-таки инженерия, прикладное знание. А вот про физматвычислительное мышление было только в интеллект-стеке, поэтому я попросил нежить сделать критический обзор FPF+DPF, но с акцентом именно на Foundational Thinking DPF.
Свет мой, DeepResearch и Astra Pro, скажи, да всю правду доложи
Вот полный текст моего запроса (то, что я написал в композер). Да, вот так неформально – я говорил, что общаюсь, как с сотрудниками):
Сделай обзор на русском Foundational Thinking DPF Suite FPF/Foundational Thinking DPF Suite at main · ailev/FPF · GitHub (если нужно будет прочесть какие-то паттерны FPF, можно воспользоваться сайтом fpf.sh). Не обращай внимания на несовпадения дат, статус draft или evolving природу. Заведомо ясно, что для такого нового фреймворка его педагогическую эффективность или иные варианты использования (усиление работы AI-агентов прежде всего) нельзя было или даже нельзя будет измерить (общая проблема “доказательной педагогики”, которая хочет несбыточного), паттерн C.11.DUA как раз говорит, что в этом случае надо экспертно оценить самому и даже не предлагать чего-то “дождаться” или “провести замеры” (если только затраты на эти замеры реально не покроются заведомой пользой от их проведения) – именно это от тебя и ожидается. В обзоре скажи, по каким характеристикам надо оценивать этот Suite, чтобы показать, где он находится по отношению к Парето-границе конкурентов, рассмотри, насколько он доминируем. Смотри не на standalone этот Suite, но если он будет использован вместе с FPF и вместе с Engineering DPF Suite, это же одно семейство методов.
Оцени общность против специальности: если мы будем использовать этот Suite, поможет ли он в широких предметных областях за счёт предложения сильных методов фундаментального мышления, или это будет ограничено какими-то узкими классами задач? Насколько банальны предлагаемые паттернами рабочие ходы? Нужно ли быть знакомыми с ними специально, потому что польза от этих методов большая, а в голову они сами не придут, или это просто сложным языком рассказанные всем известные ходы мышления? Понятно, что там есть паттерны, которые заведомо банальны и точно придут в голову, есть “средний слой” таких, что “банальны после того, как в них ткнули” (используемые профи методы мышления, которые не очень понятно, как передавать новичкам – новички признают, что они рациональны, но самим в голову вряд ли это придёт), есть какие-то паттерны, которые реально нетривиальны и контринтуитивны, поэтому их надо осваивать в применении, а не только распознавать. Достаточно ли такой простой классификации, или нужно что-то более дробное и специальное? Какие ходы улучшения Suite меняет эта классификация?
Но это только одно из измерений для Suite, второе измерение – это насколько часто в инженерной и менеджерской жизни встречаются ситуации, которые описываются паттернами (это позволяет прикинуть, насколько общий это фреймворк, а не фреймворк для узких отдельных применений, узкой специальной дисциплины).
Оцени затраты на освоение мышления с AI на базе предложенных паттернов: чтобы в самых разных ситуациях уметь вместе с AI провести не отдельные применения паттернов (для этого с AI даже не нужно знать имён паттернов и имён методов), но проходить какие-то длинные связки методов – мантры, решающие типовые не такие уж элементарные затруднения.
Что можно сделать, чтобы увеличить распознавание ситуаций применения этих методов агентами AI? Что нужно сделать, чтобы происходящее было понятнее людям-инженерам, и они могли совместно с AI сработать в AI-native first-principles-driven инженерии?
Понятно, что людям надо больше практики, помощи наставников, тщательно составленного curriculum и использования для всего этого паттернов HCD. Но что можно сделать с самим текстом Suite и его разделами, форматом паттернов, нужны ли какие-то дополнительные формы, которые лучше бы генерировать не на лету? Понятно ведь, что с AI большинство форм можно генерировать “на лету”, agile, но вдруг что-то надо “предкомпилировать”.
Ведь ровно та же проблема и с основным FPF и Engineering DPF Suite, но про неё обычно меньше говорят, чем про этот Suite. Не относится ли это замечание про “трудно распознать нужный паттерн, ибо в каждой предметной области проблема формулируется на её специфическом языке, а в FPF принят нейтральный по отношению к предметным областям язык, который ещё надо выучить” к общей трудности самого предмета физматвычислительного мышления, мышления по первым принципам, инженерного мышления как такового? Его ведь как таковое обычно никто не применяет в силу его tacit характера (в большинстве curriculums про междисциплинарную работу дают какие-то задания на связь между предметами, но собственно трансдисциплинарное знание, позволяющее обсудить явно эту связь между предметами, не даётся структурированно, ожидается его возникновение “исподволь”), просто применяют совместно какие-то частные методы решения частных задач и хорошо известных частных затруднений, для которых сразу понятно, что они помогут – в надежде, что в голове студента это как-то обобщится на другие ситуации, будет не просто “перенос в работу” (learning transfer), но и “перенос в другие предметные области”.
Можно ли готовить человека+AI, сдвигая на AI главную трудность распознавания паттерна, но что тогда надо знать человеку, чтобы не потерять возможность понимания, что делает AI в проекте и удерживать с ним коммуникацию? Собственно, AI может и распознать важность применения паттерна, и применить паттерн, и даже пройти по мантре из шагов применения паттернов – от людей ведь не требуется в новой социокультурной ситуации владение огромным числом сложных методов и распознавание огромного числа этих методов, чтобы их применить. Требования к экскаваторщику и к экскаватору разные, а все перечисленные фреймворки намеренно нацелены на работу человека с AI-агентом. Что надо освоить человеку? Достаточно ли паттернов в экосистеме FPF для этого? Какой минимальный набор паттернов надо освоить? Есть же набор паттернов для развития людей в Engineering DPF Suite, что они дадут для Foundational Thinking DPF Suite?
Для AI-агента инструкция уже дана, а какой курс надо дать человеку, чтобы он смог совместно с AI-агентом демонстрировать столь желанный для всей педагогики “перенос” (грубо говоря, смог с пользой применять фреймворк физматвычислительного мышления в своих проектах)? Банальные советы “не учите применению паттернов как ритуалу, не давайте подряд все паттерны, не заставляйте запоминать имена паттернов” тут не нужны, дураков нет, все профессионалы. Дай небанальные советы для сегодняшней ситуации AI-native learning, а не только AI-native engineering.
Что из похожих практик выглядит так же странно, но приносит сравнимую пользу при изучении? Первыми на ум приходят “системное мышление”, “критическое мышление”, при этом их польза крайне неуловима (те же проблемы “доказательной педагогики”: невозможность переноса результатов экспериментов между возрастами, программами, постановками эксперимента, невозможность вообще повторить ввиду отсутствия студентов со схожей подготовкой и заведомого отсутствия ресурсов, поэтому говорить о “нужно проверить” в таком залоге – это wishful thinking, утопия, признак некомпетентности эксперта), а сказать, какие их результаты оказываются полезны – нельзя в силу крайней абстрактности самих предметов. Но это только “первым на ум”, а что ты можешь предложить похожее? Как они там мотивируют, почему они полезны, почему ими надо заниматься, почему люди верят заявлениям, что оказывается на практике? Что с ними происходит в условиях повсеместной доступности AI-агентов? Что из этого должен заимствовать FPF с его экосистемой DPF? Что туда надо добавить, чтобы преодолеть эти ограничения? Аргументы про “недостаток tooling” тут не работают, ибо FPF+DPF сразу работают с AI-агентом, которому доступен практически любой tooling. Если надо что-то посчитать, так это будет посчитано или вычислено вот прямо тут же, без отдельного запроса.
Что ещё можно сказать про этот Suite? Кому можно рекомендовать им пользоваться, кому пользоваться после какого-то обучения, кому просто обучиться и не пользоваться, а просто что-то уметь, не обращаясь к Suite? Предложи сценарии использования, где этот Suite может принести максимальную пользу в текущем виде.
Насколько целесообразно будет советовать студентам осваивать в собственном мышлении предложенные методы? Понятно, что Suite сам по себе не служит учебным пособием, не содержит упражнений, но это ведь легко сгенерировать (в соседнем Engineering DPF Suite есть паттерны как раз для этой цели, можно поручить это сделать продвинутому AI-агенту, займёт буквально несколько дней, если будет сочтено полезным). За время на освоение будут конкурировать более 700 паттернов экосистемы FPF (Core, два Suites, возможно ты предложишь ещё какие-то Suites). Если применить паттерны развития для ответа на вопрос, то что можно сделать небанального, что резко поднимет эффективность освоения? Скажем, не учебный курс, а резидентура (учить на материале собственных рабочих проектов, а не учебных задач), это уже понятно. Но что ещё?
Какие конкурентные преимущества даст студентам освоение применения этих методов из Suite (самостоятельно или с AI-агентом, что более вероятно в сегодняшней социокультурной ситуации)? Поскольку речь идёт и о Core, и об Engineering DPF Suite, и о физматвычислительном фундаментальном мышлении, то резонно предположить, что вот этим методам мышления надо обучать инженеров, в том числе действующих инженеров, а не только студентов. В прошлых, да и в текущих учебных программах для инженеров что из явно пропущенного может дать FPF+DPF Suites? Что надо добавить, чтобы обучение подобному мышлению действующих инженеров было осмысленным? Например, предполагается, что инженеры и так уже обучены разным разделам математики, физики, компьютерной науки, проводить работы по математическому моделированию, как им объяснить, что использование Suite по физматвычислительному мышлению принесёт пользу их проектам?
Сделай отчёт в .md файле и отдельно проверь, что ссылка на скачивание у тебя не из sandbox, а то в предыдущие разы результат из sandbox было невозможно скачать, а диалог с тобой после завершения работы обычно невозможен. Если не можешь дать URI на какой-то файл, который я могу скачать, то выводи полный текст этого ответа в файле прямо в чат, в твой комментарий, я его возьму из чатового интерфейса. Не теснись с ответами, бери достаточно места, нет ограничений по объёму. Поэтому удерживай внимание на вопросах (и ставь дополнительные вопросы, которые мне не пришли в голову).
Четыре ответа про одно и то же
Одно дело хотелки, которые были в DRR (я понимаю, что эти хотелки никто не читал – если читали, то какого цвета там утка?), но совсем другое – что получилось. Я написал этот промпт на свежем пустом аккаунте, чтобы никакой памяти из соседних чатов прихвачено не было, причём дважды для Astra 6 Pro и дважды для DeepResearch (тоже Astra Pro, но OpenAI считает это отдельной моделью). Язык и содержательные акценты у этих двух моделей разные, читать ответы – интересно. Если вы хотите знать, что у меня получилось с этим проектом экосистемы FPF, то смотрите сами:
DeepResearch 1 – deep-research-report-1.md — Яндекс Диск
DeepResearch 2 – deep-research-report-2.md — Яндекс Диск
Astra 6 Pro 1 – Foundational_Thinking_DPF_review_1.md — Яндекс Диск
Astra 6 Pro 2 – foundational_thinking_dpf_review_2.md — Яндекс Диск
Не приспособлены кролики для лазания! Astra 6 Pro настроена на математику, а не обшаривание интернетов, поэтому не добралась до текстов многих паттернов в больших файлах (о чём честно сообщила), так что ответы там на базе главным образом короткого Reference. Но ответы всё одно любопытные, поэтому я их решил тоже привести. Заморачиваться и давать все файлы с диска я тоже не стал, всё должно быть честно – этот эксперимент по заданию вопросов каждый может повторить со своей любимой нейросеткой, хоть Fable, хоть GLM, хоть DeepSeek – не надо верить ответам моих любимых нейросеток, у вас свои есть (хотя у меня модель Pro, не факт, что у вас такая). Вы также можете заморочиться и выкачать файлы из GitHub, ответы у вас будут точнее.
Дальше я буду работать с этими ответами, ибо там есть над чем задуматься. Нечеловеческий разум иногда даёт очень любопытные советы, и старшие сетки в этом плане я бы не рекомендовал игнорировать. Это год назад можно было смеяться, что сетки не могут посчитать число букв в слове strawberry. А сейчас сетки могут в той же математике утереть нос любому из людей, что особенно интересно – у меня же как раз про физматвычислительное мышление, так что к советам старших сеток надо бы прислушиваться, даже если они тебе не нравятся. Впрочем, в этих текстах математики минимум, там про другое – и не ко всем советам там надо прислушиваться.
Моя резидентура начнётся 18 октября, продлится 4 месяца
Но также я начну планировать свой семинар. Подниму из чата (Telegram: View @ailev_blog_discussion) мой ответ по тому, что задумал:
- берём время четыре месяца (плюс-минус неделя на старт-стоп мероприятия), time boxing. Что не помещается в четыре месяца, то не помещается.
- из всего материала руководств и FPF+DPF берём то, что советует наш Рекомендатель развития. Этот DPF по развитию (в том числе организаций, в том числе личному) уже опубликован. Совет ограничиваем примерно тем объёмом, который реально хоть как-то освоить за 4 месяца. Идея в том, что это будут лучшие паттерны мышления и действия, которые можно освоить при входных освоенных паттернах R1-R4: они будут давать некоторый баланс из паттернов, которые позволяют полностью выполнять некоторую мыслительную (и не только мыслительную) инженерную работу и паттернов, которые открывают путь для понимания новых областей работы (stepping stones).
- пробуем освоить мышление по методам этих паттернов в ходе этих четырёх месяцев.
Конечно, общий объём записанных в FPF+DPF паттернов (всё умение или даже знание, ещё не перешедшее в умение, меряем в паттернах: способах снятия затруднений в типовых ситуациях) много больше (более 700), чем возьмём для освоения. Так что освоим какой-то небольшой кусочек, который позволит поддерживать разговор обо всех остальных — считаем, что говорить придётся и с AI, и с людьми.
Дальше наслаждаемся результатами использования полученных умений в работе (за четыре месяца умней не станешь, но улучшения будут заметны), а также продолжаем развиваться и за пределами этих четырёх месяцев.
Эта резидентура предполагается как некоторый интенсив. По всем руководствам в обычном темпе было обычно 6 недель на каждое, шесть руководств — это сразу 36 недель, а ведь ещё по факту там добавилось R11 как “развитие для развитых”, и ещё хорошо бы R0 как интеллект-стек, так что было бы 48 недель — и это уже “год, если делать месячные каникулы”. Многовато, не все доходят до конца годичной программы. Поэтому всё реорганизовали:
- упор не столько на руководства, сколько на FPF+DPF, помогает не только наставник: с AI-агентом тоже можно поговорить и поработать.
- руководство на эти 4 месяца я предполагаю-таки сделать.
- не почти год, а 4 месяца как “срок минимальных изменений” — и смотреть на то, что получилось и что там можно делать дальше, поскольку в освоении новых умений у людей чудес не бывает. Профи всё-таки нельзя стать, закончив “трёхдневные курсы”. Год, два, три — это рациональное ожидание, поэтому “за 4 месяца со мной случится чудо” — это вряд ли. Но наш опыт показывает, что за это время можно получить волшебный пендель, у меня довольно много потоков “Системного менеджмента и стратегирования” примерно столько же шли — и результаты были вполне себе впечатляющими, за 4 месяца всё-таки много можно сделать.
- ситуация сейчас такая интересная, что мало кто вообще знает, что происходит — идея как-то вести разговор об AI-native first-principles-driven инженерии и менеджменте. Поэтому что бы мы ни делали, мы тут на фронтире, опыт у нас есть, но сам подход будет как в старинных университетах: препод выходит из лаборатории к студентам, скидывает подпаленный в экспериментах халат и читает лекцию о том, что он обнаружил на прошлой неделе. Ибо при текущих темпах развития в том числе и мышления (AI — это же про мышление!) заранее планировать, что там будет в инженерии через 4 месяца после начала этой резидентуры в середине октября 2026 года — нельзя. Но мы это понимаем, мы на это закладываемся. Этот самый Рекомендатель необязательно ведь запускать только перед началом, можно и несколько раз в середине резидентуры, можно и для каждого инженера-менеджера отдельно, можно хоть каждый день корректироваться “от достигнутого”.
Так что это для всех эксперимент, прежде всего для меня. Но поскольку тут уже многие в моих экспериментах участвовали, то как-то люди уже попадают в чат этой резидентуры и даже есть уже оплатившие! А я честно говорю, что даже название ещё не придумал — мы договорились его обсудить на методсовете 22 сентября. До этого я вот сделал сбычу мечт с этим Foundational Thinking DPF Suite, и ещё поработаю над программой и форматом этой четырёхмесячной резидентуры (она пока продолжает фигурировать под рабочим названием “R5-R10”).
