ПодкастыHear the voice. See the shape of the thought.

Lex Fridman sits down with Jean-Baptiste Kempf, president of VideoLAN and lead developer of VLC, and Kieran Kunhya, longtime FFmpeg contributor and the voice behind the infamous FFmpeg account on X, for a four-hour deep dive into the invisible machinery behind virtually all video on the internet. Together they trace the full arc from raw bytes and container formats through hand-written assembly and codec reverse-engineering, confronting the open-source sustainability crisis along the way. The conversation is both a technical masterclass and a meditation on why brilliant volunteers—many of them teenagers—quietly build infrastructure that powers billions of devices every day. ## [00:00] Episode highlight The episode opens with a rapid-fire highlight reel that captures the spirit of what follows. Kempf distills the FFmpeg community's core value: code quality is the only credential that matters—"Maybe you're a dog. I don't care. I need to look at your code." Kunhya adds the scale: FFmpeg is running on roughly 100 million CPUs at any moment, with three billion devices continuously decoding video, and FFmpeg's x86 assembly hand-optimization runs 62 times faster than equivalent C. The segment also previews the CIA-VLC spy story, the intelligence-agency backdoor request Kempf flatly refused, and Kieran's "no regrets" Twitter philosophy. > *"We care about excellent code. We don't care who you are. Like maybe you're a dog. I don't care, right? I need to look at your code."* — Jean-Baptiste Kempf ## [02:17] Introduction Lex sets the scene: FFmpeg is the invisible backbone behind YouTube, Netflix, Chrome, VLC, Discord, and nearly every platform that touches video or audio. VLC has been downloaded more than 6.5 billion times. Both projects are built entirely by volunteers. Lex frames the episode not merely as a technical discussion but as a tribute to engineers who work for the craft rather than for fame or money—"one of the great examples of human beings quietly collaborating across borders to build something useful, durable, and elegant." > *"It is one of the most incredible software systems ever developed, and it's all done by volunteers."* — Lex Fridman ## [05:35] Weirdest things VLC opens The conversation lightens up with playful examples of VLC's legendary tolerance for exotic formats. Kempf describes users capturing VHS tapes via capture cards, support for DVD-Audio with custom encryption, and the Lucasfilm Star Wars game codec that FFmpeg implemented for a single 10-second opening sequence. At a VideoLAN conference, a competition to create the most broken file ever—an MKV where every frame changed resolution, aspect ratio, and rotation—ended with VLC playing it perfectly. The orange traffic-cone logo is discussed: so recognizable that 25% of VLC's website traffic arrives from people searching "cone player." > *"There was a file that's a valid ZIP and a valid MP3 at the same time or something like that—and VLC opened all of the stupid files."* — Kieran Kunhya ## [09:59] How video playback works Kempf and Kunhya walk through what happens the moment you press play: the player fetches a byte stream from a URL, the demuxer separates audio, video, and subtitle tracks, entropy decoding removes mathematical compression, intra prediction reconstructs still-image frames (I-frames), motion-compensation handles temporal redundancy (P- and B-frames), and the final raw pixels are handed to the GPU or audio card. Video compression achieves 100x to 200x reduction by exploiting how human eyes perceive luminance versus color—working in YUV space rather than RGB—and by reusing unchanged background regions across frames. Kunhya warns that every single sentence in this pipeline represents someone's lifetime of work. > *"Everything we've just said in the past couple of minutes, every sentence is someone's lifetime's work. There are books about every sentence."* — Kieran Kunhya ## [19:20] Video codecs and containers The hosts clarify the often-confused distinction between containers and codecs. A container (MP4, MKV, MOV) multiplexes audio, video, and subtitle tracks; the codec (H.264, AV1) compresses the content inside. VLC and FFmpeg deliberately ignore the file extension and probe the actual bytes—because in the real world, extensions lie. The segment covers how AVI was Microsoft's format, MOV became MP4 via Apple, and the Matroska/MKV format emerged from the open-source community. Modern codecs like AV1 are not single algorithms but collections of tools that adapt to content type—screen share, animation, live video—each requiring different coding strategies. > *"We discard the file format. We look into the file to understand what's in it because so many people say, 'Oh, it's a video, it must be MP4,' but technically it's an MOV or maybe it's a MKV."* — Jean-Baptiste Kempf ## [30:07] FFmpeg explained FFmpeg is described as a low-level library suite—libavcodec, libavformat, libavfilter—plus a command-line tool so expressive that Kempf calls it a full programming language. Every person watching a YouTube video, recording with OBS, or editing in a professional broadcast box is likely touching FFmpeg. Kunhya notes that trillion-dollar corporations and grandmothers with home videos operate on exactly the same technology stack. The segment dives into open-source licensing—MIT, GPL, LGPL, AGPL—as "social contracts" that define community norms. Kempf recounts the painstaking process of re-licensing VLC's core from GPL to LGPL, requiring him to track down more than 350 contributors, including visiting the factory-worker father of a deceased contributor to obtain permission for two lines of code. > *"From a philosophical level, it's incredible that your grandmother's home videos and trillion-dollar corporations are on a level playing field using the same technology stack."* — Kieran Kunhya ## [51:07] Linus Torvalds Kempf offers a nuanced defense of Linus Torvalds's legendary harshness. The Linux kernel's core community is tiny—as is FFmpeg's (10–15 active maintainers)—and those few people must maintain every line of code forever. "We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code." Kunhya adds that terseness is often simply fatigue: volunteers arrive home after a full day of work and review patches without the bandwidth to hand-hold. Kempf also points out that most community members are non-native English speakers, and cultural misreadings amplify perceived hostility. > *"We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code."* — Jean-Baptiste Kempf ## [55:46] Turning down millions to keep VLC ad-free Kempf traces VLC's unlikely origin: a French engineering school (École Centrale Paris) whose student-run campus built a satellite video-streaming system in 1995—a decade before YouTube—just to enable faster networks for video games. From that Network 2000 project grew VideoLAN, and VLC emerged as its client. Kempf joined in 2003 when the project had nearly died, grew it from hundreds of thousands to billions of installs, and along the way repeatedly refused "obscene" offers to bundle toolbars, change search engines, or insert advertisements. His reasoning: "I need to go to bed at night and be happy about what I've done. If I had sold out, I would have betrayed so many other people who work here." > *"I refuse dozens of millions of dollars, yes, several times. Yes, I could be a multimillionaire and be somewhere on the beach. But I did not do it because I thought it was not moral and it was not the right thing to do."* — Jean-Baptiste Kempf ## [70:04] FFmpeg & Google drama Kunhya recounts a public controversy in which Google's security team used AI to auto-generate bug reports for FFmpeg, filing them under tight 90-day deadlines—with some vulnerability reports going to the press before patches could be written—without contributing corresponding fixes or meaningful funding. Kunhya compares it to "a denial of service by AI-generated bug reports" on obscure 1990s game codecs. The saga escalated via spicy FFmpeg tweets (a "rap battle" in Kunhya's words), but produced concrete results: Google began sending patches and established a financial reward system for fixes. A parallel incident saw Microsoft Teams engineers file a high-priority bug on the volunteer tracker, name-dropping their product's scale, and offering a one-time payment of a few thousand dollars in response to a request for a long-term support contract. > *"Google uses FFmpeg at a scale probably you or I couldn't even contemplate—millions of CPU cores. And yes, they contribute in areas mostly regarding their own products. But in a wider sense, there's a disproportionate level of contribution."* — Kieran Kunhya ## [89:18] FFmpeg developers What motivates FFmpeg's volunteer engineers? Kempf identifies three drivers: passion for the subject matter (many contributors arrived because they loved anime), excellence of the craft ("this is the best school ever of programming"), and pride in impact ("you can tell your grandma: I do this so you can play video on your laptop"). Kunhya adds that Andrew Kelley, creator of the Zig programming language, was an FFmpeg developer who credits his time there as his real-world education. Teenagers have written thousands of lines of hand-optimized assembly for FFmpeg. Kieran's favorite quote, from John Collison: "The world is a museum of passion projects." > *"If you're good in C, if you know how to write assembly in FFmpeg, I assure you you're going to be one of the best programmers ever—even if you're working on writing TypeScript."* — Jean-Baptiste Kempf ## [95:55] VLC and FFmpeg Kunhya frames the FFmpeg-VLC relationship as a "binary star system": VLC is to FFmpeg as Android is to Linux—they depend on each other and succeed because of each other. Roughly 80% of FFmpeg pipelines depend on at least one VideoLAN project (most often x264). VLC gives FFmpeg exposure to a vast zoo of real-world broken files. When compiled for Windows, VLC links against about 16 million lines of code, of which only 1 million live in the VLC repository itself. The two projects share many developers and collectively demonstrate that complex software ecosystems can be built entirely from interdependent open-source components. > *"VLC is to FFmpeg as Android is to Linux. They depend on each other, but they coexist because of each other."* — Kieran Kunhya ## [100:29] History of FFmpeg The "eras tour" of FFmpeg begins with Fabrice Bellard creating the initial concept, followed by the Michael Niedermayer era of the early 2000s—exhaustive support for DivX, Xvid, Windows Media, and RealMedia, eliminating the need for bloated, spyware-ridden codec packs. The late 2000s brought H.264 maturity and the rise of high-definition video. Throughout, VLC served as FFmpeg's field test: millions of users exposing edge cases that no lab could anticipate. > *"At the time you needed a new player to play every different type of file format. Having a single library that was fast and open source—that was a massive achievement."* — Kieran Kunhya ## [103:46] Reverse engineering codecs The segment showcases the art of reverse engineering proprietary codecs. Kostya Shishkov—described as "borderline genius"—reverse-engineered 20–30 megabyte binary blobs (each megabyte representing roughly a month of normal work) for fun, producing decoders for Windows Media, RealMedia, and GoToMeeting formats. Kunhya explains the methodology: hook into the proprietary player to dump raw YUV data, open a disassembler, step through machine code instruction by instruction to infer the entropy coding, prediction, and IDCT stages, then validate bit-exactness against sample files. For months, the work produces no visible output—pure debugging in memory. > *"He looked at the world as a binary specification. He didn't need documentation or anything. He would go away and come back and do interesting stuff."* — Kieran Kunhya ## [117:01] FFmpeg testing FFmpeg's FATE (FFmpeg Automated Testing Environment) system runs a pivot table of test combinations: dozens of compilers (GCC, Clang, MSVC, Apple Clang, Intel Compiler), operating systems (Linux, macOS, Windows, BSD, Solaris), and CPU architectures (x86, ARM, RISC-V, PowerPC). All test machines are volunteer-hosted. The system catches compiler miscompilations—rare but devastating, since even a single wrong bit in a frame dependency chain can cascade into major visual corruption. Kunhya notes that the Macs at the top of the FATE dashboard are hosted in his own office. > *"It's not just a matrix at this point. It's like a pivot table of different combinations—all run by volunteers."* — Kieran Kunhya ## [121:08] Assembly code (handwritten) This extended chapter is the technical heart of the episode. Handwritten x86/ARM SIMD assembly in FFmpeg and x264 runs up to 62 times faster than equivalent C—a gap that modern compilers and auto-vectorization cannot close despite years of trying. VLC still supports Windows XP through Windows 11, macOS 10.7 through macOS 26, iOS 9 through the latest, BSD, Solaris, and even OS/2. Understanding assembly forces programmers to internalize CPU pipeline stages, SIMD registers, L1/L2/L3 cache, and memory bus constraints. Kempf and Kunhya introduce the x86inc framework built by Loren Merritt for x264 and JB's Assembly Lessons tutorial series, which have attracted contributions from teenagers learning directly from the source. > *"I believe it's necessary to understand assembly language, even if you don't do it much, to understand what's going on inside your computer. That will make you a better programmer."* — Jean-Baptiste Kempf ## [145:26] Rust programming language Kempf and Kunhya hold divergent opinions on Rust. Kunhya respects the memory-safety goal but finds the community self-important—"It has a very big Esperanto vibe"—and argues that Rust rewrites reaching only 85–90% of required feature coverage are insufficient; "the last 1% takes 99% of the time." Kempf has written Rust VLC modules and sees genuine value, but notes that the lack of training data for low-level SIMD work means AI tools cannot yet assist meaningfully. The discussion broadens to the two assembly wizards of the community: Henrik Gramner, whose knowledge of Intel x86 cycle counts exceeds Intel's own engineers, and Martin Storsjö, who writes ARM Neon assembly on a virtual keyboard while watching his kids play in the playground. > *"Rust reminds me of the Sinclair C5. In order to get people to move, you have to build something as good as, if not better than, what you have now."* — Kieran Kunhya ## [154:42] FFmpeg and Libav fork In 2011, FFmpeg split into FFmpeg and Libav, primarily over governance and leadership style rather than technical disagreements. Several Linux distributions temporarily shipped Libav instead of FFmpeg. Kempf describes open-source forks as healthy—they force projects to confront structural weaknesses. Eventually most of Libav's developers returned to FFmpeg, and the projects merged back. Kempf draws a parallel to the XZ Utils attack, where a lone maintainer, exhausted by coordinated social engineering, granted commit access to an attacker—highlighting how burnout creates the very single-point-of-failure vulnerabilities that make critical open-source infrastructure fragile. > *"Forks are important because they change the status quo of a community. FFmpeg today is better than it was before the fork."* — Jean-Baptiste Kempf ## [163:04] Open source burnout Kempf and Kunhya confront the mental health crisis among open-source maintainers. Kempf has received physical death threats—including a letter containing powder—over decisions such as dropping PowerPC support. The security community's habit of filing alarming CVEs for hobby-project edge cases adds psychological load without providing patches. Kempf now maintains several libraries whose original maintainers burned out. The conversation broadens to the systemic problem: critical infrastructure like libxml and XZ is maintained by one or two people, unknown to the trillion-dollar enterprises that depend on them. > *"The mental health of the open source maintainers is something that large corporations don't care or don't see."* — Jean-Baptiste Kempf ## [170:51] x264 and internet video H.264 transformed internet video by arriving exactly when Intel Core 2/Nehalem CPUs made real-time software decoding practical. The key innovation of x264 was psychovisual rate-distortion optimization—encoding decisions driven by visual quality metrics rather than mean squared error, producing sharper, more natural-looking video. This was driven by the anime community's high standards for perceived sharpness. AV1 offers 40–60% bandwidth savings over H.264 at the same quality, but encoding costs two orders of magnitude more CPU. YouTube therefore re-encodes only popular videos in AV1, making the extra compute worthwhile by amortizing it over millions of viewers. > *"Thirty percent of the video from Netflix is now in AV1, fifty percent of YouTube."* — Jean-Baptiste Kempf ## [184:07] Video compression basics The chapter clarifies I/P/B frame structure: I-frames are complete still images, P-frames reference only previous frames, and B-frames can reference both past and future frames. ProRes is an intra-only codec designed for nonlinear editing—no temporal dependencies, fast seeking. The segment also covers constant-bitrate versus constant-quality encoding, group-of-pictures length, and the thousands of engineers at Netflix, YouTube, and Meta whose entire job is tuning FFmpeg parameters for specific content types. A historical curiosity: Google Video originally used VLC as an ActiveX plugin inside Internet Explorer; today VLC is compiled to WebAssembly to run inside browser JavaScript engines. > *"You have I-frames that are complete frames, P-frames that depend only on I-frames, and B-frames that can depend on frames in front."* — Jean-Baptiste Kempf ## [191:04] CIA and fake VLC WikiLeaks' Vault 7 release revealed that the CIA built a modified version of VLC with an additional DLL (psapi.dll) that silently encrypted and exfiltrated documents while the victim watched a movie, using the expected high CPU load of video playback as cover. VideoLAN issued a press release directing users to download only from the official website. A separate incident involved Chinese state hackers distributing a fake VLC using legitimate signed VideoLAN DLLs to target Indian users, causing India to ban VLC until Kempf fought a successful legal battle to reverse the ban. The segment also surfaces a hidden feature: VLC can render movies as ASCII art in a terminal, useful for diagnosing multicast network paths via SSH. > *"If we had to compromise our software, we would shut it down. This is clear."* — Jean-Baptiste Kempf ## [201:39] Ultra low latency streaming Kempf explains adaptive streaming (HLS, DASH): the player downloads segments, times the download, and adjusts quality tier accordingly. The real engineering frontier is live broadcasting with strict CBR constraints—satellite uplinks cannot burst even for one second. Kempf describes his company Kyber, an open-source (AGPL dual-licensed) ultra-low-latency streaming stack targeting robotics and XR, streaming compressed video feeds to devices without onboard compute. The segment ends with a discussion of teleop for robots, where latency directly determines safety. > *"Kyber is open source. Everything on Kyber is open source. If you want to use it in your product and not open source it, you pay the commercial license."* — Jean-Baptiste Kempf ## [219:07] AV2 codec and video patents AV2, the successor to AV1 within the Alliance for Open Media (of which VideoLAN is a member), promises a further 30% bandwidth reduction. VideoLAN's dav1d decoder will be followed by "dav2d." The Alliance exists specifically to escape the HEVC/H.265 patent thicket: HEVC's three separate patent pools demanded fees so large that HP removed HEVC support from new laptops, and streaming giants calculated they could build a new royalty-free codec for less than the annual licensing cost. France's rejection of software patents means Kempf has never paid codec licensing fees—if he had to, the bill would exceed 200 euros per user. > *"At a hundred million per year, you know, I could create my own codec—and this is what they did."* — Jean-Baptiste Kempf ## [228:59] VLC backdoors Intelligence agencies from two different countries approached Kempf asking him to insert backdoors into VLC. He declined both, in terms he describes as "a lot less polite" than a simple no. The chapter broadens into a discussion of European entrepreneurship: Kempf argues that French startup culture has transformed over 15 years—failure stigma has fallen, AI companies are proliferating—while acknowledging that over-regulation remains a real drag. He closes by reflecting on his strategy for remaining calm under legal and political pressure: always ask "am I dying? Am I hurting someone?" If not, move on. > *"If we had to compromise our software, we would shut it down. Also because what we do is good and it's done for everyone."* — Jean-Baptiste Kempf ## [239:14] Video archiving Kieran profiles the archiving preservation community, led in part by Dave Rice of CUNY, which relies on FFmpeg as a "Rosetta Stone" for playing future-proof multimedia. The community funded FFV1, FFmpeg's lossless codec, to guarantee that archived footage loses no information—critical because lossy compression could destroy forensic or historical details visible only on close inspection. A famous cautionary tale: the BBC's 1986 New Domesday Book project archived content on BBC Micros, and within 20 years no one had working software to read it. There are now more historical video tapes in archives than functional tape heads in the world to digitize them, forcing painful triage decisions about what human history to preserve. > *"C will be like Latin. It will be a thing you learn from the past, but it will still be usable in certain contexts."* — Kieran Kunhya ## [245:51] Future of FFmpeg and VLC The closing chapter surveys where multimedia is heading: volumetric video, point-cloud codecs for robotics, RGBD depth streams, XR/VR streaming, and—speculatively—neural interfaces that may one day require codecs for compressed brain data. Kempf is confident FFmpeg will exist in 100 years; VLC he rates as "maybe." He closes with his personal philosophy: "Regrets are a tax on your mind. Learn from your mistakes, but don't regret." The episode ends with Lex reading Linus Torvalds: "Most good programmers do programming not because they expect to get paid or get adulation by the public, but because it is fun to program." > *"Regrets are a tax on your mind. Learn from your mistakes, but don't regret. Because you've done it, so unless you have a time machine, don't regret."* — Jean-Baptiste Kempf ## Entities - **Jean-Baptiste Kempf** (Person): President of VideoLAN, primary maintainer of VLC, founder of Kyber and several other companies; declined tens of millions of dollars to keep VLC ad-free. - **Kieran Kunhya** (Person): Veteran FFmpeg contributor, codec engineer, founder of Open Broadcast Systems, the voice behind the FFmpeg account on X. - **Lex Fridman** (Person): Host of the Lex Fridman Podcast, AI researcher, longtime VLC and FFmpeg advocate. - **Fabrice Bellard** (Person): Creator of FFmpeg, QEMU, and tcc; foundational figure of the project. - **Michael Niedermayer** (Person): Long-time FFmpeg maintainer who drove exhaustive codec support through the 2000s. - **Kostya Shishkov** (Person): Legendary FFmpeg reverse engineer who decoded proprietary binary blobs for Windows Media, RealMedia, and GoToMeeting codecs. - **Henrik Gramner** (Person): Assembly wizard with deeper knowledge of Intel x86 cycle counts than Intel's own engineers. - **Linus Torvalds** (Person): Creator of Linux and Git; referenced as a model of uncompromising code quality standards in open-source communities. - **FFmpeg** (Software): Open-source multimedia framework providing codecs, muxers, filters, and command-line tools; the invisible backbone of nearly all internet video. - **VLC** (Software): Open-source media player with 6.5+ billion downloads, built on libVLC and FFmpeg; plays virtually any format on any platform. - **x264** (Software): VideoLAN's open-source H.264 encoder; the dominant software encoder for internet video, famous for psychovisual optimizations. - **dav1d** (Software): VideoLAN's fast open-source AV1 decoder; widely deployed in browsers and streaming clients. - **VideoLAN** (Organization): French nonprofit that stewards VLC, x264, dav1d, and related open-source multimedia libraries. - **Alliance for Open Media** (Organization): Industry consortium including Google, Netflix, Apple, Amazon, and VideoLAN that created AV1 and is developing AV2 as royalty-free codec standards. - **FATE** (Software): FFmpeg Automated Testing Environment; volunteer-hosted CI grid testing hundreds of compiler/OS/architecture combinations. - **Kyber** (Organization): JB Kempf's startup building an ultra-low-latency open-source streaming stack for robotics and XR, dual-licensed AGPL/commercial. - **H.264 / AVC** (Concept): The dominant internet video codec standard; open-source implementation is x264; basis of Blu-ray and most MP4 files. - **AV1 / AV2** (Concept): Royalty-free next-generation video codec standards from the Alliance for Open Media; AV1 saves 40-60% bandwidth vs H.264; AV2 adds another 30%.

Официальное руководство Anthropic по Claude Code — что это такое, чем отличается от Claude.ai и три вещи, которые нужно знать, прежде чем позволить LLM выполнять команды в вашей кодовой базе. Предназначено для разработчиков, которые впервые устанавливают инструмент для работы с терминалом. ## [00:04] Что такое Claude Code и где он работает Claude Code позиционируется как агентский инструмент разработки: он понимает вашу кодовую базу, редактирует файлы, выполняет команды и интегрируется с инструментами разработчика, которые вы уже используете. Он работает на нескольких платформах — терминал, VS Code, JetBrains IDE, десктопное приложение Claude и веб — но в этом руководстве терминал рассматривается как основной вариант использования. > *Claude Code is an agentic coding tool that understands your code base, edits your files, run commands, and integrates with your existing developer tools to help you get things done faster.* ## [00:34] Чем он отличается от Claude.ai Ключевое различие — не в возможностях модели, а в доступе: Claude Code напрямую работает с вашим терминалом и всей кодовой базой, поэтому цикл копирования и вставки в чат исчезает — инструмент выполняет работу на месте. Называть его «ИИ-агентом» — это краткое обозначение той прямой среды выполнения. > *Unlike Claude AI, Claude Code has direct access to your files in your terminal and your entire code base.* ## [00:51] ИИ-агенты и возможности Claude Code ИИ-агент здесь означает программное обеспечение, которое взаимодействует со своей средой и предпринимает действия для достижения определённой цели — в простейшей форме это LLM в цикле реального времени с доступом к инструментам, внешним сервисам и другим агентам. Для Claude Code это выражается в конкретных возможностях: чтение и объяснение кодовой базы, трассировка ошибок по файлам, запуск скриптов сборки и тестов, установка пакетов и получение актуальной документации по API из сети для принятия следующего решения. > *An AI agent is a software that can interact with its environment and perform actions to complete a defined goal.* ## [01:45] Три концепции, которые нужно знать перед началом Рассказчик выделяет три свойства, которые определяют повседневное использование. Первое — **контекстное окно** — рабочая память Claude: большая, но конечная, поэтому агент должен стратегически навигировать по кодовой базе, а не загружать её целиком. Второе — Claude Code **запрашивает разрешение** перед выполнением команд или изменением файлов; вы сохраняете контроль независимо от того, хотите ли вы руководить каждым шагом или дать ему работать в основном самостоятельно. Третье — **он может ошибаться**: неверно понять намерение, внести баги или избыточно усложнить решение. Относитесь к его результатам как к результатам любого другого инструмента, а не как к истине в последней инстанции. > *By default, Claude Code will ask you before running commands or making changes to your code base.* ## [02:34] Итоги Claude Code — агентский инструмент разработки, который читает вашу кодовую базу, редактирует файлы, выполняет команды и подключается к внешним инструментам, помогая вам выпускать продукт быстрее. Доступен уже сегодня в терминале, VS Code, JetBrains и десктопном приложении Claude. > *Claude Code is an agentic coding tool. It reads your code base, edits your files, runs commands, and connects to external tools to help you ship faster.* ## Сущности - **Anthropic Tutorial Narrator** (Person): Официальный диктор Anthropic для серии учебных материалов Claude Code 101. - **Claude Code** (Software): Агентский инструмент разработки от Anthropic на базе терминала, работающий непосредственно с вашей кодовой базой. - **Claude.ai** (Software): Чат-продукт Claude — в противопоставлении с выполнением кода в среде Claude Code. - **AI agent** (Concept): LLM, работающий в цикле реального времени с доступом к инструментам, внешним сервисам и другим агентам для достижения определённой цели. - **Context window** (Concept): Рабочая память Claude — конечная, поэтому агент навигирует стратегически, а не загружает кодовую базу целиком. - **VS Code / JetBrains IDEs** (Software): Интеграции с редакторами, в которые Claude Code поставляется наряду с терминалом и десктопным приложением Claude.

Alex Lupsasca — 2024 New Horizons Breakthrough Prize winner and OpenAI resident scientist — recounts how GPT-5 resolved a year-long open problem in quantum field theory: proving that single-minus gluon tree amplitudes are non-zero and finding their compact closed form. He then describes how the publicly available GPT Pro, given the gluon paper as a seed, independently generalized the result to graviton amplitudes in under three days of human clock time. Throughout the conversation, Lupsasca reflects on what this trajectory means for how physics is done, how the next generation of physicists will be trained, and where the remaining bottlenecks — verification, creativity, and publishing infrastructure — still lie. ## [00:00] Introduction to AI's impact on physics research Lupsasca opens in medias res, framing the episode's central claim before the formal introduction: AI has crossed a threshold where it can resolve questions that stumped human experts for over a year. He describes this not as a curiosity for theoretical physicists but as a profound, if underappreciated, change in the nature of scientific discovery itself. > *"That's a certain milestone that we've passed, and I think maybe for the average person on the street who doesn't care about theoretical physics, this is not very noticeable, but I think it's a very profound change and we've really passed some kind of a threshold."* ## [00:43] Guest introduction: Alex Luposka The hosts — Brandon (Atomic AI) and RJ Honicky (Miro Omix) — introduce Lupsasca as a Vanderbilt professor and OpenAI fellow who holds both the 2024 New Horizons in Physics Breakthrough Prize (often called the "Oscars for science") and the IUPAP Young Scientist Award. Lupsasca immediately sets the narrative arc: a year ago, AI was useful for email but not for his work; ChatGPT o3 was the first model that genuinely helped with research math; then GPT-5 reproduced one of his hardest published results in 30 minutes. > *"When GPT-5 came out it was able to reproduce one of my best papers that took me a very long time to come up with in like 30 minutes. And that's when I really became AI pilled."* ## [02:49] Alex joining OpenAI and the shift in physics research After GPT-5's release, Lupsasca began evangelizing the shift to colleagues who were skeptical. Finding OpenAI equally excited, and being on sabbatical, he joined as resident scientist — the person physicists around the world now email when something astonishing happens. He describes receiving an inbound that week about Codex simulating the Sachdev-Ye-Kitaev (SYK) model in 10 minutes, a feat that many research groups had struggled to achieve due to the narrow Venn diagram of physicists with strong coding skills. > *"I talked to OpenAI. They were also really excited and I thought I have to get in on this and to understand that this is happening and not be a part of it is a huge mistake so I have to go to OpenAI."* ## [04:08] The release of GPT-5 and the shift in capabilities Lupsasca contrasts the lukewarm Twitter reception of GPT-5 (complaints that it was not better at writing email) with what he observed at the science frontier. He notes GPT-5.4 is another significant jump, and describes how AI capabilities for physics have been accelerating rapidly since o3, the first reasoning model strong enough for research-grade mathematics. He uses this as a bridge to the central technical story of the episode: a pair of new papers on gluon and graviton scattering amplitudes. > *"At the science frontier the capabilities were really taking off."* ## [10:05] Explaining Quantum Field Theory and amplitude calculations Lupsasca gives an accessible primer on quantum field theory (QFT), the framework that reconciles special relativity and quantum mechanics. The key objects in QFT are scattering amplitudes — complex-valued functions that encode the quantum probability for a set of incoming particles (with given energies, momenta, and polarizations) to scatter into a set of outgoing particles. These amplitudes are computed at particle colliders like the LHC, and knowing the n-point amplitude (for any number n of particles) encodes essentially the full content of the theory. > *"If you have a particular force and you're able to compute the n-point amplitudes... you know everything about the theory."* ## [14:20] Overview of gluons and the strong force Gluons are the force-carrying particles of the strong nuclear force — the force that, despite like-charge repulsion between protons, holds the atomic nucleus together. They are the QFT analog of photons for electromagnetism and gravitons for gravity. Like photons, gluons carry a polarization (helicity): positive (right-handed) or negative (left-handed). This helicity structure is central to the paper discussed next. > *"The strong force is mediated by the exchange of the particles of the strong force, which are called gluons, because they're what glues together the nucleus of the atom."* ## [14:38] Discussing the first research paper on single-minus gluon tree amplitudes Lupsasca unpacks the paper's title — "Single-Minus Gluon Tree Amplitudes Are Non-Zero" — piece by piece. Tree amplitudes are the leading-order (no-loop) contributions to scattering. All-plus-helicity amplitudes are exactly zero by a symmetry argument. Single-minus amplitudes — where all but one gluon have positive helicity — were assumed in textbooks to also be zero by the same argument. The paper proves they are not. The result involves collaboration with Alfredo Guevara (IAS), David Skinner (Cambridge), Andrew Strominger (Harvard), and Kevin Wheel. > *"If you look at the lecture notes and textbooks that have been written on this, the same argument that rules out the all-plus amplitudes also appears to rule out the single-minus amplitudes."* ## [20:56] How ChatGPT helped solve a year-long physics puzzle Strominger, Guevara, and Skinner had understood for about a year that the textbook argument has a loophole: when particles are collinear (exactly aligned in momentum), the standard dimensional-analysis reasoning fails, and single-minus amplitudes can be non-zero. But computing what those non-zero amplitudes equal had eluded them. Lupsasca invited Strominger to visit OpenAI and work on it with AI. The week before Strominger's flight, Lupsasca began using ChatGPT Pro. By the time Strominger landed, they had the answer. > *"Using ChatGPT we solved the problem before he even got off the plane."* ## [23:02] Complexity of manual calculations in physics Lupsasca shows the audience a concrete illustration of the difficulty: the six-point single-minus amplitude, worked out by hand by Alfredo Guevara, is a sum of 32 terms each of which is itself a product of four complicated factors. The number of terms grows factorially with the number of particles n — super-exponential growth. This is the messy representation that the group had been staring at for a year, seeking the analog of the elegant Parke-Taylor formula. > *"By the time you get to six terms, it explodes in your face."* ## [26:12] The history and mechanics of Feynman diagrams Feynman diagrams are a visual language introduced by Richard Feynman to organize perturbative QFT calculations: diagrams represent possible intermediate histories of a scattering process, and the full amplitude is a sum over all of them. Diagrams are organized by number of vertices (interaction points); each additional vertex is suppressed by the coupling constant, so tree diagrams (fewest vertices) dominate. Loop diagrams — where intermediate particles are created and annihilated — contribute smaller corrections. The combinatorial explosion of tree diagrams is the root cause of factorial growth. > *"In principle, there are infinitely many pictures to sum over."* ## [27:44] The Parke-Taylor formula and the quest for simplification In the 1980s, Parke and Taylor computed the "maximally helicity violating" (MHV, or double-minus) gluon amplitudes through a heroic Feynman diagram expansion. Despite the factorial number of terms, everything canceled to leave a single compact formula — the Parke-Taylor formula — that fits in half a line. Strominger, Guevara, and Skinner spent a year looking for the analogous compact formula for the single-minus case. Their search stalled at the level of the messy Feynman representation. > *"Andy, Alfredo and David spent the last year chasing the analog of the Parke-Taylor formula, the very simple answer that was obtained in the '80s for the double minus amplitudes."* ## [31:26] Using ChatGPT to find the simplification in the special phase space region When the five-point single-minus amplitude was fed to ChatGPT Pro, the model identified a special subregion of phase space (where one particle's frequency has opposite sign) in which the amplitude simplifies from eight terms to a product of just three. This appears not to have been a known fact; the model wrote Python code and tested thousands of possibilities to deduce it. Moving to the six-point amplitude (Guevara's hand calculation), ChatGPT simplified 32 terms to a product of 4. It then conjectured the general n-point formula — with only linear growth in the number of terms, the best possible behavior. GPT-5.2 Pro guessed the formula but could not prove it. > *"The formula that it proposed, instead of having this factorial growth... here it's actually linear. So if you double the number of particles, you only double the number of terms."* ## [38:07] Proving the formula from scratch to ensure validity To obtain a proof, Lupsasca used an internal OpenAI model with extended reasoning. He gave it the problem cold — without the conjectured formula — and asked it to find the general answer in the special phase-space region. After 12 hours of computation, the model independently rediscovered the same formula and produced a complete three-step proof. The proof constitutes the bulk of the published paper. The team kept the AI attribution to one paragraph, framing the paper as a physics result that stands on its own merits. > *"We gave it the whole problem from scratch... and it came back with the same formula which we had not given it. So it rediscovered the correct formula. But this time it also found the proof."* ## [41:00] Determining the scientific impact and future research Asked to compare the result to the Parke-Taylor formula, Lupsasca is candid that scientific impact is only assessable decades later, but argues the result is genuinely surprising and should open a line of attack toward deeper questions in quantum gravity. The conversation pivots naturally to the second paper. > *"I think the true value of a paper can only be assessed decades into the future based on how much future work it leads to and what developments it opens up."* ## [42:27] Introduction to the second paper on graviton amplitudes Gravitons are the hypothetical quanta of gravity — the spin-2 force carrier analogous to the spin-1 photon (electromagnetism) and gluon (strong force). Unlike gluons, gravitons have never been directly detected, but they are central to quantum gravity theory. The second paper, "Single-Minus Graviton Tree Amplitudes Are Non-Zero," shows the same loophole applies to gravity and that a compact formula extends there too — despite gravitons being mathematically more complex than gluons. > *"We wrote this paper which is called single minus graviton tree amplitudes are non-zero. So it's the same title almost, except with graviton instead of gluon."* ## [45:41] Defining particles, irreducible representations, and symmetry Lupsasca sketches the modern QFT definition of a particle (an irreducible representation of the Poincaré group, classified by Wigner according to mass, spin, and charge) and explains why gravitons are spin-2 while gluons and photons are spin-1, making graviton polarization data twice as rich. Crucially, the second paper was complete within three days of the first going public — most elapsed time was spent verifying correctness, not computing. > *"Most of the time was spent verifying the answer, not writing, which is insane, actually, if you take a step back."* ## [47:46] How GPT Pro generalized the research to gravity For the graviton paper, no internal model was needed — the publicly available ChatGPT GPT-5.2 Pro sufficed. Lupsasca provided the gluon paper as context plus two paragraphs describing the key mathematical changes, then said "Good luck. You're a brilliant theoretical physicist." Over a 110-page exchange, the model worked through the graviton calculation — applying the directed matrix tree theorem, a piece of known combinatorics that neither Lupsasca nor collaborators had thought to invoke — produced correct intermediate results, and wrote a draft paper very close to the final arXiv version from section 3 onward. > *"It's a real solid result in quantum gravity that was done pretty much completely by an AI with human steering it and asking kind of the right questions."* ## [53:57] The epistemological shift: Is this a new way of doing physics? The hosts raise the central epistemological question: if an undergraduate with domain knowledge and good prompting could have done this, what does graduate training mean now? Lupsasca agrees this is the hardest open question facing academia. He notes that arduous calculation trains not just skill but self-confidence, that the gap between coursework and the research frontier is growing, and that many "easy" problems professors once assigned to students are now solvable by AI in minutes. He offers two concrete ways AI has already changed his own workflow: dramatically reducing time spent confused between steps, and enabling parallel AI scouts that explore multiple research directions simultaneously. > *"With AI, actually, you can launch 10 instances of chat and have each one try a different route and send it as a scout that moves very fast into the unknown."* ## [59:27] The use of AI as a 'scout' for research directions Lupsasca elaborates on the scout metaphor: rather than carefully mapping a route from A to C before committing to it, a researcher can now dispatch many AI "scouts" in parallel, get rapid feedback on which directions are promising, and redirect human attention accordingly. Even when a scout makes errors, its signposts reduce orientation cost for the human following. This constitutes a qualitatively new mode of research — one where the bottleneck shifts from calculation to judgment about which directions matter. > *"Even if ChatGPT doesn't always get everything right, just kind of having a scout that signposts some key steps along the way that you can use to anchor your own movement is extremely helpful."* ## [61:44] The role of 'taste' and collaboration with AI The hosts push on the problem of "taste" — the ability to identify which questions are at the productive edge of knowledge. Lupsasca argues that working effectively with ChatGPT requires the same skill a professor develops advising students: knowing what question to give, at what level of detail. "Taste" — knowing where the frontier is and which questions there are tractable — is the last skill to develop and the one AI currently lacks. AI is, he says, like an extremely technically skilled graduate student: given a sharp, well-posed question, it can do incredibly hard computations correctly, but it does not yet know which question to ask. > *"The difference between a good physicist and a great physicist is knowing what is the right question to ask — that is actually the hardest part of being a scientist."* ## [70:23] Personal evolution from AI skeptic to resident scientist Lupsasca recapitulates his personal arc: skeptic → converted by o3 (which solved in 11 minutes a calculation that would have taken him days) → "AI-pilled" by GPT-5 (which reproduced, in 30 minutes, his best published result on black hole Love numbers and tidal symmetries — a paper whose training cutoff predated its arXiv release) → now resident scientist at OpenAI. He notes that no competing model at the time could match GPT Pro on that calculation. > *"In under 30 minutes, with one hint... it completely solved this problem, which is one of the nicest calculations that I've ever done."* ## [72:46] Solving a black hole perturbation problem with GPT-5 Lupsasca details the "Move 37" moment that converted him: his paper "Why Is There No Love in Black Holes?" establishes new symmetry generators for perturbations of a Kerr black hole (explaining why black hole Love numbers — tidal response coefficients, named after mathematician Augustus Love — are exactly zero). When GPT-5 Pro was first given the full problem cold, it failed. But after being primed with the simpler flat-space warm-up (a 200-year-old known result), it then solved the full Kerr black hole problem in 18 minutes. > *"GPT-5 was able to reproduce one of my hardest calculations, which I think the number of people in the world that could do that you could count on your hands."* ## [76:34] Discussing whether AI can make original, conceptual leaps The hosts ask whether AI is doing genuine recombination versus true creative leaps. Lupsasca cites Terry Tao, who has not yet seen an AI proof that cannot be traced to an obscure reference. But Lupsasca has been impressed and frames the distinction as one of degree rather than kind — humans may also be recombination machines. He believes continued scaling will produce feats of insight that look like creativity, and notes OpenAI is actively working on enabling models to take bigger, more out-of-distribution leaps suited to scientific discovery. > *"I'm not sure there's a qualitative difference. I think it's just a matter of degree — as we continue scaling the capabilities, I don't see why it's going to stop."* ## [80:09] Challenges of 'AI slop' and the future of academic publishing With models now capable of turning out a physics paper in 30 minutes when properly steered, the arXiv preprint server is being flooded with submissions. Lupsasca distinguishes legitimate use (expert steering + careful verification) from "AI slop" — poorly prompted outputs submitted without adequate checking. His proposed response: raise the bar rather than increase volume. The single-minus amplitude papers open a clear line of attack toward genuine quantum gravity questions; the goal should be to pursue harder problems, not to publish incrementally. > *"Instead, I think now that we have this new tool that gives us AI superpowers, I think we should just raise the bar for what it means to write a good paper."* ## [83:13] The bottleneck of writing academic papers Asked what single bottleneck he would remove, Lupsasca nominates the paper-writing process itself — finding it increasingly strange that researchers use AI to do calculations, compress results into a static paper, and then readers feed that paper back into AI to understand it. He envisions interactive, LLM-embedded papers as a plausible future. He also identifies two missing capabilities in current models: (1) the spark of creativity to identify the next important question, and (2) reliable self-verification, so that the onus of checking long AI-generated proofs does not fall entirely on humans. > *"Maybe some kind of interactive paper which lives in some LLM. Maybe your whole paper is some ChatGPT page... I think we're going to head in that direction."* ## [90:19] Final takeaways and looking ahead to the next year Lupsasca's closing message: pay attention. The trajectory from "useful for email" to "solves open problems in quantum gravity" has taken roughly 18 months. Models are solving open problems that expert communities spent years on. Extrapolating forward, with more scaling already in the pipeline, the next 6 to 12 months should bring further surprises. The right posture is excitement, careful verification, and a commitment to pursuing harder problems. > *"If you just extrapolate that into the future, imagine where we're going to be in 6 months or a year — I think it's kind of surreal to live through this time, but it's really happening."* ## Entities - **Alex Lupsasca** (Person): Theoretical physicist, Vanderbilt University professor and OpenAI resident scientist; 2024 New Horizons Breakthrough Prize and IUPAP Young Scientist Award winner; expert in black hole physics and scattering amplitudes. - **Andrew Strominger** (Person): Harvard professor and Lupsasca's former PhD advisor; pioneer of celestial holography; co-author of both single-minus amplitude papers. - **Alfredo Guevara** (Person): Postdoctoral researcher at the Institute for Advanced Study (IAS); performed the foundational hand calculations underpinning the AI-assisted breakthrough. - **David Skinner** (Person): Professor at Cambridge University; co-author of the single-minus gluon amplitude paper. - **Terry Tao** (Person): Fields Medal-winning mathematician at UCLA; referenced regarding the question of whether AI proofs involve genuine creativity. - **Scattering Amplitudes** (Concept): Complex-valued functions in quantum field theory encoding probabilities for particles to scatter; the central mathematical objects of both papers discussed. - **Single-Minus Gluon/Graviton Amplitudes** (Concept): Tree-level scattering amplitudes where all but one particle have positive helicity; previously assumed zero in textbooks but shown non-zero in a collinear phase-space region. - **Parke-Taylor Formula** (Concept): Compact closed-form result for maximally helicity violating (MHV, double-minus) gluon amplitudes derived in the 1980s; the template whose analog was sought for single-minus amplitudes. - **Feynman Diagrams** (Concept): Diagrammatic technique to organize perturbative QFT calculations; individual diagrams represent distinct intermediate-particle histories whose amplitudes are summed. - **Love Numbers** (Concept): Coefficients encoding tidal deformability; famously vanish for black holes, a fact connected to hidden symmetries studied in Lupsasca's "Why Is There No Love in Black Holes?" paper. - **Celestial Holography** (Concept): Research program exploring symmetries of quantum gravity via scattering amplitude structure; motivates studying graviton amplitudes. - **OpenAI** (Organization): AI research company where Lupsasca serves as resident scientist; developer of GPT-5 and the internal extended-reasoning model used for the amplitude proof. - **arXiv** (Organization): Open-access physics and mathematics preprint server; mentioned in the context of AI-generated "slop" flooding submissions. - **GPT-5 / ChatGPT Pro** (Software): OpenAI's frontier language model used as the primary AI tool in both amplitude papers; capable of extended reasoning steps of 20-34 minutes per prompt.

NYU Stern professor and serial entrepreneur Scott Galloway delivers a two-hour reality check on artificial intelligence: the doom-and-gloom predictions from AI CEOs are largely fundraising theatre, yet the technology poses a genuinely insidious risk that almost nobody is discussing — an epidemic of loneliness. Galloway argues that AI primarily benefits the already-wealthy, that tech leaders should not be trusted to self-regulate, and that the most valuable human skill in the AI era is not coding or Mandarin — it is the ability to endure rejection. The conversation weaves through geopolitics, investing, the masculinity crisis, and what it means to find purpose, closing with a raw reflection on grief and fatherhood. ## [00:00] Intro Host Stephen introduces Scott Galloway against a backdrop of rapid AI development and unsettling quotes from tech CEOs predicting total job replacement. Galloway opens with his central thesis: the two greatest brand collapses of the past 18 months are the United States' global reputation and artificial intelligence itself — both victims of overpromising and poor trust management. He signals that he is an AI optimist at the macro level, but insists the people building it do not have the public's best interests at heart. > *"These techs, they do not have our best interests at heart."* ## [02:45] What's Actually True About AI Galloway reveals a striking data point: approval of AI is directly correlated with income. Only households earning over $200,000 per year hold a net-positive view of the technology, because they benefit through rising portfolios and are the heaviest users. Everyone else sees higher electricity bills, no equity stake in the companies, and dismissive comments from leaders like Sam Altman telling people to stop complaining about energy costs. The AI brand, he argues, has shifted in 18 months from "scary but optimistic" to "scary and only good for the already rich." > *"Your view of AI is directly correlated to your wealth. The only cohort that has a positive rating of AI is people making over $200,000."* ## [05:00] Are AI CEOs Exaggerating The Future To Raise Billions? Galloway lays out the economic logic behind AI catastrophizing. These companies sit on astronomical valuations that can only be justified if either (a) a trillion dollars in incremental revenue materialises from AI-powered products, or (b) there is a massive wave of labour cost savings. Because option (a) is not yet visible — he sees no AI-driven products at meaningful scale — the CEOs amplify option (b), painting vivid pictures of job destruction to justify the efficiency gains enterprises need to believe in. He calls some of the doom talk "thinly veiled fundraising," noting that founders catastrophize and then take secondaries and leave for Santorini. > *"The catastrophizing is nothing more than a thinly veiled attempt to say my technology is so devastating that it's going to shift society and you should invest at this crazy valuation."* ## [09:00] What Would Prove The AI Skeptics Wrong? Asked where he could be wrong, Galloway is specific: if unemployment rises to 20% even temporarily, history shows civil unrest follows regardless of eventual job recovery. He points to radiologists and coders as cases where AI has augmented rather than eliminated roles — new coder job listings are up 11% year-on-year. His benchmark for being wrong is sustained destruction outpacing creation fast enough that the recovery "V" triggers social breakdown before the other side is reached. > *"At 20% unemployment, especially among youth, especially young men tend to get very angry and take to the streets."* ## [11:05] Could AI Move Too Fast For Society To Handle? The conversation turns to pace of change. Galloway uses the host's own media empire — 220 hires in 24 months — as a live counter-example to the apocalypse narrative. He notes a structural inversion: for the first time in decades, unemployment among non-college graduates is lower than among college graduates because AI data centres are driving a boom in trades. He praises the entrepreneurial wave unlocked by AI tools and flags Denmark's 2% GDP commitment to retraining versus America's inadequate equivalent as the real policy failure. > *"AI is not going to take your job. Someone who understands AI is going to take your job."* ## [16:05] What Happens When AI Combines With Robots? Galloway addresses Elon Musk's Optimus robot predictions and the convergence of physical automation with AI cognition. His 2026 stock pick is Amazon, which already holds more industrialised robots than the rest of the US combined and plans to double its retail operation by 2032 without additional headcount. He is sceptical of domestic humanoid robots but takes seriously the military application of weaponised autonomous systems as a genuinely dark unknown frontier. > *"Amazon is saying they're going to double their largest business, which is their retail business by 2032 without an incremental hire using robotics, industrialised robots."* ## [19:05] Is Elon Musk Selling Vision or Reality? Galloway separates Musk the innovator from Musk the stock promoter. He calls Starlink the best tech product of the past several years and credits Musk with inspiring the EV race. But Tesla should trade at 30x earnings, not 150x, and capital will migrate to SpaceX when it IPOs at a projected 90–110x revenues. The core insight: the modern CEO's job has inverted from underpromise-and-overdeliver to overpromise-and-underdel in order to access cheap capital and pull the future forward. > *"The key attribute of an innovator right now is storytelling — to make sure the promise is way ahead of the performance such you can access cheap capital and pull the future forward."* ## [24:05] Which Jobs Are First To Disappear In The AI Shift? Long-haul trucking is Galloway's clearest near-term casualty: autonomous trucks can run the 10 pm to 4 am window and trucking is the largest single employer of non-high-school-graduate males in America. Legal work at the junior associate level is already being displaced — he now routes contracts through two competing LLMs rather than a $400–$2,000 law firm review, projecting a third reduction in his annual legal spend. The pattern he observes is multiplication: one AI-fluent analyst replaces five, yet the resulting EBITDA funds expansion that creates new jobs elsewhere in the ecosystem. > *"AI is not going to take your job. Someone who understands AI is going to take your job. So have a second screen — always have a second screen open that has nothing but AI on it."* ## [30:05] What Skills Will Actually Matter In The Future? Storytelling tops Galloway's list — the ability to look at data, construct a narrative arc, and communicate it compellingly across every medium. He holds up Jeff Bezos's 1997 shareholder letter, Jensen Huang's stadium keynotes, and Alex Karp's walk-and-talk earnings calls as models. Relationships are the second pillar: as technology converges and products commoditise, the differentiator is whether people want to work with you. He is honest that predicting specific skills is unreliable — private schools doubled down on computer science and Mandarin a decade ago, and neither bet has paid off as expected. > *"The enduring skill is storytelling — your ability to look at data, create a narrative arc and then communicate that story in a compelling way via all the different mediums."* ## [33:45] Are Young People Losing The Ability To Handle Rejection? Galloway identifies the erosion of rejection-tolerance as the most underrated threat facing young people, especially young men. Frictionless online relationships offer a simulacrum of connection without the emotional labour of real-world risk. He mentors young men by assigning deliberate rejection exercises: approach a stranger for friendship, ask someone out for coffee. The goal is not the yes; it is learning that a no is survivable. He argues his own superpower is simply the willingness to mourn failure and try again. > *"The secret to my success is rejection. I ran for sophomore, junior, and senior class president of my high school. I lost all three times."* ## [39:55] Can You Trust The People Building AI? A sharp cultural critique: America has replaced declining religious institutions with tech idolatry, crowning each new CEO as a secular Jesus Christ. Steve Jobs, then Zuckerberg, then Sam Altman, now Dario Amodei — each is briefly positioned as the good guy before completing the villain's journey. Galloway's argument is not that these people are evil but that they are doing exactly what capitalism demands: maximising earnings regardless of wider harm. The answer is not more trustworthy tech founders; it is competent elected officials who regulate them. > *"Can we trust Sam Altman? No. But we shouldn't need to trust him. We should be able to trust that we have smart elected officials that will regulate these companies."* ## [44:50] Are Tech Leaders Quietly Preparing For The End? Galloway reveals that roughly one in three billionaires maintain a "go bag" — a fully funded escape plan, typically a private jet to Auckland and a fortified New Zealand bunker. He calls this nihilism: the ultra-wealthy have sequestered themselves so completely from ordinary infrastructure — private aviation, concierge medicine, private security, elite schools — that they are no longer invested in the health of society. Their disproportionate political donations are therefore not directed at making the system work for everyone. > *"The problem is the 0.1% are not invested in the health of America. They don't have to put up with TSA lines. They fly private."* ## [52:00] Do Some AI Leaders Believe The Risk Is Worth It? A secondhand but chilling account: a source with direct access to an AI CEO described someone who genuinely believes there is a roughly 7–10% chance their work ends in catastrophe, but considers being the person who summoned this new intelligence consequential enough to proceed regardless. Galloway connects this to widening inequality — the delta between middle-class and ultra-wealthy life has expanded so dramatically across healthcare, travel, and security that the incentives of the 0.1% are structurally misaligned with the rest of society. > *"The bottom 99% of Western societies are essentially being optimised and monetised to make the life of the 1% just unbelievable."* ## [58:04] Ads Sponsored segments for LinkedIn Hiring Pro and Function Health. ## [60:05] Could AI Make Us More Human? Galloway offers a surprising positive: unlike social media algorithms that push users toward political extremes, AI models appear to moderate views by seeking statistical medians. He sees genuine value in AI companionship for isolated elderly users. But he returns to his central fear: the biggest downside of AI is not weapons, not election contamination, not even income inequality — it is loneliness. Men aged 20 to 30 are spending less time outdoors than prison inmates, and 42% of men aged 18 to 24 have never asked a woman out in person. > *"The biggest downside of AI in my view is loneliness. AI is convincing people they can have a reasonable facsimile of life on a screen with an algorithm."* ## [65:00] What Happens When AI Becomes Your Closest Companion The conversation shifts to the Iran conflict as a case study in what happens when strategic incompetence meets operational excellence. Galloway credits the initial military strike as tactically credible but argues the absence of Congressional briefing, Gulf ally coordination, and clear exit objectives has produced a quagmire — and notes Iran's IRGC-produced propaganda is outperforming US information operations in the global war of memes. > *"The problem with wars is that the enemy has a say. And all the enemy needs to do — whether it's the Viet Cong or the Taliban or the IRGC — is survive, and they win."* ## [70:00] The Hidden Trade-Off Between Convenience And Real Relationships Galloway diagnoses America's Iran strategy as a product of a gutted diplomatic corps. When senior officials fly to Islamabad expecting a deal, 97% of the preparatory work that career diplomats would normally complete simply has not happened. The IRGC understands the game better: all they need to do is survive, and every day the conflict continues they look like the underdog who stood up to the superpower. His most optimistic scenario is a multinational force enforcing freedom of navigation through the Strait of Hormuz. > *"Do you know what we have done in the US to our diplomatic corps? We've absolutely gutted it."* ## [75:00] Why Loneliness Could Explode US stock markets hit an all-time high during active Middle East conflict — a sign that the wealthy are so insulated from geopolitical risk that war no longer registers in asset prices. The top 10% account for 50% of consumer spending, and that cohort does not care if gasoline hits six dollars a gallon. The pain is outsourced to lower-income households and oil-dependent nations. Galloway frames this dissociation from shared risk as one of the most dangerous structural features of contemporary inequality. > *"We've outsourced the downside of war to less wealthy nations who are very oil dependent, to the Gulf, which is incurring damage here."* ## [79:26] The Real Reason Human Connection Might Become More Valuable Extended discussion of AI market valuations and the historical pattern of infrastructure overbuild. Every great infrastructure boom — railroads, electrification, the internet — ended in a crash, and AI capex now constitutes a significant share of US GDP growth. Galloway argues there is a one-in-three chance AI ends up like jet aviation or vaccines: transformative for humanity but impossible to monetise exclusively for a small group of companies, because open-weight Chinese models could commoditise the entire stack through "AI dumping." > *"AI puts AI out of business. And that is if you look at the convergence of the technologies, all the models are converging."* ## [85:00] What This Means For The Next Generation Galloway argues that a market correction might actually benefit younger generations by making assets affordable again. He flags GLP-1 drugs as his technology pick over AI in terms of real-world human impact. His personal investment philosophy at age 61: aggressive diversification, no single position above 3% of net worth, rotation out of overheated US markets into Europe and Latin America. For young people, the only wealth-building path he trusts is compound interest through low-cost index funds, with money automatically invested before it can be spent. > *"The only answer I have is slowly — find out a way to start saving when you're a teenager, 25 bucks a month, then in your 20s 100, then 500."* ## [90:00] How Power, Politics, And AI Are Becoming Intertwined Drawing on his experience losing 70% of New York Times ad revenue in 60 days during 2008, Galloway warns that younger entrepreneurs have never experienced a true recession. He argues that the political class has systematically bailed out asset-owning baby boomers — COVID relief, corporate bailouts, perpetual market support — while denying younger generations the chance to buy assets at distressed prices. Recessions historically created entry points; that mechanism is now deliberately suppressed. > *"Your generation really doesn't know what a recession looks like. Like, everything stops."* ## [95:00] The Dangerous Gap Between Technology And Regulation Personal finance advice combined with a reflection on the limits of prediction. Galloway's investment rule for young people: put money in yourself first, then in relationships, then in diversified index funds. He is honest that picking winning sectors is largely futile, and that anyone claiming certainty does not know. His own investment in Pokemon cards with his son illustrates that the best investments compound in non-financial ways — relationships and shared experience accrue value that conventional ROI cannot measure. > *"The only answer I have is slowly and it requires some discipline. Save money, diversify, compound interest, invest in relationships early."* ## [100:00] What Happens If Governments Can't Keep Up With AI Asked what a 33-year-old should know that a 61-year-old has learned, Galloway offers three lessons: be humble in success because much of it is luck; forgive yourself in failure because much of it is also circumstance; and invest aggressively in relationships in your 30s, because he spent his prime years professionally focused and nearly ended up isolated. He frames every major disappointment as something people later regret not the thing itself but how upset they allowed themselves to be. > *"Nothing's ever as good or as bad as it seems. Be humble when you're successful. And forgive yourself and realise this will pass."* ## [105:00] The Future Of Work, Power, And Who Really Wins Fatherhood as purpose. Galloway confesses he did not want children and did not fall in love with his sons immediately after birth. What changed his view was discovering that fatherhood is the one investment where a positive financial return is structurally impossible — and that is precisely what makes it purposeful. The same logic applies to any cause large enough to demand more than you can ever get back: veterans, activism, caregiving. He closes with frank advice on partnership, timing, and the liberation of having no choice but to lean into your children's interests. > *"Finding your purpose is finding that thing that you can never get a real positive return on. I will never get a positive return for my children."* ## [110:00] Why The Biggest AI Risks Aren't What You've Been Told The final chapter opens with Galloway's emotional description of his sons' contrasting personalities — one a mirror of himself, one a "different species" he observes with fascination. He discusses his book *Notes on Being a Man*, framing it as letters he hopes his boys will read in 30 years. The closing question — the biggest setback and its lesson — draws the most emotionally raw answer of the episode: his mother's death. He says he has not gotten over it and does not want to, because grief is the receipt for love, and he hopes his sons will one day feel the same about losing him. > *"My mother dying. And you can never tell your parents how much you love them too much. The reverse of love is grief."* ## Entities - **Scott Galloway** (Person): NYU Stern Professor of Marketing, serial entrepreneur, author of *The Four*, *The Algebra of Happiness*, and *Notes on Being a Man*; host of the Prof G Pod and Pivot podcast - **Sam Altman** (Person): CEO of OpenAI; used as the primary case study in the recurring tech-leader idolisation and disillusionment cycle - **Elon Musk** (Person): CEO of Tesla, SpaceX, and xAI; discussed as visionary storyteller whose real products (Starlink, SpaceX) are transformative but whose timelines consistently overshoot - **Dario Amodei** (Person): CEO of Anthropic; cited as the current tech industry "good guy" before the inevitable villain turn - **Jensen Huang** (Person): CEO of Nvidia; held up as a model of storytelling-driven CEO performance via stadium keynotes - **OpenAI** (Organization): Developer of ChatGPT; primary subject of fundraising-hype and overvaluation critique - **Anthropic** (Organization): AI safety company; referenced as beneficiary of the "latest hero" investor narrative - **SpaceX** (Organization): Musk's rocket company; flagged as likely destination for capital migrating away from Tesla at IPO - **Amazon** (Organization): Galloway's top large-cap stock pick for 2026 due to robotics leadership and warehouse automation scale - **Tesla** (Organization): Great car company trading at an unjustifiable multiple that will correct when SpaceX IPOs - **GLP-1 drugs** (Concept): Weight-loss and metabolic medications (Ozempic/Wegovy class) that Galloway argues will create more real-world human impact and shareholder value than AI - **AI dumping** (Concept): Galloway's term for China flooding the US with cheap open-weight AI models to undermine American AI valuations and destabilise the economy - **Go bag / billionaire nihilism** (Concept): The practice among roughly one-in-three billionaires of maintaining funded escape plans as a symptom of disengagement from shared societal wellbeing - **Rejection tolerance** (Concept): Galloway's candidate for the most underrated skill of the AI era — the willingness to hear no, mourn briefly, and try again

Jim Fan, lead of Nvidia's embodied AI research, outlines the transition from language-centric models to World Action Models (WAM) that simulate physical reality. He details a roadmap toward the 'Physical Turing Test' and autonomous factories by 2040, driven by video pre-training and human egocentric data scaling. ## [00:00] Introduction Host Sonya Huang introduces Jim Fan, who leads Nvidia's embodied autonomous research group. Fan reflects on his early days as an intern and the excitement surrounding the future of robotics. > *robots are just one of the most thrilling things that's going to happen.* > *[0, 12]* ## [00:30] DGX One Origin Story Jim Fan recounts the 2016 delivery of the first DGX-1 by Jensen Huang to Elon Musk and the OpenAI team. He highlights how this moment catalyzed the deep learning revolution that led to current AI breakthroughs. > *If you believe in deep learning, deep learning will believe in you.* > *[1, 26]* ## [01:42] The Great Parallel Fan proposes 'The Great Parallel,' applying the successful LLM scaling playbook to robotics. Instead of predicting the next token in a string, the goal is to predict the next physical world state through simulation and alignment. > *instead of simulating strings can we simulate next physical world state?* > *[2, 56]* ## [03:31] Robotics Endgame Setup The strategy for achieving the robotics end game is divided into two primary pillars: model strategy and data strategy. Fan notes that while LLMs are in their final 'boss fight,' robotics is just beginning its scaling journey. > *It boils down to two things, model strategy and data strategy.* > *[3, 32]* ## [03:39] Why VLA Falls Short Visual Language Action (VLA) models are criticized for being 'head-heavy' on language while lacking a fundamental grasp of physics and verbs. Fan argues they are better at encoding static knowledge than dynamic physical interaction. > *VLAs are great at encoding knowledge and nouns, but not so much at physics and verbs.* > *[4, 8]* ## [04:32] Video World Models Fan explains how video models like VEO3 learn internal physics—such as gravity and buoyancy—simply by predicting pixels at scale. These models act as simulators that can solve mazes and plan visual sequences internally. > *Physics emerge by predicting the next blob of pixels at scale.* > *[5, 15]* ## [06:09] DreamZero World Action Nvidia introduces 'Dreamer' and World Action Models (WAM), which jointly decode future world states and motor actions. This allows robots to perform zero-shot tasks by 'dreaming' the correct motion sequence before executing it. > *Dreamer jointly decodes the next world states and next actions.* > *[6, 29]* ## [07:46] Scaling Data Collection To overcome the physical limits of teleoperation, Fan discusses Universal Manipulation Interfaces (UMI) and exoskeletons like Dex-UMI. These tools allow humans to collect high-dexterity data directly without the robot being in the loop. > *we're able to break the curse of 24 hours per robot per day* > *[10, 6]* ## [11:06] EgoScale And Scaling Laws Fan introduces Ego-Exo, a policy trained on 21,000 hours of human egocentric video. This research uncovered a neural scaling law for dexterity, showing a mathematical relationship between pre-training volume and robot performance. > *we discovered this neural scaling law for dexterity.* > *[12, 39]* ## [15:39] DreamDojo And The Roadmap Fan outlines the roadmap to 2040, including the Physical Turing Test and 'lights-out' factories. He introduces Dream Dojo, a neural simulator that replaces classical physics engines with data-driven world models. > *I can say with 95% certainty that we'll get to the end of the end game... by 2040.* > *[19, 19]* ## Entities - **Jim Fan** (person): Lead of the embodied autonomous research group at Nvidia. - **Nvidia** (organization): The technology company developing the hardware and software for the robotics end game. - **Jensen Huang** (person): CEO of Nvidia, mentioned for delivering the first DGX-1 to OpenAI. - **OpenAI** (organization): The research lab that received the first DGX-1 for deep learning development. - **DGX-1** (product): The world's first deep learning supercomputer delivered in 2016. - **VEO3** (model): A video world model capable of simulating physics and visual planning. - **Dreamer** (model): A policy model that predicts future world states and actions simultaneously. - **Ego-Exo** (project): A robotics pre-training framework using large-scale human egocentric video data.

Andrej Karpathy explores the paradigm shift from traditional programming to Software 3.0, where LLMs act as programmable computers driven by context. He details the transition from 'vibe coding' to 'agentic engineering,' emphasizing that while AI handles execution, human taste and understanding remain the ultimate bottlenecks. ## [00:00] Introduction Stephanie Zhan introduces Andrej Karpathy, highlighting his foundational work at OpenAI and Tesla. She notes his unique ability to simplify complex AI shifts and introduces the concept of vibe coding. > *He has a rare gift of making the most complex technical shifts feel both accessible and inevitable. [00:22]* ## [00:44] Feeling Behind as a Coder Karpathy describes a turning point in December 2023 when agentic tools began producing perfect code without manual intervention. This shift led him to adopt vibe coding, trusting the AI to handle complex workflows autonomously. > *I just start to notice that with the latest models the chunks just came out fine. [01:29]* ## [02:28] Software 3.0 Explained Karpathy defines Software 3.0 as a paradigm where the LLM acts as a programmable computer and the context window serves as the primary programming lever. This follows Software 1.0's manual rules and Software 2.0's data-driven weight training. > *Software 3.0 is kind of about your programming now turns to prompting and what's in the context window is your lever. [03:20]* ## [03:44] Agents as the Installer Using the installation of OpenClaw as an example, Karpathy explains how agents replace rigid bash scripts with intelligent, environment-aware execution. This approach allows the AI to debug and adapt to specific system requirements autonomously. > *The agent has its own intelligence that it packages up and then it kind of like follows the instructions. [04:29]* ## [04:49] Menu Gen vs Raw Prompts Karpathy contrasts his custom-coded MenuGen app with raw prompts to models like Gemini, concluding that many traditional software layers are now redundant. He emphasizes that AI can now perform general information processing that was previously impossible with structured code. > *The software 3.0 paradigm is a lot more kind of raw. It just your neural network is doing more and more of the work. [06:11]* ## [07:37] What’s Obvious by 2026 Looking toward 2026, Karpathy envisions neural computers that process raw video and audio directly. These systems would use diffusion models to generate dynamic user interfaces, potentially making traditional UI code obsolete. > *You could imagine completely neural computers... a device that takes raw videos or audio into basically what's a neural net. [08:22]* ## [09:41] Verifiability and Jagged Skills AI models develop 'jagged' capabilities, peaking in verifiable domains like math and code due to reinforcement learning rewards. Karpathy notes the paradox where a model can refactor a massive codebase yet fail simple logic. > *state-of-the-art models today will tell you to walk [to a car wash] because it's so close... This is insane. [11:36]* ## [13:39] Founder Advice and Automation Model performance is heavily dictated by the specific data distributions chosen by frontier labs. Karpathy advises founders to explore the 'circuits' of these models to understand their strengths or use fine-tuning to fill gaps. > *we are slightly at the mercy of whatever the labs are doing, whatever they happen to put into the mix. [12:57]* ## [15:46] From Vibe Coding to Agent Engineering While 'vibe coding' raises the accessibility floor, 'agentic engineering' focuses on maintaining professional quality. This discipline involves coordinating powerful but stochastic agents to accelerate development without sacrificing the engineering bar. > *agentic engineering is about preserving the quality bar of what existed before in professional software. [16:07]* ## [25:17] Agents Everywhere and Learning Karpathy advocates for agent-native infrastructure, expressing frustration with human-centric documentation. He argues that while thinking can be outsourced to AI, human understanding remains a critical bottleneck for directing agents. > *You can outsource your thinking, but you can't outsource your understanding. [28:10]* ## Entities - **Andrej Karpathy** (person): AI researcher and former Director of AI at Tesla and founding member of OpenAI. - **Stephanie Zhan** (person): Partner at Sequoia Capital and host of the discussion. - **Software 3.0** (concept): A paradigm where LLMs act as programmable computers via prompting and context. - **Agentic Engineering** (concept): The professional discipline of coordinating AI agents to maintain software quality. - **MenuGen** (project): An app Karpathy built to OCR and visualize restaurant menus, used as a case study. - **OpenAI** (organization): AI research company co-founded by Karpathy. - **Gemini** (ai-model): Google's LLM used in Karpathy's software comparison. - **Vercel** (organization): A cloud platform used by Karpathy to deploy projects.

Иванка Трамп откровенно рассказывает о своей жизни — от необычного детства в тени знаменитых родителей и пристального внимания СМИ до значимой карьеры в бизнесе и на государственной службе. Она делится уроками, полученными от матери, сложностями построения доверия и тем, как ключевые события — развод родителей и покушение на отца — закалили её характер. Трамп также рассуждает о своей философии осознанности, силе недооценки и пути личностного роста через материнство и терапию, который привёл её к социально значимому проекту Planet Harvest. ## [00:00] Почему доверие даётся с трудом и что это говорит о человеке Иванка Трамп рано усвоила — особенно во время громкого развода родителей, когда ей было девять лет, — что нужно остерегаться неискренних отношений из-за постоянного внимания СМИ и назойливых папарацци. Мать научила её силе недооценки и умению отсеивать внешний «шум» в условиях давления. Поначалу выработав мощный защитный механизм против доверия к другим, впоследствии она целенаправленно развила в себе более открытый подход ради глубоких связей, принимая связанные с этим риски. > *моя мать научила меня, что когда тебя недооценивают — это не плохо. На самом деле это очень мощная вещь [00:22]* > *я действительно научила себя больше доверять людям. [05:48]* ## [03:32] Когда осознаёшь свою непохожесть — что происходит дальше Иванка Трамп с раннего возраста осознала нетипичность своей жизни из-за постоянного внимания СМИ и общественного контроля — явления, которое она сравнивает с ещё более усиленным воздействием социальных сетей на сегодняшних детей. Она отмечает, что родители старались оградить её и братьев от этого пристального внимания. Она предпочитает глубокие беседы частым интервью. > *я думаю, внимание СМИ и пристальный контроль были всегда. Ты это видишь, ты это переживаешь с самого раннего возраста. [06:24]* > *не у каждого, я думаю, дети имеют такой опыт, когда куда бы они ни пошли, у людей в руках записывающее устройство [06:40]* ## [05:44] Какой её мать была на самом деле за закрытыми дверями Иванка Трамп описывает свою мать, Ивану, как дисциплинированную бывшую лыжницу сборной, которая привила ей ценность спорта, что привело Иванку к балету. Она вспоминает необычный эпизод из детства — Майкл Джексон пришёл на её выступление в «Щелкунчике». Несмотря на эти необыкновенные впечатления, повседневная жизнь была приземлённой благодаря бабушке по материнской линии, «Бабушке», которая дарила безусловную любовь и выражала её через кулинарию. > *моя мама была невероятной лыжницей... она действительно верила в важность спорта для воспитания дисциплины [07:07]* > *моя бабушка... по-настоящему нас растила... она научила меня безусловной любви и нежности [08:44]* ## [11:47] Ключевое различие, определившее её судьбу Воспитание Иванки Трамп было глубоко сформировано двумя фигурами: заботливой бабушкой «Бабушкой», дарившей безусловную любовь и ежедневную заботу, и матерью Иваной, ставшей вдохновляющим примером для подражания. Ивана воплощала силу, амбициозность и стойкость, демонстрируя, как строить профессиональную карьеру, оставаясь любящей матерью. Иванка уточняет, что, несмотря на занятость родителей, они были рядом и давали ей чувствовать себя приоритетом, а бабушка выполняла традиционную роль воспитательницы. > *моя мать была невероятным первопроходцем... потрясающим примером силы, стойкости, элегантности, целеустремлённости и амбиций. [11:57]* > *у меня никогда не было сомнений, что я — его главный приоритет и что он доступен для меня. [14:42]* ## [15:43] Что развод Дональда и Иваны Трамп на самом деле значил для неё Громкий развод Дональда и Иваны Трамп, о котором девятилетняя Иванка узнала из газеты, глубоко на неё повлиял. Она вспоминает страх от пристального внимания СМИ и обычные детские переживания при разлуке родителей. Этот трудный период, породивший больше заголовков, чем дело О. Джей Симпсона, сплотил её с братьями и сестрой. Позднее, после смерти матери, Иванка глубже поняла сложный характер Иваны, сформированный жизнью в коммунистической Чехословакии, и пожалела, что не задавала больше вопросов, пока мать была жива. > *этот развод, судя по всему, породил больше заголовков, чем дело О. Джей Симпсона. [20:04]* > *положительным моментом для меня и моих братьев и сестры стало то, что мы по-настоящему сплотились по-другому, потому что переживали это вместе. [23:21]* ## [18:27] Реальность жизни дочери Трампа — в чём люди ошибаются Быть дочерью Дональда Трампа означало с юных лет находиться под пристальным общественным вниманием, особенно во время развода родителей, что научило её необходимой осторожности в вопросах доверия. С тех пор она научилась «находить сигнал в шуме» и избегать агрессивных перепалок в социальных сетях, ставя внутренний покой на первое место. Иванка отмечает глубокую аутентичность своих родителей и, хотя сама общается более деликатно, сохраняет сильное чувство собственного «я», руководствуясь философией стоицизма, чтобы жить подлинно и противостоять внешнему давлению. > *если бы не этот урок, я не знаю, была бы я стойкой. Он научил меня не доверять никому. [18:53]* > *я не бью в ответ, потому что не... верю в то, чтобы тратить своё время и энергию на агрессию, прыгать на эту арену и в эту мерзкую воронку социальных сетей. [26:19]* ## [23:36] Как обрести себя в окружении власти и славы Окружённая властью и славой, Иванка Трамп обрела себя через осознанный личностный рост и преображающий опыт материнства, которое «раскрыло» её и углубило способность любить. Она подчёркивает критическую важность самосознания для сопротивления внешнему давлению и самоопределения, чтобы «не дать толпе победить». Она применяет эту философию в воспитании, развивая индивидуальность в своих детях, и благодарит родителей за то, что они допускали уважительное несогласие, позволяя ей быть верной себе. > *если ты не знаешь, кто ты — толпа побеждает. [29:55]* > *они создали среду, в которой несогласие было допустимо. [32:44]* ## [30:57] Почему недооценка стала её главным преимуществом Иванка Трамп узнала от матери, что недооценка может стать мощным преимуществом. В начале карьеры в сфере недвижимости её часто неверно оценивали — и как дочь успешных родителей, и как молодую женщину в индустрии, где доминируют мужчины. Она обратила это восприятие себе на пользу, используя его как мотивацию работать усерднее и быть сверхподготовленной, в итоге обращая недооценку в своё преимущество. > *моя мать научила меня, что когда тебя недооценивают — это не плохо. На самом деле это очень мощная вещь [00:22]* > *я обуздала этот страх, это чувство, и использовала его, чтобы двигаться вперёд. [35:06]* ## [32:59] На что она обращает внимание при найме и почему это важно При найме Иванка Трамп отдаёт приоритет людям с сильным чувством собственного «я», инициативностью, здравым смыслом и «уличной сметкой», поскольку эти врождённые качества трудно привить. Она подчёркивает важность работы с «хорошими людьми», которым доверяет и которых уважает, считая эти качества фундаментом успешных рабочих отношений и командной динамики. > *очень трудно научить людей — можно иметь блестящего человека, но если у него нет здравого смысла или если он не инициативен, очень трудно это ему привить. [38:15]* > *я не хочу работать с людьми, которые мне неприятны, которых я не считаю хорошими людьми, потому что я не хочу проводить время с тем, кому не доверяю или кого не уважаю. [39:00]* ## [37:49] Почему она ушла из моды ради государственной службы Несмотря на престижное предложение работы от Анны Винтур в Vogue после окончания Уортонской школы бизнеса, Иванка Трамп последовала своей давней страсти к недвижимости. Позднее она создала успешный модный бренд Ivanka Trump.com, достигший годового объёма продаж почти 800 миллионов долларов. Однако она приняла осознанное решение закрыть этот процветающий бизнес, чтобы соблюсти правила государственной этики, когда приняла предложение отца служить в его администрации. Она восприняла эту возможность как несомненную привилегию и долг перед страной, несмотря на значительные личные и профессиональные жертвы. > *наш оборот составлял около 800 миллионов долларов в год, когда я его закрыла, уходя на госслужбу. [42:30]* > *я чувствую невероятную привилегию, что он дал нам возможность служить стране, которую мы так любим. [43:30]* ## [41:06] Что на самом деле произошло, когда Трамп решил баллотироваться Решение Дональда Трампа баллотироваться в президенты в 2015 году было объявлено на семейном собрании в Бедминстере и удивило Иванку своей стремительностью, хотя его давние, хоть и не озвученные, политические амбиции прослеживались с 1980-х. Она вспоминает детскую панику в 16 лет, когда испугалась, что он будет баллотироваться, но её успокоили. Его приход в президентскую политику стал «радикальной перестройкой» для семьи, кардинально расширив мировоззрение Иванки за пределы её нью-йоркского «пузыря» и положив начало «необыкновенному путешествию» на государственную службу. > *я помню, как однажды подумала, что это всерьёз. Мне было 16, я была в школе-интернате и позвонила ему... «Это разрушит мою жизнь.» [51:48]* > *его кампания как будто разорвала это для меня, и я осознала, в каком пузыре я находилась [48:02]* ## [46:23] Выдвижение Трампа в президенты — что изменило всё Решение Дональда Трампа баллотироваться в президенты коренным образом изменило всё для Иванки, став «радикальной перестройкой» для всей семьи. Его нетрадиционный вход в политику, минуя типичные карьерные ступени, был подобен «питью воды из пожарного шланга». Кампания разрушила мнимый «пузырь» Иванки в Нью-Йорке, кардинально расширив её мировоззрение и приведя к осознанию привилегии служения стране. > *это было как пить воду из пожарного шланга для всех нас. [47:08]* > *его кампания как будто разорвала это для меня, и я осознала, в каком пузыре я находилась [48:02]* ## [48:52] Реклама В этом сегменте представлена реклама Shopify — платформы электронной коммерции, упрощающей создание интернет-магазинов, продажи в социальных сетях и управление операциями с помощью ИИ-инструментов. Также рекламируется Pipedrive — интеллектуальная CRM-система, которую использует ведущий подкаста, с визуальной панелью воронки продаж для наглядного отслеживания процесса. > *Shopify позволяет легко начать, потому что вы можете создать магазин, продавать в соцсетях, принимать платежи, использовать ИИ-инструменты и управлять всем в одном месте. [49:22]* > *Pipedrive — это простая в использовании интеллектуальная CRM... она делает ваш процесс продаж наглядным через одну панель. [50:17]* ## [51:04] Верила ли она, что её отец действительно это сделает Хотя Дональд Трамп обдумывал идею баллотироваться в президенты с 1980-х годов, Иванка утверждает, что эти амбиции не обсуждались открыто в её детстве. Она ярко вспоминает момент в 16 лет, когда запаниковала, решив, что отец баллотируется, но её заверили, что этого не происходит. Она отмечает, что его взгляды на такие вопросы, как торговая политика, оставались неизменными на протяжении десятилетий. > *я помню, как однажды подумала, что это всерьёз. Мне было 16, я была в школе-интернате и позвонила ему... «Это разрушит мою жизнь.» [51:48]* > *его точка зрения оставалась неизменной на протяжении времени и остаётся такой по сей день — именно в отношении торговой политики [52:35]* ## [54:26] Уход из Белого дома — облегчение или нечто иное Уход из Белого дома не стал облегчением в смысле сожаления: Иванка Трамп считает, что «отдала всё без остатка» и гордится достижениями за четыре года государственной службы. Она воспринимает возможность служить как «потрясающую привилегию», но не желает возвращаться в политику, ставя детей на первое место и не желая, чтобы они расплачивались за публичную жизнь. Она довольна своим вкладом и считает, что у её отца теперь сильная команда поддержки. > *я отдала всё без остатка, знаете? Я не оглядываюсь назад и не говорю... у меня нет сожалений. [53:33]* > *моя первая обязанность — быть их мамой. [56:49]* ## [58:08] Был ли кто-то по-настоящему готов к жизни в Белом доме Иванка Трамп признаёт, что ничто по-настоящему не готовит человека к интенсивному опыту большой политики и жизни в Белом доме. Она наблюдала, что власть, подобно богатству, усиливает врождённые качества людей. Общение с мировыми лидерами — от монархов до избранных руководителей — развеяло их ореол: в конечном счёте это «просто люди» с обычными проблемами, что полностью устранило какое-либо чувство робости. > *ничто не готовит тебя к этому опыту. [58:26]* > *в конце концов понимаешь, что люди — это просто люди. [59:03]* ## [59:44] Что навсегда изменило покушение на убийство Покушение на её отца в июле 2024 года радикально изменило жизнь Иванки Трамп, усилив проблемы безопасности и потребовав охраны Секретной службы США. Наблюдая за событием в режиме реального времени вместе с детьми, она первым делом попыталась их оградить, хотя интуитивно чувствовала, что с отцом всё будет в порядке. Этот ужасающий опыт, наряду с другими проблемами со здоровьем в семье, укрепил её веру в ценность жизни и стремление выбирать позитивный настрой, ценя каждый момент, несмотря на тревожную связь между государственной службой и насилием. > *моей первой реакцией было отвернуть их. [62:02]* > *в жизни у тебя есть выбор только в том, как ты реагируешь. И я выбираю видеть положительный исход. [66:05]* ## [1:07:20] Как выглядит жизнь после ухода из политики После ухода из политики в 2022 году жизнь Иванки Трамп сосредоточена на маленьких детях и частной семейной жизни, поскольку «тёмный мир» политики противоречил её натуре. Она справляется с публичной критикой с помощью метафоры «орла и вороны», выбирая подниматься над негативом, а не вступать в перепалки. Этот период интенсивного общественного внимания, включая околосмертельный опыт отца, стал «лекарством» для личностного роста, научив её искать внутренний покой и гармонию в том, что ей подвластно, и концентрироваться на благодарности за дары жизни. > *политика — это довольно тёмный мир. Много темноты, много негатива, и это просто сильно расходится с тем, что мне хорошо как человеку. [67:45]* > *реакция орла на это... — не крутиться и не вертеться, не сбрасывать ворону и не защищаться... а просто взлететь выше. [69:28]* ## [1:11:04] Реклама Эта глава представляет собой короткую рекламную паузу в подкасте. ## [1:14:24] Как терапия изменила её взгляд на всё Иванка Трамп начала терапию во взрослом возрасте, рассматривая её как инструмент «внутренней инвентаризации», движимая «ориентированным на рост мировоззрением» и желанием осмыслить значимые жизненные события. Ключевыми катализаторами стали повторный диагноз рака щитовидной железы у мужа Джареда, её уход из Вашингтона и неожиданная смерть матери. Терапия помогла ей заботиться о себе и проживать эмоции, а не загонять их в угол, в конечном счёте изменив её взгляд на самопознание и движение вперёд. > *у меня очень ориентированное на рост мировоззрение... я всегда стремлюсь узнавать о себе и о мире [74:35]* > *Джареду поставили диагноз «рак щитовидной железы» во второй раз. И... потом умерла моя мама [75:59]* ## [1:20:28] Потеря матери и уроки, которые она дала Иванка Трамп размышляет о внезапной и трагической смерти матери, Иваны Трамп, в 2022 году, подчёркивая особое влияние неожиданной потери родителя. Она взяла на себя обязательство пройти полноценный процесс горевания, принимая дискомфорт и проживая чувства. Как мать, она стремится передать детям лучшие качества своей матери, сознательно избегая передачи её трудностей, и обретает более ясный взрослый взгляд на жизнь матери. > *она прожила хорошую жизнь. [81:07]* > *я действительно нашла время подумать о ней не глазами ребёнка, который полностью её идеализировал, а глазами взрослого, который видел её ясно. [83:15]* ## [1:26:28] Три правила, которые, по её мнению, определяют успех и счастье Иванка Трамп считает, что истинный успех и счастье определяются тремя ключевыми принципами, особенно в предпринимательстве, которыми она поделилась бы со своей дочерью Арабеллой. Во-первых, нужно по-настоящему любить своё дело, ведь страсть необходима для самоотдачи. Во-вторых, аутентичность превыше всего: быть собой и прокладывать собственный путь критически важно, поскольку подражание ведёт к проигрышу. В-третьих, и это самое фундаментальное: нужно поверить в себя прежде, чем в тебя поверит мир, — это отправная точка любого достижения. Она также отмечает, что традиционный «баланс работы и жизни» недостижим, и вместо этого стремится к согласованности с приоритетами. > *я никогда не видела человека на вершине своего мастерства, который не любит то, что делает. [92:46]* > *вам придётся поверить в себя прежде, чем в вас поверит мир. [94:48]* ## [1:28:37] Что такое Planet Harvest и почему это может быть важнее, чем вы думаете Planet Harvest — это социально значимый проект Иванки Трамп, направленный на сокращение пищевых отходов и поддержку американских фермеров. Инициатива возникла во время пандемии COVID-19, когда она наблюдала, как огромные объёмы скоропортящейся продукции выбрасывались из-за перебоев в цепочках поставок. Planet Harvest решает сохраняющуюся проблему отбраковки идеально пригодных продуктов розничными сетями из-за несоответствия жёстким косметическим стандартам, обеспечивая дополнительный доход фермерам и принося пользу окружающей среде. > *Planet Harvest появился... чтобы гарантировать, что когда людям нужна еда, продукты в полях не пропадают зря, будучи запаханными обратно, как мы видели в первые дни пандемии. [89:18]* > *400 миллионов фунтов клубники каждый год остаются на полях... Не потому что они несовершенны. Они просто не соответствуют очень жёстким косметическим стандартам. [90:57]* ## Сущности - **Иванка Трамп** (Персона): дочь Дональда и Иваны Трамп, предпринимательница и бывший государственный чиновник. - **The Diary Of A CEO** (Организация): подкаст, в котором проходит интервью. - **Дональд Трамп** (Персона): отец Иванки Трамп, бывший президент Соединённых Штатов. - **Ивана Трамп** (Персона): мать Иванки Трамп, бывшая лыжница сборной Чехословакии. - **Майкл Джексон** (Персона): знаменитый американский певец, автор песен и танцор. - **О. Джей Симпсон** (Персона): бывший американский футболист, телеведущий, актёр и осуждённый преступник. - **Марк Аврелий** (Персона): римский император и философ-стоик. - **Shopify** (Организация): платформа электронной коммерции для создания интернет-магазинов. - **Pipedrive** (Организация): интеллектуальная CRM-система (управление взаимоотношениями с клиентами). - **Анна Винтур** (Персона): главный редактор журнала Vogue. - **Vogue** (Организация): журнал о моде и стиле жизни. - **Уортонская школа бизнеса** (Организация): бизнес-школа Пенсильванского университета. - **Управление государственной этики** (Организация): федеральное агентство США, ответственное за предотвращение конфликтов интересов. - **Джаред Кушнер** (Персона): муж Иванки Трамп, также занимавший государственную должность. - **Секретная служба США** (Организация): государственное агентство, отвечающее за охрану Иванки Трамп и её семьи. - **Planet Harvest** (Организация): компания, соосновательницей которой является Иванка Трамп, направленная на сокращение пищевых отходов и поддержку фермеров. - **Арабелла** (Персона): старшая дочь Иванки Трамп. - **Стоицизм** (Философия): древнегреческая философская школа. - **Буддизм** (Философия): восточная философия. - **Даосизм** (Философия): восточная философия. - **Чехословакия** (Место): бывшая страна в Центральной Европе. - **Нью-Йорк** (Место): крупнейший город Соединённых Штатов. - **Бедминстер, Нью-Джерси** (Место): место, где Иванка Трамп находилась, когда узнала о покушении на отца. - **Налоговый вычет на ребёнка** (Политика): налоговый вычет в США для семей с детьми. - **Закон о великих американских просторах** (Политика): законодательный акт, поддержанный Иванкой Трамп. - **Законодательство о борьбе с торговлей людьми** (Политика): законодательство, над которым Иванка Трамп работала на госслужбе. - **Профессиональное образование и подготовка кадров** (Инициатива): программы, продвигаемые Иванкой Трамп для обучения и переподготовки американских работников. - **«Размышления»** (Книга): цикл личных записей Марка Аврелия.

Трёхминутный обзор Anthropic цикла, который они считают самой важной привычкой при работе с Claude Code: сначала исследовать в режиме плана, определить что значит "готово" до того как тронут хоть один файл, а затем попросить субагента проверить diff перед пушем. ## [00:03] Почему исследование-план-код-коммит лучше немедленного старта Вступление прямолинейное — если вы усвоите из курса только одну привычку, пусть это будет данный рабочий процесс. Режим отказа, с которым он борется — рефлекс вставить задачу в Claude и наблюдать, как тот немедленно генерирует код, что ускоряет старт, но откладывает стоимость исправлений на потом. > *Without this, most people jump straight to pasting in Claude to write code, which means more course correcting later on.* ## [00:21] Режим плана: исследование только для чтения перед правками Режим плана сжимает исследование и планирование в одно действие. Claude может читать файлы и выполнять веб-поиск, но запись ему запрещена — Shift+Tab переключает в него из строки ввода. Рассказчик демонстрирует на реальном запросе (добавить конвертацию WebP в пайплайн загрузки изображений, выяснить куда она вписывается, какие зависимости нужны, как подойти к реализации). Claude возвращает план; вы его читаете и просите доработок если что-то упущено. Это самое дешёвое место во всём цикле для смены направления, потому что ничего ещё не написано. > *With plan mode, Claude can't edit files. It just reads files to gather research on how to tackle this implementation.* ## [01:11] Одобрить план и корректировать курс пока Claude кодирует Как только план выглядит правильно, Одобрение возвращает выполнение Claude для прохождения по чеклисту. Вы выбираете — принимать правки файлов автоматически или запрашивать подтверждение каждый раз. Claude будет разбираться с проблемами самостоятельно, но ожидайте что придётся вмешаться — и здесь режим плана окупается тем, что агент несёт в себе исследовательский контекст, который породил план, поэтому правки на лету приземляются в нужное место вместо старта с нуля. > *This is the benefit of working with plan mode because after the plan is finished, we also have the context of how it got to the results to help it guide its next decision.* ## [01:39] Сделать критерии успеха явными и дать Claude реальные инструменты План без определения "правильного" оставляет Claude гадать. Опишите как выглядит успех, а затем оснастите агента для реальной проверки: расширение Claude+Chrome позволяет ему управлять вкладкой браузера для тестирования только что построенного интерфейса; тестовый набор даёт что-то для валидации на каждом витке, и Claude может сам писать тесты — но только если вы уже проверили их как истину в последней инстанции. Совет по устойчивости: когда Claude снова и снова натыкается на одну и ту же проблему, попросите его зафиксировать решение в файле CLAUDE.md чтобы перестать переучиваться. > *In order for Claude to be confident in its results, it has to be clear on what it deems correct.* ## [02:24] Проверка субагентом, коммит и итоги Перед пушем запустите субагента-ревьюера кода на diff — второй взгляд без привязанности к реализации. Затем попросите Claude составить сообщение коммита в вашем стиле и отправить его. Итоги переосмысливают каждый шаг: Исследование даёт контекст, План определяет успех, Код — это туда-обратно сходящееся к плану, Коммит проверяет и пушит чтобы вы могли двигаться дальше. > *A tip before you commit, run a sub agent code reviewer to look at your code.* ## Entities - **Anthropic Tutorial Narrator** (Person): Официальный голос Anthropic для курса Claude Code 101. - **Claude Code** (Software): Агентный инструмент терминального кодирования, рекомендованный ежедневный цикл которого — тема этого эпизода. - **Plan mode** (Feature): Режим только для чтения, переключаемый Shift+Tab — Claude исследует и предлагает план но не может редактировать файлы. - **Claude + Chrome extension** (Software): Позволяет Claude Code управлять вкладкой Chrome для проверки изменений интерфейса до объявления задачи выполненной. - **CLAUDE.md** (File): Файл памяти проекта, используемый здесь как цель сохранения повторяющихся исправлений, которые Claude продолжает заново изучать. - **Subagent code reviewer** (Pattern): Предкоммитный субагент Claude, который проверяет diff перед тем как человек делает пуш.

Учебник Claude Code 101 от Anthropic о контексте — что заполняет окно, когда включается автосжатие и какие практические рычаги (/compact, /clear, /context, claude.md, переключатели MCP, навыки, подагенты) помогают держать сессию в рабочем состоянии. ## [00:03] Почему контекст конечен и почему это важно Контекст — рабочая память Claude: каждый промпт, каждое чтение файла, каждый результат вызова инструмента попадает в одно и то же окно. Окно большое, но конечное, поэтому оптимизация того, что в него входит, становится обязательной при многошаговых сессиях. > *Every file it reads, every command it runs, every message you send, it all takes up space in the context window.* ## [00:39] Автоматическое сжатие и команда /compact При приближении к лимиту Claude Code автоматически сжимает контекст: суммирует важное и удаляет шумные результаты вызовов инструментов, освобождая место. Можно запустить `/compact` вручную — полезно, когда нужно пространство, но хочется сохранить нить работы. Компромисс: сжатие может потерять детали ранних ходов. > *Compaction will summarize important details and remove the unnecessary tool call results and free up a lot of space in your context window.* ## [01:11] /clear и /context: начать заново и увидеть расход Для полного сброса без памяти о предыдущей сессии `/clear` стирает всё. Чтобы увидеть, куда реально уходит место, `/context` показывает общий размер, наиболее ресурсоёмкие категории и графику распределения — диагностика перед выбором между compact и clear. > *To check the state of your context, run the /context command.* ## [01:35] Практическое правило: compact в середине задачи, clear между задачами Рассказчик предлагает чёткую эвристику: ещё работаете над функцией и упираетесь в потолок? Compact — нужно, чтобы релевантная история продолжалась. План завершён и переходите к новому? Clear — старый диалог может исказить новую работу. > *If you have finished the plan and want to start on a new feature, then clear. You don't want the previous conversation to present bias in anything new that you want to create.* ## [01:57] claude.md, точность промптов и меньше писать — писать больше Всё, что Claude должен помнить между сессиями, помещается в `claude.md`, чтобы не открывать те же факты заново каждый раз. И как ни парадоксально, короткие промпты потребляют больше контекста: при расплывчатом запросе Claude grep-обходит кодовую базу и рассуждает интенсивнее — всё это заполняет окно. Одно-два конкретных предложения сэкономят много места впоследствии. > *The irony behind writing a smaller prompt is that it in the long run, it will take up more context.* ## [02:26] Серверы MCP, навыки и подагенты как инструменты управления контекстом Серверы MCP по умолчанию загружают в контекст все свои инструменты — нормально, если они релевантны, дорого — если нет, поэтому отключайте не связанные с проектом. Навыки ведут себя как серверы MCP, но не выгружают всю поверхность инструментов в контекст. Подагенты работают параллельно с собственным отдельным окном; для поисковых задач ("где находятся конечные точки авторизации?") можно отправить подагента и получить только ответ, а не весь путь к нему. > *Sub agents run in parallel with your main agent but has a complete separate context window.* ## [03:06] Итоги Управление контекстом в Claude Code — это разница между долгой продуктивной сессией и остановившейся. Используйте `/compact` для сжатия длинных сессий, `/clear` для чистого старта, будьте конкретны в промптах, проверяйте `/context`, чтобы видеть расход окна, и делегируйте задачи-только-ответ подагентам. > *Managing context within cloud code is crucial. Use slash compact to summarize long sessions and slashclear to start fresh.* ## Сущности - **Anthropic Tutorial Narrator** (Person): Официальный голос Anthropic для серии учебников Claude Code 101. - **Claude Code** (Software): Агентный терминальный помощник по кодированию от Anthropic, чьё контекстное окно является темой этого эпизода. - **Context window** (Concept): Рабочая память Claude — конечная, заполняемая промптами, чтением файлов и результатами вызовов инструментов. - **/compact** (Command): Команда с косой чертой (и автотриггер), которая суммирует историю и удаляет шум вызовов инструментов, освобождая место. - **/clear** (Command): Команда с косой чертой, которая полностью очищает сессию для чистого старта на новой работе. - **/context** (Command): Команда с косой чертой, которая сообщает общий размер контекста и категории, его потребляющие. - **claude.md** (File): Файл памяти на уровне проекта, который Claude читает между сессиями, чтобы не открывать те же факты заново. - **MCP servers** (Software): Поставщики инструментов, которые по умолчанию загружают все открытые инструменты в контекст — отключать, когда не актуальны. - **Skills** (Feature): Лёгкая альтернатива серверам MCP, не загружающая всю поверхность инструментов в контекст. - **Sub agents** (Feature): Параллельные агенты с собственными контекстными окнами, используемые для ответа на конкретные вопросы без загрязнения основного окна.

Теренс Тао рассуждает о меняющейся роли ИИ в математике и утверждает, что ИИ автоматизирует многие рутинные задачи, но не заменит полностью живых математиков — он лишь сместит их внимание к новым рубежам. Он подчёркивает будущее совместной работы человека и ИИ, а также непредсказуемый характер долгосрочного влияния ИИ на научные открытия. ## [00:10] Нынешняя роль ИИ в передовой математике Теренс Тао объясняет, что ИИ уже выполняет «передовую математику», недоступную людям, хотя это «передовой рубеж» иного рода. Он сравнивает это с тем, как калькуляторы в прошлом расширили возможности математики: они брали на себя задачи, выходившие за пределы человеческих способностей, но делали это узкоспециализированно. > *В каком-то смысле они уже делают сверхинтеллектуальную передовую математику, недоступную людям, но это передовой рубеж другого рода, чем тот, к которому мы привыкли.* ## [00:52] ИИ как инструмент автоматизации, а не замены Тао прогнозирует, что в ближайшее десятилетие ИИ возьмёт на себя множество рутинных задач, которые сегодня решают математики, позволяя людям сосредоточиться на более сложных и важных проблемах. Он проводит параллели с историческими сдвигами: компьютеры когда-то автоматизировали работу «людей-вычислителей», секвенирование генома стало автоматическим — и тем не менее такие области, как генетика, продолжили развиваться в новых масштабах. > *Через десять лет многое из того, что сейчас делают математики… сможет делать ИИ. Но мы обнаружим, что на самом деле это была не самая важная часть нашей работы.* ## [02:46] Будущее сотрудничества человека и ИИ в математике Дваркеш Патель спрашивает о способности ИИ самостоятельно решать задачи тысячелетия. Теренс Тао считает, что «гибрид человека и ИИ» будет доминировать в математике ещё очень долго, поскольку у современного ИИ нет всех необходимых компонентов, чтобы полностью заменить интеллектуальный труд — он скорее функционирует как дополняющий инструмент. > *Я действительно верю, что этот гибрид «человек плюс ИИ» будет доминировать в математике ещё очень долго.* ## [03:43] Непредсказуемое влияние на научные открытия Тао признаёт, что ИИ ускорит развитие науки и новые открытия, но одновременно может сдерживать некоторые виды прогресса, «уничтожая серендипность». Он заключает, что долгосрочное влияние ИИ на научные открытия крайне непредсказуемо. > *Возможно, что, разрушая так или иначе серендипность, мы на самом деле подавляем определённые типы прогресса.* ## Сущности - **Теренс Тао (Terence Tao)** (Персона): гость, один из самых выдающихся математиков нашего времени. - **Дваркеш Патель (Dwarkesh Patel)** (Персона): ведущий подкаста. - **ИИ (AI)** (Концепция): искусственный интеллект; обсуждается его роль в математике и научных открытиях. - **Mathematica / Wolfram Alpha** (Программа): вычислительные инструменты, упомянутые как примеры автоматизации в математике. - **Задачи тысячелетия (Millennium Prize Problems)** (Концепция): семь нерешённых математических задач, за решение каждой из которых предлагается один миллион долларов.

Субагенты эффективны, когда промежуточная работа не должна загромождать основной поток — но бездумное делегирование делает вещи только хуже. Этот туториал проводит границу между полезным делегированием (исследование, код-ревью, доменно-специфические системные промпты) и типичными антипаттернами (экспертные персоны, последовательные пайплайны, тест-раннеры), которые пожирают контекст и теряют именно ту информацию, что вам нужна. ## [00:03] Введение: когда субагенты помогают, а когда вредят В серии уже разобрали создание и проектирование субагентов. Последний выпуск переходит к вопросу применения: какие задачи действительно выигрывают от запуска отдельного агента, а какие — проигрывают? Ответ сводится к одной проверке: важна ли промежуточная работа для основного потока? Когда исследование отделено от исполнения, субагенты окупаются. Когда каждый шаг зависит от того, что обнаружил предыдущий, стоимость передачи управления съедает именно те детали, которые вам нужны. > *"Если коротко, разница в том, важна ли промежуточная работа для вашего основного потока."* ## [00:32] Исследовательские задачи: изоляция процесса поиска Трассировка аутентификации — конкретный пример. Основному потоку нужно знать, где происходит валидация JWT, а не десятки файлов, прочитанных по дороге. Исследовательский субагент может просканировать весь кодовый базис, пройти по цепочкам вызовов между файлами и вернуть один точный ответ: валидация JWT происходит в middleware/auth.js на строке 42, вызывается из route/api.js. Всё это исследование остаётся в контексте субагента. Основной поток получает вывод и движется дальше — без истории поиска, которая засоряла бы его окно. > *"Основной поток получает: валидация JWT происходит в middleware/auth.js на строке 42, вызывается через Express-роутер и route/api.js — что-то в этом духе."* ## [01:15] Субагенты код-ревью: взгляд свежим взглядом Claude, проверяя код, который сам же помогал писать, страдает от предвзятости: он присутствовал при каждом решении и не может легко увидеть, что выглядит странно со стороны. Субагент-ревьюер обходит это полностью: он видит только diff и изменённые файлы, без какой-либо истории того, как код развивался. Эта чистая страница даёт и второй бонус. Специфические критерии ревью проекта — соглашения об именовании, паттерны безопасности, архитектурные правила — можно один раз зашить в системный промпт субагента, и они будут применяться последовательно, без необходимости каждый раз напоминать основному потоку. > *"Субагент-ревьюер смотрит на изменения в отдельном контексте. Он запускает git diff, читает изменённые файлы и применяет специализированные критерии ревью — без истории того, как был написан код."* ## [01:59] Кастомные системные промпты: копирайтинг и стилизация Стандартный промпт Claude Code заточен под лаконичный технический вывод — для лендинга или маркетингового письма это прямо противоположное тому, что нужно. Копирайтинговый субагент получает совершенно другие инструкции по тону, аудитории и структуре, производя результат, который стандарты основного потока никогда бы не породили. Та же логика применима к CSS. Субагент стилизации, который упоминает файлы вашей дизайн-системы, автоматически загружает в контекст переменные цветов, соглашения по отступам и паттерны компонентов ещё до того, как напишет хоть строчку, — каждое стилевое решение отражает реальную систему, а не разумные предположения. > *"Стандартный промпт Claude Code склоняется к лаконичному технического письму, что совсем не то, что нужно для лендинга или email-кампании, — если только вы не хотите усыпить своих клиентов."* ## [02:57] Антипаттерны: экспертные заявления, пайплайны, тест-раннеры Три паттерна стабильно делают вещи хуже. Во-первых, персона-промпты — «Ты эксперт по Python» или «Ты специалист по Kubernetes» — ничего не добавляют, потому что Claude уже обладает этими знаниями. Запускать субагента только ради экспертного ярлыка — значит платить оверхед за изоляцию, не получая ничего, чего основной поток не мог бы сделать сам. Во-вторых, последовательные пайплайны ломаются всякий раз, когда шаги не являются по-настоящему независимыми. Три агента — воспроизвести баг, отладить, исправить — выглядит чисто, но на практике не работает: агенту отладки нужен живой контекст агента воспроизведения, а не его сжатое резюме. В-третьих, субагенты-тест-раннеры активно прячут информацию. Когда тесты падают, для диагностики нужен сырой вывод. Субагент, который возвращает только «тест упал», заставляет писать дополнительные дебаг-скрипты для восстановления деталей, которые прямой вывод показал бы сразу. > *"Субагент, который возвращает 'тест упал', заставляет вас создавать дополнительные дебаг-скрипты для деталей, которые были бы видны в прямом выводе."* ## [04:10] Итог серии и ключевой критерий принятия решений По всей серии: субагенты — изолированные потоки, возвращающие резюме, создаются через /agents, проектируются со структурированным выводом и конкретными описаниями. Используйте их для исследования, код-ревью и задач, требующих кастомного системного промпта. Обходите стороной при экспертных персонах, многошаговых зависимых пайплайнах и запуске тестов. Вся система сводится к одному вопросу: важна ли промежуточная работа? Если нет — делегируйте. > *"Ключевой вопрос: важна ли промежуточная работа? Если нет — делегируйте её."* ## Участники - **Anthropic Tutorial Narrator** (Персона): ведущий туториальной серии Claude Code о субагентах, Anthropic - **Claude Code** (Программное обеспечение): AI-ассистент для программирования от Anthropic; среда, в которой создаются и оркестрируются субагенты - **Subagent** (Концепция): изолированный поток Claude, запускаемый из основного контекста и возвращающий сжатое резюме вместо того, чтобы раскрывать полный рабочий контекст - **JWT (JSON Web Token)** (Концепция): используется как практический пример исследовательского субагента, трассирующего логику аутентификации по кодовой базе - **System prompt** (Концепция): набор инструкций для конкретного субагента, обеспечивающий доменно-специфическое поведение, отличное от стандартного промпта Claude Code - **Anthropic** (Организация): разработчик Claude и туториальной серии Claude Code о субагентах

В Claude Code уже есть встроенные субагенты, но кастомные позволяют настроить специализированное поведение под конкретные задачи. В этом туториале мы создаём субагент для code review с нуля — разбираем команду `/agents`, выбор инструментов и модели, а также поля конфигурационного файла, которые управляют тем, когда и как Claude делегирует задачи. ## [00:03] Что такое кастомные субагенты Claude Code содержит встроенные субагенты, но вы также можете создавать собственные, специализированные под конкретные задачи. Кастомный субагент — это markdown-файл с YAML front matter: front matter сообщает Claude, когда направлять запрос к этому агенту и какими возможностями он располагает, а тело markdown — системный промпт, под которым работает субагент. > *"Custom sub aents are markdown files with YAML front matter. These markdown files contain configuration that helps claude understand when to use the sub aent and provides directions to the sub aent itself."* ## [00:28] Создание субагента через /agents Команда `/agents` открывает панель управления агентами. При выборе «Создать нового агента» задаётся два вопроса: область действия (текущий проект или общая для всех проектов на машине) и способ генерации. Рекомендуемый путь — доверить генерацию Claude: нарратор описывает нужный субагент простым языком — субагент для проверки качества кода и выявления уязвимостей — и Claude берёт всё на себя. > *"Now, the easiest way to create a sub agent is with the / agents command. Next, you can create a sub agent manually, but we recommend using claw code to automatically generate it for you."* ## [00:56] Настройка инструментов, модели и цвета До того как Claude создаст файл, вы выбираете, к каким инструментам получит доступ субагент. Агенту для code review инструменты редактирования строго не нужны, но оставить выполнение включённым удобно — так он легче замечает ожидающие изменения. После инструментов выбирается модель: haiku — для скорости, opus — для глубины, sonnet — для баланса. Последний выбор — цвет: он отображается в интерфейсе, чтобы субагент был виден с первого взгляда. > *"Now, given that our sub agent is only responsible for reviewing code, you might decide to disallow tools for editing, but I'll leave an execution to allow the sub agent to more easily identify pending changes."* ## [01:43] Разбор файла конфигурации Сгенерированный файл сохраняется в проект по пути, указанному в итоговом окне. Четыре поля имеют ключевое значение. `name` — уникальный идентификатор: к нему можно обращаться, набрав `@agent-code-quality-reviewer` в сообщении. `description` — то, что Claude читает, решая, стоит ли делегировать задачу; поле должно умещаться в одну строку (экранированные символы `\n` воспринимаются буквально). Слово «proactively» в описании побуждает Claude чаще обращаться к агенту; примеры диалогов делают маршрутизацию точнее. `tools` отражает доступ, назначенный при генерации, но поле можно редактировать прямо в файле. > *"If you want Claude to use the sub agent automatically more often, add in the word proactively to the description."* ## [02:41] Системный промпт и как его использует Claude Поле `model` принимает `haiku`, `sonnet`, `opus` или `inherit` — `inherit` запускает субагент на той же модели, что и родительский диалог. Всё, что находится ниже front matter, — системный промпт: он направляет субагент при выполнении задачи и указывает, как передавать результаты обратно главному агенту. > *"The system prompt will provide guidance to the sub agent, helping it understand how to complete its task and how it should return information back to the main agent."* ## [03:15] Тестирование субагента После сохранения конфигурации сделайте несколько изменений в коде и попросите Claude их проверить. Если субагент не срабатывает, когда нужно, первым делом скорректируйте поле `description` — более конкретные примеры помогают Claude точнее понимать, когда делегировать. > *"If the sub agent isn't being used when you expect, check your description. Adding more specific examples helps Claude understand when to delegate."* ## Участники - **Anthropic Tutorial Narrator** (Человек): единственный ведущий этого эпизода; ведёт серию туториалов по субагентам Claude Code на официальном YouTube-канале Anthropic - **Claude Code** (ПО): ИИ-ассистент для разработки от Anthropic; поддерживает как встроенные, так и пользовательские кастомные субагенты - **Кастомный субагент** (Концепция): markdown-файл с YAML front matter, настраивающий Claude Code для делегирования конкретных задач специализированному экземпляру агента - **/agents command** (Концепция): точка входа в интерфейсе Claude Code для создания и управления субагентами; предлагает проектную или глобальную область действия - **Системный промпт** (Концепция): тело markdown конфигурационного файла субагента; предоставляет субагенту инструкции по задаче и формату вывода во время выполнения - **Anthropic** (Организация): создатель Claude и платформы Claude Code

Этот урок из серии Claude Code от Anthropic разбирает четыре конкретных паттерна, отличающих надёжных субагентов от тех, что сбиваются с курса, зависают или трогают файлы, которые трогать не должны. Ведущий разбирает каждый паттерн на примере субагентов для ревью кода и веб-поиска, показывая точно, какие настройки менять и зачем. ## [00:03] Управление поведением субагента через имя и описание Каждое сообщение, отправляемое агенту в основном контекстном окне, содержит в системном промпте имя и описание каждого зарегистрированного субагента. Это значит, что описание выполняет двойную функцию: сообщает оркестратору, *когда* запускать субагент, и служит шаблоном для составления входного промпта. В уроке это демонстрируется на субагенте для ревью кода. В исходной конфигурации оркестратор пишет обобщённый промпт, предоставляя субагенту самостоятельно выполнить `git diff`. Если обновить описание до «вы должны точно указать агенту, какие файлы нужно проверить», ответственность за выбор файлов переходит к оркестратору — при следующем запуске входной промпт становится заметно конкретнее. То же работает для субагентов веб-поиска: добавить «возвращай источники, которые можно процитировать» в описание — и основной поток автоматически включает это требование при делегировании. > *«Чтобы точнее контролировать, когда главный агент автоматически запускает субагент, нужно изменить имя и описание.»* ## [01:41] Определение форматов вывода Ведущий называет формат вывода самым весомым единственным улучшением. Без него субагент не получает чёткого сигнала о завершении работы: он продолжает работать, накапливая контекст и расходуя токены. Структурированный формат вывода создаёт естественную точку остановки. Субагент знает, что закончил, когда заполнены все обязательные поля. Практически это означает добавить явную схему непосредственно в системный промпт субагента: блок резюме, список находок, поле статуса. > *«Без определённого формата вывода субагентам трудно понять, когда достаточно исследований, и они, как правило, работают гораздо дольше субагентов, которым задан формат вывода.»* ## [02:04] Сообщение о препятствиях в итоговом отчёте Когда субагент решает какую-то проблему — конфликт зависимостей, команда с неожиданными флагами, особенность среды — основному потоку нужна эта информация, иначе на следующем шаге он упрётся в ту же стену. Решение — сделать отчёт о препятствиях обязательным элементом самого формата вывода. Ведущий перечисляет категории, которые должны всплывать всегда: встреченные препятствия, проблемы с настройкой, найденные обходные пути, команды, потребовавшие особых флагов или конфигурации, и импорты или зависимости, вызвавшие проблемы. Включив всё это в обязательную схему вывода, основной поток получает в наследство открытия субагента вместо того, чтобы делать их заново с нуля. > *«Иначе основному потоку придётся заново открывать те же решения: встреченные препятствия, проблемы с настройкой, найденные обходные пути или особенности среды, команды с особыми флагами или конфигурацией, зависимости или импорты, вызвавшие проблемы.»* ## [02:42] Ограничение доступа к инструментам по роли Контроль доступа к инструментам — не только мера безопасности, но и инструмент ясности. Субагент «только для чтения» с доступом лишь к `glob`, `grep` и `read` физически не может случайно изменить файлы, что делает его роль недвусмысленной для любого, кто читает конфигурацию. Ведущий сопоставляет три уровня доступа с тремя ролями субагентов: исследовательский субагент получает доступ только для чтения, потому что изучение кодовой базы не требует записи; ревьюер получает `bash` для `git diff`, но не инструменты редактирования; `edit` и `write` получают только субагенты, явно назначенные для изменения кода — например, применяющие обновления CSS. С несколькими субагентами в работе список инструментов становится машиночитаемым резюме того, что каждый из них должен делать. > *«Давайте edit и write только тем субагентам, которые действительно должны изменять ваш код, — например, агенту стилизации, применяющему обновления CSS.»* ## [03:27] Четыре паттерна для эффективных субагентов Урок завершается кратким резюме всех четырёх паттернов: структурированный вывод, отчёт о препятствиях, конкретные описания и ограниченный доступ к инструментам. Каждый паттерн усиливает остальные — точные описания снижают неоднозначность во входных промптах, форматы вывода создают точки остановки, отчёт о препятствиях сохраняет контекст между границами агентов, а минимальный доступ к инструментам предотвращает побочные эффекты, которые могли бы усугубить любую оставшуюся неоднозначность. > *«Эффективные субагенты используют структурированный вывод, сообщают о препятствиях, имеют конкретные описания и ограничивают доступ к инструментам.»* ## Сущности - **Anthropic Tutorial Narrator** (Персона): ведущий серии уроков Claude Code о субагентах, представляет Anthropic - **Claude Code** (Программное обеспечение): агентный инструмент для программирования от Anthropic, оркестрирующий субагенты для решения многошаговых инженерных задач - **Subagent** (Концепция): специализированный экземпляр Claude, запущенный агентом-оркестратором, с собственным системным промптом, доступом к инструментам и входным промптом - **Output format** (Концепция): обязательная схема, определённая в системном промпте субагента; создаёт условие завершения и структурирует информацию, возвращаемую основному потоку - **Obstacle reporting** (Концепция): паттерн, обязывающий субагентов включать в вывод найденные обходные пути, проблемы с зависимостями и особенности среды, чтобы оркестратор не открывал их заново - **Tool access scoping** (Концепция): ограничение каждого субагента только теми инструментами, которые требует его роль — только чтение для исследования, bash для ревью, edit/write только для агентов, меняющих файлы - **Anthropic** (Организация): создатель Claude и агентной платформы для программирования Claude Code

Субагенты — это специализированные помощники, которым Claude Code может делегировать задачи. Каждый субагент работает в собственном изолированном контекстном окне, выполняет задачу автономно, а затем возвращает краткое резюме — всё промежуточное содержимое при этом отбрасывается. В двухминутном руководстве от Anthropic объясняется, почему такая изоляция важна для поддержания работоспособности основного контекстного окна, показан конкретный сценарий исследования кода с разбором компромиссов и перечислены встроенные субагенты, которые поставляются вместе с Claude Code. ## [00:03] Что такое субагенты Субагент работает в собственном отдельном контекстном окне диалога, инициализированном с пользовательским системным промптом, который вы задаёте сами. Родительский агент (Claude Code в основном потоке) передаёт субагенту описание задачи на основе вашего запроса. Субагент выполняет её автономно, возвращает резюме в основной поток — и всё промежуточное содержимое остаётся изолированным. > *"Sub-agents are specialized assistants that Claude can delegate tasks to."* Ключевой момент проектирования: как только субагент завершает работу, его диалоговый поток полностью уничтожается. В основной диалог возвращается только итоговое резюме. ## [00:24] Управление контекстным окном Каждый вызов инструмента, который Claude делает в основном потоке — чтение файлов, поиск, трассировка функций — накапливается в основном контекстном окне. При длительной сессии оно быстро заполняется. Субагенты существуют именно для того, чтобы переносить отдельные задачи исследования или выполнения, не загружая основное окно. > *"Each sub-agent runs in its own conversation contacts window with a custom system prompt that you define."* Компромисс очевиден: основное окно сохраняет чистый контекст, но теряет видимость того, как субагент пришёл к своим выводам и что обнаружил по пути. Вы получаете ответ, но не цепочку рассуждений. ## [01:13] Конкретный пример: платёжная система Допустим, вы используете Claude Code, чтобы разобраться, какой сервис обрабатывает возвраты в незнакомой кодовой базе. Без субагента Claude может прочитать 15 файлов, выполнить несколько поисков и пройти через множество вызовов функций — и всё это заполнит основное контекстное окно, хотя вам нужен был лишь один факт. > *"With a sub-agent, you get the answer without the journey."* Субагент исследует кодовую базу, находит ответ и возвращает сфокусированное резюме — основной контекст остаётся чистым. Утраченная видимость — это и есть цена: вы не увидите, какие файлы он читал и какие пути трассировал, чтобы добраться до ответа. ## [02:00] Встроенные субагенты Claude Code Claude Code поставляется с тремя встроенными субагентами, готовыми к немедленному использованию: - **Субагент общего назначения** — для многошаговых задач, требующих как исследования, так и выполнения действий. - **Explore-субагент** — быстрый поиск по кодовым базам без накладных расходов полного цикла выполнения задачи. - **Plan-субагент** — запускается в режиме планирования, чтобы исследовать и проанализировать кодовую базу перед тем, как представить вам план. > *"And you can also create your own sub-agents with custom system prompts and tool access."* Помимо этих трёх, можно создавать собственные субагенты с индивидуальными системными промптами и списками доступных инструментов, адаптированными под конкретные рабочие процессы. ## [02:30] Когда использовать субагентов Субагенты оправдывают себя, когда есть обособленный, самодостаточный вопрос или задача, которая иначе выгрузила бы в основное окно большой объём промежуточного контекста. > *"Sub-agents like Claude Code break work into focused pieces, keep your main context window clean, and bring back just what you need, whether you're using the built-in ones or creating your own."* Наибольшую пользу они приносят в длительных сессиях Claude Code, где давление контекстного окна накапливается: перенос подзадачи на субагента вместо того, чтобы пропускать её через основной поток, напрямую продлевает эффективность сессии. ## Сущности - **Anthropic Tutorial Narrator** (Персона): ведущий серии руководств "Claude Code subagents", созданных Anthropic - **Claude Code** (Программное обеспечение): агентный ассистент для написания кода от Anthropic; среда, в которой работают субагенты - **Claude** (Программное обеспечение): базовая AI-модель, на которой работают Claude Code и его субагенты - **Субагент** (Концепция): специализированный помощник, которому Claude Code делегирует задачи; работает в изолированном контекстном окне с собственным системным промптом - **Контекстное окно** (Концепция): конечный буфер токенов, содержащий всю историю диалога, вызовы инструментов и результаты; субагенты не дают ему заполняться промежуточной работой - **Субагент общего назначения** (Программное обеспечение): встроенный субагент Claude Code для многошаговых задач исследования и выполнения - **Explore-субагент** (Программное обеспечение): встроенный субагент Claude Code, оптимизированный для быстрого поиска по кодовым базам - **Plan-субагент** (Программное обеспечение): встроенный субагент Claude Code, исследующий кодовую базу в режиме планирования перед представлением плана - **Anthropic** (Организация): создатель Claude и Claude Code; производитель данной серии руководств

Тао и Дваркеш рассматривают открытие Кеплером законов движения планет как призму для понимания того, что ИИ реально меняет в науке. Тао утверждает: генерация гипотез теперь практически бесплатна, поэтому узкое место смещается к оценке, рецензированию и проверке временем. Современные ИИ выигрывают вширь (пробуют каждый стандартный метод на каждой задаче), а люди выигрывают вглубь (накапливают прогресс шаг за шагом) — поэтому гибридные конфигурации будут доминировать в математике ещё как минимум десятилетие. ## [00:00] Кеплер был высокотемпературной языковой моделью Тао рассказывает, как Кеплер пришёл к трём законам движения планет. Кеплер отправился от неверной, но красивой теории — платоновских тел, вписанных между орбитами планет, — и отказался от неё лишь после многолетней обработки похищенных наблюдений Тихо Браге невооружённым глазом. Эллипсы, закон площадей и куб-квадратичный закон возникли из многолетнего анализа данных; объяснение Ньютона пришло столетие спустя. Dwarkesh формулирует так: Кеплер похож на высокотемпературную LLM, перебирающую случайные соотношения по проверяемому набору данных. Тао соглашается с механикой, но оспаривает узкое место. Генерация идей была дешёвой уже тогда — теорий у Кеплера хватало. Ему нужны были данные Браге на порядок лучше и терпение, чтобы отбрасывать идеи, которые данные опровергали. > *Но, как вы говорите, это должно сопровождаться равным объёмом верификации, иначе это просто мусор.* ## [11:44] Как распознать новую объединяющую концепцию в море мусора, созданного ИИ? Тао: если ИИ снизил стоимость генерации идей почти до нуля, рецензирование и проверка временем становятся новым ограничением. Журналы уже тонут в статьях, созданных с помощью ИИ. Ценность любой идеи определяется тем, что с ней сделает последующая наука — Коперник уступал Птолемею в точности, пока Кеплер не завершил картину, — поэтому оценить это изнутри момента затруднительно. Dwarkesh спрашивает, как наука могла бы распознать объединяющую концепцию уровня Bell Labs (бит Шеннона, трансформер), погребённую в миллионах посредственных статей. Тао указывает на то, что может остаться за людьми: учёные не просто создают теории, они рассказывают истории, убеждающие других учёных потратить годы на дальнейшие исследования. Проза Дарвина сделала то, чего не сделали латинские уравнения Ньютона. > *ИИ снизил стоимость генерации идей почти до нуля — примерно так же, как интернет снизил стоимость коммуникации почти до нуля.* ## [26:10] Дедуктивный навес Тао о недооценённом сигнале в существующих данных. Астрономия столетиями была дисциплиной, извлекающей максимум информации из минимума данных, — именно поэтому квантовые хедж-фонды охотно нанимают выпускников астрофизических программ. Он приводит любимый пример: исследователи измеряли, как часто учёные реально читают цитируемые статьи, отслеживая, какие опечатки распространялись по цепочкам цитирования. Он предлагает применить тот же социологический подход к прогрессу ИИ — анализировать паттерны цитирования, упоминания на конференциях и другие следы, чтобы обнаружить, действительно ли результат стал прогрессом, не дожидаясь медленной проверки временем. > *Один вывод состоял в том, что дедуктивный навес во многих областях может быть значительно больше, чем люди думают.* ## [30:31] Ошибка выжившего в отчётах об открытиях ИИ ИИ решил около 50 из примерно 1100 задач Эрдёша, а затем упёрся в плато. Тао объясняет эффект селекции: эти 50 задач имели почти нулевую литературу — одного малоизвестного метода плюс одного известного результата оказалось достаточно, а инструменты ИИ превосходно справляются с перебором стандартных комбинаций. Когда 80% работы уже сделано существующими методами, ИИ закрывает задачу. Когда нужна принципиально новая техника, инструменты останавливаются, а доля успеха при систематическом переборе составляет 1-2%. Метафора Тао: инструменты ИИ — это прыгающие роботы, блуждающие в темноте по горному хребту. Они берут короткие стены, недоступные людям, но не умеют ухватиться за уступ, удержаться на нём и подтянуться с промежуточного прогресса. Оптимистичная интерпретация — как только ИИ достигает определённого уровня, можно запустить миллион параллельных копий на миллион задач, чего никакое человеческое сообщество не в состоянии сделать, — и является структурной причиной, по которой науке нужны новые парадигмы, реально использующие ширину охвата. > *Они превосходят нас вширь, а люди превосходят ИИ вглубь — по крайней мере, эксперты.* ## [46:43] ИИ делает статьи богаче и шире, но не глубже Тао о своей рабочей практике: статьи теперь содержат больше кода, больше графиков, более глубокие обзоры литературы, потому что вспомогательные задачи подешевели примерно в 5 раз. Собственно ядро — решение самой трудной части задачи — по-прежнему происходит на бумаге с ручкой. Он не решился бы назвать себя «в 2 раза продуктивнее», потому что метрика не одномерна; изменился тип статей, которые он пишет, а не скорость, с которой он отвечает на поставленный вопрос. Различие между сообразительностью и интеллектом приходит к тому же. Когда два человека совместно работают над математической задачей, каждый неудавшийся прототип становится точкой опоры для следующего. С нынешними ИИ новая сессия забывает всё, что выяснила предыдущая. Накопительный шаг подтягивания отсутствует — есть только перебор вслепую и в конечном счёте усвоение следующим обучающим запуском. > *Это сделало статьи богаче и шире, но не обязательно глубже.* ## [53:00] Если ИИ решит задачу, смогут ли люди извлечь из этого понимание? Сможет ли ИИ доказать гипотезу Римана в Lean, не дав нам ровно никакого понимания? Тао не обеспокоен. Lean обладает свойством атомарной декомпозиции любого доказательства: каждую лемму можно проверить, удалить и протестировать в отдельности. Поэтому даже сгенерированное доказательство на 3000 строк становится сырьём: другие ИИ могут переработать его ради элегантности, другие люди могут извлечь концептуальное содержание, и артефакт остаётся полезным, даже если исходный вывод был непрозрачным. Тао предсказывает возникновение целой профессии математиков, чья работа — разбирать гигантские доказательства, сгенерированные в Lean, и находить внутри них идеи: своего рода археология доказательств с участием и человеческого суждения, и инструментов ИИ для абляции. > *Вы получите гораздо больше, опираясь на взаимодействие людей, сотрудничающих с этими инструментами.* ## [59:20] Нам нужен полуформальный язык для того, как учёные на самом деле разговаривают друг с другом Dwarkesh спрашивает, как мог бы выглядеть полуформальный язык для математических стратегий в противовес математическим доказательствам. Тао прослеживает вопрос через теорему Гаусса о простых числах — первую крупную статистическую гипотезу в математике, выведенную из сырых данных до существования какого-либо доказательства, — и через гипотезу о простых числах-близнецах, в которую математики верят, потому что случайная модель простых чисел её предсказывает. В математике есть и строгие доказательства, и строгие эвристики; только доказательная сторона формализована до состояния, которое может проверить Lean. Причина, по которой эвристическая сторона не формализована: любой проверяемый критерий в рамках обучения с подкреплением становится целью для эксплуатации, а субъективная часть «этот аргумент убедителен» пока не поддаётся взломоустойчивой формализации. Тао хотел бы способа оценивать генерацию гипотез и выбор стратегий в масштабе — возможно, запуская небольшие ИИ в игрушечных математических вселенных и наблюдая, какие стратегии возникают. > *Есть какой-то субъективный аспект науки, который мы не знаем, как уловить, чтобы внедрить туда ИИ сколько-нибудь полезным образом.* ## [69:48] Как Терри распределяет своё время Тао о том, как он осваивает новые подобласти. По классификации Берлина он относит себя к лисам — знает понемногу обо всём, иногда превращаясь в ежа по необходимости. Движущая сила — маниакальная тяга к полноте: если другой математик доказывает результат с помощью метода, которого он не знает, Тао обязан разобраться, в чём трюк. По той же причине он вынужден был бросить видеоигры. Сотрудничество с другими математиками — главный инструмент, а ведение блога — система памяти, которую он выработал после того, как несколько раз проигрывал споры через полгода после того, как сам же вывел нужный результат. В своём расписании Тао намеренно оставляет место для случайных встреч. Он был бы против того, чтобы оптимизировать время до такой степени, что никогда не окажется на совещании за пределами зоны комфорта. Год в Институте перспективных исследований подтвердил эту ловушку: две недели чистых исследований были прекрасны, а потом вдохновение иссякло. Случайное открытие на соседней библиотечной полке, непринуждённый разговор в коридоре и совещание, на которое он пошёл нехотя, делали больше работы, чем казалось. > *Эти случайные взаимодействия могут не выглядеть оптимальными, но на самом деле они очень важны.* ## [77:05] Гибриды человека и ИИ будут доминировать в математике ещё долго Когда ИИ начнёт заниматься математикой самостоятельно? Тао переформулирует: ИИ уже делает математику, недоступную людям, — калькуляторы, только на другой границе. Примерно за десятилетие он ожидает, что значительная часть того, чем сейчас занимаются аспиранты — применение стандартных методов, проработка литературы, — перейдёт к ИИ, но область поднимется на уровень выше, как это произошло, когда системы компьютерной алгебры взяли на себя символьное интегрирование. Генетика не закончилась, когда секвенирование подешевело; она масштабировалась до экосистем. Математика сделает то же самое. Совет студентам, входящим в математику сейчас: принять изменения как данность, но получить квалификацию старым способом — пока замены для традиционного освоения математики нет. Одновременно нужно оставаться достаточно гибкими, чтобы использовать совершенно новые режимы исследования по мере их появления, включая те, которых ещё не существует. Примечательный факт: с инструментами ИИ и Lean старшеклассник сегодня может внести реальный вклад в математические исследования — пять лет назад это было невозможно. > *Думаю, я действительно верю, что гибриды человека и ИИ будут доминировать в математике ещё очень долго.* ## Сущности - **Теренс Тао** (Персона): лауреат Филдсовской премии (2006), математик UCLA, регулярно пишет о роли ИИ в математических исследованиях. - **Dwarkesh Patel** (Персона): ведущий Dwarkesh Podcast; интервью в длинном формате об ИИ, науке и технологиях. - **Иоганн Кеплер** (Персона): астроном (1571-1630), выведший три закона движения планет из наблюдений Тихо Браге. - **Тихо Браге** (Персона): датский астроном, чьи многолетние наблюдения за планетами невооружённым глазом стали набором данных, необходимым Кеплеру. - **Lean** (Программное обеспечение): ассистент доказательств, в котором математические доказательства формализуются и могут быть проверены, декомпозированы и протестированы атомарно. - **Задачи Эрдёша** (Концепция): около 1100 открытых задач, поставленных Полом Эрдёшем; ИИ решил около 50, почти все с почти нулевой предшествующей литературой. - **Дедуктивный навес** (Концепция): идея о том, что существующие данные уже содержат гораздо больше выводимого знания, чем было извлечено; астрономия служит образцом. - **Гипотеза Римана** (Концепция): нерешённая гипотеза о распределении простых чисел; тестовый случай для вопроса о том, продвинет ли доказательство ИИ человеческое математическое понимание.

Скиллы Claude Code — это переиспользуемые markdown-файлы, которые один раз кодируют специализированные знания. После этого Claude автоматически активирует их при подходящем запросе, без необходимости повторять инструкции или вводить slash-команды. Этот трёхминутный туториал объясняет, что такое скиллы, где они хранятся, чем отличаются от CLAUDE.md и по какому сигналу понимать, что пора написать новый скилл. ## [00:03] Проблема повторений, которую решают скиллы Каждый раз, когда вы объясняете стандарты кода своей команды, заново описываете структуру PR-фидбека или напоминаете Claude предпочтительный формат коммита, вы повторяетесь. Нарратор открывает тремя последовательными примерами, чтобы точно назвать ту точку трения, которую устраняют скиллы. > *"Каждый раз, когда вы объясняете Claude стандарты кода своей команды, вы повторяетесь."* ## [00:20] Что такое скилл и как Claude выбирает его Скилл — это markdown-файл, который один раз учит Claude выполнять какое-то действие. Claude сохраняет инструкцию и применяет её автоматически, когда ситуация требует. В Claude Code этот файл называется SKILL.md. Поле description внутри файла — ключевой механизм: когда вы просите Claude проверить PR, он сравнивает ваш запрос с описаниями всех доступных скиллов и активирует совпавший. > *"Claude читает ваш запрос, сравнивает его с описаниями всех доступных скиллов и активирует подходящие."* ## [01:05] Где хранить скиллы: личные vs. проектные Скиллы живут в двух местах — в зависимости от того, кому они нужны. Личные скиллы хранятся в ~/.claude/skills и следуют за вами в каждый проект: стиль коммит-сообщений, формат документации, предпочтительный способ объяснения кода. Проектные скиллы размещаются в .claude/skills в корне репозитория; любой, кто клонирует репо, получает их автоматически. Именно это второе место предназначено для командных стандартов: брендовые гайдлайны, предпочтительные шрифты и цвета для веб-дизайна. > *"Любой, кто клонирует репозиторий, автоматически получает эти скиллы."* ## [01:42] Скиллы vs. CLAUDE.md: автоматика и экономия контекста Claude Code предлагает несколько уровней кастомизации, и скиллы занимают особую нишу. Файлы CLAUDE.md загружаются в каждый разговор безусловно — это подходит для правил вроде «всегда использовать TypeScript strict mode». Скиллы загружаются по требованию, только когда соответствуют текущему запросу, и в контекст попадают лишь название и описание. Полное тело скилла загружается только при срабатывании. Так чеклист для PR-ревью не занимает контекстное окно во время отладки и появляется лишь тогда, когда вы действительно просите провести ревью. Slash-команды требуется вводить вручную; скиллы — нет. > *"Скиллы уникальны тем, что они автоматические и привязаны к конкретной задаче."* ## [02:27] Когда писать скилл Скиллы лучше всего подходят для специализированных знаний, привязанных к конкретным задачам: стандарты код-ревью команды, форматы коммит-сообщений, брендовые гайдлайны. Финальное правило прямолинейное и практичное: если вы раз за разом объясняете Claude одно и то же, значит это скилл, который ждёт, чтобы его написали. > *"Если вы раз за разом объясняете Claude одно и то же, что ж, это скилл, который ждёт, чтобы его написали."* ## Упоминаемые объекты - **Anthropic Tutorial Narrator** (Личность): нарратор и ведущий серии туториалов по скиллам Claude Code - **Claude Code** (Программное обеспечение): AI-ассистент для написания кода от Anthropic; среда выполнения, в которой скиллы обнаруживаются и применяются - **SKILL.md** (Концепция): markdown-файл, определяющий скилл — содержит название, описание и инструкции для Claude - **CLAUDE.md** (Концепция): файл инструкций на уровне проекта или глобально, загружающийся в каждый разговор Claude Code безусловно; противопоставляется скиллам - **Anthropic** (Организация): создатель Claude и Claude Code

Skill для ревью PR, которую использует один инженер, полезна; та же skill, развёрнутая на всю команду, стандартизирует код-ревью и создаёт единый опыт по всей организации. Этот туториал разбирает четыре конкретных метода распространения — коммиты в репозиторий, плагины, enterprise managed settings и custom sub-agents — и объясняет, когда применять каждый из них. В разделе про sub-agents есть неочевидный нюанс: sub-agents не наследуют skills автоматически, а встроенные агенты не могут получить к ним доступ вовсе. ## [00:01] Почему sharing умножает ценность skills Skill, которая остаётся у одного разработчика, выполняет свою работу. Та же skill, переданная команде, фиксирует стандарты, устраняет индивидуальные расхождения и делает каждое ревью одинаковым по виду и ощущению. Ведущий открывает с прямого противопоставления индивидуального и командного использования, а затем перечисляет четыре механизма обмена. > *"A PR review skill that only you use is helpful. The same skill shared across your team standardizes code review and provides a consistent experience amongst your organization which is much better."* ## [00:18] Коммит skills в репозиторий Способ с минимальным трением: разместить skills в `.claude/skills` внутри репозитория проекта. Любой, кто клонирует репозиторий, сразу получает эти skills — никаких шагов установки, никакого дополнительного инструментария. Обновления приходят через обычный цикл `git pull`. Этот путь подходит для командных стандартов кодирования, рабочих процессов, специфичных для проекта, и skills, ссылающихся на собственную структуру кодовой базы. > *"Anyone who clones the repository gets these skills automatically. No extra installation, it's just what you're doing already."* ## [00:45] Распространение skills через плагины Плагины расширяют Claude Code пользовательской функциональностью, которая предназначена для использования за пределами одного проекта. Внутри проекта плагина директория `skills/` повторяет структуру `.claude/` — название skill, `SKILL.md`. После публикации на маркетплейсе любой пользователь Claude Code может скачать и активировать плагин. Этот канал лучше всего подходит для skills, достаточно универсальных, чтобы служить широкому сообществу, а не конвенциям одной команды. > *"Think of plugins as ways to extend Claude Code with custom functionality, but designed to be shared across teams and projects."* ## [01:26] Развёртывание на всю организацию через managed settings Администраторы могут распространять skills на каждого разработчика организации через managed settings. Enterprise skills имеют наивысший приоритет: они перекрывают личные, проектные и плагинные skills с тем же именем. Предназначение — обязательные стандарты: требования безопасности, compliance-процессы, практики кодирования, которые должны быть едиными. Ведущий явно делает акцент на слове «должны»: это не рекомендации. > *"This is for mandatory standards, security requirements, compliance workflows, or coding practices that must be consistent across the organization."* ## [01:52] Custom sub-agents и явная загрузка skills Sub-agents не наследуют skills основного разговора. Встроенные агенты (explorer, planner, verify) вообще не имеют доступа к skills. Только custom sub-agents — определённые через файл `agent.md` в `.claude/agents` — могут использовать skills, и только те, что явно перечислены в поле `skills:` этого файла. Skills загружаются при запуске sub-agent, а не по запросу, поэтому список должен быть компактным: только skills, всегда актуальные для задачи агента. Туториал показывает, как создать sub-agent с помощью создателя sub-agents Claude Code и как прикрепить skills к существующему `agent.md`. > *"Built-in agents like the explorer, planner, and verify can't access skills at all. Only custom sub-agents you define can use them, and only when you explicitly list them."* ## [03:18] Итоги: как выбрать подходящий способ распространения В финале каждый метод сопоставляется со своим сценарием: директории проекта — для командного доступа, плагины — для распространения между репозиториями, enterprise-развёртывание — для обязательных стандартов на уровне организации, явные списки skills в sub-agents — для изолированного делегирования задач. Напоминание про sub-agents звучит снова: перечисляйте только те skills, которые всегда нужны для работы конкретного агента, поскольку они загружаются при старте, а не лениво. > *"Share skills through project directories for team access, plugins for cross-repository distribution, or enterprise deployment for organization-wide standards."* ## Сущности - **Anthropic Tutorial Narrator** (Человек): единственный ведущий серии туториалов по skills Claude Code - **Claude Code** (Программное обеспечение): AI-ассистент Anthropic для написания кода; среда выполнения, где skills создаются и разворачиваются - **Skills** (Концепция): наборы повторно используемых инструкций в `.claude/skills`, расширяющие поведение Claude Code - **Plugins** (Концепция): распространяемые пакеты, объединяющие skills для обмена между командами и пользователями маркетплейса - **Managed settings** (Концепция): механизм enterprise-администратора для развёртывания skills на всю организацию с наивысшим приоритетом переопределения - **Sub-agents** (Концепция): пользовательские агенты Claude Code, определённые через `agent.md` в `.claude/agents`; единственный тип агентов, способных загружать skills, и только при явном перечислении - **Anthropic** (Организация): компания, создавшая Claude Code и производящая серию туториалов по skills Claude Code

Четырёхминутный туториал из серии Claude Code skills о расширенных полях конфигурации, которые превращают базовый скилл в надёжный и экономный по контексту инструмент. Нарратор проходит весь набор полей стандарта agentskills.io — `name`, `description`, `allowed_tools`, `model` — и объясняет, как структурировать крупные скиллы с помощью progressive disclosure: справочные материалы и скрипты загружаются только тогда, когда они действительно нужны, а не при каждом вызове. ## [00:02] Обзор расширенных полей скилла Открытый стандарт agentskills.io определяет несколько полей помимо обязательных `name` и `description`. `name` должен быть строчным с дефисами, не длиннее 64 символов, и совпадать с именем директории. `description` ограничен 1024 символами и служит основным сигналом для Claude при выборе скилла. Конфигурацию дополняют два необязательных поля: `allowed_tools`, ограничивающее набор инструментов, которые скилл может вызывать, и `model`, фиксирующее конкретную версию Claude. > *"A basic skill works with just a name and description, but here are some other advanced tips that can make your skills really effective in Claude Code."* ## [00:39] Написание эффективных описаний Расплывчатое описание — «помогать с собаками» — оставляет Claude гадать об области применения и триггерах. Хорошее описание отвечает ровно на два вопроса: что делает этот скилл и когда Claude должен его использовать? Подбор ключевых слов под естественную формулировку пользовательских запросов — главный способ исправить скиллы, которые не срабатывают. > *"A good description answers two questions. What does this skill do? And when should Claude use it?"* ## [01:20] Ограничение инструментов с помощью allowed_tools `allowed_tools` — механизм привязки скилла к чётко ограниченному набору возможностей: например, только чтение для workflow с повышенными требованиями к безопасности. При заданном поле Claude может вызывать только перечисленные инструменты без запроса разрешения: никакого редактирования, записи или Bash. Если поле не указано, стандартная модель прав Claude остаётся неизменной. > *"When this skill is active, Claude can only use those tools without asking permission. No editing, no writing, no bash commands."* ## [01:49] Progressive disclosure для мультифайловых скиллов Скиллы разделяют контекстное окно Claude с текущим разговором. Запихнуть всё в один `SKILL.md` на 20 000 строк — значит раздувать контекст при каждом вызове и делать файл неудобным для поддержки. Решение: держать ключевые инструкции в `SKILL.md`, а справочные материалы вынести в отдельные файлы, которые Claude читает лишь тогда, когда запрос пользователя действительно требует их. Стандарт предлагает три вспомогательные директории — `scripts/` для исполняемого кода, `references/` для документации и `assets/` для изображений и шаблонов. Ссылка в `SKILL.md` работает как запись в оглавлении: если тема не возникла, файл не загружается. Скрипты в директории скилла выполняются без загрузки исходного кода в контекст — токены расходует только их вывод. Рекомендуется держать `SKILL.md` в пределах 500 строк; превышение — сигнал разбить скилл на части. > *"It's like having a table of contents in the context window rather than fitting the whole entire document in there."* ## [03:18] Итоги: метаданные скилла и лучшие практики Туториал завершается повторением всей поверхности конфигурации: `name` и `description` обязательны; `allowed_tools` ограничивает набор инструментов; `model` фиксирует версию Claude. Описания должны содержать конкретные глаголы действия и триггерные фразы для стабильного срабатывания. Для крупных скиллов progressive disclosure удерживает `SKILL.md` в пределах 500 строк и откладывает вспомогательные файлы до реальной необходимости. Скрипты выполняются без загрузки исходников, что сохраняет контекст лёгким. > *"Scripts can execute without loading their contents, keeping context efficient."* ## Сущности - **Anthropic Tutorial Narrator** (Персона): единственный ведущий этой серии туториалов, рассказывающий о конфигурации скиллов Claude Code. - **Claude Code** (Программное обеспечение): CLI-инструмент Anthropic, который загружает и исполняет скиллы по стандарту agentskills.io. - **agentskills.io** (Организация): открытый стандарт, определяющий схему манифеста скиллов, включая `name`, `description`, `allowed_tools`, `model` и соглашения по директориям. - **SKILL.md** (Концепция): основной файл манифеста скилла Claude Code; должен оставаться в пределах 500 строк со ссылками на вспомогательные файлы. - **allowed_tools** (Концепция): необязательное поле скилла, вносящее конкретные инструменты Claude в белый список и позволяющее использовать режимы только для чтения или песочницы. - **Progressive disclosure** (Концепция): структурирование мультифайлового скилла так, чтобы справочные файлы и скрипты загружались в контекст только при реальной необходимости в рамках активного запроса. - **Context window** (Концепция): общий бюджет токенов между разговором и загружаемыми Claude файлами скиллов; ключевой ресурс, для экономии которого разработан progressive disclosure.

Трёхминутный туториал показывает, как с нуля собрать персональный навык в Claude Code: создать директорию с файлом SKILL.md, убедиться, что навык загружается при старте, и понаблюдать, как Claude применяет его к реальному запросу. Вторая половина подробно объясняет, как устроен пайплайн загрузки навыков — четыре места сканирования и первичный проход только по именам, ворота подтверждения и четырёхуровневый порядок приоритетов, разрешающий конфликты имён. ## [00:03] Что строит этот туториал Ведущий начинает с конкретной цели: навык, который учит Claude объяснять код с помощью визуальных схем и аналогий. После создания навыка туториал также прослеживает, что происходит внутри, когда Claude обнаруживает и выполняет навык. > *"Этот навык научит Claude, как мы хотели бы, чтобы он объяснял код с помощью визуальных схем и аналогий."* ## [00:18] Создание файла навыка Персональные навыки хранятся в домашней директории, а не внутри проекта — поэтому первый шаг: создать новую директорию с именем навыка внутри `~/.claude/skills/`. В ней размещается единственный файл `SKILL.md`. Три раздела принципиально важны: `name` (идентификатор, который Claude сохраняет при запуске), `description` (критерии совпадения, по которым Claude решает, вызывать ли навык) и всё, что идёт после второго разделителя `---` (инструкции, которым Claude следует при срабатывании навыка). > *"Учтите, что мы создаём директорию с именем навыка внутри директории skills."* ## [00:52] Загрузка и тестирование навыка Claude Code сканирует навыки при запуске, а не по запросу — поэтому после создания файла нужно перезапустить сессию. Команда `/skills` должна показать "PR description" (или только что созданный навык). Для проверки создайте ветку с несколькими изменениями и отправьте запрос "Write a PR description for my changes." Claude сообщит, что вызывает навык PR description, прочитает diff и напишет описание по шаблону — в одном и том же формате каждый раз. > *"Тогда Claude покажет вам, что использует навык PR description."* ## [01:25] Как Claude загружает навыки изнутри При запуске Claude Code сканирует четыре места: корпоративные управляемые настройки, персональный `~/.claude/skills/`, директорию `.claude/` проекта и установленные плагины. Загружаются только `name` и `description` — не полное содержимое. Когда приходит запрос, Claude сопоставляет его с сохранёнными описаниями; "объясни, что делает эта функция" пересекается с "объяснять код с визуальными схемами", и навык совпадает. Перед чтением полного SKILL.md Claude запрашивает подтверждение, чтобы пользователь знал, какой контекст вводится. > *"Он загружает только имя и описание каждого навыка, а не полное содержимое. Это важно позже."* ## [02:02] Правила приоритетов и конфликты имён Клонирование репозитория, который поставляет собственные навыки, может создавать конфликты имён. Claude разрешает их по фиксированной иерархии приоритетов: корпоративный (высший) → персональный → проект → плагины (низший). Корпоративный навык `code-review` всегда выигрывает у персонального `code-review`. Практическое решение — описательные имена: `security-review` или `frontend-pr-review` вместо общего `review`, тогда конфликты просто не возникают. > *"Если в вашей компании есть корпоративный навык code review, а вы создаёте персональный навык code review, корпоративная версия имеет приоритет."* ## [02:52] Обновление и удаление навыков Обновить навык — значит напрямую отредактировать файл: открыть SKILL.md, внести нужные изменения, сохранить. Удалить навык — значит удалить директорию. Оба действия требуют перезапуска Claude Code для вступления в силу — список навыков строится один раз при старте сессии и не отслеживает изменения в реальном времени. > *"Отредактируйте файл skill.md, чтобы обновить навык, и перезапустите Claude Code, чтобы изменения вступили в силу."* ## Сущности - **Ведущий туториала Anthropic** (Человек): единственный хост, ведущий туториал по созданию навыков для серии Claude Code skills - **Claude Code** (Программное обеспечение): CLI Anthropic для Claude; сканирует навыки при запуске и применяет их, когда запросы пользователя совпадают с описаниями навыков - **SKILL.md** (Концепция): единственный файл, определяющий навык — содержит YAML-фронтматтер (name, description) и свободный текст инструкций после второго разделителя `---` - **Skills** (Концепция): переиспользуемые именованные наборы инструкций, обучающие Claude устойчивому паттерну поведения; хранятся как директории с файлом SKILL.md - **Enterprise Skills** (Концепция): управляемые организацией навыки, стоящие на вершине четырёхуровневой иерархии приоритетов и перекрывающие персональные, проектные и плагинные навыки - **Anthropic** (Организация): создатель Claude и Claude Code; выпускает эту серию туториалов на claude.com/resources/courses

Claude Code предоставляет разработчикам пять отдельных инструментов настройки — Skills, CLAUDE.md, subagents, hooks и MCP-серверы. Каждый из них создан для своей задачи. Этот трёхминутный туториал показывает, какой инструмент для чего подходит, чтобы вы не тянулись к Skills там, где справится CLAUDE.md, и не настраивали hook там, где нужен subagent. ## [00:02] Пять способов настройки, одна задача выбора В Claude Code пять способов управлять поведением: Skills, CLAUDE.md, subagents, hooks и MCP-серверы. Рассказчик быстро перечисляет все пять и сразу смещает вопрос с «что это такое?» на «какой из них здесь нужен?» > *«Они решают разные задачи. Понимание того, когда что использовать, уберегает вас от создания лишнего.»* Всё остальное в туториале — по сути ответ на эту одну фразу. ## [00:18] CLAUDE.md против Skills: всегда активен vs по запросу CLAUDE.md — файл, который Claude читает в начале каждого разговора, без каких-либо активационных команд. Это правильное место для общепроектных ограничений, которые нельзя забывать: выбор фреймворка, стиль кода, правила базы данных. Skills, напротив, загружаются по запросу: чеклист для ревью PR появляется в контексте только тогда, когда вы реально просите о ревью, а не пока пишете новый код. > *«Используйте Claude MD для общепроектных стандартов, которые действуют всегда — ограничения вроде запрета на изменение схемы базы данных, предпочтения по фреймворку и стиль кода.»* Граница проходит между постоянством и уместностью. Если инструкция должна выполняться при каждом запросе в проекте — её место в CLAUDE.md. Если она нужна лишь иногда — это Skill. ## [01:03] Skills против Subagents: общий контекст vs изолированное выполнение Skills добавляют знания в текущий разговор — их инструкции вливаются в существующий контекст. Subagents работают иначе: получают задачу, создают отдельный контекст выполнения, работают независимо и возвращают результат, не затрагивая основной разговор. > *«Используйте subagents, когда хотите делегировать задачу в отдельный контекст выполнения. Когда нужен доступ к инструментам, которых нет в основном разговоре. Когда важна изоляция между делегированной работой и основным контекстом.»* Skills подходят, когда экспертиза должна направлять рассуждения Claude на протяжении всего текущего разговора. Subagents — когда нужна чёткая граница между основной сессией и делегированной единицей работы: разные инструменты, никакого смешения. ## [01:42] Hooks против Skills: событийный vs запросный подход Hooks срабатывают автоматически при событиях — запустить линтер каждый раз, когда Claude сохраняет файл, проверить входные данные перед конкретным вызовом инструмента. Их запускает не то, что вы просите, а то, что делает Claude. Skills работают наоборот: по запросу, активируясь при совпадении с вашим запросом. > *«Hook может запускать линтер каждый раз, когда Claude сохраняет файл, или проверять входные данные перед определёнными вызовами инструментов. Они все событийные, а skills — запросные. Они активируются в зависимости от того, о чём вы спрашиваете.»* Если поведение должно происходить безусловно при системном событии — это hook. Если оно должно влиять на рассуждения Claude при запросе — это Skill. ## [02:15] Совместное использование всех пяти инструментов Хорошо настроенная среда Claude Code использует каждый инструмент по назначению: CLAUDE.md для постоянных общепроектных стандартов, Skills для узкоспециализированной экспертизы, которая не должна захламлять каждый запрос, hooks для автоматических побочных действий, subagents для изолированной делегированной работы, MCP-серверы для доступа к внешним инструментам. Это не альтернативы — они дополняют друг друга. > *«Не пихайте всё в skills, если другой вариант подходит лучше. Вы можете использовать несколько инструментов одновременно.»* Skills активируются сами, когда тема становится актуальной; CLAUDE.md присутствует всегда; subagents работают в изоляции; hooks срабатывают на события; MCP предоставляет внешние инструменты. Выбирайте подходящий слой для каждой задачи и комбинируйте их свободно. ## Сущности - **Anthropic Tutorial Narrator** (Человек): Ведущий этой серии туториалов по skills в Claude Code, выступающий от имени Anthropic. - **Claude Code** (Программное обеспечение): AI-ассистент для написания кода от Anthropic; главный объект серии туториалов. - **Skills** (Концепция): Пакеты знаний, загружаемые по запросу, которые активируются, когда Claude распознаёт обращение пользователя; добавляют инструкции в текущий контекст разговора. - **CLAUDE.md** (Концепция): Файл конфигурации, автоматически загружаемый в каждый разговор Claude Code; используется для постоянных общепроектных стандартов и ограничений. - **Subagents** (Концепция): Отдельные контексты выполнения, запускаемые для решения делегированных задач в изоляции от основного разговора. - **Hooks** (Концепция): Событийная автоматизация, срабатывающая при конкретных действиях Claude — сохранении файла или вызовах инструментов — независимо от запросов пользователя. - **MCP Servers** (Программное обеспечение): Серверы Model Context Protocol, предоставляющие внешние инструменты сессиям Claude Code. - **Anthropic** (Организация): Создатель Claude Code и издатель серии туториалов по skills в Claude Code.