Видео

Crowdin. Shashi Bhushan начинает с картирования процесса, а не с выбора инструмента, затем разбирает качество исходного текста, человеческую проверку, ИИ-корректуру, проверки глоссария, участие продуктовой команды, пилоты и ограничения приватности. Это почти тот же операционный подход, который статья рекомендует эстонским командам, работающим с эстонским, английским, русским, финским и клиентской терминологией.

AI Engineer. Dex Horthy объясняет, почему надёжные агентные системы в основном состоят из дисциплинированного программного обеспечения вокруг нескольких вызовов LLM: контролируйте инструкцию, контролируйте контекстное окно, держите поток управления детерминированным и используйте вызовы инструментов для обращения к человеку, когда процесс требует суждения. Это напрямую связано с паттернами утверждения, исключений и эскалации из статьи.

Anthropic. Трёхминутный разбор Anthropic о том, как запустить реальный eval внутри Workbench — автогенерация реалистичных тест-кейсов, оценка вывода, правка промпта и повторный прогон того же набора рядом для сравнения. Просмотры ниже обычной планки, но для «как мне реально это сделать без кода» это самое чистое официальное демо и аккуратно встраивается под более стратегический разговор Хусейн/Шанкар.

Nick Saraev. Сараев собирает ровно тот пайплайн, что описывает статья — Apollo для лидов, Apify для скрейпинга, n8n для обогащения и запуска многострочного генератора айсбрейкеров по сайту каждого лида, затем Instantly для отправки — и откровенно говорит про стоимость на одного лида и проценты ответов. Это самая чистая демонстрация «настоящей персонализации в масштабе», а не «mail merge с именем».

Greg Isenberg. Айзенберг собирает реальный контентный пайплайн в n8n вместе с The Boring Marketer — скрейпит топовые посты в YouTube и X, набрасывает новые материалы в Claude, ресёрчит через Perplexity, генерит изображения и публикует в LinkedIn с шагом одобрения человеком. Это ровно та форма «агент в середине, инструменты по бокам», которую описывает статья, и стадия ревью человеком тут показана, а не просто упомянута.

Kevin Stratvert. Тот же воркфлоу, что и с Ollama, но в GUI: скачать LM Studio, подтянуть модель Llama или Gemma, начать чат, бросить PDF и задавать по нему вопросы. Хорошо для читателей, которые не хотят жить в терминале — также полезно, чтобы прочувствовать, как 1B–3B модель реально показывает себя против более тяжёлой.

Tech With Tim. Плотное, по делу прохождение по Ollama — установить, скачать модель, начать чат, затем потыкать локальный HTTP API из Python и создать кастомную модель через Modelfile. Покрывает ровно тот воркфлоу, что описывает статья для повседневного использования на Mac, включая то, как думать о размере модели против RAM вашей машины.

Nate Herk | AI Automation. 16-минутное объяснение без жаргона того, что такое MCP-сервер, как клиенты вроде Claude и n8n его используют и что вы реально делаете иначе, когда он у вас появляется. Почти полностью совпадает с обрамлением статьи «подключите Claude или Cursor к вашим инструментам».

TheAIGRID. Быстрый тур по фичам: загрузка смешанных источников (PDF, транскрипты YouTube, посты блогов), генерация брифинг-документа, фокусировка чата на одном источнике и аудио-обзорный подкаст. Хорошо подойдёт, если хочется быстрая карта возможностей, прежде чем тратить время на более длинное прохождение.

Tiago Forte. Тьяго — автор *Building a Second Brain*, и он относится к NotebookLM ровно так, как описывает статья — как к личному RAG над собственными заметками, PDF и вырезками. Он показывает чат с обоснованием по цитатам, ограничения инструмента и то, как он встаёт рядом с воркфлоу Readwise/Obsidian, что и есть естественная конечная точка для большинства читателей статьи.

Futurepedia. Собирает рабочего агента в n8n с нуля за один присест и останавливается, чтобы объяснить, что такое агент на самом деле, чем он отличается от линейного воркфлоу и где ставить ограничители. После этого вы узнаете каждый узел из диаграммы статьи и почувствуете, какие значения по умолчанию разумны.

Jack Roberts. Действующий разработчик автоматизаций называет три соображения, которые реально определяют выбор, — нативные ИИ-агенты, self-hosting и долгосрочный roadmap каждого инструмента — включая заметки из разговора с главой Applied AI в Make о том, куда идёт Make. Близко повторяет посыл статьи «не переключайтесь только из-за синдрома блестящих объектов».

Skill Leap AI. Показывает тот самый паттерн, который использует статья: Custom GPT запускает действия Zapier, чтобы отправлять письма, обновлять таблицы или создавать события календаря прямо из чата. Детали настройки со времён записи видео слегка сместились, но модель «ваш ИИ-ассистент вызывает автоматизацию без кода, которая делает фактическую работу» — ровно та, что нужна.

Tom Nassr | XRAY. Разбирает, что такое Zap на самом деле, как стыкуются триггеры и действия и как с нуля собрать рабочую автоматизацию Google Sheets → Slack — ровно та ментальная модель, которая нужна, прежде чем добавлять в смесь ИИ. Также проходится по Zapier Tables, Interfaces и ИИ-функциям, чтобы вы понимали, что вообще есть в коробке.

IBM Technology. Это видео ниже нашей обычной планки в 100K просмотров, но заслуживает места: это лучшее короткое объяснение того, почему сотрудник, использующий личный аккаунт ChatGPT для рабочих задач, — это и есть тот самый реальный риск, с которым сталкивается большинство компаний. Подход Крума «не говорите “нет”, скажите “как”» — ровно та же позиция, что и в статье: вы не пытаетесь запретить ИИ, вы пытаетесь сделать безопасное использование настройкой по умолчанию.

IBM Technology. Объяснение Джеффа Крума на световой доске о трёх местах, где генеративный ИИ вносит риск, — данные, модель и использование — и о том, как выглядят правильные контроли для каждого. Полезно для тезиса статьи: «будь осторожнее» — это не ответ; нужно понимать, под какую именно категорию риска вы как сотрудник реально подставляетесь.

Tina Huang. Показывает структурированную систему самообучения, которой Хуанг пользовалась, чтобы выучить SQL за 11 дней под собеседование в Meta, — активное вспоминание, интервальное повторение и использование ChatGPT для генерации задач и объяснения ошибок. Полезно как продолжение «а как мне реально выполнить план» к основной рекомендации.

Tina Huang. Даёт готовый шаблон промпта для плана обучения («Act as a coding tutor that creates study plans…»), который берёт цель ученика, доступное время и предпочтения по ресурсам, а затем выдаёт структурированный план. Обрамление — это программирование, но сам паттерн промпта — ровно то, что статья применяет к любому 30-дневному учебному спринту.

Ali Abdaal. Раскладывает те же паттерны, что и статья, — челлендж-промпты («дай мне самый сильный контраргумент», «дай мне разгромную критику»), объясняющие теории и метод Соломона (попросить ИИ сыграть вашу 90-летнюю версию себя) — и необычно ясно говорит, где ИИ перестаёт быть полезным (ментальное здоровье, ответственность). Хорошо сочетается с настойчивым тезисом статьи: ценность в том, чтобы задавать лучшие вопросы и разбирать компромиссы, а не в «скажи, что мне делать».

Tina Huang. Глава про промптинг (02:30–09:20) выкладывает две стыкуемые мнемоники — «tiny crabs ride enormous iguanas» (task, context, references, evaluate, iterate) и «ramen saves tragic idiots» (revisit, separate, try analogous, introduce constraints) — которые чисто ложатся на паттерны итерации и доработки из статьи. Полезно, когда одной формулы за один заход недостаточно.

Jeff Su. Формула из шести частей — задача, контекст, примеры, персона, формат, тон — объяснённая на тех же офисных примерах, что и в статье (планы тренировок, резюме, внутренние письма). Посмотрите это первым; почти каждый паттерн в статье — это сфокусированное применение одного из этих шести компонентов.

Jeff Su. Глава про Claude Projects (начинается около 04:46) — это самое чистое короткое объяснение на YouTube разницы между контекстом на уровне проекта и на уровне чата, проиллюстрированное на примере продуктового маркетинга, где один документ проекта кормит много чатов с разными брифами. Естественно встаёт рядом с аргументом статьи, что Projects и Custom GPT решают одну и ту же задачу в чуть разных формах.

Skill Leap AI. Проходит по конструктору GPT ровно так, как описывает статья: имя и описание, conversation starters, инструкции, файлы знаний, capabilities и настройки доступа. Использует реальный пример (ИИ-ассистент по знаниям, накормленный собственными скриптами автора), так что вы видите, как на практике выглядит хорошее содержимое для файла знаний.

Kevin Stratvert. Спокойный сквозной разбор текущего процесса в Sora: получение доступа, настройка Cameo, промпт, выбор ориентации, использование настольной версии. Полезно как продолжение «выбери один инструмент и реально попробуй на этой неделе» к сравнению.