# Один человек заменяет отдел из ста: продвинутый курс Claude Code

Источник: https://www.youtube.com/watch?v=UPtmKh1vMN8
Канал: Nick Saraev
Опубликовано: 28.03.2026

---

Это подробное руководство по продвинутому использованию Claude Code, подготовленное на основе курса Ника Сараева (Nick Saraev). В материале рассматриваются глубокая настройка системных промптов, стратегии оркестрации агентов, методы автоматического исследования и вопросы безопасности в эпоху «автономного кодинга».

## 🛠️ Продвинутые системные промпты и архитектура `claude.md`

Эффективная работа с Claude Code начинается не с кода, а с настройки «памяти» и правил проекта. Файл `claude.md` — это не просто инструкция, а инструмент сжатия знаний. Вместо того чтобы модель перечитывала каждый файл в репозитории при каждом запросе (тратя время и токены), `claude.md` предоставляет лаконичное резюме структуры и соглашений [03:00].

Ник выделяет четыре столпа качественного `claude.md`:

1.  **Сжатие знаний:** Высокоуровневое описание того, что происходит в папках, избавляющее от необходимости сканировать весь код [03:27].
2.  **Пользовательские предпочтения:** Специфические для вас конвенции (например, форматирование путей или стиль отладки), которые еще не вшиты нативно в Claude [04:07].
3.  **Декларация возможностей:** Четкий список того, что агент *может* делать (вызывать API, запускать браузер, действовать автономно). Без этого Claude часто недооценивает свою агентность и просит пользователя выполнить действия вручную [05:12].
4.  **Лог успехов и неудач:** Запись того, что уже пробовали и что не сработало. Это позволяет модели не тратить ресурсы на тупиковые пути решения [07:21].

Автор рекомендует разделять промпты на два уровня: **глобальный** (хранится в корневой папке пользователя и содержит информацию о вас, ваших целях и общих принципах экономии токенов) и **локальный** (в папке проекта, описывающий конкретные API и архитектуру) [09:16].

[[JUMP:01:43]]

## 🔄 Итеративный рабочий процесс: цикл оптимизации

Продвинутый пользователь не просто пишет код, он постоянно обновляет систему правил. Ник предлагает «бесконечный» цикл оптимизации [13:33]:

*   **Локальный цикл:** Планирование фичи → Реализация → Сбор результатов (ошибки/успехи) → Обновление локального `claude.md`. С каждой итерацией время разработки сокращается: если первый раз задача заняла `X` времени, то во второй — `0.9X`, так как 10% «пространства поиска» уже отсечено правилами [14:52].
*   **Глобальный цикл:** После сотен запусков выполняется команда `/insights` [27:25]. Она анализирует историю чатов и выявляет паттерны ошибок. Если Claude постоянно «забывает» читать API-документацию, это правило переносится в глобальный `claude.md` [30:50].

Важный совет: всегда держите «человека в контуре» (human-in-the-loop) при обновлении глобальных правил. Математически, последовательность чисто нейросетевых шагов без проверки снижает общую вероятность успеха (эффект перемножения вероятностей: $0.9^3 = 0.73$) [16:35].

[[JUMP:13:57]]

## 👥 Команды агентов и экстремальная параллелизация

Долгие автономные задачи (15 минут и более) убивают продуктивность, если просто сидеть и ждать. Решение — параллелизация через «упряжки» (harnesses) и под-агентов [42:30].

Ник выделяет три ключевых паттерна:

1.  **Fan-out / Fan-in (Развертывание и сбор):** Один «умный» агент (Claude Opus 4.6) формулирует задачу и запускает несколько специализированных под-агентов (Sonnet) для параллельного исследования разных аспектов. Затем Opus синтезирует их отчеты в финальное решение [51:58]. Это экономит токены и время.
2.  **Стохастический консенсус:** Из-за стохастической (вероятностной) природы ИИ один и тот же запрос может давать разные результаты. Ник запускает 10 агентов с одной задачей, выявляет «моду» (наиболее частое решение) и находит уникальные «выбросы» (outliers) [59:28]. Это позволяет покрыть 2.5x больше вариантов решения проблемы [48:11].
3.  **Дебаты (Model-chat):** Несколько Claude-инстансов в одном «зале ожидания» обсуждают предложенные идеи, критикуют друг друга и приходят к консенсусу [1:06:59].

[[JUMP:42:30]]

## 🧪 Метод Auto-Research (по Карпати)

Одним из самых мощных инструментов 2026 года Ник называет «автоматическое исследование» (auto-research), популяризированное Андреем Карпати [1:31:13]. Суть метода заключается в создании замкнутого цикла самосовершенствования системы без участия человека.

Для запуска auto-research необходимы три компонента [1:42:11]:
1.  **Метрика:** Объективный показатель (например, оценка Google Lighthouse или скорость обработки запроса сервером).
2.  **Метод изменения:** Способ, которым ИИ может влиять на код (редактирование файлов).
3.  **Оценка:** Автоматический тест, который замеряет метрику после изменений.

Пример: Ник запустил цикл оптимизации скорости сайта. Агент делает микро-изменение, замеряет скорость, и если она улучшилась — сохраняет результат в лог. Такой цикл может прокручиваться 1440 раз в сутки, обеспечивая кумулятивный рост производительности (в примерах — ускорение загрузки на 20-50%) [1:44:32].

[[JUMP:1:31:13]]

## 🌐 Автоматизация интернета: от HTTP до Computer Use

Ник ранжирует способы взаимодействия с сетью по уровню сложности и стоимости [1:58:38]:

*   **HTTP-запросы:** Самый дешевый и быстрый способ. Агент просто дергает API или скачивает текст страницы. Недостаток — высокая хрупкость и легкость блокировки со стороны сайтов [1:54:18].
*   **Browser Automation (MCP):** Агент управляет браузером (Chrome DevTools MCP), кликает по кнопкам, заполняет формы. Это медленнее, но гораздо универсальнее [1:56:42].
*   **Computer Use:** Высший уровень, когда Claude буквально управляет мышкой и клавиатурой вашего ПК. Это крайне дорого по токенам и медленно, но позволяет автоматизировать любые локальные задачи (например, поиск и переименование файлов в папке загрузок) [2:04:13].

[[JUMP:1:49:34]]

## 🛡️ Безопасность и «Бластер» монокультуры

Автор предостерегает от чрезмерной зависимости от одной модели («монокультурное фермерство»). Если все ваши процессы завязаны только на Claude, то сбой Anthropic парализует бизнес [2:11:05]. Рекомендуется диверсификация: держать часть процессов на OpenAI (Codex) или Gemini (через Anti-Gravity) [2:13:03].

Ключевые советы по безопасности [2:42:19]:
*   **Утечка в истории чатов:** Все API-ключи, введенные в чат в открытом виде, сохраняются в локальных JSONL-логах. Хакеры уже учатся сканировать эти папки [2:43:52]. Используйте только `.env` файлы.
*   **Галлюцинации пакетов:** Claude может выдумать название библиотеки (например, `acorns` вместо `acorn`). Злоумышленники создают вредоносные пакеты с такими опечатками (typosquatting), чтобы ваш агент их установил [2:47:07].
*   **Row Level Security (RLS):** При создании приложений на Supabase обязательно включайте RLS. Без этого любой пользователь может получить доступ ко всей базе данных [2:50:40].

[[JUMP:2:39:16]]

## 🚀 Будущее: 1% против 99%

Ник завершает курс прогнозом о «продуктивном разрыве» [3:15:32]. Сейчас менее 1% населения Земли понимают, как использовать «упряжки» агентов. Это создает колоссальный рычаг: один человек, владеющий Claude Code на продвинутом уровне, может выполнять объем работы, на который раньше требовался отдел из 100 человек [3:05:57].

Главный вывод: в будущем «мощность» софта перестанет быть конкурентным преимуществом, так как ИИ позволяет любому подростку скопировать Netflix за 5 минут [3:07:43]. Настоящим преимуществом останутся дистрибуция, репутация и умение управлять этой новой формой цифрового интеллекта.

[[JUMP:3:00:24]]