Как работать с инструментами внутри нейросетей
Представьте, что вы зашли в мастерскую. Перед вами верстак, на котором лежат и тяжелый молоток, и тонкий пинцет, и мощная дрель. Глупо пытаться одним молотком и собрать наручные часы, и снести стену, правда?
Так же и с нейросетью. В этом уроке вместо того, чтобы тыкать модель одним и тем же способом, мы разберемся в разных инструментах и научимся подбирать их под каждую задачу.
Важно! В этому уроке мы не будем разбираться с интерфейсом нейросетей и тем, на какие кнопки нужно нажимать для запуска конкретного инструмента. Интерфейсы у всех нейросетей примерно одинаковые, инструменты почти везде носят одинаковые названия. Поэтому найти и запустить нужный не будет проблемой.
Когда нужно найти что-то сложное или проанализировать — включаем Deep Research
Чтобы продумать структуру статьи, изучить тему и хорошенько в нее погрузиться, нужно много гуглить. Но не всегда это помогает: можно написать поверхностный вопрос, наткнуться на сомнительные источники или вовсе не найти информации.
В подобных ситуациях лучше поручить задачу инструменту Deep Research. С ним нейронка превращается в опытного аналитика. Она не просто ищет, а строит план, копает вглубь, сравнивает источники и подмечает противоречия.
По сути, вы нанимаете ИИ-агента, который умеет:
- Планировать: разбивает большую задачу на шаги.
- Собирать фактуру: ходит по разным источникам, а не только по топу выдачи.
- Проверять: сравнивает данные, ищет нестыковки.
- Выдавать выводы: возвращает не просто выжимку по всему прочитанному, а чуть ли не статью с цитатами и ссылками.
Если эта информация для вас не нова и хочется чего-то посложнее, переходите в следующий урок — как эффективно работать в режиме Deep Research. Там мы подробно рассказали, когда нужно использовать режим, как это правильно делать и какие промпты использовать.
Когда нужно быстро проверить факт — быстрый поиск
Если Deep Research — это ваш дотошный аналитик, то быстрый поиск — это умный ассистент под рукой. Ему не нужно писать длинных инструкций. Вы задаете простой вопрос, а он мгновенно проверяет свежие данные в вебе и возвращает короткую справку с доказательствами.
Его стоит использовать, когда нужно быстро проверить информацию:
- Оперативные факты. «Сколько сейчас стоит подписка на сервис X?», «Когда вышел последний альбом Y?», «Кто автор теории Z?».
- Определения и примеры. «Что такое SWOT-анализ простыми словами?», «Покажи 2–3 примера хороших УТП для кофейни».
- Сравнение по верхам. «Чем отличается Tilda от Wix по основным функциям?».
Коротко: если вам нужен конкретный факт и ссылка на источник, чтобы его проверить — включайте быстрый поиск.
Когда нужно работать с большим количеством документов — проекты
Представьте, что вы работаете офлайн и делаете большой проект с коллегой. И вместо того, чтобы сидеть в одной переговорке с доской и документами, вы каждый раз общаетесь где попало. Из-за этого приходится постоянно повторять: «Помнишь, мы обсуждали редполитику?», «А вот файл с портретом аудитории», «Нет, тон у нас другой, я же вчера говорил». Утомительно, правда?
Примерно также выглядит работа с нейронками в разных чатах по одним и тем же задачам. Каждая новая сессия — как новый день, где нейросеть частично забывает детали.
Поэтому в ChatGPT и Claude придумали уникальную фишку — создали проекты. Это отдельное рабочее пространство, где вы собираете все нужные файлы, инструкции и чаты по одной большой теме. А ИИ постоянно держит в голове весь контекст.
В каждом проекте у вас будут
- Файлы, которые ИИ будет учитывать при работе в этом проекте. Например, документы с чек-листами, табличная информация, какие-то отзывы, кастдевы и т. д.
- Инструкции. Для работы в каждом проекте можно задать системный промпт проекта. По сути, это краткий инструктаж о том, как именно должен ИИ выполнять задачи в этом проекте и что учитывать.
- Сами чаты. В рамках каждого проекта можно создавать отдельные чаты и решать в них те или иные задачи. Например, каждый чат можно посвящать решению разных задач. В одном — проводить исследования, в другом — писать статьи на основе этих исследований.
Когда нужно решать типичные задачи — GPTs и Gem-бот
И снова вернемся к любимому примеру про стажера. Представьте, что вы потратили время на обучение человека: вот наша редполитика, вот так мы оформляем заголовки, а вот эти слова-клише использовать нельзя. И теперь он выполняет одну и ту же задачу, не задает лишних вопросов и не отклоняется от инструкций.
GPTs и Gem-бот — это и есть такой идеально обученный стажер. Вы создаете персонального бота внутри ChatGPT или Gemini соответственно. Даете четкую инструкцию, загружаете нужные файлы (формируете боту память) и говорите, что он должен уметь. В результате получаете помощника, заточенного под вашу конкретную, часто повторяющуюся задачу.
Этот инструмент подходит, когда нужно что-то автоматизировать и выполнить в одном и том же стиле:
- Проанализировать отзывы клиентов.
- Продумать логику приложений.
- Убедиться, что в статье есть все факты, ссылки, нет воды и канцеляризмов.
- Создать картинки в едином стиле.
Главный плюс: для создания подобных ботов не нужно писать ни строчки кода. Весь процесс похож на заполнение анкеты. Подробнее о создании своего бота рассказываем в уроке 6.
Когда нужно отредактировать текст — холст
Холст по-другому называется Canvas. Это гибрид текстового редактора и чата внутри ChatGPT, Gemini и других нейросетей. Выглядит Canvas практически во всех моделях одинаково: справа — ваше рабочее полотно с текстом, а слева — чат с нейросетью. Вы можете одновременно и сами править текст или код, и просить ИИ вносить изменения, предлагать идеи, сокращать или расширять абзацы.
По сути, это редактор текста и кода на стероидах, где ваш соавтор — нейросеть.
Удобнее всего активировать инструмент, когда нужно работать с материалом итерационно.
Для структурирования мыслей. Например, чтобы создать структуру статьи с заголовками и тезисами. Либо спроектировать архитектуру приложения, описав его основные модули и их связи.
Для подготовки сложных публикаций. На холсте удобнее собирать готовый текст или код, чтобы не копировать куски из разных чатов. Например, здесь можно сверстать статью с таблицами и чек-листами или написать полноценное техническое задание для разработчиков с примерами кода.
Для глубокой редактуры. Когда у вас уже есть черновик, можно загрузить текст и попросить ИИ выступить в роли редактора, проверить логику и стиль. Либо закинуть фрагмент кода для рефакторинга (проверки и улучшения кода), чтобы ИИ нашел слабые места и предложил оптимизацию.
Для форматирования уже существующего контента. Если текст готов по смыслу, но его нужно причесать, можно отдать нейросети сплошное полотно, чтобы та оформила его с подзаголовками и списками. То же самое с кодом — можно взять грязный код от разных разработчиков и поручить ИИ привести его к единому стандарту: автоматически расставить отступы, переименовать переменные в общем стиле и т. д.
Для совместных правок. Некоторые инструменты позволяют видеть исходный материал и предложения ИИ одновременно. Вы можете принимать или отклонять правки для текста одним кликом, как в Google Docs, или просматривать изменения в коде в формате и решать, что из этого принять.
А еще в некоторых нейронках на холсте можно форматировать текст вручную. Например, в Gemini можно выбирать уровень заголовков, добавлять выделение жирным, курсивом и т. д. В общем, делать все то же самое, что вы будете делать в Google Docs.
Мы прошлись по всем инструментам нейросетей. Пора идти дальше и углубляться в конкретные инструменты. Начнем с DeepResearch.