Claude Code: как продакту собрать AI-стек без классической разработки

Claude code обучение перестало быть уделом senior-разработчиков — в 2026 году продакт без единой строчки кода в портфолио собирает первого рабочего AI-агента за один рабочий день. За 8 часов практической работы с Claude Code продакт получает агента, который раньше делал стажёр за неделю: инструмент читает таблицы в Supabase, составляет executive summary, создаёт Notion-страницу с результатом и пишет тикет в Linear — всё по одной текстовой инструкции. Это не обещание из презентации: такой workflow собирают участники курса AI Engineer на первой неделе Module 0.

Продакты традиционно упираются в одну стену: есть идея автоматизировать рутину, но нет разработчика, а очередь к нему — 3 недели. Claude Code убирает эту стену. Не потому что «AI всё сделает за вас» — а потому что теперь вы сами можете описать задачу на человеческом языке и получить рабочий пайплайн, не ожидая sprint review. В командах, где продакты прошли claude code обучение, цикл от идеи до работающего прототипа автоматизации сократился с 3–4 недель до 1–2 рабочих дней.

Статья — пошаговый план первого рабочего дня с конкретными командами, типичными ошибками и честной оценкой, где Claude Code заменяет разработчика, а где — нет. Рядом — сравнение с Cursor, 5 типичных ошибок новичка и 5 задач, которые продакты автоматизируют в первую неделю после прохождения claude code обучения на практике.

---

Что такое Claude Code и зачем он продакту

Claude Code — CLI/IDE-агент от Anthropic с нативным tool use, MCP-протоколом и встроенной поддержкой sub-agents. В отличие от ChatGPT (диалоговый интерфейс без persistent-действий в файловой системе) и Cursor (IDE-ассистент, встроенный в редактор кода), Claude Code запускается в терминале, самостоятельно читает файлы, вызывает внешние API, пишет и исполняет код, подключается к базам данных через MCP-серверы и передаёт задачи параллельным sub-agents.

Для продакта принципиально важны три характеристики. Первая — контекстное окно 1 млн токенов: это позволяет загрузить полный лог активности пользователей за месяц (≈500 тыс. строк CSV) и получить анализ без ручной фильтрации. Обычный ChatGPT или Claude.ai обрезает контекст при 100–200 тыс. токенов — именно поэтому они не справляются с реальными производственными данными. Вторая — нативный tool use: агент не «рассказывает» что делать, а реально вызывает функции: Read, Write, Bash, WebSearch, Agent. Каждое действие видимо, каждый шаг логируется. Третья — MCP (Model Context Protocol): открытый стандарт, описанный на modelcontextprotocol.io, который позволяет подключить агента к 500+ внешних сервисов — Supabase, Notion, Linear, GitHub, Slack — без написания кастомных интеграций.

Что Claude Code не заменяет: архитектурные решения, стратегический анализ, работу с нестандартными edge-cases, где нет данных. Агент настолько хорош, насколько точна постановка задачи. Это ближе к найму очень быстрого и дисциплинированного джуниор-разработчика, чем к волшебной кнопке.

Четвёртая характеристика, которую часто упускают при claude code обучении — файл CLAUDE.md. Это «паспорт проекта» для агента: вы один раз описываете контекст работы (название продукта, структура данных в Supabase, соглашения о форматах вывода, ссылки на важные файлы), и агент читает этот файл при каждом запуске. Результат: вы не повторяете контекст в каждом промпте, агент не задаёт уточняющих вопросов про «а какая у вас база?» и «а какой формат вывода предпочтительнее?». CLAUDE.md сокращает вводную часть промпта с 5–8 предложений до 1–2.

Реальный CLAUDE.md для продакт-команды занимает 30–60 строк: описание бизнес-контекста, названия таблиц в Supabase с ключевыми полями, правила именования отчётных файлов, тон executive summary («коротко, без воды, каждый пункт — цифра + действие»). Однажды написанный, он работает во всех будущих сессиях. Это разница между «агентом на один запрос» и «персональным AI-инженером, который знает ваш продукт».

---

8-часовой план первого рабочего дня

Этот план основан на реальном онбординге участников первого потока курса AI Engineer (старт 7 мая 2026). Хронометраж дан с запасом: большинство продактов проходят каждый этап за 60–70% указанного времени и тратят оставшееся на эксперименты с реальными данными своей команды. Можно проходить план последовательно или пропускать часы, которые не актуальны для вашего стека — например, если у вас нет Supabase, замените часы 3 и 6 на Google Sheets MCP или Notion-базу данных.

Час 1. Установка, API-ключ, первый запуск

Установка Claude Code занимает 7–10 минут. Требования: Node.js 18+ (проверяется командой node --version), терминал (macOS Terminal, iTerm2 или Windows Terminal с WSL2).

npm install -g @anthropic-ai/claude-code
claude --version   # проверка установки

Далее получите API-ключ на anthropic.com: раздел API Keys → Create Key. Ключ показывается один раз — сохраните немедленно. На первый день достаточно $5–10 на балансе; средний запрос Claude Sonnet 4.6 стоит $0,003–0,015 в зависимости от длины.

export ANTHROPIC_API_KEY="sk-ant-..."   # добавьте в ~/.zshrc или ~/.bashrc
source ~/.zshrc                          # применить без перезапуска терминала
claude                                   # запуск интерактивного режима

Первый запрос — минимальный и проверочный:

Напиши в файл test.txt одну строку: "Claude Code работает". 
Затем прочитай файл и подтверди содержимое.

Агент выполнит последовательность tool calls: Write → Read — и вернёт подтверждение. Этот шаг проверяет корректность permission mode: по умолчанию Claude Code запрашивает разрешение перед записью файлов и выполнением bash-команд. В интерактивном режиме вы подтверждаете каждое действие, в automated-режиме (--dangerously-skip-permissions) агент действует автономно — используйте последнее только в изолированной среде.

Если вы в России: на этом шаге убедитесь, что API-endpoint доступен. При использовании агрегаторов (GenAPI, BotHub) укажите кастомный base URL: export ANTHROPIC_BASE_URL="https://ваш-агрегатор.ru/api". Claude Code работает с любым OpenAI-совместимым или Anthropic-совместимым endpoint.

Время на шаг: 20–25 минут включая настройку переменных окружения.

Час 2. Знакомство с tool use: Read, Bash, Edit, Write

Claude Code имеет 20+ встроенных инструментов. Продакту в первый день нужны 4 базовых, от понимания которых зависит качество всех последующих промптов.

Read — читает файл и загружает содержимое в контекст агента. Работает с CSV, JSON, Markdown, кодом, SQL-дампами. Критично: агент не «знает» ваши данные заранее — он читает именно то, что вы укажете. Это ваш механизм загрузки реальных данных в сессию.

Write — создаёт или полностью перезаписывает файл. Используется для финального вывода: отчёт, итоговый JSON, markdown-документ.

Edit — точечная замена блока текста в существующем файле. В 3–5 раз дешевле по токенам, чем полная перезапись через Write. Агент сам выбирает Edit vs Write; вы можете явно указать предпочтение в промпте.

Bash — выполняет shell-команду и возвращает stdout. Это точка выхода во внешний мир без MCP: curl, psql, python3 script.py, grep, jq. Именно через Bash агент устанавливает зависимости, обрабатывает данные нестандартными утилитами и вызывает локальные скрипты.

Практическое задание для 2-го часа — дайте агенту реальный CSV из вашей работы (экспорт из Google Analytics, отчёт по рекламе, лог событий за неделю) и сформулируйте конкретную задачу:

Прочитай файл data.csv. Найди 5 строк с наибольшим значением в колонке "revenue". 
Запиши результат в top5.md в виде markdown-таблицы с колонками: дата, источник, revenue.
Добавь строку под таблицей: суммарный revenue этих 5 строк.

Наблюдайте за tool calls в режиме реального времени: каждый вызов отображается в консоли — Read("data.csv"), Write("top5.md"). Это и есть базовый уровень observability. Ключевой навык 2-го часа: понять, что агент действует через инструменты, а не «думает текстом». Каждое действие — конкретный вызов с конкретным входом и выходом. Когда агент «ошибается» — ошибка всегда в конкретном tool call: неверный файл, неверное поле, неверный формат запроса. Это делает отладку принципиально проще, чем разбор монолитного скрипта.

Час 3. MCP-сервер: подключаем Supabase, агент видит таблицы

MCP (Model Context Protocol) — открытый стандарт интеграции LLM с внешними источниками данных. Реестр Anthropic содержит 500+ официальных и community-серверов для Supabase, Linear, Notion, GitHub, Slack, Figma и десятков других сервисов. Подключение MCP-сервера меняет принципиальную вещь: агент перестаёт работать только с локальными файлами и получает прямой доступ к вашим production-данным в реальном времени. Важно помнить: в соответствии с ФЗ-149 «Об информации, информационных технологиях и о защите информации», доступ агента к данным через MCP ограничивается только той информацией, на обработку которой у вас есть законное основание.

Подключение Supabase — 3 команды:

# Установка MCP-сервера Supabase через нативный протокол
claude mcp add --transport stdio supabase npx @supabase/mcp-server-supabase \
  --project-ref YOUR_PROJECT_REF

# Или через HTTP-транспорт (рекомендуется для стабильной работы):
claude mcp add --transport http supabase https://mcp.supabase.com

Секреты — только через переменные окружения, никогда в теле команд:

export SUPABASE_URL="https://YOUR_PROJECT.supabase.co"
export SUPABASE_KEY="YOUR_ANON_KEY"   # anon-ключ с RLS, не service_role

После подключения — проверочный запрос:

Покажи список таблиц в моей базе данных Supabase. 
Для каждой таблицы — название, количество колонок и количество строк.

Агент вызовет MCP-инструменты Supabase, получит схему базы и вернёт результат за 10–20 секунд. С этого момента продакт впервые получает «разговорный» доступ к своей production-базе без SQL-клиента, без DBeaver и без аналитика-посредника. Можно спрашивать на человеческом языке: «Покажи пользователей, которые зарегистрировались в мае, но не совершили ни одного действия за первые 7 дней» — и агент самостоятельно напишет SQL-запрос, выполнит его через MCP и вернёт результат в читаемом формате. Это один из наиболее ощутимых сдвигов для продакта: раньше такой запрос занимал 1–3 дня (постановка задачи аналитику → уточнения → результат), теперь — 30–60 секунд. Скорость принятия решений меняется принципиально.

Безопасность на этом шаге: создайте в Supabase отдельную роль с правами только SELECT на нужные таблицы. Принцип минимальных привилегий — не ограничение удобства, а страховка от случайного деструктивного запроса агента при неточно сформулированном промпте.

Час 4. Slash-commands и кастомные hooks

Slash-команды — переиспользуемые промпты, вызываемые как /имя-команды. Без них каждый запуск повторяющейся задачи требует ручного ввода 5–15 строк промпта. Со slash-командами — одна команда запускает полный workflow.

Создание: добавьте файл .claude/commands/weekly-report.md с шаблоном задачи:

# weekly-report
Подключись к Supabase. Вытащи данные из таблицы `events` за последние 7 дней 
(фильтр по полю `created_at >= NOW() - INTERVAL '7 days'`). 
Сгруппируй по `event_type`. Подсчитай для каждого типа: 
количество событий, уникальных пользователей, медиану времени сессии в минутах.
Сравни с предыдущими 7 днями. Укажи изменение в %.
Верни: markdown-таблицу + 3 строки executive summary с главными трендами.

Вызов: /weekly-report — агент выполняет без повторного ввода. Одна команда = 20–30 сэкономленных минут каждый понедельник.

Hooks — скрипты, запускающиеся в конкретные моменты agentic loop. Три наиболее важных события для продакта:

PreToolUse — срабатывает до вызова инструмента. Практическое применение: логировать каждый SQL-запрос агента в файл аудита. Это решает проблему observability: вы знаете не только финальный результат, но и каждый шаг агента. Hook занимает 8 строк bash-кода — на курсе AI Engineer мы разбираем его детально в Module 0.

PostToolUse — срабатывает после успешного выполнения инструмента. Применение: отправлять уведомление в Slack когда агент создал новый файл отчёта. Интеграция с Slack Webhook: один curl-запрос в bash-хуке.

Stop — агент завершил работу. Применение: автоматически отправлять итоговый markdown по email через sendmail или через Mailgun API. Продакт запустил агента перед обедом — вернулся к готовому письму в inbox.

Hooks — это разница между «агент выполнил задачу» и «агент выполнил задачу, уведомил команду и задокументировал что именно делал».

Час 5. Sub-agents: запускаем агента-исследователя

Sub-agents — специализированные AI-экземпляры, которые основной агент запускает для параллельных или изолированных задач. Каждый sub-agent получает собственное контекстное окно до 1 млн токенов и не засоряет контекст основного агента. Результат sub-agent передаётся обратно в основную сессию в виде структурированного ответа.

Документация code.claude.com описывает две модели: sub-agents в рамках одной сессии и agent teams — параллельные сессии, которые координируются через файловую систему. Для продакта на первом дне достаточно первой модели.

Практический кейс — агент-исследователь по рынку. Создайте файл .claude/agents/researcher.md:

---
description: "Рыночный аналитик. Вызывается для анализа конкурентов, трендов, отзывов пользователей."
tools: ["WebSearch", "WebFetch", "Write"]
model: sonnet
---
Ты — аналитик-исследователь. Получаешь тему для исследования. 
Находишь 5–7 источников: новости за последние 6 месяцев, отраслевые отчёты, отзывы пользователей.
Извлекаешь конкретные факты с цифрами — без обобщений без данных.
Возвращаешь структурированный markdown-отчёт: разделы H2, ключевые числа выделены bold.
Объём: 400–600 слов.

Вызов из основного агента:

Запусти агента researcher. Тема: "Как конкуренты [название] автоматизируют 
customer onboarding с помощью AI в 2026 году". 
Результат сохрани в research/onboarding-ai-2026.md.

Стоимость одного запуска sub-agent через Claude Sonnet: $0,05–0,15 в зависимости от объёма поиска. Задача, которая занимала у аналитика 4–6 часов ручного поиска и структурирования, выполняется за 8–15 минут. Sub-agent использует WebSearch для поиска, WebFetch для чтения страниц и Write для сохранения отчёта — весь процесс полностью автономный.

Важное ограничение: sub-agents не могут запускать вложенные sub-agents (один уровень вложенности). Для задач, требующих трёх-четырёх специализированных агентов параллельно, используйте agent teams с координацией через общую папку — это следующий шаг после первого рабочего дня.

Час 6. Связка с Linear и Notion через MCP

После Supabase — инструменты командной работы. Notion MCP:

claude mcp add --transport http notion https://mcp.notion.com/mcp

Linear MCP (через официальный сервер):

claude mcp add --transport http linear https://mcp.linear.app/mcp

Авторизация Notion требует OAuth-токен: Settings → My connections → Claude → Connect. Linear — Personal API Key из настроек аккаунта: export LINEAR_API_KEY="lin_api_...".

После подключения агент умеет создавать страницы Notion с любой структурой — таблицы, callout-блоки, заголовки, базы данных. Для Linear: создавать задачи (issues) с проектом, приоритетом, исполнителем, обновлять статус, добавлять комментарии.

Практическое задание 6-го часа:

Прочитай файл research/onboarding-ai-2026.md (результат исследования из Часа 5). 
Выдели 3 конкретных действия для нашей команды — каждое с метрикой успеха.
Создай 3 задачи в Linear: проект "Product Backlog", приоритет Medium, исполнитель не назначен.
Заголовок задачи = action item. В описании — 2-3 предложения с контекстом из исследования.

За 3–4 минуты продакт получает готовые тикеты в бэклоге без единого клика в интерфейсе Linear. Это исключает ручной перенос выводов исследования в задачи — операцию, которая теряет детали и занимает 20–30 минут.

Дополнительный сценарий для часа 6 — автоматический дейли из Supabase в Notion: агент проверяет ключевые метрики в базе, сравнивает со вчера, создаёт страницу в Notion с флагами аномалий. Этот workflow заменяет утренний ручной обход дашбордов — типичный ритуал, отнимающий у продактов 15–20 минут каждый день.

Час 7. Финальный workflow: Supabase → executive summary → Notion

Час 7 — сборка первого «боевого» пайплайна. Это workflow, который продакт может запускать каждый понедельник вместо ручного сбора данных. Промпт для итогового агента:

Выполни еженедельный анализ продукта. Строго по шагам:

1. Подключись к Supabase. Вытащи из таблицы `user_events` все события 
   за последние 7 дней. Сгруппируй по event_type, посчитай: 
   количество событий, уникальных пользователей, конверсию в ключевое действие.

2. Сравни с аналогичным периодом 2 недели назад. Посчитай изменение в %.

3. Найди 3 метрики с наибольшим ростом и 2 — с наибольшим падением.

4. Составь executive summary: 5 пунктов, каждый — конкретный факт с цифрой. 
   Без интерпретаций — только данные. Формат: "Метрика X выросла на Y%: было N, стало M."

5. Создай страницу в Notion в базе "Weekly Reports". 
   Название: "Weekly Report [дата]". Структура: таблица метрик → executive summary → аномалии.

Числа: с разделителем тысяч, проценты с 1 знаком после запятой.
Если данных нет — явно написать "нет данных за период" вместо 0.

Первый запуск: 5–8 минут, агент выполнит 15–20 tool calls. Последующие запуски через /weekly-report — те же 5–8 минут без вашего участия.

Это продуктивная автоматизация в минимальной рабочей форме. Не демо для инвесторов: workflow, который с первого запуска экономит 1,5–2 часа продакта каждую неделю. За 12 месяцев это 72–96 часов — почти 2 рабочих недели, возвращённых из рутины.

Час 8. Тестирование на реальной задаче дня

Последний час — взять реальную задачу, которую вы сегодня собирались делать вручную, и передать агенту. Не учебный кейс — вашу конкретную рабочую задачу за сегодня.

Критерии хорошей задачи для первого самостоятельного запуска: есть чёткий формат вывода (таблица, документ, список), задача повторяется хотя бы раз в неделю, данные уже хранятся где-то структурированно (база, Google Sheets, Notion), результат легко проверить — вы знаете, что должно получиться.

После выполнения — обязательный разбор: что агент сделал правильно, что потребовало ручной правки, как изменить промпт чтобы правки не понадобились. Этот цикл «запустил → проверил → улучшил промпт» — основа работы AI-инженера на производственном уровне. Навык не в написании промптов — навык в итерации на основе реальных результатов.

Фиксируйте рабочие промпты в slash-commands немедленно, не откладывая. За первые 2 недели работы с Claude Code большинство участников курса AI Engineer накапливают 8–12 slash-команд под свои повторяющиеся задачи — это и есть персональный AI-стек, заточенный под конкретную роль.

Хороший индикатор прогресса после первого дня — «тест на объяснение»: если вы можете объяснить коллеге, что именно делает каждый из ваших агентов, какие данные он читает, какой инструмент вызывает на каждом шаге и как выглядит финальный результат — вы понимаете систему достаточно, чтобы её улучшать. Именно это понимание отличает продакта, который строит AI-стек, от продакта, который запускает промпты и надеется на лучшее. Разница в контроле над результатом: первый знает, где искать ошибку, второй — нет.

После первого рабочего дня у вас будет: 1 подключённый MCP к Supabase, 2–3 рабочих slash-команды, первый sub-agent для исследований, первый рабочий еженедельный workflow. Это не максимум — это минимальный рабочий AI-стек, с которого начинается масштабирование.

---

Claude Code vs Cursor: функциональное сопоставление

Claude Code и Cursor — два разных инструмента под разные задачи. Cursor оптимизирован под inline-кодинг с автодополнением в редакторе и контекстным окном 200K токенов. Claude Code — под агентные сценарии: tool-use, sub-agents, MCP-интеграции, autonomous workflows с окном 1M токенов. Для продакта без опыта программирования Claude Code чаще полезнее — он отвечает на «реши задачу X», а не на «допиши строку кода», и не требует понимания структуры IDE.

Параметр	Claude Code	Cursor
Основная модель	Агент-оркестратор: получает задание, сам принимает решения	IDE-ассистент: помогает программисту, требует управления
Интерфейс	Терминал (CLI)	Встроен в IDE (VS Code-based)
Tool use	Нативный: Read, Write, Bash, WebSearch, Agent	Через плагины, ограниченный набор
MCP-интеграции	500+ серверов: Supabase, Linear, Notion, Slack	Ограниченная поддержка MCP в 2026
Sub-agents	Да: параллельный запуск, изолированный контекст	Нет
Контекстное окно	1 млн токенов	200 тыс. токенов (заявлено; реально 70–120K при усечении)
Автодополнение кода	Нет	Да — ключевая фича
Лучший сценарий	Агентные workflow, автоматизация, исследования, мультишаговые пайплайны	Написание фронтенда, работа с существующим кодом, быстрые правки
Цена (май 2026)	Max 5×: $100/мес; API: $3/MTok вход (Sonnet 4.6)	Pro: $20/мес; Pro+: $60/мес
Для продакта без кода	Да — задача на языке, агент выполняет	Частично — нужно понимать структуру кода

В командах 2026 года типичная связка: разработчики используют Cursor для написания компонентов и ревью Pull Request, продакты — Claude Code для агентных задач, анализа данных и автоматизации операционных процессов. Инструменты закрывают разные роли в пайплайне и не конкурируют.

Один нюанс: если ваша задача связана с дизайном интерфейсов, фронтендом или работой с существующим кодовым репозиторием — Cursor эффективнее. Если задача агентная (данные → обработка → вывод в другой сервис) или исследовательская — Claude Code.

С точки зрения стоимости: при сопоставимых планах ($20/мес) Cursor даёт больше возможностей для разработчика в IDE, Claude Code — для агентной автоматизации без IDE. Для продакта, который не пишет код ежедневно, подписка Cursor Pro практически не окупается: без IDE-фокуса 80% функций остаются невостребованными. Инвестиция в Claude Code Max ($100/мес) или API ($20–50/мес) для продакта с 3–5 агентными задачами в неделю окупается за 2–3 рабочих дня возвращённого времени.

---

Что обычно ломается в первый день

По опыту первых потоков курса AI Engineer — 5 типичных сбоев, которые стоят продакту 2–4 часа потерянного времени. Знание о них заранее снижает вероятность каждого примерно в 3–4 раза — поэтому в Module 0 мы разбираем их на первом же занятии, до того как участники пишут первый промпт.

1. Промпт без формата вывода. «Проанализируй данные за неделю» без указания, как именно должен выглядеть результат — агент вернёт что-то, но не то, что можно поставить в отчёт руководителю. Правило первого дня: каждый промпт завершается блоком «Формат вывода:» с примером структуры или описанием колонок таблицы. Это одно изменение сокращает количество переспросов агента с 5–7 до 2–3 за задачу.

2. Отказ от observability. Продакты смотрят на финальный ответ, игнорируя tool calls. Проблема: если агент получил неверные данные на шаге 3 из 7, итоговый ответ будет уверенным по тону, но основанным на неверных данных. Решение — в первый же день добавить простой PostToolUse hook, который пишет каждый tool call в файл session.log. 10 минут настройки, сэкономленные часы на последующий дебаггинг.

3. Секреты в промптах. API-ключи, токены, строки подключения к базе — никогда не вставляйте их в текст задания. Claude Code читает переменные окружения: $SUPABASE_KEY, $LINEAR_TOKEN, $NOTION_SECRET. Всё, что попало в тело промпта, потенциально попадает в логи сессии и историю. Дополнительно: передача ФИО, email или телефонов клиентов в промпт противоречит требованиям ФЗ-152 — передавайте только user_id и агрегированные метрики.

4. Синдром одного промпта. «Написал промпт, агент вернул не то — инструмент плохой». Prompt engineering — итеративный процесс. Реалистичная статистика: первый промпт даёт нужный результат в 20–30% случаев для задач со сложным форматом вывода. Второй-третий, с уточнениями по реальному выводу агента — в 70–85%. Четвёртый-пятый доводит до production-качества. Это не недостаток Claude Code — это метод работы с любым агентом.

5. ChatGPT-стиль одного чата. Один длинный диалог с 30+ запросами — память агента засоряется, он начинает «забывать» ранние инструкции или путать контексты. Правило: одна задача — одна сессия, чёткий промпт в начале, проверка результата в конце. Для повторяющихся задач — slash-commands, а не ручной ввод. Иначе через 2 недели у вас 20 открытых чатов и непонятно, в каком из них рабочий промпт для weekly-report.

Общая закономерность: большинство сбоев первого дня происходят не из-за ограничений Claude Code, а из-за нечёткой постановки задачи. Агент воспроизводит структуру вашего мышления о задаче. Если задача размыта в голове — промпт будет размытым, результат непредсказуемым. Именно поэтому курс AI Engineer начинается не с инструментов, а с методологии постановки AI-задачи: как перевести «хочу автоматизировать недельный отчёт» в конкретный набор шагов, источников данных и форматов вывода. Этот навык переносится на любой будущий инструмент — независимо от того, как быстро обновляется Claude Code.

---

Типичные задачи продакта с Claude Code после первой недели

За первые 5 рабочих дней claude code обучения и самостоятельной практики складывается устойчивый набор из 6–8 задач, которые продакты автоматизируют в первую очередь. Это не абстрактные кейсы — это реальные рабочие сценарии из первых потоков курса AI Engineer. Объединяет их одно свойство: задача повторяется еженедельно, имеет структурированный источник данных и предсказуемый формат вывода. Именно для таких задач ROI автоматизации максимален — агент окупается уже на 3-й запуск.

Конкурентный мониторинг. Агент-исследователь раз в неделю проходит по сайтам 5–7 конкурентов (через WebFetch), извлекает изменения в ценах, фичах, тексте CTA и записывает дельту в Notion-таблицу. Продакт видит еженедельный diff без 4 часов ручного просмотра. Стоимость запуска: $0,10–0,30 в зависимости от объёма страниц.

Автоматический анализ retention. Запрос к Supabase: когорты пользователей по неделям регистрации, retention D1/D7/D30, процент активных. Claude Code формирует retention-таблицу и пишет 3-строчный executive summary с аномалиями. Замещает еженедельный запрос к аналитику, который занимал 2–3 дня очереди.

Скоринг feature requests. Продакт скидывает в папку CSV-файл с фидбэком от пользователей (100–500 строк) и задаёт критерии приоритизации (частота упоминания, тип пользователя, сегмент). Агент скорит каждый запрос по рубрике, сортирует по приоритету, создаёт Notion-страницу с результатом. Задача, которая занимала 3–5 часов вручную — выполняется за 12–15 минут.

Автоматическая changelog-рассылка. После каждого релиза продакт запускает агента с тикетами из Linear и двумя параметрами: сегмент пользователей и канал (email или Slack). Агент читает тикеты, генерирует человекочитаемый changelog на языке пользователя (не «исправлен баг с NaN» — а «теперь дашборд корректно считает сессии»), форматирует под шаблон рассылки.

Мониторинг аномалий в продукте. Агент запускается по расписанию (через Windmill или cron), проверяет ключевые метрики в Supabase и сравнивает с baseline. При отклонении на 15% и более — отправляет alert в Slack с описанием аномалии и ссылкой на сегмент данных. Это не заменяет полноценный мониторинг, но закрывает базовый уровень observability продукта для команд без выделенного SRE.

Все 5 сценариев продакт может собрать самостоятельно после 1-й недели практики с Claude Code — без найма разработчика. Совокупная экономия времени: 8–12 часов в неделю от рутинных аналитических задач. При ставке продакта 150–300 тыс. ₽/мес это $400–900 в месяц возвращённого рабочего времени на стоимость инструмента $20–100/мес.

---

Программа курса AI Engineer: что входит

За один рабочий день по этому плану вы собираете первого рабочего агента и начинаете понимать архитектуру AI-стека. Это Module 0 в формате самостоятельного эксперимента. Практика claude code обучения в структурированном формате — на курсе AI Engineer, где мы проходим этот путь за 4–6 занятий с менторской обратной связью и разбором ваших конкретных рабочих задач.

Курс состоит из Module 0 (мышление AI-инженера, среда разработки, первый агент) и 5 категорийных модулей под разные роли:

• Аналитика: Claude Code + Supabase + автоматическая генерация дашбордов и SQL-отчётов. Цель — устранить очередь к аналитику для стандартных запросов.
• Маркетинг и ресёрч: агенты для конкурентного анализа, brand intelligence, автоматический мониторинг упоминаний и трендов.
• AI-коммуникация: чат-боты по внутренним документам (RAG на Supabase + pgvector), голосовые агенты через ElevenLabs и Twilio, интеграции с CRM.
• Автоматизация: оркестрация через Windmill и n8n, многошаговые пайплайны с retry-логикой, алертами и production-мониторингом.
• Вайб-кодинг: собственный AI-продукт от идеи до MVP без классической команды разработки — для фрилансеров и предпринимателей.

Full Bundle AI Engineer — 76 000 ₽ ранняя цена (стандартная цена 165 000 ₽), первый поток 7 мая 2026. Один модуль — от 19 000 ₽. Гарантия: возврат средств в течение 14 дней с момента старта. Полная программа и запись — на странице курса AI Engineer.

Если до записи хочется прощупать тему подробнее — читайте также о 5 сценариях AI-агентов для бизнеса с готовыми промптами и расчётом ROI.

Вопросы и консультация — форма на странице курса или контакты на главной.

---