Claude Code як особиста AI-операційна система: як перетворити інструмент для коду на робочий двигун

Claude Code часто сприймають як ще один інструмент для розробників. Але в новому відео на каналі Austin Marchese цей продукт Anthropic показують зовсім з іншого боку: як основу для персональної AI-операційної системи, що вчиться на ваших діях, запам’ятовує контекст і з часом працює дедалі краще.

Три папки, з яких починається «AI-операційка»

Базова ідея — побудувати на комп’ютері проєкт Claude Code з трьома ключовими папками:

• skills — «робочі руки» системи, тобто навички (skills), які виконують завдання
• knowledge — база знань, що робить ці навички розумнішими
• projects — вихідні результати роботи (звіти, скрипти, листи тощо)

Claude Code працює з файлами (переважно .md або .txt), тож зручно переглядати й редагувати все це не через термінал, а через менеджер нотаток на кшталт Obsidian. У результаті користувач отримує не просто чат із ШІ, а структурований робочий простір, де AI постійно дописує, оновлює й покращує файли.

Два типи навичок: виконання та розвиток системи

Усі навички в Claude Code пропонується ділити на два класи:

1. Execution skills (виконавчі навички)
   Це повторювані завдання, які ви робите регулярно:
2. створення щотижневих звітів
3. аналіз email-листування
4. аналіз воронки продажів
5. підготовка шаблонних документів

Логіка проста: якщо ви робите щось 2–3 рази на день, за однаковим патерном, і вам допоміг би попередньо завантажений контекст — це кандидат на окрему навичку.

Для виявлення таких завдань пропонується:
– або пройти «inner loop test» (перевірити себе за трьома питаннями вище),
– або попросити Claude Code:
«На основі моєї минулої активності запропонуй 5 навичок, які варто створити. Фокусуйся на завданнях, які я роблю більше двох разів на тиждень».

1. Foundational skills (фундаментальні навички)
   Вони не просто економлять час тут і зараз, а покращують всю систему з кожною сесією.
   Суть: після кожної взаємодії з Claude Code фіксується:
2. що спрацювало
3. що не спрацювало
4. які висновки можна зробити

Ці дані зберігаються в папці knowledge і надалі використовуються всіма навичками. Так система перестає повторювати ті самі помилки.

Один із прикладів — навичка generate personalized training data, яка переглядає останні сесії, витягує інсайти й формує з них тренувальні дані. Аналогічний ефект можна отримати, просто регулярно просивши Claude:
«Що ми сьогодні дізналися? Збережи ключові висновки в папку knowledge».

Ключовий принцип тут добре формулює бізнес-автор Алекс Хормозі: AI — це не магія, а множник. Перевага не в доступі до найкращої моделі, а у володінні найкращими даними. Саме тому фундаментальні навички, що збирають і структурують ваш досвід, стають критичними.

Автоматизація: hooks, loops і schedules

Щоб система справді «жила» самостійно, потрібно прибрати людину як вузьке місце. Як каже Андрій Карпатий, щоб отримати максимум від сучасних інструментів, не можна бути тим, хто щоразу вручну «підштовхує» наступний крок.

У Claude Code для цього є три механізми:

Hooks: реакція на події

Hook — це тригер, який спрацьовує автоматично, коли відбувається певна подія:

• завершилась сесія
• змінено файл
• виконано завдання

Наприклад, можна налаштувати хук, який після кожної сесії запускає навичку-рекап:

• що було зроблено
• що спрацювало / не спрацювало
• які знання варто зберегти

І автоматично записує це в папку knowledge. Формулювання для Claude може бути простим:
«Створи hook, який запускає підсумок сесії щоразу, коли я завершую розмову, і зберігає висновки в папку knowledge».

Loops: періодичні перевірки

Loop — це завдання, яке запускається з певним інтервалом. Наприклад:

/loop 10 minute check project

Кожні 10 хвилин Claude перевірятиме, чи є щось, що потребує уваги в проєкті: незавершені задачі, файли для оновлення, нові дані для аналізу.

Schedules: завдання за розкладом

Schedule схожий на loop, але прив’язаний до конкретного часу. Наприклад, щоденний запуск навички analyze funnel о 6:00 ранку:

• аналіз усіх соцмереж
• аналіз продуктів / пропозицій
• формування списку інсайтів і можливих дій

Комбінація hooks, loops і schedules створює рекурсивний цикл покращення: система сама збирає досвід, сама його аналізує й сама ж застосовує ці знання в наступних завданнях.

Масштабування: як не перетворити систему на хаос

Коли перші навички вже працюють, виникає спокуса «наклепати» десятки нових. Але без дисципліни це швидко перетворюється на некерований зоопарк. Є кілька принципів, які допомагають масштабуватися без втрати якості.

1. Проблеми — частіше у навичках, а не в моделі

Карпатий наголошує: більшість провалів — це проблема навичок, а не можливостей моделі. Якщо результат поганий, часто:

• інструкції нечіткі або суперечливі
• у навичку завантажено забагато контексту
• різні фрагменти знань конфліктують між собою

Це явище автор називає «contextual rot» — коли надлишок або погано структурована інформація погіршує роботу системи. Вихід — регулярно переглядати й уточнювати навички, а не одразу звинувачувати модель.

2. Жодних перетинів між навичками

Кожна навичка має бути:

• чітко визначеною
• відокремленою від інших
• відповідальною за один зрозумілий результат

Якщо одна навичка вміє «трохи того, трохи цього», її складніше підтримувати, а системі — обирати правильний інструмент.

3. Одна навичка — кілька сценаріїв

Якщо є завдання з кількома варіантами виходу (наприклад, звіт у PDF або CSV), не варто створювати дві різні навички. Краще:

• описати обидва варіанти в одній навичці
• чітко задокументувати, як обирати потрібний шлях

Це спрощує підтримку й зменшує ризик дублювання логіки.

4. Ставитися до бази знань як до кодової бази

Коли навичок і знань стає багато, їх варто вести так само, як інженери ведуть код:

• зберігати все в GitHub
• фіксувати зміни (оновлення навичок, додавання консультантів, правки знань)
• синхронізувати зміни між членами команди

Це особливо важливо, якщо з однією AI-операційною системою працює кілька людей. Наприклад, якщо хтось оновив «консультанта» (про це нижче), інші мають отримати ці зміни, щоб система залишалася узгодженою.

Практичні кейси: від інженерних звітів до контент-машини

Побудована таким чином система вже використовується для різних типів роботи — як «сухої» операційної, так і креативної.

Автоматизація інженерних звітів

Один із кейсів — інженерна компанія, якій потрібно було підготувати понад 80 звітів з викидів вуглецю (Local Law 97). Раніше це була двотижнева робота.

Підхід:

• разом з інженером за ~2 години створили навичку /LL97-report
• навичка генерує звіт у потрібному форматі
• після кожної партії запускали /improve skill, щоб навичка вчилася на помилках

Результат: те, що займало 5 годин, тепер робиться за 5 хвилин. Компанії не потрібно наймати додаткових людей під цей процес.

Контент-продакшн як ланцюжок навичок

Для створення контенту використовується ціла низка пов’язаних навичок:

• YouTube-script-writer
• читає патерни голосу автора
• аналізує попередні скрипти
• враховує поради «консультантів»
• враховує дані про аудиторію

• генерує чернетку сценарію

• панель консультантів

• окремі файли в папці knowledge/consultants, наприклад, з матеріалами Алекса Хормозі

• Claude Code може «звертатися» до цих консультантів, аналізуючи скрипт з різних точок зору

• newsletter-writer

• бере готовий скрипт
• переформатовує його в email-розсилку

Цей підхід називається skill chaining — послідовне використання кількох навичок, які передають результат одна одній.

Консультанти, аудиторія та «/me»

У папці knowledge зберігаються кілька важливих підпапок:

• consultants — «оцифровані» експерти: книги, транскрипти, матеріали з відкритих джерел, зібрані в єдині профілі. Claude Code може звертатися до них як до віртуальних радників.
• audience — відповіді реальних глядачів/читачів на інтерв’ю; система використовує їх, щоб оцінити, наскільки контент «зайде» цільовій аудиторії.
• /me — дані про самого користувача:
• патерни голосу
• життєва історія
• щоденні інсайти й нотатки

Усе це автоматично підтягується в навички, тож кожне завдання виконується з урахуванням особистого стилю, досвіду й цілей.

Як запустити власну систему: мінімальний стартовий план

Для тих, хто хоче повторити підхід, пропонується простий «стартовий пакет»:

1. Створити структуру проєкту
2. Папки skills, knowledge, projects у Claude Code-проєкті.

3. Налаштувати зручний перегляд (наприклад, через Obsidian).

4. Заповнити папку knowledge про себе

5. Запустити навичку на кшталт interview me (через плагін BuildPartner або просто попросити Claude провести інтерв’ю).

6. За можливості використати інструменти на кшталт Hexter WhisperFlow, щоб надиктовувати інформацію голосом і автоматично отримувати транскрипти.

7. Налаштувати один hook

8. Hook, який після кожної сесії запускає рекап і зберігає висновки в knowledge.
   Це вже створює базовий рекурсивний цикл покращення.

9. Через тиждень — зафіксувати уроки

10. Зібрати, що спрацювало, що ні, які навички варто уточнити.
11. Передати ці висновки назад у систему як нові знання.

У підсумку Claude Code перестає бути просто інструментом для коду й перетворюється на довгострокову інфраструктуру — персональну AI-операційну систему, яку можна розвивати роками, так само як інженери розвивають кодову базу продукту.

Джерело

Claude Code Isn’t for Coding. Here’s What It’s ACTUALLY For. — YouTube