Від промптів до архітектури: як зібрати AI-операційну систему

Рівні використання AI: від простого до складного

На думку Дениса, сьогодні використання AI можна умовно поділити на кілька рівнів складності.

Перший рівень — це найпростіший сценарій: робота з AI у вкладці браузера. Це можуть бути ChatGPT, Claude, Gemini або інші інструменти. Такий формат виглядає як класична взаємодія “промпт — відповідь”: користувач ставить задачу, дає трохи контексту й отримує результат.

Другий рівень — це вже певна персоналізація. Наприклад, у ChatGPT або Claude є вкладка Projects, де можна задати певну роль AI-асистенту, щоб він працював у конкретному форматі й певному контексті.

Третій рівень — це повноцінні агенти. У такому випадку AI вже може взаємодіяти зі сторонніми інструментами: браузером, Google Drive, таблицями, календарями, файлами та іншими сервісами.

Водночас у всіх цих сценаріях залишається ключова проблема: щоразу потрібно знову й знову давати AI ситуативний контекст. Він не пам’ятає, над чим користувач працював тиждень тому, не знає автоматично його ролі, задачі, проєкти чи логіку мислення. Кожного разу потрібно заново пояснювати, чого саме від нього хочуть.

Саме це і створює головне обмеження.

Від prompt engineering до context engineering

Денис підкреслює, що для підвищення ефективності використання AI потрібно змінити сам підхід до роботи з ним.

Довгий час основним фокусом був prompt engineering — тобто вміння правильно написати запит, щоб отримати хорошу відповідь. Це працює, але має свою межу.

Сьогодні ж акцент дедалі більше зміщується до context engineering або harvest engineering.

У практичному сенсі це означає побудову певної архітектури навколо моделі. Важливо не просто поставити задачу, а дати AI довгий контекст і пам’ять. Саме на цьому можна будувати фундамент для справді персоналізованого AI-асистента.

Із чого починається побудова персоналізованого AI-асистента

Перший крок, який пропонує Денис, — це змоделювати онтологію власного життя.

Йдеться про те, щоб зрозуміти: життя людини складається з певних сутностей і контекстів. Наприклад:

робота;
бізнес;
здоров’я;
навчання;
нетворкінг;
особисті проєкти;
фінанси;
побут;
інші сфери.

Саме з цього починається побудова фундаменту.

Для цього можна використати навіть звичайний GPT і дати йому простий запит:

“Збудуй мені дерево папок у форматі ZIP, яке буде відображати контексти мого життя”.

Після цього користувач починає перераховувати, з чого складається його життя: бізнес, навчання, здоров’я, нетворкінг тощо.

Далі структура деталізується. Якщо йдеться про здоров’я, туди можуть входити:

генетичні тести;
дані з розумного годинника;
чекапи;
програми харчування;
програми тренувань;
аналізи та інша медична інформація.

Якщо йдеться про бізнес, це можуть бути:

маркетинг;
відділ продажів;
клієнти;
процеси;
інструкції;
продукти;
стратегія.

Після цього користувач уже працює з GPT над власним деревом папок: щось прибирає, щось додає, уточнює логіку побудови. У результаті GPT може сформувати готовий ZIP-файл із базовою структурою.

Які інструменти використовуються далі

У своєму підході Денис базово використовує два інструменти:

Obsidian
Antigravity

Obsidian як основа системи знань

Obsidian він розглядає як базову платформу для побудови персонального сховища знань.

По-перше, це зручний граф знань, який допомагає бачити зв’язки між файлами, темами й контекстами.

По-друге, Obsidian автоматично працює з форматом Markdown, а це принципово важливо для AI. Markdown легко зчитується моделями, і штучному інтелекту не потрібно витрачати зайві токени на складну обробку документів.

Після відкриття згенерованої раніше папки в Obsidian користувач отримує готове дерево контекстів, яке може далі наповнювати інформацією:

у Business — робочі та бізнес-матеріали;
у Health — дані про здоров’я;
у Networking — інформацію про контакти;
у Learning — навчальні матеріали.

Саме з цього і починається фундамент системи.

Antigravity як робочий інтерфейс

Далі цей самий простір відкривається в Antigravity.

Denис використовує його не як редактор коду в класичному сенсі, а як середовище для керування різними контекстами життя й роботи.

У такому інтерфейсі:

ліворуч відображається дерево папок;
посередині відкриваються текстові файли;
праворуч — повноцінний чат із AI.

Перевага таких інструментів, як Antigravity або VS Code, полягає в тому, що вони дозволяють працювати з різними моделями — Claude, GPT, Gemini та іншими.

На цьому етапі вже побудовано фундамент, на якому можна створювати власного персоналізованого AI-асистента.

Як надати AI правила роботи

Коли структура папок уже створена і наповнена даними, систему можна ускладнювати.

Наступний крок — надати AI правила роботи.

У своєму підході Денис використовує окрему папку з правилами, де прописується, як AI повинен працювати з workspace, файлами та різними типами даних.

Це можуть бути інструкції на кшталт:

завжди відповідати українською;
не вигадувати інформацію;
шукати підтвердження даним;
не дублювати файли;
не створювати зайвого текстового шуму;
не генерувати кілометри непотрібного тексту;
не розкладати однакову інформацію в різних місцях.

Таким чином створюється набір правил, який формує поведінку AI всередині системи.

Як деталізуються окремі контексти

Далі в кожному окремому блоці має бути файл README.

README пояснює:

що саме міститься в цьому блоці;
як із ним працювати;
які правила діють саме в межах цього контексту;
що в ньому є важливим.

Наприклад:

у папці Health README пояснює логіку роботи з даними про здоров’я;
у папці Business — із бізнес-контекстом;
у папці Networking — із контактами й взаємодією з людьми.

На цьому етапі система вже фактично готова до використання.

Головна ідея: занурити AI у власну картину світу

Ключова ідея, яку просуває Денис, полягає в тому, щоб не давати AI разовий ситуативний контекст щоразу, а занурити його у власну картину світу.

Інакше кажучи, AI більше не існує окремо від користувача. Він починає працювати всередині його “другого мозку”, всередині структурованого середовища, де вже є:

правила;
контексти;
ролі;
документи;
зв’язки;
інструкції.

З цього моменту AI уже може працювати не з випадковими запитами, а з усім реальним середовищем людини.

Як створюються субагенти

Коли фундамент уже є, можна починати будувати субагентів.

У системі Дениса є окрема папка Agents, у якій зібрано приблизно 16–20 різних агентів. У цьому випадку агент — це готова інструкція про те, як діяти в певній ролі або з певною інформацією.

Є два шляхи:

Прописувати інструкції вручну для кожного агента.
Використовувати готові маркетплейси скілів.

Наприклад, є Marketplace Skill-MP, де можна знайти потрібні скіли.

Однак для тих, хто хоче будувати агентів самостійно, Денис рекомендує використовувати skill creator — окремого агента, який допомагає правильно зібрати інструкцію для нового субагента.

Такий агент проводить коротке інтерв’ю:

чого очікують від нового агента;
що він має робити;
які інструменти має використовувати;
чого не має робити;
які обмеження йому потрібно враховувати.

У результаті формується готова інструкція.

Агенти як менеджери, скіли як монозадачі

У своєму підході Денис використовує агентів більше як менеджерів, а скіли — як інструменти для виконання окремих монозадач.

Тобто агент отримує задачу, сам розуміє, який саме скіл потрібен для її виконання, і вже далі діє.

Такий підхід обрано з міркувань оптимізації. Повні інструкції для агентів можуть бути дуже довгими, а це збільшує витрати токенів і час на обробку.

Тому в Дениса агенти мають короткі інструкції, а конкретні дії виконуються через окремі скіли.

Якщо раніше агент міг використовувати близько 3 000 токенів на взаємодію, то з таким підходом витрати знижуються приблизно до 1 000–1 500 токенів.

Як працює MISSION: кілька агентів на одну задачу

Окремо в системі Дениса є функція MISSION.

MISSION — це сценарій, коли над однією задачею працюють кілька агентів.

Логіка така:

Користувач ставить місію.
Викликається головний агент-планер.
Планер розбиває задачу на кілька кроків.
Для кожного кроку визначає, який агент потрібен.
Далі будується конвеєр, у якому агенти по черзі виконують свою частину роботи.

Наприклад:

агент-дослідник робить research;
результат передається аналітику;
аналітик його обробляє;
далі це передається копірайтеру;
копірайтер готує фінальний результат.

Тобто кожен агент працює у своїй ролі, а не намагається вирішити всю задачу одразу.

Як розширювати контекст: Google Drive, Notion та інші інтеграції

Наступний крок — розширення контексту workspace через зовнішні інтеграції.

Його можна під’єднати до:

Google Drive;
Notion;
інших сервісів і сховищ.

У цьому підході Денис виділяє три ключові елементи:

Файловий контекст — система папок і файлів.
Гнучка кастомізація — можливість створювати будь-яких агентів.
Автоматизація та інтеграції — зв’язок із зовнішніми сервісами.

Оскільки Antigravity — це редактор коду, він уміє працювати з кодом і, відповідно, дозволяє автоматизувати інтеграції.

Користувач визначає задачу, наприклад:

“Я хочу, щоб AI міг працювати з моїм Google Drive”.

Далі агент сам розробляє план:

підняти MCP-сервер;
налаштувати зв’язок із Google Drive;
створити Google Cloud Project;
пояснити, які дії має зробити користувач.

Особливо корисно те, що якщо людина не дуже добре розбирається в технічних деталях, вона може прямо попросити AI:

“Зроби мені покрокову інструкцію, максимально просту”.

І агент буквально веде її за руку:

куди зайти;
що натиснути;
де знайти ключ;
як його вставити;
що робити далі.

Віддалене керування через Telegram

Ще одна сильна можливість — це віддалене керування агентом через Telegram.

Денис наводить приклад: людина десь у дорозі або на події знайомиться з новим контактом і хоче:

зберегти інформацію про цю людину;
покласти її в папку Networking;
поставити нагадування зв’язатися пізніше.

У такому випадку достатньо просто надіслати агенту голосове повідомлення в Telegram. AI розпізнає його, структурує інформацію, записує її в потрібне місце й навіть може створити нагадування в Google Calendar.

Єдине обмеження тут у тому, що якщо агент працює всередині локального workspace, програма має бути відкритою. Щоб зробити систему максимально автономною, потрібно клонувати репозиторій, відправити його в GitHub і далі розгорнути або на VPS-сервері, або на Mac mini.

У такому випадку workspace працює постійно, і з ним можна взаємодіяти віддалено з будь-якої точки світу.

Як це застосовується у продажах

Ще один практичний кейс — використання системи у відділі продажів.

У компанії Дениса дзвінки менеджерів із клієнтами транскрибуються й автоматично потрапляють у workspace.

Після цього можна дати агенту задачу:

знайти дзвінок за конкретну дату;
підготувати коротке summary;
написати follow-up лист для клієнта.

AI сам знаходить потрібний файл, аналізує розмову, формує summary і створює лист. Якщо є інтеграція з Gmail, далі можна просто сказати:

“Відправ це клієнту на email”,

і агент виконає дію самостійно.

Як виглядає автономність системи

Коли репозиторій агента розгорнуто на VPS або Mac mini, система стає по-справжньому автономною.

Вона працює у хмарі, постійно доступна і дозволяє створювати вже не просто помічників, а автономних агентів.

Наприклад, у Дениса є:

агент AI Agent News, який кожні три дні заходить у Telegram, переглядає канали, на які він підписаний, і формує коротку вижимку по новинах зі світу AI;
агент Task Manager, який збирає задачі протягом дня, пріоритезує їх і щоранку формує список головних завдань на день.

У такому підході AI уже не просто реагує на запити, а стає частиною операційної системи людини.

Як масштабувати систему на команду

Ще одна можливість — це масштабування workspace на команду.

Можна видавати різним людям різні рівні доступу:

менеджери бачать частину файлів;
не бачать бухгалтерію;
працюють лише у своїх контекстах;
мають власних агентів.

Так, спочатку це може здаватися незвичним, але, за словами Дениса, якщо команда хоча б мінімально орієнтується в AI, їй зазвичай достатньо приблизно тижня, щоб почати комфортно працювати в такому середовищі.

Водночас, якщо команді простіше працювати через більш звичні інтерфейси, частину даних можна передавати в Notion. У такому випадку workspace залишається “центром керування”, а Notion — інтерфейсом для команди.

Додаткові можливості: візуалізація, генерація зображень, вайб-кодинг

Окрім текстової роботи, така система дає й додаткові можливості:

візуалізацію даних;
генерацію зображень;
створення сайтів;
складання CRM або внутрішніх інструментів;
так званий вайб-кодинг, коли користувач без класичного програмування збирає потрібні собі рішення.

Тобто простір використання не обмежується лише особистим асистентом — за бажанням це може перетворитися на повноцінне цифрове середовище для роботи.

Про вартість такого підходу

З погляду економіки вхід у цю систему досить доступний.

Для тих, хто хоче просто спробувати, Antigravity має безкоштовні ліміти.

Якщо ж людина починає системно працювати у своєму репозиторії, підписки приблизно за 20 доларів на місяць зазвичай достатньо, щоб покрити більшість базових потреб.

Якщо ж навантаження велике — багато інтеграцій, сайтів, застосунків, CRM, складних задач — тоді вже може знадобитися дорожчий тариф.

Agent Manager: коли кілька агентів працюють паралельно

Окремо Денис згадує функцію Agent Manager.

Вона дозволяє запускати одразу кілька агентів:

два;
три;
п’ять;
десять.

І вже далі займатися їх оркестрацією.

Тобто замість одного лінійного потоку роботи з’являється можливість паралельно використовувати кількох агентів для різних частин процесу.

Висновок

Підхід, який демонструє Денис Сулінський, показує, що персоналізований AI-асистент — це вже не просто розумний чат і не один вдалий промпт. Йдеться про створення повноцінної системи, у якій штучний інтелект працює всередині особистого або робочого середовища людини, розуміє її структуру життя, логіку роботи, пріоритети, файли, задачі та правила.

Ключова ідея полягає в тому, щоб перестати щоразу “пояснювати себе” AI заново й натомість побудувати для нього власний контекст — свого роду цифровий другий мозок. Саме це дозволяє перейти від разових запитів до постійної співпраці з AI як із системним помічником.

Такий підхід відкриває значно ширші можливості:

створення субагентів і ролей;
автоматизація особистих і бізнес-процесів;
інтеграція з календарями, поштою, месенджерами та сховищами;
робота з транскриптами, задачами, файлами та новинами;
масштабування системи на команду.

При цьому важливо, що така архітектура може будуватися поступово: від простого дерева папок і базових правил — до автономних агентів, інтеграцій і цілого операційного шару навколо людини або компанії.

Фактично йдеться вже не просто про використання AI як допоміжного інструмента, а про створення персональної цифрової інфраструктури, яка працює разом із людиною — і з часом починає працювати на неї.