Modul tuzilishi
AI kitoblarni o‘ylab topmaydi. U keyingi tokenni bashorat qiladi.
«AI kitob to'qib chiqarmaydi — u keyingi tokenni taxmin qiladi»«AIga berish kerakmi yoki o‘zim qilishim kerakmi» deb hal qilishdan oldin, u javobni umuman qanday yig‘ishini tushunish kerak. Bir mexanizm: oldingi ma’lumotlarga asoslanib keyingi tokenni bashorat qilish. Hamma narsa shundan kelib chiqadi — u qayerda kuchli, qayerda ishonch bilan yolg‘on gapiradi va qaysi vazifalarni unga nazoratsiz topshirish mumkin.
Hook — mavjud bo‘lmagan kitoblar haqida.Mavjud bo'lmagan kitoblar haqida
Zuhra — Yunusobodda Python mentori. Koddan tashqari, maktab gazetasida madaniyat bo‘limini yuritadi. Agentdan so‘raydi: «12-14 yoshli bolalar uchun o‘zbek shoirasi Zulfiya haqida 800 so‘zli esse yoz, uning 3-4 ta asosiy she’riy to‘plamini eslatib o‘t».
40 soniyadan so‘ng — silliq matn. Beshta she’riy to‘plam nomi. Hammasi ishonarli eshitiladi. Zuhra Alisher Navoiy kutubxonasining katalogida tekshiradi — ikkita to‘plam mavjud emas. Agent ularni o‘ylab topgan. Ishonch bilan.
Bu «AI ahmoq» degani emas. Bu «model buzildi» degani emas. Bu Next Token Prediction — agentning kodni silliq yozishi va ota-onalarga xatlarni tarjima qilishi uchun xizmat qiladigan mexanizm. Xuddi shu mexanizm — mavjud bo‘lmagan to‘plamlarni ishonarli so‘zlardan yig‘adi.
NTPni tushunish — bu oldindan ko‘rishni o‘rganish demakdir, agent qayerda well-worn paths bo‘ylab ishlaydi va qayerda novel territoryga burilib, yolg‘on gapirishni boshlaydi. Buni bilmasdan unga vazifalarni topshirish — lotereya.
Men tekshiradigan uchta ko‘nikma
- O‘z vazifalaringni (kamida 10 ta) uch darajaga bo‘lish:
Full delegation(agent bajaradi, sen diff’ni tasdiqlaysan) ·Co-creation(agent qoralama qiladi, sen to‘g‘rilaysan) ·Validation(agent tekshiradi, sen bajarsan). - Tezda aniqlash, vazifa well-worn paths’da (NTP kuchli — boilerplate, tarjima, namunaga ko‘ra refaktor)mi yoki novel territory’da (NTP qiynaladi — kam uchraydigan faktlar, nomlar, loyihangning kontekstsiz o‘ziga xosligi)mi.
- Bolaga yoki hamkasbga barmoqlar bilan tushuntirish, agent javobni qanday yig‘ishini — token by token, probability distribution bo‘yicha — “sehr” va “AI o‘ylaydi” degan bema’niliklarsiz.
Mental model — NTP, agent javobni qanday yig‘adi.NTP — agent javobni qanday yig'adi
O‘tgan modulda sen agentga kontrakt berding. Endi — u umuman javobni qanday yozadi: bunga bevosita bog‘liq, unga nimani ishonib topshirish mumkin va nimani qo‘lda tekshirish kerak bo‘ladi.
1. AI javobni qidirmaydi — u uni to‘ldiradi
AI — bu qidiruv tizimi emas. Bu juda kuchli avtokomplit: u javobni so‘zma-so‘z yozadi, har safar keyingi so‘zni “bundan keyin eng ko‘p nima keladi” prinsipiga ko‘ra tanlaydi. Aynan shu xususiyatdan ham ravon nutq, ham gallyutsinatsiyalar kelib chiqadi — bular ikki xil mexanizm emas, balki bir tanga ikki tomoni.
2. Bu ichkarida qanday ishlaydi — barmoqlar bilan
O‘yinni tasavvur qil: 5 ta SMS’ingni olasan, qaysi so‘z qaysi so‘zdan keyin ko‘proq kelishini hisoblaysan va shu chastota jadvali bo‘yicha yangi “xabar” yozasan. LLM aynan shuni qiladi — faqat kichik jadval o‘rniga uning milliardlab parametrlari bor, ular ulkan matn korpusida o‘qitilgan.
Asosiy o‘zgarish. Agent “Bahor” she’rlar to‘plami 1953” deb yozganida — u bu faktni xotiradan olmagan. U tokenma-token generatsiya qilgan, va har bir token “shaklan ishonchli” bo‘lgan. “Bahor” — normal o‘zbekcha so‘z. 1953 — normal yil. Bu statistikaga ko‘ra to‘g‘ri davom. Bunday to‘plam haqiqatda mavjudmi — NTP uchun bu mexanizm masalasi emas.
3. Model — bu “internet arxivi”, ma’lumotlar bazasi emas
Andrey Karpatidan yaxshi metafora: model — bu internetning yo‘qotishli siqilgan zip-arxivi. Indeks emas, maʼlumotlar bazasi emas — arxiv. Sen “Zulfiya haqida so‘raganingda”, yozuv bo‘yicha qidiruv qilmayapsan — arxivni nimadir ishonchli narsani ochishga majbur qilyapsan. Tez-tez va mashhur narsalar aniq ochiladi. Kam uchraydiganlari esa qo‘shni parchalar asosida qayta tiklanadi: to‘g‘ri eshitiladi, lekin aniqlik yo‘q.
Andrej Karpathy · «How I Use LLMs» · 2025
4. Well-worn paths vs novel territory
Bu shkala, “ha/yo‘q” emas. Chapda — model million marta ko‘rgan vazifalar. O‘ngda — u yupqa muz ustida ketayotgan va o‘zi ham buni bilmaydigan joylar.
for-loopni list comprehensionga refaktor qilish (Python idiomi, korpusda cheksiz takrorlangan)3.7.2 (model API'ni “umumiy maʼnoda” biladi, mavjud bo‘lmagan metodni ishonch bilan yozib qo‘yadi)while9 yoshli bolaga siklni tushuntirish (mashhur pedagogik vazifa)Chegara harakatchan. Xuddi shu vazifa o‘qilgan fayllar va CLAUDE.md bilan chapga siljiydi (agentda taxminlar emas, faktlar bor); kontekstsiz esa o‘ngga (agent o‘ylab topadi). Shuning uchun: agentga notanish narsani berishdan oldin — unga kontekstga haqiqat manbasini bering (fayl, hujjat, havola). Shunda hatto kam uchraydigan vazifa ham u uchun “o‘rganilgan yo‘l”ga aylanadi.
5. Silliq matn taxminni yashira oladi
Mentor uchun eng xavflisi: agent qayerda bilishini va qayerda taxmin qilganini signal bermaydi. Taxmin ham fakt kabi ishonchli, tekis matn bo‘lib chiqadi. Shuning uchun aynan aniqlikni — ismlar, sanalar, iqtiboslar, havolalar, raqamlarni tekshirish kerak: bayonot qanchalik aniq bo‘lsa, u o‘ylab topilgan bo‘lish ehtimoli shunchalik yuqori va manba bilan solishtirishni shunchalik kuchli talab qiladi.
Bundan Delegatsiyaga ko‘prik. Agar agent javobni qanday yig‘ishini tushungan bo‘lsang, uni qanday tekshirishni ham tushunasan. Demak, ongli ravishda qaror qabul qilishing mumkin: agentga nimani to‘liq berish kerak, nimani birga qilish kerak, nimani esa faqat o‘zingning nazorating ostida. Bu birinchi D — delegatsiya.qanday agent javobni yig‘ishini tushungan bo‘lsang, uni qanday tekshirishni ham tushunasan. Demak, ongli ravishda qaror qabul qilishing mumkin: agentga nimani to‘liq berish kerak, nimani birga qilish kerak, nimani esa faqat o‘zingning nazorating ostida. Bu birinchi D — delegatsiya.qandayuni qanday tekshirishni ham tushunasan. Demak, ongli ravishda qaror qabul qilishing mumkin: agentga nimani to‘liq berish kerak, nimani birga qilish kerak, nimani esa faqat o‘zingning nazorating ostida. Bu birinchi D — delegatsiya.
4D · Delegation — nimani berish, nimani qoldirish.Nimani berasan, nimani o'zing qilasan
Operatorning to‘rtta ko‘nikmasidan birinchisi — delegatsiya: “o‘zim qilaman / agent bilan birga / agentga beraman” degan qarorni qabul qilish. Keyin – bu qarorning uch qismi va Mars mentori uchun uchta amaliy daraja.
Delegatsiya – bu AI’ni o‘z vazifangizga qachon va qanday jalb qilishni bilish mahorati. Asosida – uning kuchli va zaif tomonlarini tushunish (xuddi NTP orqali hozirgina ko‘rib chiqqanimizdek) va u qayerda o‘zi ishlaydi, qayerda sizga yordam beradi va qayerda uni yaqinlashtirmaslik yaxshiroq ekanligi haqida ongli qaror qabul qilish.
Bitta qarorning uch qismi
“Men o‘zi nima qilyapman?”
AI’ni chaqirishdan oldin o‘z vazifangizni oxirigacha aniqlab oling. Siz uchun “yaxshi natija” nima? Qaysi qismlar sizning ekspertizangizni talab qiladi, qaysilari yo‘q? Aks holda, siz hali o‘zingiz shakllantirmagan narsani delegatsiya qilasiz.
“U nimalarni eplay oladi?”
Vositani kuchli va zaif tomonlarini biling. Biz uchun: Claude Code kodda kuchli, yangi faktlarda zaif, CLAUDE.md’siz sessiyalar orasida hech narsani eslamaydi. Bu aynan biz hozirgina chizgan NTP xaritasi.
“Xo‘p, mana reja”
Taqsimlang: siz nima qilasiz, agent bilan birga nima qilasiz, nima qilasiz, agent o‘zi nima qiladi. Har biri – o‘zining kuchli tomonlarida. Maqsad “hamma narsani avtomatlashtirish” emas, balki .
Kursning asosiy maqsadi – almashtirish emas, balki kuchaytirishMaqsad – “jarayondan odamni olib tashlash” emas, balki sizni kuchaytirish siz kuchli bo‘lgan joyda va agentga u kuchli bo‘lgan narsani berish. Mars mentori uchun: pedagogik qarorlar, o‘quvchini baholash, “bugun nimani o‘rgatamiz” degan tanlov – bu sizniki
. Boilerplate, tarjima, namunaga ko‘ra refaktor – bu agentniki.
Mentor uchun delegatsiyaning uch darajasi (qanday qo‘llash kerak)
Nimani beramiz · nimani qoldiramiz · misol
yakuniy diff’ni review qilish. «
01-circle.pyni o‘qib, uning namunasida 06-triangle.py ... 10-spiral.pyni qil. ≤30 qator, nomlari 01dagidek bo‘lsin». Sen git diffni qilib, tasdiqlaysan.«reja – meniki, amalga oshirish – seniki»
yakuniy diff’ni review qilish. «12 yoshlilar uchun sikllar bo‘yicha 5 ta topshiriq o‘ylab top». Agent ramka tashlaydi – sen ikkitasini o‘chirasiz, bittasini qayta yozasiz, keyin yakunlashni so‘raysiz.
«tekshir, o‘zim to‘g‘rilayman»
yakuniy diff’ni review qilish. «Mening
lesson-12-loops.mdimni o‘qib, (a) kod-misollardagi sintaktik xatolarni, (b) kod mavzudan murakkabroq bo‘lgan joylarni top. Tuzatma – ro‘yxatni ber». Ro‘yxatni sen filtrlaysan – chunki topilmalarning bir qismi gallyutsinatsiya bo‘ladi.NTP bilan bog‘lanish. Daraja tasodifan tanlanmaydi. Full – vazifa well-worn paths’da bo‘lsa va verifiable check (diff, test) mavjud bo‘lsa. Co-creation – vazifa sening pedagogik mulohazangni talab qilsa (bu endi well-worn emas). Validation – vazifa novel territory’da bo‘lsa (sening darsing, sening o‘ziga xosliging), lekin agent qo‘shimcha juft ko‘z sifatida yordam bera olsa – agar sen keyin filtrlaysan.
Hozir sen Zuhra tomonidan Claude Code’ga berilgan 4 ta haqiqiy so‘rovni ko‘rasan. O‘zingga qog‘ozga yozib ol: 4 tadan qaysi birida NTP to‘g‘ri ishlaydi? Qaysi birida – o‘ylab topadi? Va qanday qilib Zuhra gallyutsinatsiyani ushlaydi (agar ushlasa)? Bashorat hozir qilinadi, tekshirish – 3 daqiqadan keyin pastda.
Demo — Zuhra Claude Code’da bir kuni.Zuhraning bir kunlik ish kuni
Zuhra, Yunusobodda Python mentori. 7-9 yoshli guruh (Mars Python kichiklar). Bugun – ertalab 4 xil vazifa. Har biri o‘z delegatsiya darajasiga tushadi. Oxirgisida – NTP xato beradi; qanday qilib u buni ushlashini ko‘r.
10:14 · Full delegation – ota-onalarga e’lonni tarjima qilish
Ertaga parkga sayohat, ota-onalarga o‘zbek tilida xabar yuborish kerak. Claude’ga yaxshi tanish well-worn path: standart konstruksiyalar, korpusda millionlab misollar.
$ claude ✓ CLAUDE.md loaded ~/mars/comms/CLAUDE.md (1,420 tokens) › ota-onalar uchun o‘zbek tiliga tarjima qil, ohang xushmuomala, emojilarsiz: "Ertaga shanba kuni soat 10:00 da Toshkent Parkiga sayohat. Yunusobod filiali oldida yig‘ilish. Soat 13:00 ga qaytamiz. Suv va kepka oling. Agar bola bormasa – bugun soat 18:00 gacha yozing." ⠋ Generating… Hurmatli ota-onalar, Ertaga, shanba kuni soat 10:00 da Tashkent Parkga sayohat qilamiz. Yig'ilish — Yunusobod filiali oldida. Soat 13:00 ga qaytamiz. Iltimos, farzandingiz uchun suv va shapka olib keling. Agar farzandingiz bormaydigan bo'lsa, iltimos, bugun soat 18:00 gacha xabar bering. Hurmat bilan, Mars IT School · Yunusobod
Nima sodir bo‘ldi: well-worn path sof shaklda – juft tillardan tarjima. Zuhra 30 soniya ko‘zdan kechiradi, yuboradi. Daraja – Full. Diff = matn, verifiable = o‘zbek tilini ota-ona nigohi bilan tushunadi.
10:18 · Co-creation – 12-14 yoshli guruh uchun sikllar bo‘yicha 5 ta topshiriq
Zuhra ba’zan katta guruhdagi hamkasbini almashtiradi. «Kirish for va while».
›» blokini tayyorlaydi. 12-14 yoshli Python-guruhi uchun sikllar (for/while) bo‘yicha 5 ta topshiriq o‘ylab top. daraja: o‘zgaruvchilar, if/else, kiritishni bilishadi. sikllar – birinchi marta. har bir topshiriq: nomi, maqsadi, bola uchun TODO bilan kod skeleti, kutilayotgan natija. murakkablik oshib boruvchi. ⠋ Drafting… 1. "1 dan N gacha sanash" — for, range, print 2. "1 dan N gacha yigʻindi" — for, akkumulyator 3. "Sonni top" — while, input, break 4. "Koʻpaytirish jadvali" — nested for 5. "Eratosfen algoritmi" — list, for, modulo + har bir vazifaning kod skeletlari
Zuhra nima qiladi. Har bir skeletni ochadi. 5-vazifa (Eratosfen) – sikllar bilan birinchi tanishish uchun juda murakkab, uni olib tashlaydi. 2-vazifani – “jamgʻarma” deb oʻzgartiradi (metafora tushunarliroq). 3-vazifada agentda while “urinishlar” yoʻq – hisoblagich qoʻshadi. Keyin qolgan 4 ta vazifani .py fayllariga yakunlashni soʻraydi.
Nima sodir bo‘ldi: karkas uchun well-worn path (Python boilerplate, standart darsliklar), lekin pedagogik yechim “bu yoshga nima mos keladi” – bu Zuhra. Daraja — Co-creation. Uning filtrisiz 5-vazifa bolalarga tushib, darsni buzgan boʻlardi.
10:25 · Validation — dars rejasini tekshirish
Ertaga Python 7-9 guruhida “roʻyxatlar” darsi. Rejani kecha yozgan, ikkinchi koʻzga muhtoj: Python faktlarida adashmaganmi, yoshni ortiqcha yuklamaganmi.
› lesson-08-lists.md faylini oʻqing. toping: (a) Python haqidagi faktik xatolar — sintaksis, xatti-harakat; (b) kod dars mavzusidan murakkabroq joylar (biz faqat roʻyxatlar); (v) oʻzgaruvchi nomi CLAUDE.md dagi kabi boʻlmagan joylar (snake_case, rus. soʻzlar — ok). Faylni tahrirlamang. Iqtiboslar bilan roʻyxatni bering. ⠋ Reading lesson-08-lists.md… ⠋ Reading CLAUDE.md… Topildi: [a-1] 47-qator: «fruits.append() yangi roʻyxat qaytaradi» — bu notoʻgʻri. append() joyida oʻzgartiradi va None qaytaradi. [a-2] 89-qator: «fruits[1:-1] kesmasi oxirgi va oxirgisidan oldingini istisno qiladi» — notoʻgʻri. Faqat oxirgisini istisno qiladi. [b-1] 112-qator: misol list comprehension dan foydalanadi — dars mavzusidan murakkabroq, keyinga qoldirish. [c-1] 64-qator: oʻzgaruvchi fruitList — camelCase, CLAUDE.md da snake_case talab qilinadi. [a-3] 134-qator: «len() satr uchun ham __length__ orqali ishlaydi» — bu __len__ (har tomondan bitta pastki chiziq __len__ boʻlar edi, notoʻgʻri yozilgan).
Zuhra soʻzga ishonmaydi. 47, 89, 134-qatorlarni ochadi — uchta faktik xato tasdiqlanadi uning tajribasiga koʻra. Yaxshi. 64-qator — uning camelCase'i, haqiqatan ham kerak. 112-qator — rozi boʻladi.
LEKIN. Zuhra NTP haqida eslaydi. U agentdan ikkinchi oʻtishni:
› soʻraydi: topilgan har bir xato [a-1..a-3] uchun mening faylimdan va rasmiy Python docs'dan (boʻlimi va URL) aniq qatorni keltiring. agar URL esingizda boʻlmasa — taxmin qilish oʻrniga "URL: ishonchim komil emas" deb yozing. ⠋ Re-reading lesson-08-lists.md… [a-1] mening faylim 47-bet: «fruits.append(x) → [...x] qaytaradi» Python docs: data structures · list.append() → URL: ishonchim komil emas (eslayman, "More on Lists"da) [a-2] mening faylim 89-bet: «fruits[1:-1] oxirgisini va undan oldingisini istisno qiladi» Python docs: tutorial · sequence slicing → URL: ishonchim komil emas [a-3] Fayldagi 134-betda — __length__ haqida hech qanday eslatma YOʻQ. Birinchi javobimda xato qildim. Kechirasiz, 134-bet — range(len(fruits)) misoli, __len__ emas.
Mana bu. Uchinchi «xato» (__length__) — agentning gallyutsinatsiyasi edi. Dastlabki ikkitasida fayldan iqtiboslar topildi (bu haqiqat). Uchinchisida agent manbaga qistirilganda tan oldi. Daraja — Validation. Zuhra agentni «qoʻshimcha koʻz» sifatida ishlatdi, lekin yakuniy filtrlash — uning ishi.
10:31 · Novel territory — Zulfiya haqida esse
Hook'dagi oʻsha vazifa. Zuhra sinab koʻrdi — silliq matn, 5 ta toʻplam nomi. Toʻgʻridan-toʻgʻri Claude Code'da:
› maktab gazetasi madaniyat boʻlimi uchun oʻzbek shoirasi Zulfiya haqida esse yozing. 800 soʻz. 12-14 yoshli bolalar uchun. uning 3-4 ta asosiy sheʼriy toʻplamlarini yillari bilan eslatib oʻting. ⠋ Generating 800 words… Zulfiya Isroilova (1915–1996) — XX asr oʻzbek sheʼriyatining ovozi... [...] uning toʻplamlari quyidagilarni oʻz ichiga oladi: • «Hayot varaqlari» (1932) • «Qizlar qoʻshigʻi» (1947) • «Bahor nafasi» (1953) • «Onamning kuylari» (1968) • «Xotira» (1985) [...]
Zuhra gallyutsinatsiyani ikkita harakat bilan ushlaydi.
- Har bir nom uchun manba soʻraydi: «har bir toʻplam uchun bering: kutubxona katalogi yoki URL. agar ishonchingiz komil boʻlmasa — "ishonchim komil emas" deb yozing». Agent javob beradi: «Hayot varaqlari — Alisher Navoiy katalogida bor; Qizlar qoʻshigʻi — bor; Bahor nafasi — ishonchim komil emas; Onamning kuylari — ishonchim komil emas; Xotira — bor».
- 5 ta nomni
natlib.uz(Oʻzbekiston Milliy kutubxonasi) katalogida solishtiradi. 3 tasi topiladi, 2 tasi — yoʻq. Agent tan olganiga mos keladi.
Nima boʻldi. Bu Validation emas, bu kontekstda manbasiz novel territory. NTP is confident generatsiya qilgan 5 plausible names, because “the title of a collection by a mid-20th century Uzbek poetess” is a valid combination of words in terms of form. Of these, 3 are true, 2 are fabricated. Smooth prose wrapped a guess.
Zuhra (and you) should learn this lesson: when the task is about specific facts in a narrow domain (names, dates, titles, quotes) — don't delegate it fully. Either give the agent a source (upload a catalog / Wikipedia / PDF), or write the facts yourself, and let the agent just wrap them in text for the target audience.
How it looks for Timur (Python Olympiad 12–14, Chilanzar)
Timur has a group of Olympiad participants. CLAUDE.md from M1 — his is specific: list comprehension, dataclasses is allowed, a comment with algorithm complexity (O(n log n)) is required above each task. Today — Validation-task.
A student sent a solution to the problem “prefix sums, find a subsegment with sum = K” from olymp.uz. 87 lines. Works on small examples, but TLE on a large one. Timur runs an agent to check the correctness and complexity.
› read student-solution.py. check: (1) correctness — are there logical errors; (2) complexity — estimate O(?) and compare with expected O(n); (3) compliance with CLAUDE.md (O(...) comment at the top, snake_case). [1] correctness: on line 34 in the check prefix[j] - prefix[i] == K logically correct. But the loop on lines 28-40 — a double for, this is O(n²), not O(n). [2] complexity: actually O(n²). Expected for prefix sums — O(n) via hashmap "have we seen prefix[j]-K before". [3] CLAUDE.md: the comment "# O(...)" at the top is missing. variables prefSum, nMax — camelCase. [reference] in this repo there are similar solutions: olymp/easy/sum-subarray.py — O(n) via dict. olymp/medium/two-sum.py — the same pattern.
What Timur got. Correctness confirmed (the agent checked the logic of the branch on line 34), complexity explained with a specific anti-pattern (double for on lines 28-40), violations of CLAUDE.md conventions listed, plus links to his own reference implementations in the repo. Timur doesn't take it at face value — he opens olymp/easy/sum-subarray.py with his own eyes, sees the O(n) variant, guides the student to it.
Where NTP helped: well-worn path (Big-O analysis, typical prefix sum patterns — a million training examples in the corpus). Where it could have lied: if the agent had invented a link to a non-existent file in the repo — Timur would have caught it by opening it. Verification step is built-in.
Exercise — 3 probes for your tasks.Uchta probe — o'z vazifalaringga
Tekshirish testi — real vazifalaringizda. Bu o‘z-o‘zidan bo‘lmaydi: 20-25 daqiqa vaqt ajrating.
Keyingi haftaning 10 ta real coding/teaching vazifasini yozing
«Umumiy ishlar» emas — Mars mentorining aniq vazifalari, ularni berish (yoki bermaslik) mumkin bo‘lgan vazifalar.claude. Agar vazifalar 10 tadan kam bo‘lsa — hamkasblarning ishlaridan tipik vazifalarni qo‘shing (uy vazifasini tekshirish, misollarni yangilash, materiallarni tarjima qilish, belgilash uchun skriptlar).
- Bloknotni / NOTES.md / qog‘oz varag‘ini oching. 1-10 gacha ustun qilib yozing.
- Har bir vazifa — bitta jumla bilan, aniq: «
06-snake.pyni yangilash, strelkalar qo‘shish» (va «o‘yinni yakunlash» emas). - CLAUDE.md (sizning stekingiz, guruhingiz konvensiyalari) talab qiladigan vazifalarni ⭐ bilan, cold start ok bo‘lgan vazifalarni ☆ bilan belgilang (e’lonni tarjima qilish — talab qilmaydi, generic Python boilerplate — talab qilmaydi).
Har bir vazifa yoniga Full / Co / Validation / None ni qo‘ying
Bu NTP × Delegation xaritasini sizning ro‘yxatingizga qo‘llashdir. None — bu AI kerak bo‘lmagan vazifa uchun to‘g‘ri javob (masalan, «boshqa bolalar tomonidan mazax qilingan bola bilan 1:1 uchrashuv o‘tkazish» — bu Claude Code emas, bu siz).
- 10 ta vazifaning har biri uchun — bitta ustunga harf: F (Full), C (Co-creation), V (Validation), N (None).
- O‘ngda — bitta jumla-argument: nima uchun aynan shu daraja. Mental modeldagi well-worn vs novel xaritasini qo‘llang.
- Muvozanatni tekshiring: agar sizda 9 ta Full va 1 ta None bo‘lsa — ehtimol siz haddan tashqari delegatsiya qilyapsiz. Agar 9 ta None va 1 ta Full bo‘lsa — ehtimol yetarli emas. Sog‘lom taqsimot — odatda 3-4 ta Full, 3-4 ta Co, 1-2 ta V, 1-2 ta N.
BITTA Full va BITTA Co vazifani oling — ikkalasini ham claude
da bajaring. Bu yerda texnika haqiqat bilan uchrashadi. M1 dagi CLAUDE.md repoda bo‘lishi kerak — bu probe uchun asos.
- Full: kerakli repoda
claudeni oching, vazifani bitta replika bilan bering. Natijani kuting. Yo‘lda promptni o‘zgartirmang — Full ning mohiyati tayyor natija olishdir. - ni oching (yoki yangi fayllarni ko‘rib chiqing). Yozing:
git diff(yoki yangi fayllarni koʻrib chiqing). Yozib oling: aynan nima, qayerda hayratda qoldirdi (yoqimli yoki yoqimsiz), nimani tahrirlashga toʻgʻri keldi. - Co-creation: xuddi shu narsa, lekin birinchi replikada soʻra faqat reja (kodsiz). Rejani soʻzlar bilan toʻgʻrila. Faqat approve boʻlgandan keyin kodni soʻra.
- His-tuygʻularni solishtir. Qaysi holatda sen koʻproq ishonding natijaga va nima uchun. Qaysi birida kamroq vaqt sarflading.
Oʻzingni tekshirishdan oldin — 60 soniya tanaffus
Bu javoblar senda qoladi — biz ularni yubormaymiz. Bu modulning «oʻqib, unutdi» holatidan chiqib ketadigan ikki nuqtani mustahkamlash usuli.
Quiz — oʻzingni 3 daqiqada tekshir.O'zingni sina — 3 daqiqada
Uchta apply-savol. «Taʼrifni esla» emas, balki «vaziyatga qoʻlla». Agar kamida bittasida xato qilsang — tegishli boʻlimga qayt.
Agentga «Zulfiya Isroilovaning ijodi haqida esse yoz, uning toʻplamlarini yillari bilan eslatib oʻt» degan soʻrov berding. Yillari bilan 5 ta toʻplam nomini olding. Bu roʻyxatni bolalar bilan ishlatishdan OLDIN nima qilish kerak?
Bugun uchta vazifang bor. Har biriga qanday delegatsiya darajasi mos keladi?
Z1: ni o'qish 01-circle.py va namuna bo'yicha bajarish 06-triangle.py ... 10-spiral.py (5 ta fayl).
Z2: 12-14 yoshli guruh uchun lug'atlar bo'yicha 5 ta topshiriq o'ylab topish.
Z3: dars rejangni o'qish lesson-12.md, kod mavzudan murakkabroq bo'lgan joylarni topish.
Uchta vazifadan qaysi birida NTP-mexanizmi ko'proq ehtimol bilan ishonch bilan hallusinatsiya qiladi?
while, kundalik hayotdan misol keltirib tushuntirish/init, /memory, /compact, plan mode, sub-agents
Keyingisi nima — 3-modul.Keyingisi — Modul 3
Agentdan qanday qilib zaif joyiga kirmasligini so'rash kerak
Endi sen bilasan nimani berishni agentga. M3 da — so'rovni qanday shakllantirishni agent yangi hududga burilib ketmasligi uchun: product / process / performance bir iborada, @-mention fayllar manba sifatida, plan mode qachonki vazifa kod bazasini koʻrib chiqishni talab qilsa. Maqsad – toʻgʻri kontekstni soʻrovga qoʻshib, Co-creation’ingni Full’ga aylantirish.
Atributsiya va litsenziya
Ushbu modul Mars IT School (2026) tomonidan quyidagilar asosida moslashtirilgan:
— «AI Capabilities and Limitations» — Anthropic Academy, 2026, 4-5-darslar (Next Token Prediction) — soʻzma-soʻz taʼrif va “The Verification Test” mashqi.
— «AI Fluency: Framework & Foundations» — Rick Dakan, Joseph Feller, Anthropic, 2025 (CC BY-NC-SA 4.0) — 6-7-darslar (Delegation), uchta sub-component.
— Andrej Karpathy «How I Use LLMs» (2025) — “1 TB zip file with smiley face” metaforasi — taʼlim maqsadlarida fair use.
— Claude Code documentation (claude.com/docs) — ish sikli, plan mode, tool use loop.
Bizning moslashuvimiz — CC BY-NC-SA 4.0. Mars IT School’ni koʻrsatgan holda va shu litsenziyani saqlab qolgan holda nusxalash, remiks qilish, oʻqitishda foydalanish mumkin.