Структура модуля
AI не выдумывает книги. Он предсказывает следующий токен.
«AI kitob to'qib chiqarmaydi — u keyingi tokenni taxmin qiladi»До того как решать «отдать AI или сделать самому» — нужно понять как он вообще собирает ответ. Один механизм: предсказать следующий токен по тому, что было до. Из этого следует всё — где он силён, где врёт уверенно, и какие задачи ему можно отдать без присмотра.
Hook — про книги, которых нет.Mavjud bo'lmagan kitoblar haqida
Зухра — ментор Python в Юнусободе. Помимо кода ведёт культурный раздел в школьной газете. Просит агента: «напиши эссе про узбекскую поэтессу Зульфию для детей 12-14 лет, 800 слов, упомяни 3-4 её главных сборника стихов».
Через 40 секунд — гладкий текст. Пять названий сборников. Все звучат правдоподобно. Зухра проверяет в каталоге Алишер Навои библиотеки — два сборника не существуют. Агент их выдумал. Уверенно.
Это не «AI глупый». Это не «модель сломалась». Это Next Token Prediction — та самая механика, благодаря которой агент гладко пишет код и переводит письма родителям. Та же механика — собирает несуществующие сборники из правдоподобных слов.
Понять NTP — значит научиться заранее видеть где агент работает на well-worn paths, а где сворачивает в novel territory и начинает врать. Без этого делегировать ему задачи — лотерея.
Три навыка, которые я проверю
- Разделить свои задачи (минимум 10) на три уровня:
Full delegation(агент делает, ты апрувишь diff) ·Co-creation(агент драфтит, ты правишь) ·Validation(агент проверяет, ты делаешь). - Распознавать на лету, где задача в well-worn paths (NTP силён — boilerplate, перевод, рефактор по образцу) vs novel territory (NTP плывёт — редкие факты, имена, специфика твоего проекта без контекста).
- Объяснить ребёнку или коллеге на пальцах, как агент собирает ответ — token by token, по probability distribution — без буллшита про «магию» и «AI думает».
Mental model — NTP, как агент собирает ответ.NTP — agent javobni qanday yig'adi
Anthropic в курсе «AI Capabilities and Limitations» (lesson 4) дают определение Next Token Prediction. Это центральный источник модуля. Ниже — verbatim цитата с переводом, потом ASCII-визуализация механизма, потом таблица где работает / где плывёт.
1. Что такое NTP — verbatim
«Generative AI is closer to a vastly sophisticated autocomplete than to a search engine. It writes answers word by word based on what tends to follow what. That single property gives you both the fluency and the hallucination.»
2. Как это устроено внутри — на пальцах
Anthropic в lesson 5 показывают это через игру: 5 SMS-сообщений → таблица частот → каждое следующее слово выбирается по вероятностям. LLM делает то же самое, только вместо таблицы — миллиарды параметров и forward pass через нейросеть.
Главный сдвиг. Когда агент пишет «сборник стихов "Бахор" 1953» — он не достал этот факт из памяти. Он сгенерировал токен за токеном, и каждый токен был «правдоподобный по форме». «Бахор» — нормальное узбекское слово. 1953 — нормальный год. Это валидное продолжение по статистике. Существует ли такой сборник в реальности — для NTP не вопрос механизма.
3. Метафора Karpathy — zip file со смайликом
«Hi, I'm ChatGPT. I am a 1 TB zip file. My knowledge comes from the internet which I read in its entirety about six months ago and I only remember vaguely. My winning personality was programmed by example by human labelers at OpenAI. You're talking to a zip file. If you stream tokens to it, it will respond with tokens back.»
4. Well-worn paths vs novel territory
Anthropic вводят это разделение в lesson 4 — continuum, не бинарка. Слева — задачи, которые модель видела миллион раз. Справа — там, где она едет по тонкому льду и сама этого не знает.
for-loop в list comprehension (Python idiom, повторён в корпусе бесконечно)3.7.2 (модель знает API «в общих чертах», уверенно дописывает несуществующий метод)while для 9-летнего ребёнка (популярная педагогическая задача)Это не cliff на конкретной задаче. Это градиент. Та же задача с CLAUDE.md и Read-доступом к файлам — двигается влево по шкале (агент прочитал — у него теперь есть факты, а не догадки). Та же задача без контекста — справа (агент догадывается). Правило оператора: прежде чем делегировать в novel territory — дай агенту source of truth в контекст (файл, документ, ссылку). Тогда он переезжает на well-worn paths по конкретно твоей задаче.
5. Smooth prose can wrap a guess
«Hallucination: the plausible continuation isn't always the true one. Confabulation: fills gaps with plausible material rather than flagging them. Misplaced confidence: smooth prose can wrap a guess.»
Связка с Delegation. Это плавно подводит к 4D. Anthropic в курсе AI Capabilities явно говорят: «Next Token Prediction is the foundation of Discernment. Knowing the output was generated tells you exactly what kind of scrutiny to apply» (lesson 4). Перевод: если ты понял как сгенерировано — ты понимаешь как это проверять. Delegation = решить «отдать или нет» на основе этого понимания.
4D · Delegation — что отдать, что оставить.Nimani berasan, nimani o'zing qilasan
Anthropic в курсе «AI Fluency: Framework & Foundations» вводят 4D-фреймворк: Delegation · Description · Discernment · Diligence. Это первое D — принять решение «делать самому / вместе / отдать». Ниже verbatim определение + три sub-component + три уровня для ментора Mars.
«Delegation refers to the ability to identify when and how to use AI tools and modalities effectively in creative and problem-solving processes. It involves understanding the capabilities and limitations of various AI technologies and making informed decisions about when to use AI for automation, augmentation, or independent agent-mediated experiences.»
Три sub-component (Anthropic verbatim, перевод)
«What am I trying to do?»
Понять свою задачу до конца прежде чем звать AI. Что значит «хороший результат»? Какие куски требуют человеческой экспертизы, а какие — нет? Без этого ты делегируешь то, что ещё сам не сформулировал.
«What do you do well?»
Понять capabilities & limitations конкретного инструмента. Для нас: Claude Code сильный на коде с tool use, слабый на свежих фактах, не помнит между сессиями без CLAUDE.md. Это про NTP-карту, которую мы только что нарисовали.
«Ok, here's the plan»
Разделить работу: что ты сам, что вместе с AI, что AI один. Использовать сильные стороны каждой стороны. Не «всё автоматизировать» — partnership.
Прямо из lesson 06 (FW · Delegation), verbatim: «The goal isn't to automate everything, but to create the most effective human-AI partnership for any given task or goal.» По-русски: цель — не «убрать человека из процесса», а усилить человека там, где он силён, и отдать AI там, где AI силён. Augmentation, а не automation. Для ментора Mars это значит: педагогические решения, оценка ученика, выбор «чему сегодня учим» — это твоё. Boilerplate, перевод, рефактор по образцу — это AI.
Три уровня delegation для ментора (как применить)
Мы берём sub-component 03 (Task Delegation) и раскладываем её в три практических уровня. Это не abstract — это то, как ты будешь маркировать свой список 10 задач в упражнении.
«сделай и покажи diff»
Пример: «прочитай
01-circle.py, по образцу сделай 06-triangle.py ... 10-spiral.py. ≤30 строк, имена как в 01». Ты делаешь git diff, апрувишь.«план — мой, реализация — твоя»
Пример: «придумай 5 заданий по циклам для 12-летних». Агент кидает каркас — ты вычёркиваешь два, переписываешь одно, потом просишь финализировать.
«проверь, я сам исправлю»
Пример: «прочитай мой
lesson-12-loops.md, найди (а) синтаксические ошибки в код-примерах, (б) места где код сложнее темы. Не правь — выдай список». Список фильтруешь ты — потому что часть findings будут сами галлюцинацией.Связка с NTP. Уровень выбирается не наугад. Full — когда задача в well-worn paths и есть verifiable check (diff, тест). Co-creation — когда задача требует twoего педагогического суждения (это уже не well-worn). Validation — когда задача в novel territory (твой урок, твоя специфика), но агент может помочь как лишняя пара глаз — при условии что ты потом фильтруешь.
Сейчас ты увидишь 4 реальных запроса Зухры в Claude Code. Запиши себе на бумаге: на каком из 4 — NTP сработает корректно? На каком — выдумает? И как именно Зухра поймает галлюцинацию (если поймает)? Прогноз делается сейчас, проверка — через 3 минуты ниже.
Demo — один день Зухры в Claude Code.Zuhraning bir kunlik ish kuni
Зухра, ментор Python в Юнусободе. Группа 7-9 лет (Mars Python младшие). Сегодня — 4 разных задачи за утро. Каждая ложится на свой уровень delegation. На последней — NTP даёт сбой; смотри как именно она это ловит.
10:14 · Full delegation — перевод объявления родителям
Завтра выезд в парк, надо разослать родителям по-узбекски. Хорошо знакомый Claude well-worn path: стандартные конструкции, миллион примеров в корпусе.
$ claude ✓ CLAUDE.md loaded ~/mars/comms/CLAUDE.md (1,420 tokens) › переведи на узбекский для родителей, тон вежливый, без эмодзи: "Завтра в субботу в 10:00 выезд в Tashkent Park. Сбор у филиала Юнусобод. Вернёмся к 13:00. Возьмите воду и кепку. Если ребёнок не идёт — напишите до 18:00 сегодня." ⠋ 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
Что произошло: well-worn path в чистом виде — перевод с парных языков. Зухра проверяет глазами 30 секунд, отправляет. Уровень — Full. Diff = текст, verifiable = понимает узбекский родительским взглядом.
10:18 · Co-creation — 5 заданий по циклам для группы 12-14
Зухра иногда подменяет коллегу на старшей группе. Готовит блок «введение в for и while».
› придумай 5 заданий на циклы (for/while) для Python-группы 12-14. уровень: знают переменные, if/else, ввод. циклы — первый раз. каждое задание: название, цель, скелет кода с TODO для ребёнка, ожидаемый выход. возрастающая сложность. ⠋ Drafting… 1. "Считалочка от 1 до N" — for, range, print 2. "Сумма от 1 до N" — for, аккумулятор 3. "Угадай число" — while, input, break 4. "Таблица умножения" — nested for 5. "Алгоритм Эратосфена" — list, for, modulo + скелеты кода каждой задачи
Что делает Зухра. Открывает каждый скелет. Задание 5 (Эратосфен) — слишком сложно для первого знакомства с циклами, выкидывает. Задание 2 — переименовывает в «копилка» (метафора понятнее). Задание 3 — у агента в while нет «попыток» — добавляет счётчик. Потом просит финализировать оставшиеся 4 в .py файлы.
Что произошло: well-worn path для каркаса (Python boilerplate, стандартные туториалы), но педагогическое решение «что подходит этому возрасту» — это Зухра. Уровень — Co-creation. Без её фильтра 5-я задача попала бы детям и угробила урок.
10:25 · Validation — проверка плана урока
Завтра урок «списки» в группе Python 7-9. План написала вчера, хочет вторую пару глаз: не наврала ли в Python-фактах, не перегрузила ли возраст.
› прочитай lesson-08-lists.md. найди: (а) фактические ошибки про Python — синтаксис, поведение; (б) места где код сложнее темы урока (мы только списки); (в) куски где имя переменной не как в CLAUDE.md (snake_case, рус. слова — ок). НЕ правь файл. выдай список с цитатами. ⠋ Reading lesson-08-lists.md… ⠋ Reading CLAUDE.md… Найдено: [a-1] строка 47: «fruits.append() возвращает новый список» — это неверно. append() меняет on the spot и возвращает None. [a-2] строка 89: «срез fruits[1:-1] исключает последний и предпоследний» — неверно. Исключает только последний. [b-1] строка 112: пример использует list comprehension — сложнее темы урока, отложить. [c-1] строка 64: переменная fruitList — camelCase, в CLAUDE.md требуется snake_case. [a-3] строка 134: «len() для строки тоже работает через __length__» — это __len__ (одно подчёркивание с каждой стороны было бы __len__, неверно записано).
Зухра не доверяет на слово. Открывает строки 47, 89, 134 — три фактические ошибки подтверждаются по её опыту. Хорошо. Строка 64 — её camelCase, действительно надо. Строка 112 — соглашается.
НО. Зухра помнит про NTP. Она просит у агента второй проход:
› для каждой найденной ошибки [a-1..a-3] цитируй точную строку из моего файла и из официальных Python docs (раздел и URL). если URL не помнишь — пиши "URL: не уверен" вместо догадки. ⠋ Re-reading lesson-08-lists.md… [a-1] мой файл стр.47: «fruits.append(x) → возвращает [...x]» Python docs: data structures · list.append() → URL: не уверен (помню что в "More on Lists") [a-2] мой файл стр.89: «fruits[1:-1] исключает последний и предпоследний» Python docs: tutorial · sequence slicing → URL: не уверен [a-3] cтр.134 в файле — НЕТ упоминания __length__. Я ошибся в первом ответе. Прошу прощения, стр.134 — пример range(len(fruits)), не __len__.
Вот оно. Третья «ошибка» (__length__) — была галлюцинацией агента. Цитаты из файла на двух первых нашлись (это правда). На третьей агент признался когда его прижали к источнику. Уровень — Validation. Зухра использовала агента как «лишнюю пару глаз», но финальная фильтрация — её.
10:31 · Novel territory — эссе про Зульфию
Та самая задача из hook'а. Зухра попробовала — гладкий текст, 5 названий сборников. Прямо в Claude Code:
› напиши эссе про узбекскую поэтессу Зульфию для культурного раздела газеты школы. 800 слов. для детей 12-14. упомяни 3-4 её главных сборника стихов с годами. ⠋ Generating 800 words… Зульфия Исроилова (1915–1996) — голос узбекской поэзии XX... [...] её сборники включают: • «Hayot varaqlari» (1932) • «Qizlar qo'shig'i» (1947) • «Bahor nafаsi» (1953) • «Onamning kuylari» (1968) • «Xotira» (1985) [...]
Зухра ловит галлюцинацию двумя движениями.
- Просит источник под каждое название: «для каждого сборника дай: каталог библиотеки или URL. если не уверен — пиши "не уверен"». Агент возвращает: «Hayot varaqlari — есть в каталоге Алишер Навои; Qizlar qo'shig'i — есть; Bahor nafаsi — не уверен; Onamning kuylari — не уверен; Xotira — есть».
- Сверяет 5 названий в каталоге
natlib.uz(Национальная библиотека Узбекистана). 3 находятся, 2 — нет. Совпадает с тем, что агент признал.
Что произошло. Это не Validation, это novel territory без источника в контексте. NTP уверенно сгенерировал 5 правдоподобных названий, потому что «название сборника узбекской поэтессы середины XX века» — это валидное по форме сочетание слов. Из них правда — 3, выдумка — 2. Smooth prose wrapped a guess.
Урок для Зухры (и для тебя): когда задача про конкретные факты в narrow domain (имена, даты, заголовки, цитаты) — не делегируй full. Либо дай агенту источник (загрузи каталог / Wikipedia / PDF), либо сам напиши факты, а агент пусть только обернёт их в текст для нужной аудитории.
Как это выглядит для Тимура (Python олимп 12–14, Чиланзар)
У Тимура группа олимпиадников. CLAUDE.md из M1 — у него специфический: разрешён list comprehension, dataclasses, требуется комментарий со сложностью алгоритма (O(n log n)) над каждой задачей. Сегодня — Validation-задача.
Ученик прислал решение задачи «префиксные суммы, найти подотрезок с суммой = K» из olymp.uz. 87 строк. Работает на маленьких примерах, на большом — TLE. Тимур пускает агента проверить корректность и сложность.
› прочитай student-solution.py. проверь: (1) корректность — есть ли логические ошибки; (2) сложность — оцени O(?) и сравни с ожидаемым O(n); (3) соответствие CLAUDE.md (комментарий O(...) сверху, snake_case). [1] корректность: на стр. 34 в проверке prefix[j] - prefix[i] == K логически верно. Но цикл на стр. 28-40 — двойной for, это O(n²), не O(n). [2] сложность: фактически O(n²). Ожидаемо для prefix sums — O(n) через hashmap "видели ли prefix[j]-K раньше". [3] CLAUDE.md: комментария "# O(...)" сверху нет. переменные prefSum, nMax — camelCase. [reference] в этой репе есть похожие решения: olymp/easy/sum-subarray.py — O(n) через dict. olymp/medium/two-sum.py — тот же паттерн.
Что Тимур получил. Корректность подтверждена (агент проверил логику ветки на стр. 34), сложность объяснена с конкретным анти-паттерном (двойной for на стр. 28-40), нарушения конвенций из CLAUDE.md перечислены, плюс ссылки на свои же эталоны в репе. Тимур не верит на слово — открывает olymp/easy/sum-subarray.py своими глазами, видит O(n)-вариант, ведёт ученика к нему.
Где NTP помог: well-worn path (анализ Big-O, типичные паттерны префиксных сумм — миллион учебных примеров в корпусе). Где могло наврать: если бы агент придумал ссылку на несуществующий файл в репе — Тимур поймал бы, открыв его. Verification step встроен.
Упражнение — 3 probe для своих задач.Uchta probe — o'z vazifalaringga
Адаптация упражнения «The Verification Test» из Anthropic «AI Capabilities and Limitations» lesson 5 — на задачи ментора Mars. Без рук это не возьмётся. Закладывай 20-25 минут.
Выпиши 10 реальных coding/teaching задач следующей недели
Не «вообще дела» — конкретные задачи ментора Mars, которые можно отдать (или не отдать) в claude. Если задач меньше 10 — добавь типовые из работы коллег (проверка ДЗ, обновление примеров, перевод материалов, скрипты для разметки).
- Открой блокнот / NOTES.md / лист бумаги. Пиши столбиком 1-10.
- Каждая задача — одной фразой, конкретно: «обновить
06-snake.pyдобавить стрелочки» (а не «доработать игру»). - Маркируй ⭐ те, что требуют CLAUDE.md (твой стек, конвенции твоей группы), и ☆ те, что cold start ok (перевод объявления — не требует, generic Python boilerplate — не требует).
Рядом каждой задачи поставь Full / Co / Validation / None
Это применение карты NTP × Delegation к твоему списку. None — это валидный ответ для задачи, где AI не нужен (например, «провести 1:1 с ребёнком которого травят» — это не Claude Code, это ты).
- Для каждой из 10 задач — буква в одну колонку: F (Full), C (Co-creation), V (Validation), N (None).
- Справа — одна фраза-аргумент: почему именно этот уровень. Применяй карту well-worn vs novel из mental model.
- Проверь баланс: если у тебя 9 Full и 1 None — скорее всего ты переделегируешь. Если 9 None и 1 Full — скорее всего недо. Здоровый разброс — обычно 3-4 Full, 3-4 Co, 1-2 V, 1-2 N.
Возьми ОДНУ Full и ОДНУ Co — сделай обе в claude
Тут техника встречается с реальностью. CLAUDE.md из M1 должен лежать в репе — это база для probe.
- Full: открой
claudeв нужной репе, дай задачу одной репликой. Жди результат. Не правь промпт по дороге — суть Full в том чтобы получить готовое. - Открой
git diff(или просмотри новые файлы). Запиши: что ровно, где удивил (приятно или неприятно), что пришлось редактировать. - Co-creation: то же самое, но первой репликой проси только план (без кода). Поправь план словами. Только после approve — попроси код.
- Сравни ощущения. В каком случае ты больше доверял результату и почему. В каком меньше времени потратил.
Перед тем как проверять себя — пауза на 60 секунд
Эти ответы остаются у тебя — мы их не отправляем. Это способ заякорить два момента, на которых модуль вырывается из «прочитал и забыл».
Quiz — проверь себя за 3 минуты.O'zingni sina — 3 daqiqada
Три apply-вопроса. Не «вспомни определение», а «примени к ситуации». Если хотя бы один ошибся — вернись к соответствующему разделу.
Ты дал агенту запрос «напиши эссе про Зульфию Исроилову, упомяни её сборники с годами». Получил 5 названий сборников с годами. Что нужно сделать ДО того как использовать этот список с детьми?
У тебя три задачи на сегодня. Какой уровень delegation подходит каждой?
Z1: прочитать 01-circle.py и сделать по образцу 06-triangle.py ... 10-spiral.py (5 файлов).
Z2: придумать 5 заданий по словарям для группы 12-14.
Z3: прочитать твой план урока lesson-12.md, найти места где код сложнее темы.
На какой из трёх задач NTP-механизм вероятнее всего сгалюцинирует уверенно?
while, через бытовой пример/init, /memory, /compact, plan mode, sub-agents
Что дальше — Модуль 3.Keyingisi — Modul 3
Как просить, чтобы агент не ушёл туда, где слаб
Теперь ты знаешь что отдать агенту. В М3 — как сформулировать запрос, чтобы агент не свернул в novel territory: product / process / performance в одной фразе, @-mention файлов как источника, plan mode когда задача требует обзора кодовой базы. Цель — превратить твою Co-creation в Full, добавив правильный контекст в запрос.
Atribuция и лицензия
Этот модуль адаптирован Mars IT School (2026) на основе:
— «AI Capabilities and Limitations» — Anthropic Academy, 2026, уроки 4-5 (Next Token Prediction) — verbatim определение и упражнение «The Verification Test».
— «AI Fluency: Framework & Foundations» — Rick Dakan, Joseph Feller, Anthropic, 2025 (CC BY-NC-SA 4.0) — уроки 6-7 (Delegation), три sub-component.
— Andrej Karpathy «How I Use LLMs» (2025) — метафора «1 TB zip file with smiley face» — fair use в образовательных целях.
— Claude Code documentation (claude.com/docs) — рабочий цикл, plan mode, tool use loop.
Наша адаптация — CC BY-NC-SA 4.0. Можно копировать, ремиксить, использовать в обучении — с указанием Mars IT School и сохранением той же лицензии.