m
Mars AI Operator Модуль 3 Description · Knowledge
50 мин · hands-on
Структура модуля
  1. Hook3м
  2. Mental model12м
  3. 6 техник5м
  4. Demo · V1→V412м
  5. Упражнение15м
  6. Quiz3м
  7. Что дальше
Модуль 3 из 5 · Description × Knowledge

AI не знает про твою школу.

«Aniqlik so'rovda — aniqlik javobda»

Спроси Claude: что такое «Mars Pro»? Получишь ответ про планету или какой-то софт. Почему AI не знает про твою школу? Потому что Mars IT School — это niche/local. В этом модуле — как описать задачу так, чтобы AI не угадывал, и как понять, где он угадывает по умолчанию.

Длительность
50 мин
Hands-on
25 мин
Prerequisite
M1 + M2
Релиз
After пилота M1+M4

Hook — «Mars Pro»? AI думает про планету.AI o'qituvchining maktabini bilmaydi

Сцена · понедельник, между сменами

Открываешь claude. «Придумай 5 заданий по Python для моих 12-летних на эту неделю». Получаешь: квадраты сумм, проверка на простоту, FizzBuzz, угадай число, словарик. Технически правильно. Для твоих детей — мимо.

Спрашиваешь: «что такое Mars Pro?» AI уверенно: «видимо, какой-то professional-софт для марсианской миссии…». Про твой тариф в школе он не знает.

Спроси Claude: «что такое Mars Pro?» — получишь ответ про планету. Почему AI не знает про твою школу? Для AI Mars IT School = rare / niche / local. Это не баг модели. Это карта того, где она сильна и где её надо подкармливать.

К концу модуля ты сможешь

Три навыка, которые я проверю

  • Применять все 3 уровня Description — product (что хочу) / process (как думать) / performance (как пойму что хорошо) — все три явно в одном промпте, не один-два.
  • Распознавать где задача в mainstream knowledge vs niche/local; в niche-зоне подкреплять prompt своими данными (@-mention файлов, @-import в CLAUDE.md, MCP).
  • Применять Description ↔ Discernment loop — 2-3 итерации улучшения промпта, не один «идеальный с первого раза».

Mental model — что AI знает и как ему рассказать.AI nimani biladi va unga qanday tushuntirish

Два слоя: Knowledge — что у модели в голове из тренировки. Description — как ты упаковываешь задачу. Каждое — отдельная подсекция. Verbatim цитаты Anthropic + перевод. Если язык поплыл — оригинал рядом, доверяй ему.

1. Knowledge spectrum — frequently · recently · consistently

Anthropic Academy · «AI Capabilities and Limitations» · lesson 6 (Knowledge)
«Capability zone: topics that appeared frequently, recently (within training), and consistently in training data. Limitation zone: rare, post-cutoff, niche, local, or contested topics.»
По-русски: модель сильна там, где материал в её тренировке встречался часто, не давно (до cutoff), и согласованно у разных источников. Слаба там, где редко, после cutoff, узко, локально (один город / одна школа) или там, где источники между собой спорят.

Практический вопрос — не «знает ли AI это?», а «насколько хорошо это было представлено в том, что он прочитал?». Шкала из четырёх зон:

// knowledge spectrum для ментора Mars IT School MAINSTREAM Python syntax, циклы for/while, FizzBuzz, list/dict, базовый ООП → AI ответит точно, можно доверять POPULAR FRAMEWORK pygame для детей, Scratch, Turtle, Replit, Khan Academy паттерны → AI ответит уверенно, спот-чек NICHE методики обучения Python именно 12-летних, error patterns у начинающих, Scratch → Python переход ~ AI даст plausible — проверяй каждый раз RARE / LOCAL Mars IT School внутренности, тариф «Mars Pro», твоя группа, Алишер из Чиланзара, узбекская сказка ! AI не знает — придумает, не предупредит // важно: AI не сигнализирует уверенность по-разному. // одинаковым тоном выдаёт и mainstream, и галлюцинацию.
→ свайп вправо если таблица обрезана
Характерные сбои знаний · из Anthropic lesson 6

Anthropic выделяют 4 типа отказа знаний: staleness (правда на момент тренировки ≠ правда сейчас), uneven coverage (niche/local провисает), inherited bias (что считается «нормальным» = что было в данных), source amnesia («где-то читал» — не цитата). Все четыре активны одновременно. У ментора Mars uneven coverage и source amnesia ловятся первыми.

2. Три уровня Description — product · process · performance

AI Fluency Framework · Description Summary (Dakan, Feller, Anthropic, 2025)
«Product Description: defining what you want in terms of outputs, format, audience, and style. Process Description: defining how the AI approaches your request, such as providing step by step instructions for the AI to follow. Performance Description: defining the AI system's behavior during your collaboration, such as whether it should be concise or detailed, challenging or supportive.»
Перевод одной фразой: product = что выходит. process = как думать. performance = как ты поймёшь что хорошо (и как себя ведёт AI). Все три — в одном промпте. Не один-два.
01 · product

Что я хочу на выходе

Конкретный артефакт. Формат. Аудитория. Стиль. Длина.

«5 заданий по for-циклу, для 12-летних, на узбекском, 1 абзац условия + пример»
02 · process

Как ты должен подумать

Шаги. План сначала. Какие файлы прочитать. О чём подумать перед ответом.

«сначала концепт → пример из жизни ребёнка → типичная ошибка → задание»
03 · performance

Как я пойму что хорошо

Критерий проверки. Tone. Что AI должен отбросить сам. Когда сказать «не знаю».

«12-летний пересказывает условие своими словами за 30 сек — иначе слабо»

3. Description ↔ Discernment loop — двигатель курса

AI Fluency for Educators · lesson 2 «Framework review»
«Description and Discernment work together in a continuous feedback loop, transforming AI from a tool into a thinking partner.»
Это не «написал идеальный промпт с первого раза». Это цикл: ты описал → AI сделал → ты оценил каждый из трёх слоёв (product/process/performance — что не так?) → переписал описание точнее → повтор. 2-3 итерации = норма. Один «идеальный» промпт — редкая удача.
step 1
Description

product · process
performance

→
step 2
AI output

попытка модели

→
step 3
Discernment

оцени по всем 3 слоям

↺

Antipattern №1 в Mars: ментор пишет один длинный промпт → получает не то → винит модель. Pattern: короткий промпт → смотришь что AI сделал → понимаешь какого слоя не хватало → дописываешь. Через 2-3 круга — рабочий шаблон, который ты потом используешь повторно.

Шесть техник prompting — из Anthropic Fluency.Oltita texnika — prompting uchun

Verbatim из AI Fluency Framework урок 9. Каждой строкой — техника + куда мапится в product/process/performance. Запомни шесть, и ты покрываешь 90% случаев.

Техника
Что значит
Слой Description
Give context
«Be specific about what you want, why you want it, and relevant background». Зачем эта задача, для кого, что уже есть.
product + process
Show examples
«Demonstrate the output style or format you're looking for». Покажи 1-2 примера хорошего ответа.
product
Specify constraints
«Clearly define format, length, and other output requirements». 1 абзац / без markdown / только узбекский / без новых библиотек.
product + performance
Break into steps
«Guide the AI through multi-step reasoning». Сначала прочитай X, потом подумай Y, потом ответ Z.
process
Think first
«Ask the AI to think first — give space for the AI to work through its process». «Прежде чем ответить, перечисли что неясно».
process
Role / tone
«Define the AI's role or tone — specify how you want the AI to communicate». «Ты ментор Python, отвечаешь как старший товарищ, не как учитель».
performance

Anthropic называют «secret weapon»: «Ask the AI itself to help improve your prompt». Закончил промпт — спроси Claude: «что в этом запросе неточно для тебя?» Часто оттуда вылезает целый слой, который ты не учёл.

Прогноз · до того как читать demo

Один и тот же промпт «придумай 5 заданий по Python для 12-летних» — прогоняется через 4 итерации. На какой версии (V1, V2, V3, V4) — по-твоему — AI начнёт сам отбраковывать слабые варианты, без твоего нажима? Запиши номер. Проверим.

Demo — четыре итерации одного промпта.Bitta prompt — to'rtta variant

Зухра, ментор Python из Юнусобода. Утро понедельника, надо подготовить материал для группы 12-летних. Один и тот же базовый запрос. Каждая версия добавляет один слой Description. Mock-output показывает что меняется в качестве.

V1 · bare — без слоёв

~/zukhraV1 · 0 слоёв
$ claude

› придумай 5 заданий по Python для 12-летних

⠋ Готово:

1. Сумма квадратов от 1 до n
2. Проверка числа на простоту
3. FizzBuzz
4. Угадай число (random)
5. Подсчёт гласных в строке

Что не так: технически валидно, но это generic Hour-of-Code набор. Для каких именно 12-летних? Только начали? Уже знают условия? Тема какая — циклы, строки, словари? Совершенно непонятно по чему этим оценивать. Discernment-сигнал: промпт пробил mainstream knowledge AI и забрал самое усреднённое из обучающих данных.

V2 · +product — что я хочу на выходе

~/zukhraV2 · product
› придумай 5 заданий по Python, тема for/while,
  для 12-летних, которые уже знают if/else но циклы только начали.
  Формат: 1 предложение условия + 1 пример входа/выхода.

⠋ Готово:

1. Напечатай числа от 1 до 10, каждое с новой строки.
   Пример: вход — нет, выход — 1\n2\n...\n10
2. Посчитай сумму всех чётных от 1 до 20.
   Пример: вход — нет, выход — 110
3. Напечатай таблицу умножения на 5 (до 5×10).
4. Пока пользователь не введёт «stop», повторяй приветствие.
5. Найди первое число от 1, у которого квадрат больше 100.

Лучше: теперь по теме (циклы), теперь учитывает уровень (знают if/else). Но всё ещё школьно-абстрактно. «Сумма чётных» 12-летнему — зачем? Какая ошибка типичная? Какой педагогический ход? AI не знает, потому что мы не сказали как ему думать.

V3 · +process — как тебе думать

~/zukhraV3 · product + process
› те же 5 заданий по for/while для 12-летних (знают if/else).
  Думай для каждого задания шагами:
    1. концепт (что именно из циклов осваиваем)
    2. пример из жизни ребёнка (не «сумма чётных» — что-то про
       их мир: WhatsApp, TikTok, домашка, перемена)
    3. ожидаемая ошибка большинства (forgot increment? off-by-one?)
    4. задание

⠋ Готово:

1. КОНЦЕПТ: for с диапазоном
   ИЗ ЖИЗНИ: прокрутка плейлиста в TikTok — каждое видео по 15 сек
   ОШИБКА: забудут что range(5) даёт 0..4, не 1..5
   ЗАДАНИЕ: «Печатай "видео N (15 сек)" для 8 видео».

2. КОНЦЕПТ: while с условием выхода
   ИЗ ЖИЗНИ: ждёшь ответа друга в WhatsApp — пока не пришло
   ОШИБКА: infinite loop — забудут менять переменную
   ЗАДАНИЕ: «Пока не получишь "ok" — продолжай печатать
                "ждём…" с паузой». (показать time.sleep)

3-5. [аналогично — счётчик отжиманий, обратный отсчёт перемены,
        проверка все ли друзья ответили]

Намного лучше: AI начал давать педагогически осмысленный материал. «Ожидаемая ошибка» — это уже почти план урока. Но мы всё ещё не сказали как ты поймёшь что задание сильное. Что если AI выдаст слабый «жизненный пример»? У него нет критерия отбраковать.

V4 · +performance — как ты поймёшь что хорошо

~/zukhraV4 · product + process + performance
› [V3 prompt полностью] +
  КРИТЕРИЙ ХОРОШЕГО ЗАДАНИЯ:
  «12-летний ребёнок может пересказать условие задания
   своими словами за 30 секунд». Если задание требует
   объяснения концепции дольше — оно слабое, отбрось.

  Сначала составь 8 кандидатов, потом отбракуй
  по этому критерию, верни 5 финальных
  + покажи какие 3 ты отбросил и почему.

⠋ Думаю…
⠋ 8 кандидатов сгенерировал.
⠋ Прогоняю каждый через 30-секунд-тест…

ОТБРОСИЛ 3:
  × «Шифр Цезаря через цикл» — требует объяснить шифрование,
     30 сек не хватит, 12-летнему concept загруженный
  × «Сортировка пузырьком» — концепт «сортировка алгоритмом»
     сам по себе требует объяснения, плюс while внутри for
  × «Простые числа» — нужно объяснить простоту, 30+ сек

5 ФИНАЛЬНЫХ (прошли 30-sec тест):
1. Плейлист TikTok [как в V3]
2. Ожидание WhatsApp [как в V3]
3. Счётчик отжиманий [как в V3]
4. Отсчёт до конца перемены [новое — лучше отжиманий]
5. Проверка друзей в групповом чате [новое]

Главное произошло: AI начал сам отбраковывать слабое. Тебе не пришлось спорить с ним по каждой задаче. Performance-критерий сделал внутри AI ту работу, которую без него делает ментор глазами.

А теперь умножь это на Mars context. У Зухры в ~/zukhra/CLAUDE.md (из M1) написано: «я ментор Python для 11-13 лет в Mars IT School, мои дети — Юнусобод, узбекский родной, русский как второй, инструкции и примеры на двух языках, базовый Scratch есть у 70%». Этот файл подгружается автоматически. V4 с Mars context выдаёт уже не просто 5 заданий — выдаёт их двуязычно, с примечанием «эти 2 предполагают что ребёнок видел Scratch-блоки — у тех 30% объяснить за 2 минуты». То, что без CLAUDE.md заняло бы V5 итерацию, с CLAUDE.md приходит сразу.

Слой добавлен
Что улучшилось
V1 — bare
generic FizzBuzz / Hour-of-Code, mainstream knowledge выдал среднее
V2 — +product
по теме (циклы), по уровню (знают if/else) — но школьно-абстрактно
V3 — +process
педагогически осмысленные задания, появилась «ожидаемая ошибка», примеры из жизни ребёнка
V4 — +performance
AI сам отбраковывает слабые варианты по твоему критерию — ты получаешь только финал + понятную причину отказа
Тот же модуль — другой ментор

Как это выглядит для Тимура (олимп Python 12–14, Чиланзар)

У Тимура другая performance-метрика. Не «12-летний пересказывает за 30 сек», а: «решение должно пройти hidden tests на olymp.uz, complexity O(n log n) или лучше, никаких сторонних библиотек кроме allowed olymp set (math, itertools, functools, collections, bisect, heapq)».

Тимур в своём ~/olymp-prep/CLAUDE.md описал именно это. V4 у него на промпт «дай мне 3 задачи на префиксные суммы» выдаёт решения с doctests, с пометкой complexity в комменте, и сам отбрасывает варианты использующие numpy. Та же ladder Description, другой performance — другой результат.

У Зухры главный слой — process (как педагогически думать). У Тимура главный слой — performance (как пройти судью). У каждого свой шаблон.

Edge of knowledge — где AI honestly не знает

Зухра пробует: «объясни рекурсию через узбекскую народную сказку — для 12-летних». AI бодро выдаёт «как Иван-Царевич…» — узбекские сказки в его тренировке rare/local. Если не остановить — материал уйдёт детям с русскими именами.

Лекарство · context injection

Зухра сама приносит сказку в промпт: «вот текст сказки про Алдара-Косе и его трёх сыновей [полный текст]. Найди в ней структуру, которая повторяется на уменьшающемся размере (это рекурсия). Объясни 12-летнему». Теперь AI работает не «из памяти», а из приведённого источника. Это и есть основной приём для niche/local: ты — носитель локального знания, AI — обработчик. Не наоборот.

Три места, куда «положить» свой контекст:

Механизм
Когда
@-mention файла в промпте
Разово в этой сессии. «прочитай @docs/scratch-to-python.md». Не загромождает CLAUDE.md, работает один раз.
@-import в CLAUDE.md (@docs/api.md)
Постоянно. Контекст автоматически подгружается каждой сессией. Для правил которые ты применяешь каждый день.
MCP-серверы
Живые данные (Jira, Google Drive, Postgres). Подключаются на уровне Claude Code. В рамках курса — упоминание, без углубления (см. cheatsheet).

Упражнение — 3 probe и шаблон-snippet.Uchta probe va shablon

Адаптация «Bad Prompt Makeover» (AI Fluency lesson 8) + «Outsider Test» (AI Capabilities lesson 6). Сделай все три probe руками — без этого следующий твой промпт будет угадайка как у всех.

Probe 1 · 5 мин · какой слой ты привык опускать

Возьми задачу из Модуля 2 (уровень Co-creation)

В Модуле 2 ты выбрал задачу под Co-creation — где AI и ты вместе делаете. Возвращайся к ней.

  1. Напиши промпт под эту задачу как ты бы написал в обычный день. Не редактируй. Сохрани как V1.
  2. Открой его и разметь маркером: что здесь product, что process, что performance. Какой слой отсутствует?
  3. Запиши себе одной фразой: «я по умолчанию забываю слой ___». Это твой персональный паттерн.
Что записать в отчёт: какой слой отсутствовал в V1, как это менялось от задачи к задаче (одна привычка или разное).
Probe 2 · 12 мин · ladder V1 → V4

Прогоняй ту же задачу через 4 итерации

Это сердце упражнения. После каждой версии — короткая запись. Не «улучшилось/нет», а что именно.

  1. V1 (bare). Тот, что из probe 1. Запусти. Прочитай ответ. Запиши: что хорошо, что не пойдёт ученику/коллеге/в продакшн.
  2. V2 (+product). Добавь конкретный формат / аудиторию / длину / стиль. Запусти. Запиши что улучшилось vs V1.
  3. V3 (+process). Добавь шаги/план/«сначала прочитай X». Запусти. Запиши что улучшилось vs V2.
  4. V4 (+performance). Добавь критерий «как пойму что хорошо» + проси AI самого отбраковать слабые варианты. Запусти. Запиши что AI сам отбросил.
Falsifiable гипотеза: между V3 и V4 ты увидишь качественный скачок — AI начнёт сам бракать слабое, не ты. Если этого не произошло — твой performance-критерий неточный, перепиши.
Probe 3 · 8 мин · твой переиспользуемый snippet

Собери шаблон-snippet, который полетит в clipboard

Твой Teaching Context из M1 + твой product/process/performance из probe 2 = шаблон, который ты переиспользуешь. Не «один промпт на всё», а каркас, куда подставляешь задачу.

  1. Открой свой CLAUDE.md из M1. Скопируй из него релевантную секцию (роль / аудитория / язык). Это заголовок твоего шаблона.
  2. Под ним выпиши 3 строки:
    PRODUCT: [что я обычно прошу — формат/длина/стиль]
    PROCESS: [как AI должен думать — мои стандартные шаги]
    PERFORMANCE: [мой критерий «хорошо» — то по чему AI сам отбрасывает]
  3. Положи в свой системный clipboard manager (Raycast Snippets / Alfred / просто ~/snippets/mars-prompt.txt). Триггер — короткое слово, например ;mp.
  4. Следующие 3 промпта в Claude — начинай с этого snippet'а, дописывай только конкретику задачи. Сравни скорость и качество с тем как было.
Артефакт упражнения: один файл-шаблон, который ты используешь дальше. Если через неделю ты к нему не вернулся ни разу — шаблон слабый, перепиши.
Reflection · перед quiz

Перед тем как проверять себя — пауза на 60 секунд

Эти ответы остаются у тебя — не отправляются. Это якорь, чтобы модуль не вылетел из головы за неделю.

Quiz — проверь себя за 3 минуты.O'zingni sina — 3 daqiqada

Три apply-вопроса. Если ошибся хотя бы в одном — вернись к соответствующему разделу. Не оценка, а страховка перед следующим промптом.

Вопрос 01

Ты сформулировал product (что хочу) и process (как думать), но забыл performance (как пойму что хорошо). Что вероятнее всего произойдёт?

AAI откажется отвечать, потому что не хватает информации для запуска
BAI выдаст plausible-результат, который ты не сможешь отбраковать — придётся оценивать каждое предложение глазами вместо AI
CAI добавит performance-слой сам, потому что догадается из контекста
DAI выдаст более короткий ответ, чем если бы performance был указан
Правильно — B. Performance-слой — это твой критерий отбраковки. Без него AI не знает, какие из его кандидатов слабые, и возвращает всё подряд как plausible. Это сваливает работу discernment'а обратно на тебя — ты вручную смотришь каждое. A — AI почти никогда не отказывается из-за нехватки performance, идёт делать. C — крайне редко угадывает твой критерий; в Mars context почти никогда. D — нет корреляции с длиной.
Вопрос 02

На каком запросе AI вероятнее даст плохой ответ из-за knowledge limitation?

AОбъясни синтаксис list comprehension в Python с примерами для начинающих
BПредложи 3 района Ташкента для open-air занятий с группой 12-летних — с учётом транспорта от Юнусобода
CРасскажи как работает arrow function в JavaScript ES6 и чем отличается от обычной function
DОпиши паттерн try/except в Python для работы с файлами
Правильно — B. Районы Ташкента, transport-логика именно из Юнусобода, open-air для детских групп — это rare/local по терминологии Anthropic lesson 6. AI выдаст plausible (назовёт парки которые слышал), но уверенным тоном — без сигнала «я не уверен». A, C, D — mainstream knowledge, представлено frequently/consistently. По ним AI силён.
Вопрос 03

Промпт: «напиши сообщение опоздавшему родителю». Ты добавил Mars context (ты ментор, его ребёнок Алишер на занятии, опоздание 20 минут) и специфику ситуации. Получил холодное протокольное письмо. Какого слоя Description не хватало?

AProduct — AI не знал какой формат нужен
BProcess — AI не знал какие шаги пройти прежде чем написать
CPerformance — не задан тон/стиль («тёплый, как коллега родителю, не как сотрудник компании»)
DKnowledge — AI не знает про твою школу, надо было упомянуть Mars IT School явно
Правильно — C. Tone — это performance. «Холодное протокольное» — это default-голос AI без явного указания. Performance-слой по AI Fluency Framework: «defining the AI system's behavior — concise or detailed, challenging or supportive». D — отвлекающий: ты добавил Mars context, AI про школу знал, но не знал какой тон ты хочешь. A — формат «сообщение» был указан. B — для короткого письма process не критичен.
// выбери ответ в каждом вопросе
Все команды на одной странице: claude-code-cheatsheet.md — @-mention, @-import, /memory, MCP-серверы

Что дальше — Модуль 4.Keyingisi — Modul 4

Атрибуция и лицензия

Этот модуль адаптирован Mars IT School (2026) на основе:

— «AI Capabilities and Limitations» — Anthropic Academy, 2026, урок 6 «Knowledge» (frequently / recently / consistently · staleness · source amnesia).

— «AI Fluency: Framework & Foundations» — Dakan, Feller, Anthropic, 2025 — урок 8 «Description» (product / process / performance) и урок 9 «Effective Prompting» (6 техник).

— «AI Fluency for Educators» — те же авторы, 2025 — урок 2 «Framework review» (Description ↔ Discernment loop) и урок 3 «Course design» (Stage 2-3 worked example, Teaching Context document).

— Claude Code documentation (claude.com/docs) — @-mention файлов, @-import в CLAUDE.md, /memory, MCP overview.

Наша адаптация — CC BY-NC-SA 4.0. Можно копировать, ремиксить, использовать в обучении — с указанием Mars IT School и сохранением той же лицензии.

Финал · одной фразой

Как модуль в целом?