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

Здесь два слоя. Knowledge — что у модели уже в голове из тренировки. Description — как ты упаковываешь свою задачу, чтобы она это знание достала и применила. Разберём оба.

1. Что AI знает хорошо, а что — придумает

Модель сильна там, где материал в тренировке встречался часто, недавно (до даты обрезки) и согласованно у разных источников. Слаба там, где редко, после обрезки, узко, локально (один город, одна школа) или где источники спорят между собой.

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
Четыре типичных сбоя знаний

Устаревание (правда на момент тренировки ≠ правда сейчас), неровное покрытие (узкое/локальное провисает), унаследованный перекос («нормальным» считается то, что было в данных), амнезия источника («где-то читал» — но это не цитата). Все четыре работают одновременно. У ментора Mars первыми бьют неровное покрытие и амнезия источника.

2. Три уровня Description — product · process · performance

Три слоя хорошего описания: product — что должно выйти (формат, аудитория, стиль). process — как агенту думать (шаги, что прочитать сначала). performance — как ты поймёшь, что хорошо, и как он себя ведёт (кратко/подробно, спорит/поддерживает). Все три — в одном промпте, а 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

Это не «написал идеальный промпт с первого раза». Это цикл: ты описал → агент сделал → ты оценил каждый из трёх слоёв (product/process/performance — что не так?) → переписал описание точнее → повтор. 2-3 итерации — норма. Один «идеальный» промпт с первой попытки — 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

Шесть приёмов, каждый — куда ложится в product / process / performance. Запомни эти шесть, и они покроют 90% твоих промптов.

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

Три упражнения на реальных задачах. Сделай все три руками — без этого следующий твой промпт будет угадайкой, 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?