Кейс · собрано из реального лога работы
Как создать MVP
сложного продукта за один день
На примере Agro-AI — прогноз урожайности яблоневого сада по фото.
Практическое руководство для новичка в области ИИ.
незнакомая предметная область
незнакомые инструменты
≈ 3,5 часа
Что в итоге получилось
Рабочее демо, а не слайды о демо
Что оно делает
Пользователь загружает фото яблони →
нейросеть YOLOv8 находит и считает плоды →
прозрачная формула переводит количество в кг урожая с дерева.
Где это живёт
Развёрнуто в интернете:
agro-ai.danifodemo.ru
Docker + Caddy на VPS, открывается с телефона.
0.91точность модели (mAP@0.5)
~0.5 санализ одного фото на CPU
100%прозрачная формула, без «магии»
Три цифры, ради которых всё затевалось
Сколько это стоило по времени
≈ 3 ч 41 м
⏱ ОБЩЕЕ ВРЕМЯ
от первого слова до живого сайта
(09:20 → 13:01)
≈ 35 мин
👤 ТВОЁ ЛИЧНОЕ ВРЕМЯ
чтение и ответы как оператора
≈ 3 часа
🤖 РАБОТА ИИ
планирование, код, обучение модели, деплой
Общее время измерено точно по меткам в логе. «35 минут» — честная оценка:
написание стартового задания + чтение чекпойнтов + 15 коротких реплик.
Главное — порядок величины: десятки минут человека против часов машины.
Главный вывод за всю презентацию
Человек был занят ~16% времени
35 мин — ты
~3 часа — ИИ работает сам
Твоя роль — штурман, а не пилот.
Ты задаёшь направление и принимаешь решения на развилках. Рутину — код, обучение, деплой — машина делает сама.
15 реплик человека
560 ответов ассистента
1 вопрос задан тебе
Шаг 1 из 2
С чего всё началось:
твой первоначальный запрос
Ты не написал ни строчки кода и не назвал ни одного инструмента.
Ты ясно описал задачу, цель и желаемый результат. Этого достаточно.
Дословно, часть 1 — что должно уметь демо оригинал на English
Твоё ТЗ, без единой правки
Hello, Claude!
Help me plan a project to develop demonstration software for agricultural enterprises that grow apples.
The goal ... is to test the hypothesis that, with your assistance, it will be possible in the future to create a reliable and stable solution that enables agricultural producers to accurately forecast the yield of an apple orchard based on photos and/or videos of a certain number of trees.
## What the demonstration software should be able to do
* The user uploads a photo of an apple tree and provides information about the tree: variety, age, climate conditions, etc.
* The software detects and counts the number of fruits, blossoms, or fruitlets.
* Based on these counts, the software predicts the yield of the individual apple tree.
Полный текст — в приложении (последний слайд).
Дословно, часть 2 — запрошенная работа оригинал на English
И что ты попросил подготовить
## Requested work
Conduct a detailed study of third-party software with similar functionality, and research the AI tools and technologies required for such a solution.
Prepare:
1. A comprehensive research report covering: existing commercial and research solutions ... their capabilities, strengths, weaknesses, pricing models ... relevant computer vision, machine learning, and AI technologies.
2. A development plan ... including: functional requirements; system architecture; recommended AI models and frameworks; data requirements ...; development stages and milestones; risks, limitations, and validation methodology; estimated effort, timeline, and resources.
The report should focus specifically on apple orchards and on the feasibility of predicting orchard yield from photo and video analysis.
Урок для новичка №1
Не нужно знать инструменты.
Нужно ясно описать задачу.
Почему этот запрос сработал так хорошо:
✅ Есть цель и гипотеза
«проверить, что прогноз урожая по фото в принципе возможен» — понятно, зачем всё это.
✅ Есть конкретный сценарий
фото → подсчёт → прогноз кг. ИИ знает, что строить.
✅ Есть критерии результата
список того, что должно быть в отчёте и в плане. Легко проверить.
✅ Нет преждевременных решений
ни слова про YOLO, FastAPI, Docker — выбор инструментов отдан ИИ.
Шаг 2 из 2 — как ты управлял ходом работы
Все твои реплики за 3,5 часа дословно, оригинал на English
09:36go ahead
10:13what is need from me?
10:14go ahead
10:24commit, then fine-tune, then write up the research report
10:55whats up?
11:35give me a progress report please
12:04Continue the fine-tune: check if the AgML dataset download finished, then run prepare_dataset.py … launch bounded background fine-tune, then write the research report.
12:061. leave out of git 2. merge 3. deploy
12:20You should have all necessary data to access … the VPS. Can you … finish launching the app
12:28yes
12:29can you provide me with sample fotos, so I could check how the app works?
12:43Translate interface in russian and redesign using https://getdesign.md/notion/design-md
12:48→ ответ на вопрос ИИ: «Notion + green accent»
Управление = короткие решения в нужных точках. Большинство реплик — 2-4 слова.
Единственный вопрос, который ИИ задал тебе
За 3,5 часа — ровно один выбор за тобой
Вопрос (12:47) оригинал
«How faithfully should the redesign follow the Notion design system vs. keep the apple-green brand identity?»
Faithful Notion
✓ Notion + green accent
Notion minimal
Твой ответ: «Notion + green accent» — и работа продолжилась.
Урок для новичка №2
Хороший ИИ-агент сам принимает мелкие решения
Какой фреймворк, как назвать файлы, как настроить Docker, какие параметры обучения —
всё это машина решила сама, опираясь на разумные умолчания.
Тебя спросили только об одном — там, где это вопрос вкуса и бренда,
а не инженерии.
Чем меньше у агента «развилок, требующих человека», тем быстрее идёт работа.
Как это собиралось — таймлайн по коммитам
9 коммитов · 3 всплеска работы · 3 ч 41 м
▸ Всплеск 1 · каркас → рабочее демо (~66 мин)
09:19Initial scaffold — структура проекта
10:25Рабочее демо: детекция яблок + оценка урожая
▸ Всплеск 2 · своя модель → деплой в интернет (~115 мин)
10:47Пайплайн дообучения + исследовательский отчёт
12:02Дообученная модель в демо (mAP@0.5 ≈ 0.91)
12:17–12:34Автоматический деплой (Docker + Caddy) + примеры фото
▸ Всплеск 3 · русский интерфейс + редизайн (~27 мин)
13:01Русский UI + оформление в стиле Notion (зелёный акцент)
Урок для новичка №3
Инструменты, которые не пришлось
изучать заранее
Весь этот стек ИИ выбрал и применил за тебя. Тебе не нужно было знать их названия до старта:
YOLOv8 / Ultralytics
нейросеть-детектор объектов
PyTorch (CPU)
движок машинного обучения
FastAPI
бэкенд / веб-API
Docker
упаковка приложения
Caddy
веб-сервер + HTTPS
uv, pytest
сборка и тесты
Твоё дело — что построить. Дело агента — чем и как.
Самое «страшное» — машинное обучение — на самом деле понятно
Почему своя модель, а не «готовая»
❌ Базовая модель (COCO)
Обучена на «бытовых» фото. На фото реального сада видит ≈ 0 яблок — путается в листве.
✅ Дообученная под яблоки
Дообучили на открытом датасете садов (AgML). На том же фото — ≈ 28 яблок, точность mAP@0.5 ≈ 0.91.
Подсчёт → урожай считается прозрачной формулой:
урожай_кг = (кол-во плодов / видимость) × средний_вес_плода × поправка_на_возраст
Все коэффициенты видны пользователю — никакого «чёрного ящика».
Инвентарь результата за один день
Что лежит в проекте
✓ Рабочее веб-демо — бэкенд ~374 строки (FastAPI), фронт ~502 строки (без сборки)
✓ Своя ИИ-модель — дообученный детектор яблок, mAP@0.5 ≈ 0.91
✓ Живой деплой — Docker + Caddy на VPS, открыт в интернете
✓ Исследовательский отчёт — 379 строк: рынок, технологии, дорожная карта
✓ Воспроизводимое обучение — скрипты подготовки данных и тренировки + Colab
✓ Тесты и автодеплой — pytest + скрипт деплоя одной командой
Итог
6 уроков для новичка в ИИ
- Ясная цель важнее знания инструментов — опиши задачу и критерии, не технологии.
- Ты — штурман, а не пилот — направляешь, а не пишешь код сам.
- Управляй короткими решениями — «go ahead», «commit, then fine-tune», «deploy».
- Дай агенту работать автономно — рутину (код, обучение, деплой) он делает сам.
- Требуй прозрачности — формулы и источники, а не «магия чёрного ящика».
- Живой результат за день — это реально — даже в незнакомой области.
≈ 35 мин твоего времени
→ работающий продукт в интернете
Приложение · все исходные данные дословно оригинал на English
Полный первоначальный запрос (09:20:56)
Hello, Claude!
Help me plan a project to develop demonstration software for agricultural enterprises that grow apples.
The goal of developing this demonstration software is to test the hypothesis that, with your assistance, it will be possible in the future to create a reliable and stable solution that enables agricultural producers to accurately forecast the yield of an apple orchard based on photos and/or videos of a certain number of trees within that orchard.
## What the demonstration software should be able to do
* The user uploads a photo of an apple tree and provides information about the tree: variety, age, climate conditions, etc.
* The software detects and counts the number of fruits, blossoms, or fruitlets.
* Based on these counts, the software predicts the yield of the individual apple tree.
## What the future full-featured software should be able to do
* The user specifies orchard parameters: variety, number of trees, climate conditions, spraying/treatment information, etc.
* The user uploads photos and/or videos of a sample of apple trees.
* The software analyzes the images and provides a yield forecast for the entire orchard.
## Requested work
Conduct a detailed study of third-party software with similar functionality, and research the AI tools and technologies required for such a solution.
Prepare:
1. A comprehensive research report covering:
* Existing commercial and research solutions for fruit counting, blossom detection, orchard monitoring, and yield forecasting.
* Their capabilities, strengths, weaknesses, pricing models (if available), and technical approaches.
* Relevant computer vision, machine learning, and AI technologies applicable to this problem.
2. A development plan for the demonstration software, including:
* Functional requirements.
* System architecture.
* Recommended AI models and frameworks.
* Data requirements and collection strategy.
* Development stages and milestones.
* Risks, limitations, and validation methodology.
* Estimated effort, timeline, and resource requirements.
The report should focus specifically on apple orchards and on the feasibility of predicting orchard yield from photo and video analysis.
Спасибо
От идеи до живого продукта —
за один разговор
agro-ai.danifodemo.ru
⏱ ≈ 3 ч 41 м всего
👤 ≈ 35 мин человека
🤖 ≈ 3 ч работы ИИ