Привет! На связи Юлия Величко, специалист по маркетингу в направлении ASO (оптимизации мобильных приложений). Пару месяцев назад наш руководить Алла Рауд предложила всей командой ASO IT-Agency перейти в Cursor и собрать в нём единую базу знаний направления.
Переход и адаптация к Cursor казались сложными: команда долгое время работала с другими инструментами — у каждого были свои привычные «ассистенты», с которыми уже сложилась история взаимодействия.
Хотя у нового инструмента, в отличие от ChatGPT, есть ряд преимуществ:
- единая база знаний вместо разрозненных чатов;
- более «долгая» и управляемая память;
- быстрый поиск информации по всем файлам команды;
- работа в общем пространстве, а не по отдельности;
- автоматическое использование контекста без постоянных промптов;
- возможность делегировать задачи, а не только получать ответы;
- работа с файлами, ссылками и таблицами;
- гибкость: выбор моделей, ролей, режимов под разные задачи.
Таким образом, переход в Cursor был попыткой решить конкретные рабочие задачи: собрать знания команды в одном месте, упростить доступ к информации и сократить количество ручных действий.
Юлия Величко
специалист по маркетингу
Главная сложность — перенос контекста и смена логики работы
Сначала идея перехода в Cursor казалась усложнением процессов: у меня уже был накопленный контекст в ChatGPT — проекты, переписки, наработанные подходы. Переход в новую нейросеть означал, что всё придётся переносить вручную и заново выстраивать рабочую среду.
Чтобы перейти в новый сервис, я обратилась к ChatGPT с конкретной задачей: помочь мне перейти в Cursor. Описала ситуацию: мы всей командой переезжаем, мне нужно понять, как встроить новый инструмент в мои задачи и не потерять накопленный контекст. В ответ получила пошаговый план:
— как структурировать базу знаний;
— какие документы нужно создать;
— как разложить информацию по папкам;
— в каком формате всё это хранить.
Фактически ChatGPT помог мне не просто «переехать», а сразу выстроить систему. ИИ составил для меня документы в нужном формате и структуре с архивом знаний по проектам: резюмировал то, что я ему уже описывала, и над чем мы уже работали. Мне оставалось лишь подгрузить всё в Cursor и ввести его в курс дела.
Фишка Cursor — работа с долгосрочной памятью
Если в ChatGPT контекст разбросан по чатам, то в Cursor можно собрать единую базу знаний. Благодаря этому мне не нужно в каждом новом чате писать большие промпты контекста: ИИ сам помнит состав команды, свою роль и все вводные данные. Также вместо поиска по файлам и перепискам достаточно задать вопрос — и нейросеть за несколько секунд находит ответ в базе знаний.
Например, если мне нужно понять, были ли у нас контакты с конкретным брендом, я не иду в папки или переписки, а просто пишу: «найди, взаимодействовали ли мы с этим брендом и на каком этапе сейчас общение». Cursor анализирует файлы в базе знаний и возвращается с ответом за пару секунд.
Именно в этот момент я увидела первую практическую ценность: Cursor экономит время не за счёт генерации, а за счёт быстрого доступа к информации.
Как я собирала базу знаний
Начала с того, что систематизировала знания по трём направлениям, с которыми работаю: ASO (оптимизация мобильных приложений), «Киберкошка» и биржа трафика AppTop.io. По каждому оформила простые документы с базовой информацией — продукт, аудитория, каналы, гипотезы. Это была структурированная выжимка моих знаний и предыдущего контекста из ChatGPT.
Важным этапом было оснащение агентов в Cursor скиллами. Это предустановленные профессиональные навыки, которые агент использует при выполнении опредёленных задач. Так, например, я установила скиллы по ASO, SEO и GEO, чтобы агент владел знаниями по этим направлениям и мог подходить к задачам экспертно, помогал готовить эффективный контент высокого уровня. Также я установила скиллы по маркетингу, редактуре, аналитике и стратегии и так далее. Это как научить агента быть джуном по каждой из этих специальностей.
Я загрузила в Cursor данные по проектам и выстроила общую структуру папок. Нейросеть начала использовать её по умолчанию. При постановке задачи не нужно заново объяснять вводные — достаточно сослаться на нужный блок знаний.
Когда я ставлю задачу, мне не нужно каждый раз заново объяснять контекст. Достаточно сказать: «возьми информацию по Киберкошке из базы знаний и сделай пост» — и он опирается на уже загруженные данные о ToV (тоне голоса) и авторском стиле.
Это сильно отличается от того, как я работала с ChatGPT. Там почти каждая задача начиналась с нового промпта и повторного объяснения вводных. В Cursor работа идёт от уже существующей системы знаний.
Использовали записи встреч как источник инсайтов и данных
Также мы в команде начали записывать все встречи и загружать их в Cursor. Таким образом каждый звонок становится источником данных, к которым можно вернуться в любой момент.
Если мне нужно вспомнить какую-то информацию из диалога с командой или собрать материал для поста, я прошу Cursor проанализировать нужные расшифровки звонков и собрать данные оттуда.
Например, когда я готовила пост о переходе команды в Cursor, я попросила систему поднять все встречи по этой теме и кратко показать, через какие этапы мы проходили, с какими сложностями сталкивались и какие решения принимали. Cursor собрал выжимку из созвонов с командой и отправил сводку мне в чат.
Особенно полезной эта система оказалась для работы с клиентами. Если вы регулярно сохраняете все встречи, то в любой момент можете быстро получить ответы: что просил клиент, какие задачи обсуждались, на какие показатели обращали внимание и так далее.
Информация перестаёт храниться в голове или в отдельных заметках, а становится доступной через поиск внутри общей базы знаний команды.
Cursor забрал на себя операционные задачи
Со временем я заметила, что Cursor всё меньше воспринимается как инструмент для генерации кода, текста или плана — и всё больше как отдельный рабочий агент. Сейчас мне кажется, что он выполняет задачи не только джуна-маркетолога, но и специалиста уровня СМО.
Если раньше ChatGPT для меня был скорее консультантом, который помогает подумать над задачей, то Cursor начал выполнять сами действия. Он может анализировать документы, ходить по ссылкам, собирать информацию с сайтов, работать с файлами и таблицами.
Например, раньше для поиска мероприятий мне приходилось вручную открывать разные площадки, смотреть анонсы и собирать всё в таблицу. Сейчас эту задачу можно делегировать Cursor: он сам проходит по источникам, собирает информацию и помогает её структурировать.
Следующий этап, к которому я сейчас иду, — подключение Google-таблиц и других сервисов напрямую. Идея в том, чтобы Cursor не только работал с сохранёнными файлами, но и сам актуализировал данные в реальном времени.
Тогда задачи, которые выполняет Cursor, станут ещё более прикладными: можно попросить систему обновить данные в таблице, внести новые лиды или проанализировать изменения по каналам.
Нейросети становятся полноценными цифровыми помощниками, которые умеют не только отвечать, но и выполнять часть операционных процессов.
Что изменилось в работе команды
Самое заметное изменение после перехода в Cursor — команда стала тратить меньше усилий на поиск, восстановление контекста и повторяющиеся действия.
Раньше приходилось держать много информации в голове: помнить, где лежит нужный файл, в каком чате обсуждалась задача, кто уже взаимодействовал с клиентом и какие решения принимались. Теперь большая часть этой информации хранится внутри общей системы и доступна через обычный запрос.
Из-за этого по-другому начал ощущаться сам рабочий процесс. Многие задачи, которые раньше требовали ручного участия, теперь делаются быстрее: собрать информацию по проекту, поднять историю обсуждений, подготовить выжимку по встречам, найти нужные материалы или использовать уже накопленный контекст для новых задач.
При этом я бы не сказала, что у меня стало больше свободного времени. Скорее изменилось соотношение усилий и результата: за тот же период получается сделать больше задач и меньше времени тратить на рутину.
Именно поэтому для нас переход в Cursor оказался не экспериментом ради нового инструмента, а процессом выстраивания более устойчивой и управляемой работы.
Выводы
Для меня главный эффект от перехода в Cursor связан не с генерацией текстов и не с «магией нейросетей». Ключевое изменение — появление системы, которая хранит контекст, работает с общей памятью и помогает команде быстрее использовать накопленные знания.
На старте переход казался сложным: нужно было перенести контекст, разобраться с интерфейсом и заново выстроить процессы. Но после появления базы знаний, общей памяти и структуры файлов Cursor начал работать не как отдельный чат, а как полноценная рабочая среда.
В результате команда получила более быстрый доступ к информации, меньше ручной рутины и возможность делегировать нейросети часть операционных задач.
