ИИ-падаван: как я собрал секретаря в Cursor, который помнит весь контекст моей работы

На создание системы ушло 3 месяца. Живой секретарь стоил бы около 90 000 рублей в месяц. ИИ-падаван обходится в 20 долларов. Но для меня важнее не стоимость, а то, что без него я уже не представляю ежедневную работу.

В статье расскажу, какие задачи передал агенту, как обучал его работать с моим контекстом и почему начал с архитектуры, а не с промптов.

Раньше я пытался держать всё в голове. В день на поиск контекста уходило больше двух часов, также много времени тратилось на просмотр бумажных записей и заметок в телефоне.

Но самые плохие чернила лучше самой хорошей памяти. Когда параллельно идёт много процессов, память становится узким местом — всегда есть риск что-то упустить.

Боль 1. Трата времени на поиск информации

Рабочие чаты, почта, база знаний, исследования, планы и протоколы встреч по отдельности не создают проблем.

Сложность начинается, когда нужно связать их между собой — везде свои процессы, договорённости, нюансы и всё раскидано по разным интерфейсам.

Боль 3. Ещё больше времени тратится на анализ

Собрать информацию недостаточно. Её нужно связать, оценить важность и сопоставить с планами недели и стратегией года. Без этого легко утонуть в операционке и не заметить задачи, которые влияют на более долгосрочные цели.

Тогда я понял, что мне нужен помощник — и решил сделать его в Курсоре.

Я называю его падаваном, потому что он постоянно учится. Постепенно ввожу его в контекст своей работы: показываю связи, объясняю, что для меня важно, исправляю ошибки и закрепляю удачные решения. Чем больше контекста он получает, тем лучше понимает мои правила работы и помогает экономить время.

Какую роль я отдал агенту

Я передал агенту роль ассистента, который хранит рабочий контекст и помогает быстро находить нужную информацию.

Например, если нужно вспомнить, где впервые договорились протестировать сервис на тестовых данных, я не ищу это вручную в чатах. Задаю вопрос падавану — он находит первое обсуждение, показывает, как менялось решение, и собирает цепочку диалога.

То же с операционными инструкциями. Если мне нужно вспомнить, как провести выплату через Deel, агент находит нужные данные и собирает инструкцию из уже существующих материалов.

Шаг 1. Соберите данные о вашей работе

Я выгрузил в PDF исследования и большие запросы из Perplexity, которым пользовался раньше для решения задач, и загрузил их в Cursor. Рабочие материалы сложил в папку context/, сырые экспорты — в близкий архив.

Важно: я не храню чувствительные и персональные данные ни на собственных аккаунтах, ни в Cursor. К тому же, наш контур полностью закрыт от внешней выгрузки, везде установлена многофакторная авторизация. Так что о безопасности каких-либо данных не беспокоюсь.

Затем разделил рабочие контуры: отдельно COO, отдельно CEO зарубежного подразделения. В каждый загрузил корпоративную базу знаний, презентации компании и открытые материалы.

У вас это могут быть клиентские проекты и внутренние задачи, продажи и производство или другие направления. Главное — чтобы агент понимал, в каком контексте работает.

Совет: чтобы агент не тратил токены на анализ лишних файлов, добавьте файл-маршрутизатор, который подскажет агенту, с чего начать и где искать информацию.

Шаг 2. Научите агента планировать

Не пытайтесь автоматизировать всё сразу. Начните с одной задачи, которая регулярно отнимает время. Когда сформулируете проблему, откройте Plan mode и попросите Cursor предложить решение.

Этот режим помогает сначала продумать подход, а уже потом переходить к реализации. В результате вы понимаете, как устроено решение, а не просто получаете готовый результат.

Я начал с недельного планирования и сделал навык /week-plan. В планах фиксировал задачи, ответственных, сроки, причины переносов и результаты.

Так агент получил основу для понимания моей работы: видел, какие задачи появляются, кто за них отвечает, когда они должны быть выполнены и почему меняются.

Неделя за неделей он видел одни и те же связи: задача, результат, причина отклонения или реализации в срок.

Шаг 3. Подключите рабочие коммуникации

После планов подключил корпоративный мессенджер и записи созвонов: начал выгружать переписки и транскрипты встреч. Я вручную связывал информацию: показывал, к какой задаче относится встреча, где лежит заметка и какой чат продолжает обсуждение.

Я просил Cursor анализировать критичность задач из чатов, а потом объяснял ему, что критично, а что нет. Так делал много раз, чтобы научить нейросеть мыслить как я.

Совет: если агент ошибся, не торопитесь давать ему новый запрос. Укажите ему на ошибку, объясните, как правильно, и сохраните этот пример в контексте, правилах или отдельном скилле. Так агент постепенно учится работать по вашим правилам.

На настройку моего Tone of Voice ушло много времени. Я корректировал формулировки агента, ритм текста и стиль общения. Сейчас отчёты и протоколы появляются примерно в пять раз быстрее, потому что их не приходится переписывать почти с нуля.

Таким образом я связал весь информационный поток с планами.

Шаг 4. Добавьте стратегический контекст

Чтобы усилить эффект, я загрузил в Cursor стратегические планы и связал их с оперативной работой. Теперь агент учитывает не только текущие задачи, но и годовые цели компании.

Это помогает отличать срочные операционные вопросы от задач, которые влияют на стратегические приоритеты.

Шаг 5. Подключите почту

Финальным шагом стала электронная почта. Я подключил её в последнюю очередь, потому что там мало переписок, но всё равно есть важная информация.

Многие договорённости остаются только в письмах, поэтому без них картина была неполной.

Как начинается мой день

Каждое утро начинаю с пяти шагов, которые помогают быстро собрать контекст и продолжить работу с места, где я остановился вчера.

К моменту, когда начинаются созвоны или приоритизация задач бэк-офиса, у меня уже собраны факты, статусы и прошлые договорённости. Я сразу перехожу к работе, а не трачу время на археологию.

Мы в совете агентства решили, что будем развивать сайт самостоятельно с помощью Cursor, без очереди к маркетинговой команде. Опыт Аллы Рауд с «Киберкошкой» уже показал, что такой путь реален.

Такой подход позволил быстрее выпускать изменения и не зависеть от общего бэклога.

В итоге мы собрали отдельный AI-first-лендинг со статической частью и сервером для обработки формы. Затем подключили домен, настроили инфраструктуру и запустили сайт.

Для меня ценность этого кейса не в том, что мы быстро и красиво сверстали лендинг. Важнее другое: проект развивался в отдельном рабочем контуре и не мешал операционным процессам агентства. Cursor позволил ускорить разработку, а разделение контекстов — сохранить порядок.

Кейс 2. Навык legal-check

Юридические вопросы регулярно забирали время команды. Правки клиентов к нашим формам, NDA, иностранные шаблоны, тендерные риски — всё это раньше либо копилось у юриста, либо размазывалось по команде без единого фильтра.

Чтобы решить вопрос проверки документов, я начал с узкого навыка /check-nda и научил агента проверять NDA по понятной рубрике.

Агент отсекает типовые запросы, готовит структурированное обращение к юристу по сложным и не повышает юридический риск. Финальное решение по сложным вопросам по-прежнему принимает человек.

Следующий шаг — навык /legal-check. Я настроил единый вход с маршрутизацией GREEN / YELLOW / RED / NEED_CONTEXT. Это индикаторы, которые работают по типу зеленых и красных флагов. Нужны для того, чтобы понимать, брать или не брать задачу в работу.

Также добавил playbook (правила работы) — каталог допустимых правок, exceptions и precedents (исключения и прецеденты) — пакеты, которые рождаются из реальных сделок после разбора с юристом.

Такой подход помогает сократить количество однотипных запросов, ускоряет работу команды и упрощает онбординг новых сотрудников.

По моим оценкам, только на юридических процессах это позволит экономить около 50 часов в месяц. Legal-check — пример, как из боли вырастает навык уровня компании.

Кейс 3. Живой поиск по рабочему контексту

Это мой любимый кейс: агент не просто ищет информацию по ключевым словам, а связывает задачи, обсуждения, документы и предыдущие решения.

Вместо часа на поиск нужной договорённости достаточно задать вопрос агенту. Он быстро найдёт источник и поможет восстановить ход обсуждения.

Выводы

Чтобы собрать ИИ-агента, который будет помогать вам в ежедневной работе, выбрать модель и написать хорошие промпты недостаточно. Эффект даёт не ИИ-агент, а система, которую вы строите внутри нейросети. Чем лучше организован контекст, тем полезнее ответы.

Если хотите собрать решение, которое реально поможет в работе — не пытайтесь решить все задачи сразу. Гораздо эффективнее подход, когда вы берёте одну задачу, доводите её до рабочего состояния и только потом переходите к следующей. Так у меня появились отдельные скиллы для планирования, работы с чатами, встречами, почтой и юридических процессов.

ИИ-падаван забрал на себя поиск информации, помог удерживать рабочий контекст и сократил количество рутинных действий. Благодаря этому я трачу меньше времени на восстановление цепочки событий и больше — на принятие решений. Моя эффективность уже выросла на 30%, уверен, что это только начало.

P.S. 28 августа буду на AI Growth Days в Екатеринбурге. Покажу, как общий Workspace стал памятью компании и дал рост выработки на человека без роста штата — на цифрах IT-Agency после раскатки с марта 2026.

Билеты на agday.ru, по промокоду SIZYAKOV скидка в 10%.