Спикер: Искандер Хабибрахманов
- AI-предприниматель, продакт-менеджер и основатель стартапов Hyperverse, Skill Labs, Kardamon.ai, Shanc.ai;
- Ex-CPO в Emex, Legionfarm (YC W20), PM в «Самокате»;
- Yandex: сделал AI-систему трекинга усталости водителей;
- Kardamon.ai: построил продукт с помощью агентов, интегрировал 4 легаси-системы и с их же помощью собрал документацию по данным 4 WMS.
Disclaimer: практический воркшоп, читайте конспект и смотрите запись, чтобы повторить за Искандером.
- Запись встречи
- Презентация
- Дата воркшопа: 19 мая 2026 года
Фокус воркшопа
Главная цель встречи — показать современный стек AI-инструментов, с помощью которого можно собрать и задеплоить рабочий продукт без единого разработчика в команде. Участники своими руками прошли путь от идеи до задеплоенного на реальном хостинге прототипа: собрали лендинг и продукт с бэкендом и базой данных в Lovable, забрали код через GitHub и выгрузили его на собственный хостинг Render через Claude Code.
Что изменилось за последние полтора года
Искандер Хабибрахманов, AI-предприниматель и продакт-менеджер
Анатомия продукта: метафора ресторана
Чтобы разобраться в незнакомых терминах, Искандер предложил простую аналогию — ресторан.
Поток: клиент в зале делает заказ → официант несёт его на кухню → повар берёт продукты со склада → готовит → отдаёт в зал. Точно так же: пользователь совершает действие на фронте → запрос уходит в бэк → бэк читает/пишет в базу данных → результат возвращается обратно. При этом бэк живёт на хостинге.
Карта инструментов
GitHub — Google Docs для кода
Структура хорошей сессии с AI-агентом
(фреймворк Anthropic для работы с Claude Code)
- Изучить (Explore) — Claude изучает контекст проекта, не пишет код. «Прочти файлы, где обрабатываются сообщения и где они хранятся. Не пиши код, просто разберись».
- Спланировать (Plan) — модель составляет план разработки. Ключевые слова для глубины: «think» / «think hard» / «ultrathink».
- Сделать (Code) — Claude пишет код по плану и сам проверяет его по ходу работы.
- Сохранить (Commit) — Claude сохраняет изменения в Git с понятным описанием того, что и зачем было сделано.
Практический кейс: от промпта до задеплоенного продукта
Идея для демо: продукт, где можно анонимно оставить фидбек. Админ создаёт ссылку и делится ею с другими — пользователи оставляют фидбек, админ его читает. Целевая аудитория — те, кто делает презентации и вебинары; преимущество — простота и отсутствие регистрации.
Кейс прошёл через все уровни сложности продукта:
- Лендинг. Идея в 2–3 строчках была отдана в LLM с просьбой изучить похожие продукты в вебе и написать подробный промпт для Lovable (структура блоков, hero, палитра, типографика). Получившийся промпт вставили в Lovable — лендинг собрался и сразу оказался задеплоен по ссылке Lovable.
- Продукт с бэкендом и базой данных. В тот же промпт добавили конкретные пользовательские действия (создать ссылку на опрос, зайти как админ, оставить ответ как пользователь) — и попросили LLM написать техническое задание со схемой базы данных и моделью доступа. По этому промпту Lovable собрал уже рабочий прототип: с созданием ссылок, формой ответа и админской страницей со списком фидбеков. Под капотом у Lovable в этот момент реально работала база данных на Supabase с двумя таблицами — опросы и ответы.
- Полноценный хостинг. Готовый код забрали из Lovable через GitHub, склонировали в свою среду разработки и передали Claude Code с задачей «зарелизить продукт на Render, бесплатная версия, сделай Docker + Render YAML». Claude Code сам написал Dockerfile, настроил переменные окружения для Supabase и задеплоил продукт на Render — с полным контролем над хостингом и возможностью масштабирования в будущем.
Показательный момент воркшопа: с первого раза деплой не завёлся — Render вернул ошибку. Лайфхак Искандера: ошибка деплоя просто копируется обратно в Claude Code, который сам её анализирует и исправляет Dockerfile. Продукт завёлся с третьей попытки — и это, по словам спикера, совершенно нормальный рабочий процесс, а не провал.
Что Lovable умеет, а что не заменяет
Уровни зрелости AI-кодинга
Сложность продукта, который можно собрать при помощи агентов, зависит не столько от сложности самой задачи, сколько от того, сколько ресурсов вложено в обвязку, инструменты для агентов и контекст о вашей компании.
На интенсиве разберём Dev-агентов
Другие агенты, которые можно построить по той же логике
- Аналитический (SQL) агент — делает запросы к базе данных и строит дашборды автоматически
- Внутренние агенты — используют базу знаний компании (Notion, Confluence, Google Drive) для продуктовых решений
- Агенты из Business Development / Sales / Marketing — собирают данные о конкурентах, трендах и рынке
- Agent as product — кастомный агент, который релизится пользователям как самостоятельный продукт
FAQ участников воркшопа
1. В чём разница между Cursor и Claude Code?
Ответ Искандера → Это разные вещи. Cursor — среда разработки (IDE), удобный инструмент для чтения и написания кода, подключения к базе. Claude Code — агент, надстройка над LLM, который дает инструменты читать и писать код: с ним можно общаться прямо в терминале или подключить к среде разработки.
2. Зачем идти в Lovable, если можно сразу в Claude Code?
Ответ Искандера → Для нетехнических людей Lovable проще и сразу хостит продукт под ключ. При сборке в Claude Code нужен собственный хостинг, если хочется поделиться продуктом с кем-то ещё.
3. Можно ли редактировать выгруженный из Lovable код и увидит ли это Lovable?
Ответ Искандера → Да, если репозиторий на GitHub подключён к тому же проекту — изменения синхронизируются в обе стороны.
4. Какая связка инструментов сейчас самая рабочая?
Ответ Искандера → По итогам ~20 интервью с продактами из международных компаний (включая Spotify, Meta, Google, Amazon) большинство используют связку Claude + Claude Desktop + Claude Code, хотя у аналогов вроде Codex тоже много хороших отзывов.
5. Что Docker даёт продукту, собранному в Lovable?
Ответ Искандера → Docker — это «упакованная кухня в коробке»: инструкция, которая гарантирует, что продукт одинаково работает на любом сервере, а не только «на моём компьютере». Dockerfile при этом пишет сам Claude Code.
6. Подойдёт ли курс, если основная задача — дизайн и UX?
Ответ Искандера → Да. Дизайн долго был самым слабым местом у LLM, но с появлением Claude Design и Google Stitch эта часть цикла стала сильно быстрее — дизайнерам такой навык позволяет самостоятельно доводить прототип до состояния, которое можно показать пользователям.
Главные выводы воркшопа
- Разработка продукта — это не всегда команда и месяцы: связка AI-инструментов позволяет собрать рабочий MVP в одиночку за часы.
- Продукт состоит из пяти частей — фронт, бэк, база данных, хранилище кода и хостинг — и под каждую есть свой AI-инструмент.
- Билдеры вроде Lovable отлично закрывают лендинги и простые MVP «под ключ», но не заменяют полноценную разработку для сложной логики.
- Хорошая сессия с агентом строится по циклу: изучить → спланировать → сделать → сохранить.
- Забрать код из билдера в свою инфраструктуру можно через GitHub — это открывает полный контроль и масштабирование.
- Ошибки деплоя — это нормальная часть процесса: их можно просто отдавать агенту на исправление.
- Сложность продукта, который можно собрать через агентов, определяется не сложностью задачи, а тем, сколько сил вложено в обвязку и контекст для агента.
- Существует пять уровней зрелости AI-кодинга — от копипаста в чат до автопилотов, которые сами инициируют изменения.
- Кроме кодинга, по той же логике агентов можно строить аналитику, работу с внутренними знаниями компании и агентов как самостоятельный продукт.
Полезные ссылки