Джастин Сан о работе с AI: 7 приёмов из 4,5-часового интервью

Джастин Сан — фигура, которую обычно обсуждают в контексте криптовалют: основатель TRON, владелец биржи HTX, человек, купивший банан Каттелана за 6,2 млн долларов и публично его съевший. Но в 4,5-часовом интервью с ведущим Шао Аланом он почти не говорит о крипте. Почти всё время — о том, как он встроил AI в свою жизнь: от личного дневника до споров с моделями о собственных решениях.

Интереснее даже не сам разговор, а то, что вокруг него выросло. Энтузиасты собрали народный конспект: полный транскрипт (около 120 тыс. знаков, 1743 реплики с таймкодами), 15 выводов и — главное — к каждому выводу пошаговый туториал и готовый промпт, который можно скопировать в AI-агента. Мы выбрали из пятнадцати семь приёмов, полезных за пределами криптохайпа, и адаптировали промпты на русский.

Конспект как инженерный проект

У четырёх с половиной часов видео на YouTube нет субтитров, поэтому авторы конспекта собрали пайплайн распознавания сами. Аудиодорожку нарезали на 57 фрагментов по 5 минут с перекрытием в 20 секунд — чтобы фразы не рвались на стыках, — и каждый прогнали через модель Gemini 3.8 Flash. Пять фрагментов не прошли проверку формата: их перерезали на более короткие куски и распознали заново; один выдал бесконечно повторяющийся текст — его тоже переписали. Качество проверили выборочно: 30-секундные срезы из начала, середины и конца распознали повторно и сверили с основным текстом. На выходе — транскрипт, где у каждой реплики стоит таймкод: клик по времени открывает нужное место в видео.

Мы не зря уделяем этому абзац внимание: сам конспект — иллюстрация последнего пункта списка авторов, «больше создавай, меньше потребляй». Четыре с половиной часа разговора превращены в набор инструкций, которым может воспользоваться кто угодно, — не пересказ «а он вот что сказал», а рабочий артефакт.

Кто говорил

Джастин Сан (Сунь Юйчэн) — основатель блокчейна TRON и токена TRX, стейблкоина USDD, владелец биржи HTX (бывшая Huobi) и пирингового протокола BitTorrent. Прославился маркетинговыми акциями: обед с Уорреном Баффетом, купленный на аукционе за 4,6 млн долларов, тот самый банан «Комик». С 2023 года — ответчик по иску SEC, обвинившей его в манипулировании рынком и продаже незарегистрированных ценных бумаг.

Шао Алан (@AlanShao111) — китайскоязычный ведущий, известный многочасовыми интервью с фигурами криптоиндустрии.

Одна оговорка, прежде чем идти дальше. Сан — профессиональный манипулятор внимания, и его интервью — часть этой игры. Конспект — фан-проект: транскрипт сделан автоматикой без ручной вычитки, имена и термины могут искажаться. Всё, что ниже приписано Сану, — его заявления, а не проверенные факты. Мы пересказываем их как материал для приёмов, а не как истину. Цитаты переведены с китайской транскрипции, поэтому дословной точности нет — таймкоды дают возможность проверить контекст в оригинале.

1. Личная жизнь как репозиторий: данные в файлах, а не в чате

«Всё — в AI: визуализация, оцифровка, обобщение. Всё в MD-документах, фото тоже сохраняются… придёт следующий AI — и сразу всё прочитает… хоть Codex подключай» (00:06:53).

Сан учится боксировать: фото еды до и после приёма, видео тренировок, сон с кольца Oura — всё стекается в файлы, а Claude Code раз в день собирает из этого отчёт. Инженерно тут важно не «отчёты», а выбор хранилища: обычные файлы в открытых форматах. Модели и агенты меняются хоть каждый месяц, а данные на диске остаются совместимы с любым следующим инструментом — ровно та же логика, по которой конфиги держат в тексте, а не в проприетарных базах.

Как применить: папка life/ с подпапками inbox/, reports/, assets/; в течение дня закидываете в inbox/ заметки и файлы; агент по команде «отчёт» читает новое и пишет reports/YYYY-MM-DD.md со ссылками на исходники; раз в неделю — ретроспектива: что улучшилось, что просело, что изменить. Проверка, что система действительно портативна: откройте папку другим агентом и попросите продолжить. Продолжит без потерянного контекста — значит, сделано правильно.

Промпт для агента:

Собери мне систему личного дашборда.
1. Создай каталог life/ с подпапками inbox/, reports/, assets/ и README.md, где описано, что куда кладётся.
2. Сделай шаблон дневного отчёта: что сделал, энергия по шкале 1–10, сон, спорт, одна идея дня. Сохрани как reports/template.md.
3. По команде «отчёт» читай новое в inbox/ и assets/ и пиши reports/YYYY-MM-DD.md; каждый вывод сопровождай ссылкой на файл-источник.
4. По команде «ретроспектива» читай последние отчёты и выдавай: что улучшилось, что просело и одно изменение с максимальным эффектом.
5. Спроси, каким трекером сна и активности я пользуюсь, и предложи способ автоматически выгружать его данные в assets/.

2. Обновляйте «операционную систему»: суждения с журналом изменений

Сан сравнивает картину мира с операционной системой, которую надо периодически обновлять (00:12:21): свою систему взглядов он называет «суньологией» и ставит её апгрейд первым пунктом списка дел. Как именно он это делает, интервью не раскрывает, но авторы конспекта предложили рабочую процедуру, знакомую каждому, кто писал ADR (architecture decision record):

• заведите папку с суждениями;
• по каждой теме — файл: что я думаю, на чём основано, какие данные заставят меня передумать;
• AI ищет первоисточники «за» и «против» и критикует суждение строго по ним;
• смена мнения не затирает старое: дописывается запись — дата, старая формулировка, новая, какой источник убедил.

Последний пункт — самое ценное. Журнал изменений превращает «я всегда так считал» в историю решений, по которой видно, как часто и почему вы передумывали.

Промпт:

Собери мне «базу суждений».
1. Создай каталог judgments/ с подпапками sources/ и takes/; файлы в sources/ никогда не редактировать.
2. Спроси мою текущую гипотезу по рабочему вопросу и оформи takes/<тема>.md: суждение, основания, раздел «передумаю, если увижу…».
3. Найди в интернете по 2–3 первоисточника «за» и «против», сохрани их в sources/ со ссылкой и датой.
4. Критикуй моё суждение только по содержимому sources/, каждое замечание — с указанием источника.
5. Когда я меняю мнение, дописывай в конец файла: дата, старая формулировка, новая, какой источник убедил.

3. «Стопроцентно доверяй AI» — это про ансамбль, а не про веру

Самая цитируемая реплика разговора: «Стопроцентно доверяй AI. Что скажет Claude — то и делаю, невзирая на любое сопротивление» (00:15:46). Звучит как технологическая капитуляция, но дальше Сан описывает реальную процедуру, и выглядит она иначе: «Спроси Claude, спроси OpenAI, спроси GLM — трёх хватит» (00:18:10). Он и сам с моделями спорит: добавляет условия и требует пересчитать вывод.

То есть на практике «стопроцентное доверие» — это один плотно сформулированный вопрос, три разные модели, исполнение консенсуса и журнал решений. Для всех, кто видел галлюцинации своими глазами, такой ансамбль здравее слепой веры в одного оракула. Бонус: со временем из журнала становится видно, какая модель в каких типах задач ошибается чаще.

Промпт:

Помоги мне завести привычку «один вопрос — три модели — действие».
1. Создай ai-decisions.md: дата, вопрос, ответ модели A, B, C, что выбрал, итог.
2. Спроси мою отложенную задачу и помоги упаковать её в один запрос: контекст, ограничения, желаемый результат.
3. Я пришлю ответы трёх разных моделей — сравни их: где консенсус, где расхождение, какой первый шаг сделать сегодня.
4. Запиши решение в ai-decisions.md. Когда я вернусь с результатом, дополни строку.
5. Раз в месяц анализируй журнал: какая модель чаще оказывалась права на каких задачах.

4. Существует только то, что машина может прочитать

«AI читает только то, что читаемо машиной. Пока не формализовал — не усвоил» (01:33:10). Из всех реплик разговора эта — самая инженерная. У Сана она про оцифровку науки и истории, но масштабируется на личный архив один в один: сканы договоров, фото досок, PDF без текстового слоя, таблицы в мессенджерах. Для AI этого не существует — значит, он не поможет ни с поиском, ни с обобщением.

Авторы конспекта собирают стандартный data-ingestion-пайплайн из опенсорса; всё крутится локально, данные никуда не уходят:

И два правила качества. Первое: оригиналы неприкосновенны — конвертированные копии лежат отдельно, в шапке каждого файла исходник, дата и инструмент. Второе: конвертация проверяется выборочно — три случайных числа или имени сверяются с оригиналом; пока сверка не прошла, задача не считается выполненной. Это, кстати, готовый чек-лист для любого пайплайна с LLM в проде.

Промпт:

Переведи мой архив в машиночитаемый вид.
1. Создай ~/library/originals/ и ~/library/readable/. В originals/ ничего никогда не менять.
2. Проверь Python и поставь MarkItDown (pip install 'markitdown[all]').
3. Конвертируй каждый файл из originals/ в Markdown в readable/; в шапке файла — исходное имя, дата, инструмент.
4. Если результат — мусор (скан, формулы, сложные таблицы), предложи OCRmyPDF или MinerU и спроси перед установкой.
5. В каждом сконвертированном файле выбери 3 случайных числа или имени, сверь с оригиналом и покажи таблицу сверки.
6. Составь README.md каталога: одна строка на документ — что внутри.

5. Small ego: AI в роли адвоката дьявола

Про основателя ByteDance Чжан Имина Сан говорит (02:10:21): каким бы успешным он ни был, он готов слушать молодых и учиться новому — «чем больше успех, тем меньше должно быть эго». Отсюда самый дешёвый способ бороться с собственными когнитивными искажениями: пусть сильные возражения генерирует AI.

Процедура фальсифицируема — и в этом её сила:

• записываете убеждение и — обязательно — критерии, при которых передумаете;
• просите AI занять позицию сильнейшего оппонента и разбить суждение, минимум три возражения с фактами;
• ведёте журнал возражений: кто сказал, суть, ваша реакция, проверено ли позже;
• раз в неделю берёте одно возражение и ставите мини-эксперимент.

Правило для командных ретроспектив отсюда же: сначала собственные ошибки, потом чужие.

Промпт:

Потренируй со мной small ego.
1. Создай objections.md: дата, кто возразил, суть возражения, моя реакция, проверено ли позже.
2. Спроси одно моё твёрдое убеждение о работе. Займи позицию сильнейшего оппонента и приведи минимум 3 возражения, каждое — с фактами или данными.
3. Помоги переформулировать убеждение в проверяемый вид: «передумаю, если увижу…».
4. По команде «проверка» выбери одно возражение из журнала и спроектируй мини-эксперимент: гипотеза, данные, срок, критерий успеха.

6. Радар «версий»: патчноуты своей индустрии

«Каждый большой патч меняет и Землю: в этой версии порезали недвижимость, в следующей усилят AI» (02:33:57). Сан объясняет через игровые патчи, почему вчерашние победные стратегии перестают работать, — и честно добавляет, что AI просто текущий баф, и он не знает, что будет через десять лет.

Практический вывод: выигрывает не тот, кто больше читает новостей, а тот, кто раньше замечает смену версии. Механика от авторов конспекта:

• определите 5–7 «сигналов версии» своей индустрии: найм, релизы ключевых игроков, регулирование, бюджеты клиентов, активность опенсорса;
• к каждому сигналу — 1–2 первоисточника: официальные блоги, GitHub-релизы, changelog. Пересказы — отписать;
• всё складывается в один RSS-ридер (авторы советуют опенсорсный Folo);
• раз в неделю сбрасываете накопленные закладки в AI и получаете страницу «патчноут»: что усилилось, что ослабло, что мне прекратить делать.

Промпт:

Собери мне радар «версий».
1. Спроси мою сферу и что в ней сейчас «мета».
2. Предложи 5–7 сигналов смены версии и к каждому 1–2 первоисточника с RSS: официальные блоги, GitHub-релизы, анонсы компаний.
3. Объясни, как импортировать эти источники в Folo.
4. Когда я пришлю подборку сохранённого, пиши radar/<дата>.md: что усилилось, что ослабло, что мне начать и что прекратить.

7. Симуляция роли: попробуйте должность до того, как её получить

Один из самых неожиданных моментов интервью: Сан, никогда не работавший по найму, говорит, что «очень хочет устроиться в OpenAI или Anthropic» (03:50:24) — ему не хватает информации от первого лица. Отсюда приём для любой карьерной развилки: читать вакансии — знание понаслышке; сделать артефакт этой работы — знание из первых рук.

• AI собирает реальные JD и рассказы практиков и пишет «типичный день роли»: встречи, артефакты, по каким метрикам оценивают;
• отмечаете, чего никогда не делали руками;
• AI готовит mock-задание с результатом в реальном формате;
• практик ревьюит работу — и самый большой пробел становится планом обучения.

Промпт:

Хочу примерить роль «<должность>» изнутри.
1. Собери реальные JD и рассказы практиков и опиши «типичный день»: встречи, артефакты, метрики, по которым оценивают.
2. Отметь, что из этого я почти наверняка не делал руками.
3. Составь mock-задание: результат — в реальном формате, сложность — под мой уровень.
4. Дай план разговора с практиком: 3–5 вопросов и где таких людей искать.
5. Когда я выполню задание — сначала проверь его по критериям практика, потом укажи слабые места.
Сохрани всё в roles/<должность>.md.

Где читать дальше

• Конспект с 15 выводами, туториалами и полным транскриптом (китайский): GitHub
• Полное видео (4 ч 22 мин): YouTube
• Шао Алан: @AlanShao111

Вывод

Финальная реплика разговора (04:13:08) звучит почти банально: «Больше создавай, меньше потребляй — и почти всё, что ни сделаешь, будет правильным». Но именно так сделан и сам конспект: 4,5 часа видео превращены в инструмент, доступный любому.

Если фильтровать интервью скептически (а его стоит), для разработчика в нём остаются три вещи, не привязанные ни к Сану, ни к хайпу: данные в открытых форматах переживают смену инструментов; решения с журналом учат быстрее решений без него; убеждения, для которых заранее записаны критерии опровержения, дешевле проверять. И «стопроцентно доверяй» тоже проверяйте — желательно по журналу.