# Урок 6: Что LLM делает хорошо и плохо — способности и ограничения

> [HTML-версия](https://learnvibecoding.ru/publiclessons/urok-6-chto-llm-delaet-khorosho-i-plokho-sposobnosti-i-ogranicheniya) · [Индекс для LLM](https://learnvibecoding.ru/llms.txt) · [Политика использования материалов](https://learnvibecoding.ru/politika-materialov)
> Материалы защищены. Обучение LLM без согласия запрещено. При разрешённом использовании — обязательна прямая ссылка на страницу-источник.

**Курс:** Основы ИИ обновленный

# Урок 6: Что LLM делает хорошо и плохо — способности и ограничения

## Контекст

**Ты знаешь как LLM работают изнутри, как управлять параметрами. Но когда ты начинаешь писать промпт, возникает вопрос: что вообще LLM может СДЕЛАТЬ, а что НЕ МОЖЕТ?**

Ты видишь что ChatGPT отвечает на вопросы, генерирует код, пишет тексты. Но потом ты просишь его что-то и он говорит "не знаю", или отвечает неправильно, или галлюцинирует. Ты хочешь понять где граница, чтобы не тратить время на задачи которые LLM не может решить.

**Что будешь уметь:**
- Понимать что LLM делает хорошо (и использовать это)
- Понимать что LLM делает плохо (и избегать этого)
- Выбирать задачи которые подходят для LLM
- Комбинировать LLM с другими методами
- Не верить галлюцинациям и проверять результат

**Главное:** LLM — не универсальный инструмент. Это статистическая машина, которая предсказывает следующее слово на основе закономерностей в данных. Всё что из этого вытекает — это и её сила, и её слабость.

---

## Блок 1: Что LLM делает хорошо?

![Capabilities and Boundaries of LLM: what models can and cannot do](https://nhvwqitwebmmswnjylop.supabase.co/storage/v1/object/public/Pictures%20for%20course/AI%20basics%20new%20course/08_Capabilities_Boundaries_LLM.png)

### Закономерность 1: LLM отличная в паттернах

LLM обучена на триллионах слов. Она видела:
- Как люди пишут код
- Как люди пишут статьи
- Как люди отвечают на вопросы
- Как люди решают задачи

```
ЗАКОНОМЕРНОСТЬ В ДАННЫХ:
"Привет, как дела?" → обычно отвечают "Хорошо, спасибо, а у тебя?"
"function add(a, b) {" → обычно следует "return a + b"
"Почему небо голубое?" → обычно объясняют про рассеивание света
```

**Что отсюда вытекает:**
- Если задача похожа на то, что видела LLM при обучении → отличный результат
- Если задача нетипичная → плохой результат

### Закономерность 2: LLM хорошо в текстовых задачах

Потому что обучена на текстах:

| Задача | Результат | Почему |
|--------|-----------|--------|
| Написать письмо | ✅ Отличный | Видела млн писем |
| Написать код на Python | ✅ Отличный | Видела млн примеров кода |
| Объяснить концепт | ✅ Хороший | Видела млн объяснений |
| Перевести текст | ✅ Хороший | Видела двуязычные тексты |
| Написать шутку | ✅ Средний | Видела юмор, но на уровне интернета |
| Сказать когда ты была обучена | ✅ Знает | В обучающих данных есть даты |

### Закономерность 3: LLM хороша в комбинировании идей

**Пример:** ты просишь "напиши письмо в стиле Tolkien'а для клиента SaaS компании"

```
ДО ОБУЧЕНИЯ: LLM видела
- Письма в стиле Tolkien
- Письма для SaaS клиентов

ПОСЛЕ ОБУЧЕНИЯ: LLM может
- КОМБИНИРОВАТЬ эти паттерны
- Написать "письмо в стиле Tolkien для SaaS клиента"
```

Это её большая сила. Она не копирует паттерн A или B. Она переплетает их.

### Закономерность 4: LLM отличная в трансформации

Если нужна трансформация, а не новая информация:

| Трансформация | LLM | Результат |
|---|---|---|
| Переформулировать текст | ✅ Отлично | Видела переформулировки |
| Перевести на другой язык | ✅ Хорошо | Видела переводы |
| Изменить тон (формальный → дружеский) | ✅ Хорошо | Видела разные тоны |
| Сделать короче | ✅ Хорошо | Видела разные длины |
| Привести пример к правилу | ✅ Отлично | Видела примеры |

### Закономерность 5: LLM хорошо в классификации

Если нужно классифицировать, а не запомнить:

```
ЧТО РАБОТАЕТ:
"Это письмо спам или нет?" → LLM видела млн спама
"Этот твит позитивный или негативный?" → LLM видела эмоции в текстах
"Этот код на Python или JavaScript?" → LLM видела оба языка

ЧТО НЕ РАБОТАЕТ:
"Это письмо от нашего VIP клиента или обычного?" → LLM не знает вашу БД
"Этот товар был в нашем каталоге 3 года назад?" → LLM не имеет доступа к БД
```

---

## Блок 2: Что LLM делает плохо?

### Слабость 1: LLM имеет ограничения в знаниях, и веб-поиск не всегда включен

**Правило:** LLM обучена на данных до определённой даты. После этой даты она не знает.

```
ДАТА ОБУЧЕНИЯ CLAUDE (май 2026):
- Знает про события до апреля 2026
- Не знает про события после апреля 2026 (в обучающих данных)
- Может угадать тренд, но это просто вероятность

ЕСТЬ WEB SEARCH:
В май 2026 Claude, ChatGPT, Gemini имеют встроенный web search
- Могу поискать текущую информацию
- Но: нужно время, стоит дороже, не всегда включено

ВОПРОС: "Кто выиграл Чемпионат мира 2026?" (было в апреле 2026)
Ответ: "Знаю из обучающих данных — [ответ]"

ВОПРОС: "Какая цена на Bitcoin сейчас в мае 2026?"
ЕСЛИ web search включен: "Ищу сейчас... [текущая цена]"
ЕСЛИ web search выключен: "Я не могу дать текущую цену, мои последние данные — апрель 2026"

ВОПРОС: "Когда случилось событие в июле 2026?" (будущее относительно моей подготовки)
Ответ: "Я не знаю, это после моей даты обучения. Но я могу поискать..."
```

**Что это значит (май 2026):**
- LLM МОЖЕТ дать текущую информацию если:
  * Web search включен (зависит от UI/API)
  * У тебя есть доступ к интернету
  * Ты не ограничена по стоимости (web search дороже)
- LLM НЕ может дать информацию если:
  * Web search отключен
  * Информация очень новая (минуты, часы)
  * Событие не индексировано поисковиками
- LLM МОЖЕТ ГАЛЛЮЦИНИРОВАТЬ даже с web search (неправильно интерпретировать результаты)

### Слабость 2: LLM не может вспомнить факты точно

LLM не хранит факты как база данных. Она сжимает их в вероятности.

```
ПРИМЕР:

Факт: "Эйфелева башня построена в 1889 году"

ДО ОБУЧЕНИЯ: LLM видела
- "Эйфелева башня была построена в 18XX году"
- "Башня построена во время Всемирной выставки"
- "Высота 330 метров"

ПОСЛЕ ОБУЧЕНИЯ: LLM "знает" этот факт, но не точно
- Может сказать "1889" (правильно)
- Может сказать "1888 или 1890" (неправильно)
- Вероятность зависит от того как часто видела эту дату в данных
```

**Результат:**
```
Вопрос: "Когда построена Эйфелева башня?"
Ответ: "1889" (обычно правильно, потому что видела это 1000000 раз)

Вопрос: "Когда открылась редкая пляжная кабинка в деревне Альпы?"
Ответ: 🤷 (может угадать, может галлюцинировать)
```

### Слабость 3: LLM НЕ может думать логически как человек

LLM не решает задачи пошагово как математик. Она предсказывает следующее слово.

```
ПРИМЕР: Логическая задача

"В комнате 3 красных шара и 5 синих. 
Кто-то вынул 2 красных шара. 
Сколько осталось всего?"

ПРАВИЛЬНЫЙ ОТВЕТ: 3-2+5 = 6

КАК РЕШАЕТ ЧЕЛОВЕК:
1. 3 красных минус 2 = 1 красный
2. 5 синих = 5 синих
3. Всего 1+5 = 6

КАК "РЕШАЕТ" LLM:
Видит слова: "3 красных", "5 синих", "вынул 2"
Предсказывает следующее слово: "остал..." → "осталось"
Предсказывает число: "6" (потому что видела похожие задачи)

РЕЗУЛЬТАТ: 
✅ Часто правильно (случайная корреляция)
❌ Но если задача нестандартная → ошибка
```

### Слабость 4: LLM галлюцинирует когда не знает

Вместо того чтобы сказать "не знаю", LLM часто выдумывает.

```
ВОПРОС: "Напиши речь того, что президент США сказал на закрытом заседании 5 мая 2026 года"

❌ ЧТО ДЕЛАЕТ LLM:
"Мне нет доступа к закрытым документам, но вероятно он сказал..."
[Генерирует убедительно звучащий текст]

❌ ПРОБЛЕМА: Это звучит правдоподобно, но это ВЫДУМКА

✅ ЧТО НУЖНО ДЕЛАТЬ:
Не верить этому тексту без проверки
Искать реальный источник
```

### Слабость 5: LLM полагается на контекст промпта

Если в промпте неправильная информация, LLM может её повторить.

```
ПРИМЕР:

ПРОМПТ 1 (правильный): 
"Томас Эдисон изобрёл лампочку в 1879 году. 
Напиши ему письмо благодарности."

Ответ: ✅ Логичное письмо, использует правильный год

ПРОМПТ 2 (неправильный):
"Томас Эдисон изобрёл лампочку в 1979 году. 
Напиши ему письмо благодарности."

Ответ: ❌ Письмо может содержать "1979" (неправильно)
LLM доверяет контексту в промпте
```

### Слабость 6: LLM плохо в новых задачах или нишевых примерах

Если LLM видела задачу 1000000 раз при обучении → отлично.
Если видела 1 раз или не видела вообще → плохо.

```
ЗАДАЧА: Написать Java код
Видела при обучении: млн примеров Java кода
Результат: ✅ Отличный

ЗАДАЧА: Написать код на очень редком языке (ROcktLang)
Видела при обучении: 50 примеров (может быть совсем не видела)
Результат: ❌ Плохой или галлюцинация

ЗАДАЧА: Классифицировать твит как позитивный или негативный
Видела при обучении: млн твитов с оценками эмоций
Результат: ✅ Хороший

ЗАДАЧА: Классифицировать документ как фейк-ньюс по тонким признакам
Видела при обучении: может быть видела только очевидные фейки
Результат: ❌ Может ошибиться
```

---

## Блок 3: Матрица: Когда использовать LLM, а когда НЕ использовать?

| Задача | LLM может? | Почему | Когда использовать |
|--------|-----------|--------|-------------------|
| **Генерация текста** (письмо, статья) | ✅ Да | Видела млн текстов | Всегда |
| **Написание кода** | ✅ Да | Видела млн примеров | Всегда |
| **Объяснение концепта** | ✅ Да | Видела млн объяснений | Всегда |
| **Перевод текста** | ✅ Хорошо | Видела двуязычные данные | Когда нужна скорость, не точность |
| **Классификация текста** | ✅ Хорошо | Видела примеры | Когда классов <10 и примеры типичные |
| **Трансформация текста** (переформулировка, сокращение) | ✅ Отлично | Видела вариации | Всегда |
| **Комбинирование идей** | ✅ Отлично | Может переплетать паттерны | Всегда (при наличии обоих паттернов) |
| **Поиск информации в своей БД** | ❌ Нет | Нет доступа к вашей системе | Никогда напрямую (используй RAG) |
| **Получение текущей информации** | ✅ Иногда | Web search есть (май 2026) но не всегда включен, платное | Если web search включен — да; если нет — дай информацию вручную |
| **Точные факты** (даты, имена, цифры) | ⚠️ Может ошибиться | Полагается на вероятность, не память | Только если проверишь результат |
| **Логические рассуждения** (математика, логика) | ⚠️ Может ошибиться | Не решает пошагово, предсказывает результат | Сложные задачи → проверяй |
| **Новые, нишевые задачи** | ⚠️ Может ошибиться | Может не видела при обучении | Только если протестируешь |
| **Личная информация** (номер клиента, адрес) | ❌ Нет и опасно | Может запомнить и утечь | НИКОГДА без шифрования |

---

## Блок 4: Галлюцинации — главная проблема

### Что такое галлюцинация?

**Галлюцинация** = когда LLM с уверенностью выдумывает информацию, которой нет в её знаниях.

```
ПРИМЕР 1: Вымышленный факт

Вопрос: "Кто первым поднялся на вершину горы Килиманджаро?"

Ответ LLM: "Йохан Лангенбах достиг вершины в 1889 году, 
став первым европейцем, который..."

❌ ПРОБЛЕМА: Йохан Лангенбах — выдуманный человек
Реальный первый покоритель был другой

LLM говорит это с уверенностью (как будто знает правду)
```

```
ПРИМЕР 2: Вымышленное исследование

Вопрос: "Какое исследование показало что кофе улучшает память на 40%?"

Ответ LLM: "Исследование Университета Оксфорда 2023 года 
(The Journal of Neurochemistry, том 145, стр. 234-251) показало..."

❌ ПРОБЛЕМА: Это исследование может не существовать
LLM выдумала автора, журнал, том и страницы
Звучит убедительно, но это фейк
```

![Hallucinations: anatomy of errors and false information generation](https://nhvwqitwebmmswnjylop.supabase.co/storage/v1/object/public/Pictures%20for%20course/AI%20basics%20new%20course/24_Hallucinations_Error_Anatomy.png)

### Почему LLM галлюцинирует?

**Причина 1:** LLM не знает что она не знает

```
LLM видит слова: "Какой самый редкий...?" 
Мозг LLM: "Я должна ответить на вопрос про редкость"
"Я видела тысячи ответов про редкие вещи"
"Я дам вероятный ответ"

Результат: Выдумает редкую вещь которая звучит реалистично
```

**Причина 2:** LLM может подогнать неправильный паттерн

```
Вопрос: "Какой научный журнал опубликовал об этом?"

LLM видит паттерн: [вопрос про журнал] → [название + год + том + стр]

Вместо: "Я не знаю"
LLM генерирует: [вероятный номер + том + стр]
(потому что видела 1000000 цитирований в обучающих данных)
```

**Причина 3:** Temperature может усилить галлюцинацию

```
Temperature = 0.0: 
"Не знаю" (играет безопасно)

Temperature = 1.5:
"Вероятно, это был... [выдумка]" (более креативна)
```

### Как защищаться от галлюцинаций?

```
✅ ПРАВИЛО 1: Не верь LLM как источнику информации
   → Всегда проверяй факты в надёжных источниках

✅ ПРАВИЛО 2: Если LLM выдаёт ссылку на статью — проверь её в гугле
   → 20-30% ссылок в ответах LLM выдуманы

✅ ПРАВИЛО 3: Для задач требующих точности — используй RAG
   → RAG = даёшь LLM свои надёжные документы, она будет ссылаться на них

✅ ПРАВИЛО 4: Используй LLM для черновика, потом проверяй
   → LLM отличная для генерации идей и текста
   → Но человек должен проверить детали

✅ ПРАВИЛО 5: В критичных системах — комбинируй LLM + проверки
   → Если ошибка дорогая → лучше перепроверить
```

---

## Блок 5: Реальные примеры: хорошо vs плохо

### Пример 1: Письмо клиенту

**Задача:** Написать письмо VIP клиенту.

```
ХОРОШЕЕ ИСПОЛЬЗОВАНИЕ LLM:

Промпт:
"Напиши письмо VIP клиенту, который отлично работает с нами 5 лет.
Спасибо за сотрудничество, предложи ему эксклюзивные условия.
Тон: профессиональный но тёплый."

Результат: ✅ ОТЛИЧНЫЙ
- LLM видела млн бизнес-писем
- Тон правильный
- Структура логична
- Нужна минимальная доработка

ПЛОХОЕ ИСПОЛЬЗОВАНИЕ LLM:

Промпт:
"Напиши письмо нашему VIP клиенту из базы с ID 12345. 
Упомяни его последний заказ и цену которую он заплатил."

Результат: ❌ ПЛОХОЙ
- LLM не имеет доступа к БД (ID 12345)
- LLM не знает реальные заказы
- LLM выдумает номер заказа и цену
- Письмо будет неправильное
```

**Правильный подход:**
```python
# Шаг 1: Получи данные из БД ты сам
customer = get_customer_by_id(12345)
last_order = get_last_order(customer.id)

# Шаг 2: Дай эти данные LLM
prompt = f"""
Напиши письмо клиенту {customer.name}.
Он заказал: {last_order.product} на сумму {last_order.price}.
Тон: профессиональный.
"""

response = llm.generate(prompt)
```

### Пример 2: Анализ данных из файла

**Задача:** Проанализировать CSV файл с продажами.

```
ПЛОХОЕ ИСПОЛЬЗОВАНИЕ:

Промпт:
"Проанализируй данные из файла 'sales.csv' и скажи кто топ-5 клиентов"

Результат: ❌ ПЛОХОЙ
- LLM не может читать файлы на вашем компе
- LLM не имеет доступа к файловой системе
- LLM выдумает топ-5 клиентов

ХОРОШЕЕ ИСПОЛЬЗОВАНИЕ:

# Шаг 1: Ты читаешь файл и обрабатываешь
import pandas as pd
data = pd.read_csv('sales.csv')
top_5 = data.groupby('customer')['amount'].sum().nlargest(5)

# Шаг 2: Даёшь результат LLM
prompt = f"""
Вот топ-5 клиентов по продажам:
{top_5.to_string()}

Напиши краткий анализ кто они и чем они интересны.
"""

response = llm.generate(prompt)

Результат: ✅ ХОРОШИЙ
- LLM анализирует реальные данные
- Выводы основаны на фактах
- Надёжный результат
```

### Пример 3: Написание кода

**Задача:** Написать функцию для валидации email.

```
ХОРОШЕЕ ИСПОЛЬЗОВАНИЕ:

Промпт:
"Напиши функцию на Python которая проверяет что строка — это email.
Должна проверить наличие @, точку после @, и не может быть пробелов."

Результат: ✅ ОТЛИЧНЫЙ
- LLM видела млн примеров валидации
- Код будет логичный
- Отличный starting point

# Потом ты протестируешь код:
assert validate_email("test@example.com") == True
assert validate_email("test@.com") == False
assert validate_email("test @example.com") == False

ПЛОХОЕ ИСПОЛЬЗОВАНИЕ:

Промпт:
"Напиши валидацию email которая соответствует RFC 5322"

Результат: ⚠️ РИСКОВАННЫЙ
- RFC 5322 очень сложный стандарт
- LLM может выдумать части стандарта
- Код может быть неправильный

# Правильно:
Напиши коротко, потом дай LLM ссылку на RFC 5322
Или: напиши простую валидацию, отметь что она не полная
```

---

## Блок 6: Как комбинировать LLM с другими инструментами?

### Комбинация 1: LLM + база данных

```
ПРОБЛЕМА: LLM не имеет доступа к вашей БД

РЕШЕНИЕ: RAG (Retrieval-Augmented Generation)

ПОТОК:
1. Пользователь: "Кто наши топ-5 клиентов?"
2. Система получает из БД: SELECT top(5) ...
3. Система даёт LLM: "Вот данные из нашей БД: [данные]"
4. LLM анализирует и возвращает: "Топ-5 это... потому что..."

РЕЗУЛЬТАТ: ✅ LLM знает актуальные данные
```

### Комбинация 2: LLM + интернет (май 2026 обновление)

```
СИТУАЦИЯ В МАЙ 2026:
LLM имеет встроенный web search в большинстве платформ.
Но есть нюансы.

ОПЦИЯ 1: Встроенный web search (Claude.ai, ChatGPT, Gemini)
```
Пользователь: "Какая цена на Bitcoin сейчас?"
Система: Автоматически ищет в интернете (если включено)
Результат: ✅ Текущая информация
Стоимость: Дороже (платишь за search)
```

ОПЦИЯ 2: Ручной поиск + LLM
```
1. Пользователь: "Какая цена на Bitcoin сейчас?"
2. Система вызывает API (CoinGecko, Alpha Vantage, и т.д.)
3. Получает свежую цену
4. Даёт LLM: "Текущая цена Bitcoin: $XXX"
5. LLM анализирует и возвращает ответ + контекст

Результат: ✅ Точная информация + анализ
Контроль: Ты контролируешь какие источники использовать
```

КОГДА ИСПОЛЬЗОВАТЬ:
- Если просто нужна информация → используй web search (быстрее)
- Если нужна точная цена + анализ → используй API + LLM
- Если в production и платишь много → рассмотри кэширование результатов
```

### Комбинация 3: LLM + проверка логики

```
ПРОБЛЕМА: LLM может ошибиться в логике/математике

РЕШЕНИЕ: LLM + калькулятор или проверка

ПОТОК:
1. Пользователь: "Рассчитай стоимость: 5 товаров по 120 рублей"
2. LLM генерирует: "5 × 120 = 600"
3. Система ПРОВЕРЯЕТ: 5 * 120 == 600 ✅
4. Результат подтверждён

ДЛЯ СЛОЖНОЙ ЛОГИКИ:
1. LLM генерирует шаги решения
2. Система выполняет каждый шаг (если это можно автоматизировать)
3. Система проверяет результат
4. LLM возвращает объяснение

РЕЗУЛЬТАТ: ✅ Правильный и проверенный результат
```

### Комбинация 4: LLM + человек в цикле

```
ПОТОК:
1. LLM генерирует черновик (письмо, код, анализ)
2. Человек проверяет и редактирует
3. Система применяет изменения
4. LLM может расширить или уточнить

КОГДА ИСПОЛЬЗОВАТЬ:
- Критичные письма (нельзя ошибаться)
- Важные решения (нужна человеческая оценка)
- Контент для публикации (репутация на кону)
- Юридические документы (нельзя ошибаться)

РЕЗУЛЬТАТ: ✅ Скорость + надёжность
```

---

## Блок 7: Рекомендации для разных сценариев использования

### Сценарий 1: Создаёшь свой продукт (Маша)

**Маша делает помощника по готовке. Какие задачи подходят для LLM?**

```
✅ ЧТО ИСПОЛЬЗОВАТЬ:
- Генерация рецептов по названию блюда
- Переформулировка шагов рецепта
- Генерация списка покупок
- Ответы на вопросы о готовке
- Предложение вариантов блюд

❌ ЧТО НЕ ИСПОЛЬЗОВАТЬ:
- "Какие рецепты сохранил пользователь?" → БД
- "Какие помидоры в магазине сейчас?" → Веб-поиск
- "Рассчитай калории" → Специальная таблица калорийности

⚠️ ЧТО ПРОВЕРЯТЬ:
- Рецепты → убедись что они логичные
- Калории → лучше использовать API Nutritionix
```

### Сценарий 2: Внедряешь AI в бизнес (Петя)

**Петя делает чатбот поддержки для своей компании. Какие задачи подходят для LLM?**

```
✅ ЧТО ИСПОЛЬЗОВАТЬ:
- Автоклассификация вопроса клиента (техподдержка, продажи, жалоба)
- Генерация черновика ответа на стандартные вопросы
- Переформулировка жалобы в структурированную форму

❌ ЧТО НЕ ИСПОЛЬЗОВАТЬ:
- "Какова история заказов этого клиента?" → БД + RAG
- "Выполнен ли заказ?" → Интеграция с системой заказов
- "Скидка 50% это хорошее предложение?" → Правила бизнеса

⚠️ ЧТО ПРОВЕРЯТЬ:
- Ответы → должны быть валидированы перед отправкой клиенту
- Классификация → может быть неправильной, нужен фиксбэк
```

### Сценарий 3: Разбираешься в технологиях (Коля)

**Коля хочет понять на что способны LLM. На какие задачи смотреть?**

```
✅ ИЗУЧАЙ:
- Как LLM комбинирует информацию (chain-of-thought промпты)
- Как LLM использует контекст (в-context learning)
- Как работают ограничения (тесты когда LLM ошибается)
- Как работает RAG и почему это важно

❌ НЕ ВЕРЬ:
- Что LLM имеет память между разговорами
- Что LLM "понимает" в человеческом смысле
- Что LLM может быть абсолютно надёжна
- Что LLM знает всё после определённой даты

⚠️ ИЗУЧИ:
- Как проверять результаты LLM (критическое мышление)
- Как писать хорошие промпты (влияет на качество)
- Как работают параметры (temperature, top_p)
```

---

## Финальный чеклист: Прежде чем использовать LLM, спроси себя

- [ ] **Это задача с текстом или кодом?** Если да → LLM отлично подходит
- [ ] **Нужна ли текущая информация?** Если да → используй веб-поиск или RAG
- [ ] **Нужны ли данные из моей БД?** Если да → используй RAG или передай данные явно
- [ ] **Критична ли точность фактов?** Если да → проверяй результаты в надёжных источниках
- [ ] **Это новая или очень нишевая задача?** Если да → протестируй на примерах перед использованием
- [ ] **Нужна логика или математика?** Если простая → LLM может. Если сложная → проверяй шаги
- [ ] **Нужна ли конфиденциальная информация?** Если да → НИКОГДА не давай в промпт без шифрования
- [ ] **Может ли ошибка стоить дорого?** Если да → добавь человеческую проверку или другие инструменты

**Если большинство ответов "да" на правильные вопросы → используй LLM. Если появились красные флаги → комбинируй с другими инструментами.**

[Все уроки](https://learnvibecoding.ru/publiclessons.md) · HTML: https://learnvibecoding.ru/publiclessons