Мои кенты думают, что я просто сижу один и вайбкодю Gaze AI Calls модель 🤝
Не Sniping Agent, там партнер cto руководит девом 👁️
Итак, раскрываю карты.
На бумаге так и есть. По факту у меня каждый день работает мини-команда из AI-ролей.
Сейчас процессы у меня выглядят так:
🟢 Есть Team Lead.
Он держит в голове весь контекст проекта: что уже тестировали, что сломалось, где бутылочное горлышко, что сейчас приоритет.
🟢 Есть ML Engineer.
Он отвечает за эксперименты, модели и проверку, где реальный сигнал, а где просто шум.
🟢 Есть Analyst.
Он лезет в SQL, таблицы, трейды, паттерны. Если надо понять, почему прод льет или где рынок оставляет почерк, это его зона.
🟢 Есть Degen.
Это отдельная важная роль. Он смотрит не как инженер, а как трейдер. Не “что говорит метрика”, а “что здесь реально чувствует рынок”.
🟢 Есть Worker.
Он пишет код и аккуратно внедряет то, что уже согласовано.
🟢 И есть Architect.
Он нужен, чтобы не сломать систему в моменте ради быстрого фикса. Проверяет логику до того, как код идет дальше.
То есть по сути я не работаю как “человек + claude ai”.
Я работаю как оператор, у которого под рукой AI-команда с разными ролями и разным способом мышления. Они даже сами все таски ведут в Notion в канбане, я иногда туда захожу, чтобы посмотреть, что они делают.
Дальше самое важное: как у меня идея превращается в прод ✍️
Сначала появляется гипотеза.
Обычно либо из живого трейда, когда видно что-то странное, либо из данных, когда паттерн уже повторяется.
Потом гипотеза превращается в нормальный эксперимент.
Не в “мне кажется”, а в четкую проверку: что именно тестируем, на каких данных, какой результат считаем успехом, какой провалом.
Только после этого идет реализация.
Потом прогон на прод-данных, не на локальной песочнице. Это жесткое правило. Потому что красивые результаты на локалке уже не раз оказывались мусором, когда доходили до реального потока.
Потом валидация.
Если результат держится, идем дальше. Если нет, он не шипится, а уходит в лог с причиной, почему идея выглядела умно, но на деле не прошла.
И только потом деплой!
Отдельно у меня есть 3 слоя памяти, без которых все это давно превратилось бы в хаос ☝️
1. Лог экспериментов. Там записано, что уже тестировали, что сработало, что провалилось и что дальше.
2. Session stories. Это публичный слой, то, во что я потом превращаю сессии для канала.
3. Долгая память, чтобы система не была “новым стажером каждое утро”, а реально помнила прошлый контекст и решения.
И вот за счет этого я могу двигать Gaze быстро, но не в режиме хаоса.
Самое ценное во всей этой схеме даже не код. Самое ценное, это споры между ролями.
Один говорит: “метрика хорошая, шипим”.
Второй говорит: “нет, это шум, данных мало”.
Третий говорит: “на бумаге ок, но рынок так не живет”.
И вот именно эти внутренние столкновения чаще всего и спасают от дорогих ошибок.
Короче, мой текущий процесс выглядит так:
[ гипотеза -> спецификация -> реализация -> прогон -> валидация -> деплой или в мусорку ]
Без романтики ❗️
Без “AI все сделал сам”❗️
Просто нормальная система работы, где дисциплина дешевле, чем цена ошибок.
Именно так я сейчас строю Gaze AI модель, чтобы сделать своего личного тренчера/коллера 🫂
Моя цель - довести модель до точки, где на бумаге я увижу недельный профит и после закину свои бабки 🤦♂️
Главное - построить систему так, чтобы она адаптировалась и регулярно эволюционировала под динамичный рынок трейдинга на dex.
🟢
