Video oldindan ko‘rish uchun mavjud emas
Telegram'da ko‘rish
Pontificating Discombobulating Booping Frolicking 给我饭，给我猫，给我老婆
У вас бывало такое? Влюбляешься в девушку мечты, добиваешься, а она ноль внимания, держит во френдзоне и хоть ты тресни. И вот в один момент ты случайно знакомишься с её подружкой соседкой иии, ну вы поняли)
У меня с Claude примерно та же история. Полный спектр эмоций от любви с первого взгляда до ненависти и желания послать куда подальше. Типичные абьюзивные отношения, никогда не знаешь когда он в очередной раз блокнет твой акк, который ты юзаешь даже не через КВН, а напрямую с бурж сервера!
И вот тут, почти случайно ты знакомишься с её однокурсницей и понимаешь, что она ничем не хуже. Симпатичная такая, кавайная и совсем тебя не абьюзит. Правда глазки раскосые и ест она палочками 🍜, но это даже мило 🥰
А теперь серьезно)
Claude – крутая штука но! Вечная головная боль с баном аккаунтов, плюс, если брать на команду получается недешево. Одно время мы брали через индусов 👳♂️ и, если тебе прилетало Organization has been disabled, они оперативно предоставляли замену. Но! Индусы не вывезли, перестали предоставлять услуги.
Легальный способ использовать Claude - подписка на Cursor, например, за 200$. В эти 200 баксов включены 20x usage limits которые ты можешь потратить на тот же Sonnet
Но основная фича даже не в этом! Cursor кэширует контекст проекта, системные промпты, файлы и шлёт в модель только изменения; остальное идёт как Cache Read по сильно сниженной цене.
Я проанализировал лог работы на команду за день и это видно чётко:
- всего 43.4M токенов, из них 39.2M = Cache Read,
- без кэша мы бы потратили ~$135, с кэшем — ~$32 (экономия ~76%).
Но это все равно недешево! Я знаю команды, которые тратят тысячи и десятки тысяч долларов в месяц на Сursor. Процессы оптимизировали, команду и ФОТ сократили, но зарабатываем почему-то те же деньги. Фактически переложили деньги из кармана SEO джуна в карман Anthtropic, а те в свою очередь передали их Nvidia – конечному бенефициару всей этой ИИ гонки.
Как реально уменьшить расходы на AI в команде?
1. Оркестрация процессов
Автоматизируем рутину через Python: парсинг с Playwright, API-скрипты, работа с данными через Pandas. ИИ подключаем точечно — только на стадии разработки/отладки или глубокого исследования.
2. Кэширование токенов через Cursor
Cursor агрессивно кэширует контекст проекта — повторные обращения к одним и тем же файлам идут как Cache Read по цене в 10–15 раз ниже обычного Input. На практике экономия 70–80% от потенциального счёта за токены.
3. Стек из разных моделей под разные задачи
Не используем одну дорогую модель на всё — это главная ошибка большинства команд.
Как устроено у нас в агентстве:
Tencent Hunyuan 3 (Hy3 Preview) — простой кодинг, скрипты, лёгкие задачи
~$0.14 / 1M input токенов. По соотношению цена/качество один из лучших вариантов на рынке прямо сейчас.
Kimi K2 Thinking (Moonshot AI) — сложная аналитика, агентные задачи
~$0.60 / 1M input, $2.50 / 1M output. Open source модель на архитектуре MoE (1 трлн параметров, активируются 32 млрд). Встроенный reasoning — модель «думает» перед ответом, хорошо справляется с многошаговыми задачами.
Claude Sonnet 4.6 (Anthropic) — тексты, SEO-копирайтинг
$3 / 1M input, $15 / 1M output. Для создания качественного SEO-контента пока нет равных по стабильности результата.
У вас бывало такое? Влюбляешься в девушку мечты, добиваешься, а она ноль внимания, держит во френдзоне и хоть ты тресни. И вот в один момент ты случайно знакомишься с её подружкой соседкой иии, ну вы поняли)
У меня с Claude примерно та же история. Полный спектр эмоций от любви с первого взгляда до ненависти и желания послать куда подальше. Типичные абьюзивные отношения, никогда не знаешь когда он в очередной раз блокнет твой акк, который ты юзаешь даже не через КВН, а напрямую с бурж сервера!
И вот тут, почти случайно ты знакомишься с её однокурсницей и понимаешь, что она ничем не хуже. Симпатичная такая, кавайная и совсем тебя не абьюзит. Правда глазки раскосые и ест она палочками 🍜, но это даже мило 🥰
А теперь серьезно)
Claude – крутая штука но! Вечная головная боль с баном аккаунтов, плюс, если брать на команду получается недешево. Одно время мы брали через индусов 👳♂️ и, если тебе прилетало Organization has been disabled, они оперативно предоставляли замену. Но! Индусы не вывезли, перестали предоставлять услуги.
Легальный способ использовать Claude - подписка на Cursor, например, за 200$. В эти 200 баксов включены 20x usage limits которые ты можешь потратить на тот же Sonnet
Но основная фича даже не в этом! Cursor кэширует контекст проекта, системные промпты, файлы и шлёт в модель только изменения; остальное идёт как Cache Read по сильно сниженной цене.
Я проанализировал лог работы на команду за день и это видно чётко:
- всего 43.4M токенов, из них 39.2M = Cache Read,
- без кэша мы бы потратили ~$135, с кэшем — ~$32 (экономия ~76%).
Но это все равно недешево! Я знаю команды, которые тратят тысячи и десятки тысяч долларов в месяц на Сursor. Процессы оптимизировали, команду и ФОТ сократили, но зарабатываем почему-то те же деньги. Фактически переложили деньги из кармана SEO джуна в карман Anthtropic, а те в свою очередь передали их Nvidia – конечному бенефициару всей этой ИИ гонки.
Как реально уменьшить расходы на AI в команде?
1. Оркестрация процессов
Автоматизируем рутину через Python: парсинг с Playwright, API-скрипты, работа с данными через Pandas. ИИ подключаем точечно — только на стадии разработки/отладки или глубокого исследования.
2. Кэширование токенов через Cursor
Cursor агрессивно кэширует контекст проекта — повторные обращения к одним и тем же файлам идут как Cache Read по цене в 10–15 раз ниже обычного Input. На практике экономия 70–80% от потенциального счёта за токены.
3. Стек из разных моделей под разные задачи
Не используем одну дорогую модель на всё — это главная ошибка большинства команд.
Как устроено у нас в агентстве:
Tencent Hunyuan 3 (Hy3 Preview) — простой кодинг, скрипты, лёгкие задачи
~$0.14 / 1M input токенов. По соотношению цена/качество один из лучших вариантов на рынке прямо сейчас.
Kimi K2 Thinking (Moonshot AI) — сложная аналитика, агентные задачи
~$0.60 / 1M input, $2.50 / 1M output. Open source модель на архитектуре MoE (1 трлн параметров, активируются 32 млрд). Встроенный reasoning — модель «думает» перед ответом, хорошо справляется с многошаговыми задачами.
Claude Sonnet 4.6 (Anthropic) — тексты, SEO-копирайтинг
$3 / 1M input, $15 / 1M output. Для создания качественного SEO-контента пока нет равных по стабильности результата.