Работодатели сейчас всё активнее думают, как заменить часть работы сотрудников нейросетями.

Мне кажется, самим людям тоже стоит подумать в обратную сторону: как не оставить весь накопленный с AI опыт внутри чужих сервисов. Потому что полезные знания очень быстро расползаются по ChatGPT, Claude, Grok, Gemini, DeepSeek, Codex, IDE-агентам и десяткам отдельных чатов.

Где-то ты несколько часов разбирал архитектуру. Где-то настраивал сервер. Где-то искал рабочую схему деплоя. Где-то доводил до ума процесс ревью. Где-то просто в ходе длинного разговора выработал хороший рабочий подход. А через полгода попробуй всё это найди.

И тут не обязательно сразу городить RAG и отдельную AI-платформу. Можно начать вообще без скриптов. Самая простая схема:

чат → Markdown → своё хранилище

Например, создать закрытый репозиторий на GitHub:

my-skills

И после каждого действительно полезного разговора просить нейросеть не просто оставить всё в истории, а оформить результат в отдельный .md.

Например:

Оформи результат этого разговора как универсальную инструкцию в Markdown и сохрани в my-skills. Если такая инструкция уже есть: Обнови существующий файл новыми знаниями из этого разговора, без повторов.

Структура может быть совсем простой:

my-skills/

__ development/ ____ laravel-deploy md ____ github-pr-review md ____ remote-dev md

__ infrastructure/ ____ cloudflare-access md ____ nginx-reverse-proxy md ____ ubuntu-server-setup md

__ projects/ ____ project-a/ ____ project-b/

У многих AI-инструментов уже есть работа с GitHub, поэтому для базового варианта даже отдельную автоматизацию писать не обязательно. GitHub при этом тоже не принципиален.

Можно сделать обычную папку AI-Skills на компьютере и держать копию в Яндекс Диске, Облаке Mail ru, на своём сервере или в любом другом хранилище, чтобы полезный результат разговора не оставался навсегда внутри конкретного AI-провайдера.

Причём сохранять лучше не пересказ чата, а уже нормальную рабочую инструкцию:

* что решаем; * когда этот способ подходит; * последовательность действий; * команды; * конфиги; * типичные ошибки; * как проверить результат.

Тогда через какое-то время получается уже не архив переписок, а собственная библиотека рабочих решений.

Сейчас активно развиваются OpenClaw, Claude Code, Codex и другие агентские системы, которые умеют работать не просто с одним промптом, а с постоянными инструкциями, файлами проекта, skills и дополнительным контекстом. То есть папка my-skills постепенно может стать не просто архивом заметок, а реальным рабочим слоем поверх разных моделей.

Например:

my-skills/

__ remote-dev/ ____ SKILL md ____ scripts/ ____ examples/

__ code-review/ ____ SKILL md

__ deploy/ ____ SKILL md ____ scripts/ ____ references/

Где SKILL md — основная инструкция, а рядом лежат готовые скрипты, примеры конфигов и дополнительные материалы.

И тогда сегодня этот набор использует один агент, завтра другой. Сегодня ChatGPT. Завтра Claude Code. Потом Codex, OpenClaw или какая-нибудь локальная модель. А твои инструкции при этом остаются у тебя. Не у OpenAI. Не у Anthropic. Не у Google. Не внутри одного конкретного чата. А в собственной базе, которую можно подключать к разным инструментам.

По сути, со временем получается примерно такая схема:

AI-чаты ↓ полезные результаты ↓ Markdown ↓ собственная база знаний ↓ универсальные инструкции / skills ↓ любые AI-агенты

Cобственные рабочие инструкции, решения и накопленный за годы опыт лучше хранить всё же у себя в структурированном виде.

🔗 Полная статья: https://msk.onl/blog/ai-chat-md-export