Главный кейс. Один продуктовый вопрос — стоит ли инвестировать в редизайн онбординга — задаём три раза, чтобы увидеть три разных ответа: плохой промпт без контекста, хороший промпт без контекста, хороший промпт с контекстом.
Проанализируй эту базу данных, расскажи что интересного.
Что ожидать: агент сделает инвентаризацию данных — таблицы, count, distinct values — и предложит generic-направления вроде «посмотрите конверсию». Технически корректно, но без инсайта.
Найди drop-off в onboarding funnel пользователей. Топ-2 гипотезы причин drop-off. Проверь одну из них хи-квадратом.
Что ожидать: агент построит воронку (registration → step_1 → step_2 → complete), найдёт самый большой drop-off и предложит generic-гипотезы из учебника по UX («шаг 2 слишком длинный»). Стат-тест пройдёт корректно. Но гипотезы не привязаны к продукту.
Найди drop-off в onboarding funnel пользователей. Топ-2 гипотезы причин drop-off. Проверь одну из них хи-квадратом.
Что ожидать: агент сначала прочитает CLAUDE.md, PRODUCT_CONTEXT.md и data/README.md. Гипотезы будут привязаны к JTBD habit formation и персонам («Занятый Профессионал»). Стат-тест дополнится связкой с trial→paid конверсией. Рекомендации — с impact score и привязкой к roadmap.
Проверяем тезис на другом типе данных — ~200 NPS-отзывов на русском за квартал. Тот же контраст: bare vs rich, тот же промпт.
Что говорят пользователи в NPS-фидбэке за квартал? Какие темы доминируют, как меняются по неделям, и как они связаны с поведением?
Что ожидать: агент отфильтрует feedback по channel = nps_survey, сделает TF-IDF + k-means кластеризацию. Получит generic-темы: UI/UX, Pricing, Performance, Content. Не сделает джойн с events — без контекста это не очевидно. Темы могли бы быть от любого SaaS-продукта.
Что говорят пользователи в NPS-фидбэке за квартал? Какие темы доминируют, как меняются по неделям, и как они связаны с поведением?
Что ожидать: агент вызовет скилл product-feedback, прочитает PRODUCT_CONTEXT/BLUEPRINT/KNOWLEDGE_LOG, получит fitness-специфичные темы с retention impact: «pricing/trial» (retention −34pp, avg workouts 2 vs 31), «сложность/подбор» (−13pp, avg workouts −81%, top-3 по объёму), «тех. проблемы» (avg workouts −56%), «позитив» (+34pp). Свяжет «сложность» с KNOWLEDGE_LOG (Beginner Mode уже снизил жалобы 18→7%, но residual продолжает уходить). 3 рекомендации привязаны к BLUEPRINT roadmap: Mood check-in (для сложности — вторая итерация после Beginner Mode), Annual push (для pricing), tech debt sprint.
💡 Промпты-приёмы
Эти фразы помогают управлять агентом по ходу анализа — особенно если он уходит в дебри или, наоборот, отвечает слишком поверхностно.
Уходит в дебри«Сократи до трёх главных пунктов, переходи к выводам»
Контекст не активировался в rich-репо«Перечитай PRODUCT_CONTEXT.md и привяжи гипотезы к JTBD»
Хочется увидеть данные«Покажи первые 10 строк, которые ты использовал»
Результат контринтуитивен«Это неожиданно — проверь, нет ли ошибки в фильтрации»
Мало данных в выборке«Достаточно ли выборки? Какой confidence interval?»
Завис на одном шаге«Пропусти этот шаг, переходи к выводу»
Длинный SQL непонятен«Покажи только результат, SQL спрячь»
Нужно подумать перед расчётом«Прежде чем считать — какой подход и почему?»