Персонализация уроков через данные о студентах

Сережа Рис · 13 January 2026

Максим делает аналитику для селлеров WildBerries. Елена — бота для Figma. Андрей — снайпер для Zora.

Двенадцать студентов. Десять разных сфер. Раньше я говорил: «сделаем калькулятор». Сегодня: «Максим, давай калькулятор маржи для твоих товаров».

Разница? Максим слушает.

Откуда взялась проблема

Пятая когорта. На середине урока понял, что даю примеры про e-commerce дизайнеру. А примеры про UI — менеджеру проектов. Перепутал профили двух студентов, потерял нить.

После пятого человека в голове каша. Кто откуда, кто что хочет — всё смешивается. Запоминать вручную не получается. Нужна система.

Что я сделал

Каждый студент пишет интро в чат когорты. Вот реальный пример (с разрешения):

Максим, Санкт-Петербург. IT Project Manager, занимаемся
 созданием E-commerce проектов для брендов. Работал
 с Adidas, Nike, Puma, Reebok.

 Опыт с ИИ: торговый бот для ByBit (не взлетел),
 аналитика для селлеров WB (в процессе).
 Инструменты: Cursor, OpenCode, Perplexity.

 Цель: научиться выстраивать процесс разработки,
 уйти в свои проекты.

Читать это для 12 человек — минут двадцать. Запоминать — невозможно. Поэтому я парсю через LLM и сохраняю в базу.

Структура профиля

Четыре поля. Не больше.

Поле	Зачем
industry	Для примеров. Не «калькулятор», а «калькулятор для твоей сферы»
role	Для контекста. PM думает о процессах, дизайнер — о UI
ai_experience	Для дифференциации. Новичку — базовое, опытному — сложное
project_idea	Для мотивации. Каждый пример — шаг к его проекту

Результат парсинга для Максима:

{
  "first_name": "Максим",
  "city": "Санкт-Петербург",
  "industry": "e-commerce",
  "role": "IT Project Manager",
  "ai_experience": "Cursor, боты, API",
  "project_idea": "аналитика для селлеров WB"
}

Как парсить

Беру сообщения из чата когорты через API. Фильтрую длинные — больше 200 символов. Это интро. Для каждого запускаю агента с промптом «извлеки JSON с полями industry, role, ai_experience, project_idea».

Двенадцать студентов парсятся за минуту. Параллельно, через Task tool. На выходе — таблица:

Имя	Сфера	Проект
Максим	e-commerce	аналитика WB
Елена	дизайн	бот для Figma
Андрей	крипто	super app
Артур	финтех	бот для налогов

Вся когорта — в одной таблице. Открыл перед уроком, за пять минут освежил в памяти.

Три способа использовать

Примеры под проект. Вместо абстрактного «сделаем бота» — «Артур, твой бот для налоговых деклараций. Начнём с простого: спроси ИНН, верни ставку УСН». Артур сразу видит: это про его проект. Не отвлекается.

Группы по опыту. Базовое задание — для тех, кто только ChatGPT пробовал. Сложное — для тех, кто уже деплоил ботов. В восьмой когорте:

Базовый (Алексей, Мария, Олег): промпт → результат
Средний (Ольга, Анна, Артур, Дамир): итерация промптов
Продвинутый (Максим, Андрей, Елена, Юлия): multi-step воркфлоу

Пары по навыкам. Елена (дизайн) + Артур (PM). Она думает про UI, он — про требования. На третьей неделе они сдали проект на день раньше остальных. Совпадение? Может быть. Но я ставлю на дополняющие навыки.

Пять минут: открыть таблицу, выбрать 3-4 студента для примеров, адаптировать шаблоны под их проекты. После пятого урока это делается на автомате.

Ограничения

Тестировал на когортах 8-12 человек. На двадцати таблица становится неудобной — слишком много строк, долго искать нужный пример. Нужен UI с фильтрами.

Парсинг иногда ошибается. «Психолог» может стать «психотерапевтом», industry теряется если студент описал себя размыто. Проверяю вручную первые 5-6 профилей, потом доверяю системе.

Итог

Структурированные профили — способ не терять контекст. Четыре поля на студента. Парсинг за минуту. Примеры, которые резонируют.

Максим теперь слушает. И делает калькулятор маржи для своих товаров.

Источники

Об авторе