Почему одна и та же LLM может ответить за секунды или потратить минуты на рассуждение?
Статья о том, как модели учатся режимам low, medium и high, почему максимальное усилие быстро становится дорогим и когда меньшая модель может догнать более крупную за счет дополнительного времени на поиск решения.
Как управлять глубиной рассуждений в LLM
Сложная, но интересная статья, советую к прочтению 
Два полезных приёма для вайб-кодинга 
1. Проверяйте решения, а не тысячи строк кода
После выполнения задачи спросите агента:
Какие решения ты принял и в каких не уверен? Что может сломаться и как это проверить?
Для длинных задач попросите вести DECISIONS.md, иначе часть решений потеряется после сжатия контекста. Такой аудит хорошо ловит патчи, которые устраняют симптом, но не причину ошибки.
2. Браузер для разведки, API для работы
Агент может выполнить действие в браузере, записать запросы в HAR и собрать по ним быстрый CLI или клиент. Повторные операции пойдут напрямую через HTTP, без постоянных кликов.
Напоследок ayghri/i-have-adhd **1к **
- skill для ответов Claude Code, адаптированных для людей с СДВГ. Он делает ответы короче и понятнее. На работу агента и качество кода skill не влияет, он меняет только подачу ответа.