Claude Code за хора, които не пишат код: пълният практически наръчник – част 2

CLAUDE.md: как да спреш да повтаряш едни и същи инструкции

Тук за мен Claude Code става истински полезен, защото започваме да минаваме от отделни AI задачи към изграждане на система.

Представи си, че всеки път когато нов човек от екипа отвори проект, трябва да му обясняваш отначало кой е клиентът, къде стоят файловете, кои показатели са важни, как изглежда добрият отчет, какви думи не използваме, как се казват папките и кои документи не трябва да се редактират. След седмица вероятно вече ще си написала onboarding документ.

CLAUDE.md изпълнява приблизително тази функция. Това е файл с инструкции и контекст, който Claude може да използва при работата си, вместо ти да повтаряш едни и същи правила във всяка нова сесия.

Можеш да имаш общи инструкции за начина, по който работиш: че не си developer и техническите обяснения трябва да са ясни, че предпочиташ конкретни отговори, че когато задачата е безопасна и ясна искаш да бъде изпълнена, вместо да получаваш теоретичен tutorial. След това можеш да имаш и project-level CLAUDE.md с информация, която важи само за конкретната папка.

Ако например работя с маркетинг данни, бих могла да опиша къде стоят source файловете, кои KPI следим, в какъв формат трябва да бъде финалният отчет, кои файлове са оригинали и не трябва да се променят и какви правила трябва да се спазват при анализа. Вместо всяка седмица да подавам същия briefing, инфраструктурата вече носи тази информация.

Claude може да ти помогне и да създадеш първата версия на този файл чрез /init, след което постепенно го подобряваш, когато забележиш каква информация се налага да повтаряш.

Това е важен принцип изобщо за AI. Ако за десети път пишеш една и съща инструкция, вероятно проблемът вече не е в prompting-а, а в това, че не си я превърнал в система.

Skills: превръщаш добрия процес в нещо, което можеш да използваш отново

Skills са следващият слой и лично за мен са една от най-полезните концепции в цялата тази екосистема. Най-лесно е да ги мислиш като reusable инструкции за определен тип работа. Имаш задача, която изпълняваш често, знаеш как трябва да бъде направена добре и вместо всеки път да описваш целия процес от нулата, го пакетираш като skill.

Това може да бъде начинът, по който анализираш рекламен акаунт, структурата на client report, система за meeting notes, процесът за създаване на case study или стилът, в който искаш Claude да прави HTML dashboard.

Например можеш да му кажеш да ти помогне да създадеш skill за интерактивни dashboards с ясна типография, responsive layout, добра информационна йерархия, професионални графики и конкретни визуални принципи. След като веднъж си го изградил, при следващия проект вече не обясняваш цялата дизайн философия. Казваш на Claude да използва съответния skill.

Тук започва и compounding ефектът. Първоначално просто работиш с модел. След това му даваш project context. После добавяш CLAUDE.md. След това skills. След време имаш система, която знае как предпочиташ да работиш и която не започва всяка задача като напълно непознат асистент.

Слой	Какво прави	Кога го добавяш
Моделът	Отговаря на въпроси	В самото начало
Project context	Дава на Claude работната среда и файловете	Първия проект
CLAUDE.md	Постоянните правила и контекст	Щом започнеш да повтаряш инструкции
Skills	Пакетиран процес за повторна употреба	Щом имаш процес, който правиш често
MCP интеграции	Мост към Gmail, Calendar, Notion и др.	Щом работата излиза извън папката

Това е разликата между хората, които събират 400 prompt templates, и хората, които изграждат реална AI инфраструктура.

Първите всеки път търсят правилния текст, който да поставят в полето. Вторите вече са описали процеса и го използват повторно.

Memory: полезна е, но не бих сложила бизнеса си само там

Claude Code има механизми, чрез които може да запазва полезни предпочитания и контекст между различни сесии, а това постепенно прави работата по-естествена. Ако постоянно коригираш един и същи тип резултат или имаш ясни предпочитания, част от тях могат да започнат да се използват и в бъдещата работа.

Аз обаче правя ясна разлика между удобство и критична информация.

Документиран контекст (CLAUDE.md, skills)	Memory
За важна, критична за бизнеса информация	За дребни повторения и предпочитания
Ти контролираш какво е записано	Claude решава кое си струва да запомни
Надеждно и проверимо	Удобно, но по-малко надеждно
Правила, процеси, operational логика	„Помни, че предпочитам кратки отговори”

Ако нещо е важно за бизнеса, проекта или начина, по който трябва да се извършва определен процес, искам то да бъде описано в CLAUDE.md, skill, project документация или друг ясен източник. Не бих оставила важна operational логика единствено на надеждата, че AI „ще си спомни”. Паметта е чудесна, когато спестява дребни повторения. Документираният контекст е по-добрият избор, когато искаш надеждност.

Как Claude Code излиза от папката и стига до останалата ти работа

Локалните файлове са само началото, защото реалността е, че по-голямата част от работата на knowledge worker изобщо не живее в една чисто организирана папка. Тя е разпиляна между Gmail, Calendar, Slack, Notion, Drive, CRM системи, databases и още десет платформи, които вероятно плащаш всеки месец.

Тук влизат MCP интеграциите и различните connectors. MCP означава Model Context Protocol, но честно казано не е необходимо да помниш името, ако не ти е интересно. По-полезно е да го мислиш като стандартен мост, през който AI може да комуникира с външни инструменти при определени разрешения.

Например при подходяща интеграция с Gmail Claude може да получи достъп до пощата според правата, които си предоставил. При Calendar може да работи с графика. При Notion може да използва информация от workspace-а. Тук вече излизаме от модела, при който ти постоянно копираш информация от една система в друга.

Точно това използвам и като разграничение между „ползвам AI” и „имам AI workflow”. Ако всяка сутрин отваряш Gmail, копираш десет email-а в Claude, получаваш summary, копираш го в Notion и после ръчно създаваш задачи, AI участва в процеса, но ти все още вършиш цялата оркестрация. Когато системите са свързани и Claude може да прочете информацията от източника, да я обработи и да предаде резултата нататък, тогава вече имаш истински workflow.

Разбира се, с това идва и далеч по-сериозен security въпрос. Не бих инсталирала произволен MCP server само защото някой е направил reel с надпис „THIS CHANGED EVERYTHING”. Преди да дадеш достъп, минавам през няколко въпроса.

Възможността да дадеш достъп не означава автоматично, че трябва да го дадеш.

Как би изглеждал един реален workflow с email

Представи си, че Claude има разрешен достъп до работната ти поща. Вместо сутрин да отвориш inbox-а и да започнеш да прескачаш между newsletters, calendar notifications, фактури, automated emails и реални хора, можеш да зададеш задача от типа: „Прегледай входящата ми поща и намери съобщенията от реални хора, които чакат отговор от мен. Игнорирай newsletters, автоматични известия и calendar emails. Подреди останалите по приоритет и ми кажи защо смяташ, че трябва да реагирам.”

След това можеш да продължиш с: „Направи draft на отговорите за първите три, като използваш комуникационните правила от CLAUDE.md. Не изпращай нищо.”

Това последното е важно. Не е необходимо първият ти AI email workflow да получи право автономно да отговаря от твое име на целия свят. Започни от read-only анализ, после drafts, след това евентуално автоматизирай по-безопасни категории, ако изобщо имаш нужда.

По същия начин можеш да търсиш информация в стари писма с естествен език. Вместо да се опитваш да си спомниш точния subject от януари, можеш да опишеш какво търсиш: „Намери ми фактурата, която Х ми изпрати в началото на годината за redesign проекта”. Когато AI има достъп до реалния източник, начинът, по който взаимодействаме с информацията, става много по-близък до това да делегираш на човек.

Разговор с данните вместо война с Excel

Една от областите, в които според мен Claude Code има огромен потенциал за нетехнически хора, е анализът на данни. Ако работиш в marketing, sales, operations, eCommerce или finance, почти сигурно имаш CSV exports и Excel таблици, които редовно трябва да бъдат свързвани, филтрирани и интерпретирани.

Разбира се, можеш да качиш spreadsheet и в стандартен AI чат. Разликата е, че при Claude Code файловете вече са част от работната среда и можеш много по-естествено да работиш с няколко източника, да създаваш нови файлове и да превръщаш анализа в следващи действия.

Да кажем, че имаш sales_data.csv с шест месеца продажби. Можеш да започнеш широко: „Прегледай данните и ми кажи какво заслужава внимание. Търся тенденции, аномалии, необичайни промени и въпроси, които един добър analyst би задал след първоначален преглед.”

Оттам разговорът може да продължи съвсем естествено. Кои са продуктите с най-висок revenue? Кои категории растат и кои падат? Има ли сезонност? Има ли клиенти с необичайно поведение? Има ли нещо в данните, което изглежда подозрително?

При някои от тези въпроси Claude може да поиска да изпълни Python script или друга команда, за да изчисли резултата по-надеждно. И това е моментът, в който много нетехнически хора се плашат излишно. Не е необходимо да разчиташ всяка линия код, точно както не е необходимо да разбираш формулата зад всеки бутон в Excel. Необходимо е да знаеш какво се опитва да изчисли, да разрешиш подходящото действие и след това да провериш дали резултатът има смисъл.

Истинската сила се вижда, когато добавиш втори източник. Ако в същата папка имаш expenses.csv, можеш да кажеш: „Сега прочети и expenses.csv. Искам да сравниш маркетинговия разход по категории с revenue и да намериш местата, в които инвестицията изглежда непропорционална на резултата.”

Тук Claude вече не отговаря на въпрос за една таблица. Свързва две различни структури и търси бизнес логика между тях. След това можеш да добавиш margins, refunds, inventory, Google Ads, Meta Ads или GA4 export и постепенно да стигнеш до доста по-смислен анализ.

Не твърдя, че това заменя добър data analyst при сложна аналитична система. Твърдя, че огромно количество задачи, за които преди губехме часове в pivot tables и ръчно свързване на данни, вече могат да започнат от нормален разговор.

От два CSV файла до реален dashboard

Това е една от частите, в които Claude Code най-добре показва защо „Code” в името му не означава задължително, че ти трябва да пишеш код.

След като вече си анализирал данните, можеш да започнеш нова сесия и да кажеш: „Прочети sales_data.csv и expenses.csv и изгради интерактивен HTML dashboard с основните KPI, тенденции и изводи. Използвай dashboard skill-а ми.”

Claude ще прочете данните и вероятно ще започне да създава HTML, CSS и JavaScript. Ще виждаш код в terminal-а, но не е необходимо внезапно да се превърнеш във frontend developer. Твоята задача е да оцениш продукта, който този код създава.

В края може да получиш dashboard.html, който отваряш директно в браузъра. В него могат да има revenue по месеци, breakdown на разходите, performance по категории, summary cards, таблици, филтри и всички други елементи, които си поискал.

След това работиш итеративно. „Добави date range filter.” „Промени revenue графиката на bar chart.” „Искам отделна секция за трите категории с най-лошо съотношение между разход и приход.” „Таблицата е прекалено претрупана, направи я по-лесна за сканиране.”

Claude редактира съществуващия файл, ти refresh-ваш браузъра и виждаш промяната.

Тук вече не говорим за AI, който ти обяснява как се прави dashboard. Говорим за AI, който изгражда dashboard, докато ти изпълняваш ролята, която всъщност има значение: да дефинираш какво трябва да показва, кой ще го използва и дали информацията е представена правилно.

Преди да решиш да автоматизираш всичко, което мърда

Почти всеки минава през една и съща фаза, когато започне да разбира колко много неща могат да правят агентите. В главата ти изведнъж се появява шестмесечен backlog от процеси, които искаш да автоматизираш още този уикенд. Точно там бих намалила темпото, защото скоростта, която прави Claude Code толкова полезен, означава и че една грешно разбрана инструкция може много бързо да направи голям брой промени.

Първото правило е елементарно: имай начин да се върнеш назад. Ако знаеш Git, използвай version control. Ако не знаеш Git, направи резервно копие на важните файлове преди по-сериозни промени или помоли Claude да ти помогне да настроиш прост и разбираем version control процес. Няма нищо особено интелигентно в това да имаш AI агент, който може да редактира 100 файла наведнъж, ако нямаш начин да възстановиш оригиналите.

Второто правило е още по-важно: внимавай какво има в папката, до която даваш достъп. Ако задачата е анализ на три CSV файла, няма никаква причина Claude да работи от директория, в която има лични документи, credentials, API keys, пароли и половината ти дигитален живот.

Създавай ясни project folders и слагай вътре само информацията, която е необходима за конкретната работа. Това освен че е по-безопасно, прави и самия контекст по-чист. Ако нещо е чувствително и Claude няма нужда да го вижда, най-простото security решение е изобщо да не му го даваш.

Какво всъщност се променя

Ако стигнеш до края на този материал само с идеята, че Claude Code е „Claude, но в terminal”, значи съм обяснила нещата ужасно. Истинската промяна е в начина, по който формулираме задачите.

Стар начин (chatbot)	Нов начин (агент)
„Как мога да анализирам тази таблица?”	„Анализирай таблицата и ми кажи какво заслужава внимание”
„Как се прави dashboard?”	„Направи dashboard от тези два файла”
„Как би структурирал тези файлове?”	„Предложи структура и след одобрение ги организирай”
„Как да обобщя този отчет?”	„Обобщи отчета за 2 минути четене, само red flags”

Разликата изглежда малка, но практически е огромна. Преминаваме от AI, който ни обяснява как да свършим работата, към AI, който може да поеме част от самото изпълнение.

И точно затова не мисля, че Claude Code е само за developers. Напротив, вероятно една от най-големите му стойности ще бъде за хората, които разбират много добре своята професия, но досега са били ограничени от техническото изпълнение. Маркетолог, който знае как трябва да изглежда добър performance dashboard, но не може да го програмира. Operations човек, който отлично разбира процеса, но не може сам да построи вътрешен инструмент. Консултант, който има десет години методология в главата си, но досега не е имал начин да я превърне в software workflow.

Защото истинският skill тук не е да можеш да пишеш JavaScript. Много по-важно е да разбираш проблема, да можеш да дадеш качествен контекст, да разпознаваш добрия резултат и да знаеш къде AI трябва да бъде проверен.

Това е и причината да продължавам да твърдя, че моделът сам по себе си постепенно става все по-малка част от цялата картина. CLAUDE.md, Skills, MCP интеграции, памет, project context, workflows, version control и ясните правила за достъп са инфраструктурата около модела. Именно тя определя дали имаш скъп chatbot, който понякога ти пише прилични текстове, или система, която реално участва в работата ти.

Не бих започнала с автоматизация на целия бизнес и със сигурност не бих дала на първия си AI агент достъп до всичко. Бих избрала един досаден процес, който повтарям често и разбирам много добре: месечен отчет, research, обработка на meeting notes, анализ на данни, организиране на документи или dashboard. Бих събрала правилните файлове в отделна папка, бих дала добър briefing, бих описала постоянните правила и бих тествала резултата няколко пъти, докато системата стане надеждна. След това бих добавила следващото нещо.

Това е много по-малко впечатляващо от поредното видео с „10 prompts that will change your life”, но е и разликата между хората, които просто експериментират с AI, и хората, които започват реално да променят начина, по който работят.