🎙️ How I AI: Building an iPhone app with zero technical skills, Codex Goals explained & xxx
Выпуск рассылки Lenny's Newsletter собирает три эпизода подкаста How I AI. Bryce Rattner Keithley, всю карьеру проработавшая в рекрутинге и никогда не писавшая код, с помощью AI (Replit, Claude, Gemini, Higgsfield, Kling) создала фитнес-приложение Daily Hundred с AI-видео животных, выполняющих упражнения, и опубликовала его в App Store за несколько месяцев работы по выходным. Claire Vo разбирает функцию /goal в Codex: Goals превращают AI в агента, который работает часами над многошаговыми задачами — она запускала цель на 5 часов 45 минут, очистила 3900 писем до 68 примерно за 6 млн токенов и устранила сотни ошибок Sentry. Сильная Goal состоит из шести компонентов: результат, проверка, ограничения, границы, политика итераций и условия остановки. Третий эпизод — обзор Claude Opus 4.8: модель отлично пишет и хороша для greenfield-прототипов и дизайна, но галлюцинирует, когда застревает, плохо ориентируется в существующих кодовых базах, а для бизнес-стратегии Opus 4.7 заметно превосходит 4.8.
🎙️ How I AI: Codex Goals explained & Claude Opus 4.8 review & Building an iPhone app with zero technical skills
🎙️ How I AI: разбор Codex Goals, обзор Claude Opus 4.8 и создание приложения для iPhone без технических навыков
Your weekly listens from How I AI, part of the Lenny’s Podcast Network
Ваши еженедельные эпизоды из How I AI, части Lenny’s Podcast Network
Building an iPhone app with zero technical skills | Bryce Rattner Keithley
Создание приложения для iPhone без технических навыков | Bryce Rattner Keithley
Listen now on
YouTube • Spotify • Apple Podcasts
Слушайте прямо сейчас наYouTube • Spotify • Apple Podcasts
Brought to you by:
WorkOS—Make your app enterprise-ready today
Metaview—The agentic recruiting platform for winning teams
При поддержке:WorkOS—Сделайте ваше приложение готовым для enterprise уже сегодняMetaview—Агентная платформа для рекрутинга в командах-победителях
Bryce Rattner Keithley spent her career in talent and recruiting and had never written a line of code. Then she used AI to build Daily Hundred, a fitness app with custom AI-generated videos of animals doing exercises, and shipped it to the App Store. In this episode, Bryce shares the exact workflow she used with Replit, Claude, Gemini, Higgsfield, and Kling; why being non-technical became an advantage; and what her journey reveals about how AI is changing who gets to build software.
Bryce Rattner Keithley построила карьеру в сфере подбора и рекрутинга персонала и никогда не написала ни строчки кода. А затем она использовала AI, чтобы создать Daily Hundred — фитнес-приложение с кастомными AI-видео животных, выполняющих упражнения, — и опубликовала его в App Store. В этом эпизоде Bryce делится точным рабочим процессом, который она применяла с Replit, Claude, Gemini, Higgsfield и Kling; рассказывает, почему отсутствие технического опыта стало преимуществом; и что её путь говорит о том, как AI меняет круг людей, способных создавать software.
Biggest takeaways:
Главные выводы:
You can build and ship a production iPhone app with zero technical background. Bryce spent her entire career in talent and recruiting, had never written code, and still managed to build Daily Hundred—a fitness app with custom AI-generated videos—and get it approved in the App Store. The entire process took a few months of weekend work.
The workflow that worked: Claude as architect, Claude Code as engineer, Terminal as executor. Bryce used regular Claude as her “friend in the cockpit” to plan what to do and how to approach problems. Claude would tell her when to use Claude Code to write actual code. She’d bring the code back to Claude for confirmation, then Claude would tell her what to paste into Terminal. This three-step dance—plan, execute, deploy—let her ship production code without having to know exactly how it all worked.
Screenshots and iteration are your best debugging tools. When AI wasn’t understanding what Bryce wanted, she’d either get more literal in her descriptions, completely restart the prompt (not just edit it), or send screenshots showing what she was seeing. Sometimes she’d even draw what she wanted or photograph her own starting position to give the AI a visual reference. The key was trying different approaches rather than getting stuck in one failed pattern.
The role of technical expertise is fundamentally changing. Bryce observed that engineers who come into technical interviews focused only on finding a working solution fastest are missing the point—“the robots can find a working solution faster than they can.” The human role has shifted to something broader: understanding the full suite of tools, knowing when to use AI versus when to step in personally, and bringing taste and judgment to the process. What got people here won’t get them there.
Hiring for adaptability and openness matters more than ever. In Bryce’s view, people who get territorial about what they used to do or what other people used to do will struggle with relevance. The winners will be those with “the humility and the curiosity to work with others in ways that you haven’t before” and who recognize that “people can contribute in ways that they haven’t before.” The best idea should win, regardless of where it comes from.
Вы можете создать и выпустить готовое к продакшену приложение для iPhone без технического бэкграунда. Bryce всю карьеру проработала в сфере подбора и рекрутинга, никогда не писала код и всё равно сумела создать Daily Hundred — фитнес-приложение с кастомными AI-видео — и добиться его одобрения в App Store. Весь процесс занял несколько месяцев работы по выходным.Рабочий процесс, который сработал: Claude как архитектор, Claude Code как инженер, Терминал как исполнитель. Bryce использовала обычный Claude как «друга в кабине пилота», чтобы планировать, что делать и как подойти к проблемам. Claude подсказывал ей, когда задействовать Claude Code для написания реального кода. Она возвращала код в Claude для подтверждения, а затем Claude сообщал ей, что нужно вставить в Терминал. Этот трёхшаговый танец — спланировать, выполнить, развернуть — позволил ей выпускать продакшен-код, не зная в точности, как всё это устроено.Скриншоты и итерации — ваши лучшие инструменты отладки. Когда AI не понимал, чего хочет Bryce, она либо описывала точнее, либо полностью перезапускала промпт (а не просто редактировала его), либо отправляла скриншоты того, что видела. Иногда она даже рисовала то, что хотела, или фотографировала свою исходную позу, чтобы дать AI визуальный ориентир. Главным было пробовать разные подходы, а не застревать в одном неудачном паттерне.Роль технической экспертизы кардинально меняется. Bryce заметила, что инженеры, которые приходят на технические собеседования, сосредоточившись только на том, чтобы быстрее всех найти рабочее решение, упускают суть — «роботы найдут рабочее решение быстрее, чем они». Роль человека сместилась к чему-то более широкому: понимать весь набор инструментов, знать, когда использовать AI, а когда вмешаться лично, и привносить в процесс вкус и здравое суждение. То, что привело людей сюда, не приведёт их туда.Нанимать за адаптивность и открытость важнее, чем когда-либо. По мнению Bryce, люди, которые ревностно держатся за то, чем они занимались раньше или чем занимались другие, будут испытывать трудности с сохранением своей значимости. Победят те, у кого есть «смирение и любопытство работать с другими так, как они раньше не работали» и кто признаёт, что «люди могут вносить вклад способами, которыми раньше не вносили». Лучшая идея должна побеждать, откуда бы она ни исходила.
Blog & detailed workflow walkthroughs from this episode:
Блог и подробные разборы рабочих процессов из этого эпизода:
How I AI: Bryce Rattner Keithley’s No-Code Playbook for Building a Fitness App with Replit, Gemini, and Claude: https://www.chatprd.ai/how-i-ai/bryce-rattner-keithleys-no-code-ios-fitness-app-with-replit-gemini-and-claude
How I AI: No-Code-плейбук Bryce Rattner Keithley по созданию фитнес-приложения с Replit, Gemini и Claude: https://www.chatprd.ai/how-i-ai/bryce-rattner-keithleys-no-code-ios-fitness-app-with-replit-gemini-and-claude
↳ Navigate the App Store Submission Process with Claude as a Technical Co-pilot: https://www.chatprd.ai/how-i-ai/workflows/navigate-the-app-store-submission-process-with-claude-as-a-technical-co-pilot
↳ Пройдите процесс подачи приложения в App Store с Claude в роли технического co-pilot: https://www.chatprd.ai/how-i-ai/workflows/navigate-the-app-store-submission-process-with-claude-as-a-technical-co-pilot
↳ Create Custom AI-Generated Animated Workout Videos with Gemini and Higgsfield: https://www.chatprd.ai/how-i-ai/workflows/create-custom-ai-generated-animated-workout-videos-with-gemini-and-higgsfield
↳ Создайте кастомные AI-анимированные видео тренировок с Gemini и Higgsfield: https://www.chatprd.ai/how-i-ai/workflows/create-custom-ai-generated-animated-workout-videos-with-gemini-and-higgsfield
↳ Build a Minimum Viable Product App with Replit Using No-Code ‘Vibe Coding’: https://www.chatprd.ai/how-i-ai/workflows/build-a-minimum-viable-product-app-with-replit-using-no-code-vibe-coding
↳ Соберите MVP-приложение в Replit с помощью no-code «vibe coding»: https://www.chatprd.ai/how-i-ai/workflows/build-a-minimum-viable-product-app-with-replit-using-no-code-vibe-coding
The Codex feature that works while you sleep
Функция Codex, которая работает, пока вы спите
Listen now on
YouTube • Spotify • Apple Podcasts
Слушайте прямо сейчас наYouTube • Spotify • Apple Podcasts
Brought to you by:
Mercury—Radically different banking loved by over 300K entrepreneurs
При поддержке:Mercury—Радикально иной банкинг, который полюбили более 300 тысяч предпринимателей
Claire Vo breaks down one of her favorite Codex features: /goal. In this solo episode, she shows how Goals turn AI from a tool you have to constantly babysit into an agent that can work for hours on multi-step tasks. She walks through real examples, including eliminating Sentry errors, cleaning nearly 4,000 emails, and organizing Linear tasks, and shares the six-part framework to write Goals that actually run.
Claire Vo разбирает одну из своих любимых функций Codex: /goal. В этом сольном эпизоде она показывает, как Goals превращают AI из инструмента, за которым приходится постоянно присматривать, в агента, способного часами работать над многошаговыми задачами. Она проходит через реальные примеры, включая устранение ошибок Sentry, очистку почти 4000 писем и организацию задач в Linear, и делится фреймворком из шести частей для написания Goals, которые действительно работают.
Biggest takeaways:
Главные выводы:
Goals enable AI to work autonomously for hours without supervision. Claire ran a goal in Codex that worked for five hours and 45 minutes—the longest she’s ever had an AI agent run successfully. Unlike standard prompts that require turn-by-turn interaction, Goals create a loop where the AI works, verifies, checks, and continues until it hits the defined outcome.
The difference between a prompt and a Goal is fundamental. A prompt is an instruction of what to do (“Rewrite this code”). A Goal is a description of what a good outcome looks like and how to get there (“Reduce P95 checkout latency below a defined threshold while keeping the correctness suite green”).
Claire eliminated hundreds of error logs by pointing Goals at her Sentry data. She gave Codex access to every trace of invalid operations, then set a goal: categorize each issue, fix it, then replay all historical examples until every error is solved. The result: zero errors remaining, and instead of bandaid fixes scattered throughout the code, she got a systematic, intelligent framework.
Goals work incredibly well for non-technical tasks. Claire cleaned 3,900 emails down to 68 in under four hours by setting a simple goal: categorize all emails, unsubscribe from unnecessary ones, and clean up the inbox. The AI read every email, created labels, clicked unsubscribe links, and left her with only the emails requiring judgment.
Strong Goals have six key components: outcome (what should be true when done), verification (how to test it), constraints (what can’t regress), boundaries (what tools and files to use), iteration policy (how to decide what to try next), and stopping conditions (when to ask for help). Product managers who’ve written good OKRs will recognize this framework immediately.
Working with Goals feels like managing a colleague, not babysitting a tool. You assign a task, the AI goes away for the time required (whether that’s 30 minutes or five hours), and comes back with completed work for you to review. Claire found herself “twiddling her thumbs” because so much of the work was now handled autonomously.
Goals aren’t token-cheap, but they’re worth it. Claire’s email cleanup used about 6 million tokens over four hours. But the alternative—manually categorizing thousands of emails or chasing down hundreds of error logs—would take far longer and be far more tedious.
Goals позволяют AI автономно работать часами без присмотра. Claire запустила в Codex цель, которая отработала пять часов сорок пять минут — это самый долгий успешный запуск AI-агента, который у неё был. В отличие от обычных промптов, требующих пошагового взаимодействия, Goals создают цикл, в котором AI работает, проверяет, контролирует и продолжает, пока не достигнет заданного результата.Разница между промптом и Goal принципиальна. Промпт — это инструкция о том, что делать («Перепиши этот код»). Goal — это описание того, как выглядит хороший результат и как к нему прийти («Снизь P95-задержку оформления заказа ниже заданного порога, сохраняя зелёным набор тестов на корректность»).Claire устранила сотни логов ошибок, направив Goals на свои данные Sentry. Она дала Codex доступ к каждой трассировке некорректных операций, а затем поставила цель: классифицировать каждую проблему, исправить её, а затем переиграть все исторические примеры, пока каждая ошибка не будет решена. Результат: ноль оставшихся ошибок, и вместо разбросанных по коду заплаток она получила системный, продуманный фреймворк.Goals невероятно хорошо работают для нетехнических задач. Claire сократила 3900 писем до 68 менее чем за четыре часа, поставив простую цель: классифицировать все письма, отписаться от ненужных и навести порядок в почтовом ящике. AI прочитал каждое письмо, создал ярлыки, нажал ссылки для отписки и оставил ей только письма, требующие человеческого суждения.У сильных Goals шесть ключевых компонентов: результат (что должно быть истинно по завершении), проверка (как это протестировать), ограничения (что не должно регрессировать), границы (какие инструменты и файлы использовать), политика итераций (как решать, что пробовать дальше) и условия остановки (когда просить помощи). Продакт-менеджеры, писавшие хорошие OKR, сразу узнают этот фреймворк.Работа с Goals ощущается как управление коллегой, а не нянченье инструмента. Вы назначаете задачу, AI уходит на нужное время (будь то 30 минут или пять часов) и возвращается с готовой работой, которую вам остаётся проверить. Claire поймала себя на том, что «крутит большими пальцами от безделья», потому что столько работы теперь выполнялось автономно.Goals не дёшевы по токенам, но они того стоят. Очистка почты у Claire израсходовала около 6 миллионов токенов за четыре часа. Но альтернатива — вручную классифицировать тысячи писем или гоняться за сотнями логов ошибок — заняла бы куда больше времени и была бы куда более утомительной.
Claude Opus 4.8 is here. Is it as good as they say?
Claude Opus 4.8 уже здесь. Так ли он хорош, как о нём говорят?
Listen now on
YouTube • Spotify • Apple Podcasts
Слушайте прямо сейчас наYouTube • Spotify • Apple Podcasts
Claire put Anthropic’s new Opus 4.8 model through real coding, design, and strategy tests across Claude Code and Claude Cowork. She shares where the model shines, where it breaks down, how it compares to Opus 4.7, and what builders should know before using it in production.
Claire прогнала новую модель Anthropic Opus 4.8 через реальные тесты на программирование, дизайн и стратегию в Claude Code и Claude Cowork. Она рассказывает, где модель блистает, где даёт сбой, как она сравнивается с Opus 4.7 и что стоит знать билдерам перед использованием её в продакшене.
Biggest takeaways:
Главные выводы:
The voice and ergonomics are excellent. Opus 4.8 is easy to read, doesn’t have “slop tells,” is token-efficient, and feels conversational without being annoying. It talks enough but not too much, and with fast mode enabled, the experience is snappy. The writing quality is strong and the model follows instructions well.
Anthropic is shipping new features alongside Opus 4.8 that expand agentic capabilities. Claude Code now has dynamic workflows that let you spin off hundreds of parallel sub-agents. Both Claude.ai and Cowork now offer effort control from low to max, giving users more control over how deeply the model thinks through problems.
Use Opus 4.8 for greenfield prototypes and design work, but test carefully for production codebases. The model excels at one-shot features, has improved design aesthetics (no more italicized emphasis words), and is good at tool use. But for existing codebases, edge cases, and strategy work requiring numerical analysis, you’ll need careful prompting and should double-check anywhere the model expresses high confidence.
The model hallucinates when it gets stuck, which is a significant regression. Claire experienced straight-up hallucinations multiple times—something she hadn’t seen in a very long time with modern models. When debugging, Opus 4.8 would make up explanations based on hypotheses rather than actual data. It would confidently state things like “No, I didn’t search GitHub” or “No, I didn’t actually validate that bug” when asked to verify its work.
Opus 4.8 struggles to orient itself in existing codebases. When Claire asked it to rebase branches and fix conflicts in her production codebase, it required cycle after cycle of fixes because it kept shipping edge-case bugs. The model couldn’t understand the elevation at which it should be operating or how to properly insert itself into existing code.
The model isn’t ambitious enough for truly agentic work. Claire asked it to suggest fun things to build that would impress a 9-year-old, pushing it to explore the edges of agentic coding. While it shipped working code, the results were serviceable but not impressive—not the 10x agentic coding experience she expected from a state-of-the-art model.
For business strategy work, Opus 4.7 significantly outperforms Opus 4.8. Claire tested both models on the same strategy prompt, giving them access to three months of business context. Opus 4.7 delivered numbers-anchored, structured analysis rooted in real data. Opus 4.8 was hand-wavy, over-rotated on small data points, and had a harder time discovering relevant information.
Голос и эргономика превосходны. Opus 4.8 легко читать, у него нет «слоп-тэлзов» (примет машинной воды), он экономичен по токенам и звучит по-разговорному, не раздражая. Он говорит достаточно, но не слишком много, а с включённым fast mode работа ощущается шустрой. Качество письма высокое, и модель хорошо следует инструкциям.Вместе с Opus 4.8 Anthropic выпускает новые функции, расширяющие агентные возможности. В Claude Code теперь есть динамические воркфлоу, позволяющие отпочковывать сотни параллельных суб-агентов. И Claude.ai, и Cowork теперь предлагают управление усилием от low до max, давая пользователям больше контроля над тем, насколько глубоко модель продумывает задачи.Используйте Opus 4.8 для greenfield-прототипов и дизайн-работы, но тщательно тестируйте на продакшен-кодовых базах. Модель превосходна в фичах «с одного выстрела», у неё улучшилась дизайн-эстетика (больше никаких слов-акцентов курсивом), и она хороша в работе с инструментами. Но для существующих кодовых баз, граничных случаев и стратегической работы, требующей численного анализа, понадобится аккуратный промптинг, и стоит перепроверять везде, где модель выражает высокую уверенность.Модель галлюцинирует, когда застревает, и это значительный регресс. Claire несколько раз сталкивалась с откровенными галлюцинациями — чего она очень давно не видела у современных моделей. При отладке Opus 4.8 выдумывал объяснения на основе гипотез, а не реальных данных. Он уверенно заявлял что-нибудь вроде «Нет, я не искал в GitHub» или «Нет, я на самом деле не проверял этот баг», когда его просили подтвердить свою работу.Opus 4.8 с трудом ориентируется в существующих кодовых базах. Когда Claire попросила его сделать rebase веток и устранить конфликты в её продакшен-кодовой базе, потребовался цикл правок за циклом, потому что он постоянно выпускал баги в граничных случаях. Модель не могла понять, на каком уровне ей следует работать и как правильно встроиться в существующий код.Модели не хватает амбициозности для по-настоящему агентной работы. Claire попросила её предложить забавные вещи для сборки, которые впечатлили бы 9-летнего ребёнка, подталкивая её исследовать границы агентного программирования. Хотя она выдала рабочий код, результаты были приемлемыми, но не впечатляющими — не тот 10-кратный опыт агентного программирования, которого она ожидала от модели уровня state-of-the-art.Для работы над бизнес-стратегией Opus 4.7 значительно превосходит Opus 4.8. Claire протестировала обе модели на одном и том же стратегическом промпте, дав им доступ к трём месяцам бизнес-контекста. Opus 4.7 выдал привязанный к цифрам, структурированный анализ, укоренённый в реальных данных. Opus 4.8 был расплывчатым, чрезмерно зацикливался на мелких данных и испытывал больше трудностей с поиском релевантной информации.
Blog & detailed workflow walkthroughs from this episode:
Блог и подробные разборы рабочих процессов из этого эпизода:
How I AI: My First Impressions of Claude Opus 4.8 – Coding, Strategy, and Where It Shines: https://www.chatprd.ai/how-i-ai/claude-opus-4-8-review
How I AI: Мои первые впечатления от Claude Opus 4.8 — программирование, стратегия и где он блистает: https://www.chatprd.ai/how-i-ai/claude-opus-4-8-review
↳ Use Claude Opus 4.8’s Creativity to Generate a Playable Game: https://www.chatprd.ai/how-i-ai/workflows/use-claude-opus-4-8-s-creativity-to-generate-a-playable-game
↳ Используйте креативность Claude Opus 4.8, чтобы создать играбельную игру: https://www.chatprd.ai/how-i-ai/workflows/use-claude-opus-4-8-s-creativity-to-generate-a-playable-game
↳ Generate a Data-Driven Business Strategy with Claude Opus 4.7: https://www.chatprd.ai/how-i-ai/workflows/generate-a-data-driven-business-strategy-with-claude-opus-4-7
↳ Сгенерируйте бизнес-стратегию на основе данных с Claude Opus 4.7: https://www.chatprd.ai/how-i-ai/workflows/generate-a-data-driven-business-strategy-with-claude-opus-4-7
↳ Build a Greenfield Prototype with a Single Prompt Using Claude Opus 4.8: https://www.chatprd.ai/how-i-ai/workflows/build-a-greenfield-prototype-with-a-single-prompt-using-claude-opus-4-8
↳ Соберите greenfield-прототип одним промптом с помощью Claude Opus 4.8: https://www.chatprd.ai/how-i-ai/workflows/build-a-greenfield-prototype-with-a-single-prompt-using-claude-opus-4-8
If you’re enjoying these episodes, reply and let me know what you’d love to learn more about: AI workflows, hiring, growth, product strategy—anything.
Если вам нравятся эти эпизоды, ответьте на письмо и дайте знать, о чём вам хотелось бы узнать больше: AI-воркфлоу, найм, рост, продуктовая стратегия — о чём угодно.
Catch you next week,
Lenny
До встречи на следующей неделе,Lenny
P.S. Want every new episode delivered the moment it drops? Hit “Follow” on your favorite podcast app.
P.S. Хотите получать каждый новый эпизод в момент его выхода? Нажмите «Follow» в вашем любимом подкаст-приложении.