Вы потратили два месяца на разговор в ChatGPT, прорабатывая проблему. Хотите переключиться на Claude (лучше работа с длинным контекстом) или Gemini (лучше интеграция с Workspace), не начиная с нуля. Как?
Три подхода — в порядке сохранения точности.
1. Вставка полной расшифровки (самый простой)
Экспортируйте разговор ChatGPT в Markdown. Откройте новый чат Claude / Gemini. Вставьте Markdown в одно сообщение:
Вот разговор, который я вёл с ChatGPT и хочу продолжить с тобой.
Прочитай его, а затем продолжай с того места, где мы остановились.
[вставьте полный Markdown-экспорт]
Продолжай с этого момента.Что работает:
- Сохраняется полная цепочка рассуждений.
- Код, математика, ссылки — всё остаётся.
- Новая модель «видит» всё, что видел ChatGPT.
Что не работает:
- Длинные разговоры могут превысить контекст Claude в 200K или Gemini в 1M токенов. (Чаще всего нет, но многомесячные исследовательские цепочки — могут.)
- Новая модель относится к вставленной истории как к наблюдаемому прошлому выводу, а не к собственным рассуждениям. Она может ставить под сомнение прежние заключения.
- Потоковая передача может замедляться, пока модель обрабатывает длинный контекст.
Это правильный ход в большинстве случаев. Markdown-экспорт ChatExport AI компактен: разговор из 50 сообщений обычно занимает ~10K токенов — легко укладывается в окно любой современной модели.
2. Сжатое резюме (с потерями, но быстро)
Если полная расшифровка слишком длинная, попросите ChatGPT сначала дать резюме самому себе:
Обобщи ключевые выводы, решения и открытые вопросы
из этого разговора так, чтобы другой ИИ-ассистент мог подхватить
с того места, где мы остановились. Включи весь актуальный код или данные.Возьмите это резюме. Вставьте его в новый чат Claude / Gemini как первое сообщение:
У меня был длинный разговор с ChatGPT, в результате которого появилось это резюме.
Вот к чему мы пришли. Продолжай с этого момента.
[вставьте резюме]Потери в точности реальны — ChatGPT решает, что было важным. Но для текущих стратегических обсуждений резюме на 2K токенов обычно достаточно.
3. JSON-экспорт → структурированный промпт (наивысшая точность)
Для исследований, где важна структура: экспортируйте ChatGPT как JSON. JSON содержит поля для каждого витка (роль, содержимое, модель, метка времени). Вы можете вручную отфильтровать только нужные витки и восстановить чистый праймер:
Вот витки из предыдущего разговора, которые относятся к тому,
куда мы движемся дальше:
[вставьте отфильтрованный JSON с ручными правками]
Продолжай с этого момента.Этот подход — для случаев, когда у вас было 200 сообщений, но в будущее переносятся только ~20 из них.
Особенности платформ
При переносе в Claude
Claude Sonnet 4.6 хорошо справляется с длинными вставленными контекстами. Иногда он спрашивает: «Стоит ли рассматривать это как вводимый текст или как нашу общую историю?» — уточните это в праймере.
Если хотите, чтобы Claude использовал Project, загрузите Markdown-экспорт как файл проекта, а не вставляйте его. Тогда Claude сможет ссылаться на него в нескольких чатах.
При переносе в Gemini
У Gemini 3 Pro контекст размером 1M токенов, так что даже огромные разговоры помещаются. В раздел системных инструкций лучше всего поместить сжатое резюме («контекст: <резюме>»). В Gemini Advanced можно также загрузить Markdown как вложение файла.
При переносе в DeepSeek (R1)
Если вы переходите ради цепочки рассуждений, DeepSeek-R1 будет итеративно дорабатывать предыдущие рассуждения. Будьте явны: «Вот к чему мы пришли. Перепроверь выводы критически.» Сильная сторона R1 — повторный анализ, который ловит то, что пропустил GPT-5.
При переносе в Perplexity
Perplexity — это чат-бот с привязкой к поиску; вставка длинного разговора в качестве праймера не подходит под его UX. Лучше: извлеките из разговора в ChatGPT один исследовательский вопрос и задайте его Perplexity как новый. Используйте рассуждения ChatGPT для формулировки вопроса, а Perplexity пусть находит актуальные источники.
Антипаттерны
Не делайте так: делайте скриншот разговора ChatGPT и загружайте его в новый чат. Новой модели придётся распознавать текст на скриншоте. Теряется форматирование, математика, структура кода. Markdown-экспорт всегда лучше.
Не делайте так: просите новую модель «запомнить» старый разговор, как будто у неё есть память. Её нет. Относитесь к каждому чату как к свежей модели, которой вы даёте только то, что поместили в промпт.
Не делайте так: предполагайте, что новая модель придёт к тем же выводам. Весь смысл переключения часто в том, чтобы получить другой взгляд.
Конкретный пример
Я потратил месяц на проектирование схемы Postgres для мультитенантного SaaS вместе с ChatGPT. Переключился на Claude на этапе реализации, потому что более длинный контекст Claude позволял удерживать всю архитектуру в рабочей памяти лучше.
Схема:
- Экспорт ChatGPT → Markdown через ChatExport AI. ~25K токенов дизайн-беседы.
- Вставил полный Markdown как первое сообщение в новый Claude Project.
- Попросил Claude: «Прочитай это. Перечисли дизайнерские решения, с которыми ты бы поспорил.» Получил 4 содержательных замечания в ответе.
- Проработал эти замечания. Через две недели схема была реализована и протестирована в Claude с полным контекстом.
Вот такой рабочий процесс переключения, когда обе модели работают на полную мощность.
Связанное
- ChatGPT vs Claude vs Gemini — когда выбирать каждую.
- Как экспортировать ChatGPT в Markdown.
- Руководство по экспорту Claude.