Cursor - ваш ежедневный рабочий инструмент? У Anyspehere (разработчики Курсора) вышла крутая статья, как использовать их IDE. Все кратко и по делу, только бест практики, без воды.

* Планирование
* Работа с контекстом, когда начинать новые чаты.
* Советы по .cursor/rules/
* Agent skills и hooks для долгоиграющих агентов работающих автономно.


Я уже привык всегда составлять планы для любой более менее крупной фичи и менеджить состояние чатов. Но тесты результата, особенно когда там крупный деплой хелм чарта на десяток два компонентов, проверка логов и прочее - обычно делаю сам, llm такое не доверяю 😅 Но думаю, что будет интересно расписать логику деплоя и тестов в cursor rules и попробовать передать эту ответственность АИ.
Так же новой фичей для меня стало использование @past chats

Ну и cursor hooks, здесь все сложнее и интереснее. Мы можем писать кастомный код (в статье пример на тайпскрипт, но можно и питон или даже баш), который будет запускаться по окончанию чата, проверять состояние проекта/деплоя по заданной строгой логике. И следуя этому состоянию давать следующее задание агенту в чат. Получаем agentic behavior с четким контролем, без всяких сторонних фреймоврков и заточенное на твой конкретный проект 🔥
С этой штукой приидется заморочиться, для грамотной и полезной реализации... Но потенциал вижу огромный.

Вобщем читайте:

https://cursor.com/blog/agent-best-practices

RAG данные из видеофайла?! Тут в интернете набирает популярность тула Memvid, которая хранит ваши векторные данные для RAG в видеоформате. Как? зачем?? Видел коменты в духе "в чем прикол паковать вектор в mp4, реально сжатие работает? 🤯"

Почитал - там не совсем видео) Ребята сделали свой уникальный формат данных, последовательность Smart Frames, как кадры в видео. Каждый кадр включает в себя векторные данные, таймстампы, чексуммы. Как следствие это все работает в append-only режиме записи (по аналогии с log based storage у Kafka) давая огромные скорости записи, возможность находить исторические данные до их изменений, устойчивость к падениям (встроенный WAL в мемвид файлах тоже есть 😎). Ну и эффективная компрессия тоже присутствует.

Вобщем это один из тех хардкорных проектов, в котором рулят новые структуры данных и алгоритмы, а не навайбкоденая оболочка вокруг LLM. 11k⭐️ на гитхабе красноречиво об этом говорят :) Но самое главное:

Ваша вектор база - теперь это просто файл! Да, без chromadb, без десятка-двух гигов оперативы для ее работы, без настройки инфраструктуры. Есть кли, все работает так просто как:

memvid create knowledge.mv2

echo "Alice works at Anthropic as a Senior Engineer." | memvid put knowledge.mv2 --embedding --vector-compression

memvid find knowledge.mv2 --query "who works at AI companies" --mode sem

Ну или интеграция в питон/ноду. Традиционный лексический поиск (BM25) и семантика по эмбеддингам из коробки. Да, ребята не меценаты опенсорса, можно хранить в файлах только до 50мб, а дальше платная подписка. Но идея крутая, поиграться и сделать PoС бесплатно получится, а дальше - смотрите сами. Думаю опенсорсная альтернатива тоже не за горами))

Сайт проекта: https://memvid.com/
Гитхаб: https://github.com/memvid/memvid