Тримайте потужний воркшоп від Мета Покока (дуже крутий відомий чел в сфері ШІ кодинга) - про архітектуру та реальні процеси в AI-інжинірингу, який чудово розкриває реально дієві підходи до вайбкодингу.

Це прям золото, раджу дуже уважно глянути

Він детально розбирає, як уникати переповнення контексту, декомпозувати задачі на вертикальні слайси та налаштовувати автономні цикли написання коду агентами.

https://youtu.be/-QFHIoCo-Ko

Повторюю якщо хтось пропустив цей пост <3

чому варто скачати саме codex app:

вони дають генерити зображення з gpt image 2 в підписці

спробуйте візуалізувати план подібними діаграмами щоб краще зрозуміти (особливо якщо стосується дебагу)

Codex знову скидають ліміти 😅

За 14г до того як вони мали скинутися

мені «дуже подобається», коли роботу LLM зводять до це просто next-token predictor

бо технічно — це так і є

але це завжди пояснення рівня:

людина — це просто мʼясо, яке передає електричні імпульси

ніби це правда, але майже нічого не пояснює.

є дуже цікава стаття The Platonic Representation Hypothesis.

головна ідея там така:

Neural networks, trained with different objectives on different data and modalities, are converging to a shared statistical model of reality in their representation spaces

тобто різні нейронки, навчені на різних задачах, даних і модальностях, поступово сходяться до спільної статистичної моделі реальності.

не просто вгадують слова
не просто «дістають відповідь з памʼяті»

а будують внутрішню репрезентацію того світу, який породив ці дані.

у статті є ще дуже красива фраза:

all strong models are alike, each weak model is weak in its own way

Тобто, слабкі моделі слабкі кожна у своєму сенсі, а сильні моделі стають схожими, бо реальність, яку вони намагаються стиснути — одна

І ось якщо так редукувати LLM, то людина теж «просто предиктор наступного сигналу»

нервова система теж отримує сигнали, стискає їх, шукає закономірності, будує внутрішню модель світу і постійно передбачає, що буде далі.

ми ніколи не бачимо реальність напряму, ми бачимо лише її проєкції.

і автори дуже красиво пишуть:

The training data for our algorithms are shadows on the cave wall

дані — це тіні на стіні печери.

але сильні моделі, можливо, вчаться не просто повторювати тіні, а поступово відновлювати структуру того, що ці тіні породжує.

Тому ми працюємо не з якоюсь магічною памʼяттю і не просто з генератором тексту, а з системою, у якої є внутрішня статистична модель реальності

а коли ми даємо їй tools, browser, code execution, files, API, memory і feedback loop — ця модель починає не тільки описувати світ, а й діяти в ньому)

Отже, вайбкодинг — це коли ти навчився формулювати намір, обмеження і фідбек так, щоб внутрішня репрезентація світу в моделі могла через інструменти змінювати реальний проєкт