Словарик, часть 2 (продолжение)


Начало тут: https://t.me/deksden_notes/174


🆕 - Киты : китайские фронтирные опенсорсные модели (DeepSeek, GLM, Kimi K2, MiniMAx M2); скорее уважительное;

Opus - народу!


Свежий релиз СС (2.0.58), и:

... Add Opus 4.5 access for Pro users

OMFG, this is big! 💣 🔥 💥


Здравствуй подписка за 20 баксов )))

Что конкуренция животворящая исполняет!

#post
@deksden_notes

Репутация Антропиков

Шутят тут

Надеюсь всем сообществом их заклюют на более лояльные условия. Клод всегда был хорош, хоть и дороговат и с пресловутыми лимитами

Kiro powers


Тут Киро разродилось штукой - называется POWERS

Читать вот тут:

🔗 https://kiro.dev/blog/introducing-powers/

Концептуально - это тот же скилл.

😀 Из забавного: они прямо используют индексный файл, потому что POWER.md соджержит "a map of steering files for specific workflows. ". Ура! Мажоры учатся в контекстный инжиниринг.

До аннотированных ссылок они пока не дошли, зато индексный файл уже изобрели!

В бандл с POWER могут входить: инструкции, конфигурации MCP серверов, steering файлы / хуки.

Бандлить скрипты они пока не додумались. Бандлить пакеты скриптов - тоже (типа, как package.json зависимости указывает). Ну - еще не вечер.

Upd: замечу, что скорее всего тема скиллов уйдет в принятие отраслью, раз кодекс и киро уже проявили явный интерес к таким механизмам! Так что у нас второй механизм общепринятый появляется
- сначала была память на файлах с folder-scope (CLAUDE.md и .cursorrules стиля, AGENTS.md как часть движа)
- щас скиллы


(ц) такое нас радует

#post
@deksden_notes

CodexBar доработан - теперь и СС


Маленькая macOS утилитка доработалась. Показывает использование лимитов, версию - как кодекс, так и СС.

https://t.me/deksden_notes/220

Скачиваем тут: https://github.com/steipete/CodexBar

(ц) такое мы пользуем

#post
@deksden_notes

Playwrighter MCP


Интересная штука!

🔗 https://github.com/remorses/playwriter/


Работает через расширение (нет запуска отдельного браузера)
Работает через 1 тул, но предоставляет полный api playwright. Как вы догадались - запуск кода конечно

В общем, это WIP, но интересно

(ц) За таким мы следим

#post
@deksden_notes

Codex Skills


Замержили в 0.65 экспериментальную фичу:

https://github.com/openai/codex/pull/7412

для внутреннего тестирования, релиза пока не было

Но сам факт!

Opencode web


А все видели такой режим? В консольке:

opencode web


Забавно ))

⚪️ ReactGrab


Оказывается, не все слышали про такой довольно удобный фронтэнерский агентный инстурмент: штука, облегчающая указание нужных элементов для агентов. Такой data-testid на максималках))

Почитать тут:

🔗 https://www.react-grab.com/blog/intro

ну и сам сайт тоже

Репо: https://github.com/aidenybai/react-grab

Видос в ридми посмотприте для понмиания.

Мне показалось полезной! Думаю при случае вместе с Playwriter (чуть выше про него заметка) юзать, чтобы агентный сетап был полноценный.


#post
@deksden_notes

⚪️ TUI ренессанс - discordo


В последнее время cli инструменты переживают прям ренессанс. Но, мне кажется - с перегибами. вот такое, оказывается, бывает:

🔗 https://github.com/ayn2op/discordo

это TUI клиент для дискорда

Мне одному кажется что это - перебор?

#post
@deksden_notes

▶️ Агенты как раннеры


Пришла в голову идея затестить как работают агенты как раннеры. Запускал идентичные тесты (набор юнит-тестов одного из проектов) в разных средах

Сравнивал:
- jetbrains тестовый раннер из их ИДЕ
- запуск в jetbrains команды pnpm test:unit (terminal)
- запуск этой же команды в codex 0.65 из под агента
- запуск этой же команды в СС 2.0.59 из под агента (glm)


Итоги:
- jb: 41s
- jb terminal: 39s
- codex: 109s
- cc: 43s

🤷‍♂️

скрины в комментах

Оправа / Упряжка


Словарик тут: https://t.me/deksden_notes/174

Вот авторы бенча решили прогнать его в родной оправе моделей и зарядили клода внутри СС. Результат на графике - цифры показательные. почему то опус 4.1 только припал, во всех других случаях рост, почти до исчарпания бенчмарка.


👉 Резюме: оправа капец как важна и дает эффект. Поэтому тестировать модели надо не в курсоре, а в родных упряжках (kimi cli, например). Ну или не делать вывода о модели в чужой упряже.

#post
@deksden_notes

Codex 5.2 WEN? (следующий вторник?)


"Утечки" бенчмарков довольно впечатляющие. Публику прогревают капитально - клиенты должны знать что у клозедов еще есть тузы в рукавах и не стоит отменять подписки в пользу гемини 3!

Обратите внимание с кем сравниваем))

Кстати, с опусом не сравнили! посмотрим на цифры как выйдет.

В любом случае - круто как работает конкуренция! Как пользователь я рад

(ц) "Такое мы ждем"

#post
@deksden_notes

Сделал менеджера Саб Агентов для Антигравити - можно использовать в качестве саб агентов и Codex и Claude Code -
https://github.com/OleynikAleksandr/antigravity-subagents

Codex : todo список задач


... у меня пропал совсем. Модель туда не пишет, и я его уже порядком времени не видел! У всех так?

Если да - что бы это значило? Ждем нормлаьный spec / plan mode? с проработкой плана и потом подруливанием модели чтобы она его откатала по полной? Было б прикольно

#post
@deksden_notes

Claude code :: background agents (2.0.60+)


Теперь можно запустить агента в фоне, и продолжать чатится, пока он будет работать - почти как bash команды отправляются в фон, и управляются через менеджер фоновых заданий.

Агента можно опрашивать - чего там у него делается. на скрине - пример (взят с реддита)

Выглядит удобным. Как применять для работы - надо придумать.

👉 upd: там еще и resumable агенты сюда же! то есть после получения ответа от агента можно будет продолжить с ним же! Интересно.

https://code.claude.com/docs/en/sub-agents#resumable-subagents



#post
@deksden_notes

Google Stitch 🎁 Shipmas


У гугловского Стича неделя релизов!

Первый - теперь оно генеририт код и экспортирует его! Можно получить работающий прототип.

Внутри - нанобанана про.

https://x.com/stitchbygoogle/status/1998151360446181626?s=46

Такими темпами и попробовать его руки дойдут!))

(Ц) за таким мы посматриваем!

Тестирование, бизнес-процессы


Я уже затрагивал эту тему ранее, в канале, в лонгриде про тестирование : https://t.me/deksden_notes/249

▶️ Сейчас хотел сказать про немного другой аспект той же проблемы.

Когда я делаю какие то системы, я прежде всего на любую фичу планирую какой то интеграционный тест. По мне елать агентами какую то фичу без такого теста - штука бесмысленная! Даже если сделать все юнит тесты, проработать их стратегию тестирования отдельно, даже если сделать полуинтеграционные тесты, и интеграционыне, все равно могут получаться неработающие системы

ℹ️ Напомню применяемую мною иерархию тестирования:

- юнит тесты: тестируют базовую логику модулей в изоляции; все зависимости обязательно мокнуты, то есть демонстрируют строго детерминированное поведение;

- полу-интеграционные тесты: когда части системы тестируются во взаимодействии с другими, но другие части могут быть частично моками или стабами;

- компонентные тесты: когда в UI есть что то сложное, и его надо отдельно протестировать на правильность поведения;

- тесты - сценарии: по сути большие интеграционные тесты, бизнес-процессы; когда система работает в приближенном к боевому состоянию и тестируется именно полнофункциональная работа по какому то пользовательскому сценарию с реальными компонентами.


👉 Основной поинт этого поста: главным для меня является интеграционный тест / бизнес-процесс. Без него совсем нельзя в AI SWE. Можно без юнит тестов, без компонентных и полу-интеграционных. Они просто подтягивают качество элементов системы. Но основным способом проверять функционирование системы я вижу только бизнес-процесс, без него из элементов может система то и не сложится. "Угадал все буквы но не смог назвать слово!"

❓ Зачем тогда другие тесты? Потому что без них бывает довести интеграционный тест до зеленого состояния совсем затруднительно - слишком много проблем в элементах, из которых состоит система. Если в каждом из них есть "люфт", то система может стать практически неработоспособной - будет все время "виляться" во многих местах, и стабилизировать будет сложно.

Поэтому качество системы подтягиваем на всех возможных уровнях: начиная с lint, продолжаем юнит тестами и полу-интеграционными/компонентными.

❓Что за сценарии? Это практически те же юзкейсы из фич/эпиков аджайла. То есть "хотелка" про то, как пользователь работает в системе, только переведенная в "автоматический" режим.

👉 А вот второй поинт поста: для запуска таких тяжелых сценариев я всегда делаю агентное воркфлоу. Подход такой: я делаю некую инструкцию для ИИ агента:
- как пересобрать систему (потому что часто тест гоняется после проведенной доработки, и нужно собрать систему чтобы подтянуть изменения),
- как поднимать систему в тестовом состоянии (если у вас 3-5 компонентов, то это тоже уже процесс),
- как запустить тестовый сценарий (каким раннером)
- какие ключевые метрики мы ожидаем (если сценарий оформлен как тест в некоем раннере, то тут просто - тест зеленый);
- иногда бывает что этот сценарий - это не тест, а полностью агентный воркфлоу, когда агент чего то запускает, чего то делает, и контролирует результат; по сути - тот же тест, но в виде агентного воркфлоу;
- как интерпретирвоать результаты - чтобы агент понимал критерии успеха и неуспеха,
- как фиксировать отклонения: какую информацию и где собирать если есть отклонение (в каких логах покопаться, откуда их вытаскивать, может быть в БД сходить или в хранилище и исследовать артефакты);
- где лежат фикстуры процесса: тестовые наборы данных (файлы примеров, сиды БД, ...).


Идеальный вариант - писать интеграционный тест с агентом, чтобы он сам прокликал ui и сделал этот сценарий в playwright. Антигравити с браузером как раз для таких штук и будут оптимальна!


▶️ Вы верно увидели сходство: по сути, я оформляю СКИЛЛ для запуска этого бизнес-процесса.

👉 Когда кодекс запустит скиллы, придет пора оформить это в виде реального скилла, раз этот формат прижился!

👌 И - да, тесты вполне может гонять зайка, что дешево, шустро и в качественной упряжке.

А вы гоняете тесты под агентами?

Еще один: Mistral Vibe CLI


Давайте уже CLI от каждого вендора, раз пошла такая ... мода!

🔗 https://mistral.ai/news/devstral-2-vibe-cli

Ничего не могу сказать про сабж кроме того, что он есть. Не уверен что в ближайшее сам буду тестировать.

Но для "попробовать" - самое время, пока Devstral 2 модель мистраль дает пробовать бесплатно. Потом - оплачиваем токены.

▶️ Хаб агента тут: https://github.com/mistralai/mistral-vibe

Питон, как ни странно. Не ts, не rust. Это они с кими теперь в одном лагере питонистов.

вебпоиска в тулах нету.

кастомные слеш команды есть, без параметров

агенты есть, с настройкой модели, но в toml файлах ("нестандартный", не md как у CC).

Если пускается в ZED, видимо поддерживает ACP.

#post
@deksden_notes