This media is not supported in your browser
VIEW IN TELEGRAM
мы в будущем, ребят (kurbox.ru - ваш умный курятник)
сверстан при помощи ChatGPT, допилен и задеплоен с помощью Cursor, разбирается с кучей непонятных интерфейсов Comet
сверстан при помощи ChatGPT, допилен и задеплоен с помощью Cursor, разбирается с кучей непонятных интерфейсов Comet
колхозный ИИ
Video
Всем привет! Чтобы получить похожий результат, когда агенты просто выполняют свою работу без лишней суеты, крайне рекомендую материал про GRACE — он помогает превратить хаос ИИ-вайб-кодинга в стабильный и воспроизводимый процесс. Ниже мои дополнения и практические приёмы.
🔗 https://vk.com/@turboplanner-metodologiya-pcam-prevraschaem-ai-agentov-iz-rabov-v-partner
— Если не использовать инструменты IDE, отлично работает подход «правила в том же XML». Дальше просто говорю модели: *«прочитай правила»* — и всё.
— После каждого решённого «грабля» прошу ИИ зафиксировать решение в контракте/документации/XML. Потом достаточно *«прочитай доку»* — и модель вспоминает, как себя вести. Иначе любое сжатие контекста обнуляет память агента.
— Многократные проверки обязательны. Мало сгенерировать data-flow — прошу модель несколько раз «проверить архитектуру/искать ошибки», пока она не начнёт придираться к мелочам. В этот момент результат действительно «сходится».
### Что добавляю к GRACE
* StateMachine.xml — описывать сложные системы как автоматы состояний и переходов:
1. упрощает абстрактные тесты;
2. синхронизирует backend/frontend/whatever в одной точке.
* protobuf — удобная фиксация API-контрактов.
### Организация правил и агентов
— Ничто не мешает использовать одних агентов другими (даже внутри Cursor).
— Удобно завести отдельный репозиторий под правила каждого проекта.
— Личный инсайт: код — это текст и он вторичен. Первичны правила, имена и структура проекта. Это тоже можно оптимизировать агентом. Пишите наборы правил (наследование/инклюды), подключайте как удобно (git-сабмодули, симлинки, копирование по расписанию) и управляйте контекстом командами уровня «прочитай правила про …» — на практике это делает агента заметно более автономным.
### Короткий вывод
Делайте самым простым способом, который у вас работает сейчас. Пока ИИ не делает всё «под ключ», главная ценность — спроектировать структуру правил. «Самый эффективный способ» устареет быстрее, чем его признают стандартом.
🔗 https://vk.com/@turboplanner-metodologiya-pcam-prevraschaem-ai-agentov-iz-rabov-v-partner
— Если не использовать инструменты IDE, отлично работает подход «правила в том же XML». Дальше просто говорю модели: *«прочитай правила»* — и всё.
— После каждого решённого «грабля» прошу ИИ зафиксировать решение в контракте/документации/XML. Потом достаточно *«прочитай доку»* — и модель вспоминает, как себя вести. Иначе любое сжатие контекста обнуляет память агента.
— Многократные проверки обязательны. Мало сгенерировать data-flow — прошу модель несколько раз «проверить архитектуру/искать ошибки», пока она не начнёт придираться к мелочам. В этот момент результат действительно «сходится».
### Что добавляю к GRACE
* StateMachine.xml — описывать сложные системы как автоматы состояний и переходов:
1. упрощает абстрактные тесты;
2. синхронизирует backend/frontend/whatever в одной точке.
* protobuf — удобная фиксация API-контрактов.
### Организация правил и агентов
— Ничто не мешает использовать одних агентов другими (даже внутри Cursor).
— Удобно завести отдельный репозиторий под правила каждого проекта.
— Личный инсайт: код — это текст и он вторичен. Первичны правила, имена и структура проекта. Это тоже можно оптимизировать агентом. Пишите наборы правил (наследование/инклюды), подключайте как удобно (git-сабмодули, симлинки, копирование по расписанию) и управляйте контекстом командами уровня «прочитай правила про …» — на практике это делает агента заметно более автономным.
### Короткий вывод
Делайте самым простым способом, который у вас работает сейчас. Пока ИИ не делает всё «под ключ», главная ценность — спроектировать структуру правил. «Самый эффективный способ» устареет быстрее, чем его признают стандартом.
VK
Методология PCAM: Превращаем AI-агентов из рабов в партнеров
Введение
Forwarded from AI Projects (Vladimir Ivanov)
Написал статью с формальным описанием методологии GRACE (Graph-RAG Anchored Code Engineering) по автоматической генерации кода ИИ агентами. Думаю, что почитав как генерируются большие приложения с помощью ИИ, многие поймут, почему у многих возникает "технический долг" при работе с ИИ и они не могут создать больше 1го рабочего модуля.
GRACE предназначен для больших приложений, которые на 100% генерируются с помощью ИИ. Методология имеет смысл для кода от 800-1000 строк. Для совсем мелких приложений скорее избыточная, но это больше для средних и крупных Enterprise приложений.
Впервые публично раскрывается технология "семантического каркаса кода", что сейчас закрыта страшными NDA у крупнейших IT-концернов, чтобы обеспечивать им конкурентные преимущества.
Сам по себе методология сильно приземленная на конкретные особенности sparse attention у GPT и специфики работы RAG-агентов по коду как Cursor. Для распределенного внимания семантический каркас позволяет ИИ легко манипулировать даже 20.000 строк кода в одном контексте sparse attention, а для RAG агентов позволяет в 1-3 прыжка оказаться в нужном блоке кода и сразу же собрать контекст как его править.
GRACE отлаживался несколько месяцев на более чем 200 специалистах на моих обучениях, в итоговую версию вошло только то, что реально эффективно работает. Сам GRACE совместим с моей методологией создания агентов PCAM, но не требует PCAM обязательно, т.к. это скорее технология генерации большого кода и способность ИИ контролировать без "технических долгов" как у новичков в ИИ генерации кода.
В рамках поста не все тезисы могу описать, фреймворк на деле методически довольно крупный. По факту что-то вроде RUP для AI-эпохи получается постепенно. Поэтому рекомендую почитать статью, скорее отдельные элементы методологии буду раскрывать отдельными публикациями. Сами по себе GRACE и PCAM поддерживают моими курсами обучения и готовыми учебно-боевыми примерами решений.
vk.com/@turboplanner-grace-freimvork-sozdaniya-koda-llm-v-bolshih-kontekstah-s-uc
GRACE предназначен для больших приложений, которые на 100% генерируются с помощью ИИ. Методология имеет смысл для кода от 800-1000 строк. Для совсем мелких приложений скорее избыточная, но это больше для средних и крупных Enterprise приложений.
Впервые публично раскрывается технология "семантического каркаса кода", что сейчас закрыта страшными NDA у крупнейших IT-концернов, чтобы обеспечивать им конкурентные преимущества.
Сам по себе методология сильно приземленная на конкретные особенности sparse attention у GPT и специфики работы RAG-агентов по коду как Cursor. Для распределенного внимания семантический каркас позволяет ИИ легко манипулировать даже 20.000 строк кода в одном контексте sparse attention, а для RAG агентов позволяет в 1-3 прыжка оказаться в нужном блоке кода и сразу же собрать контекст как его править.
GRACE отлаживался несколько месяцев на более чем 200 специалистах на моих обучениях, в итоговую версию вошло только то, что реально эффективно работает. Сам GRACE совместим с моей методологией создания агентов PCAM, но не требует PCAM обязательно, т.к. это скорее технология генерации большого кода и способность ИИ контролировать без "технических долгов" как у новичков в ИИ генерации кода.
В рамках поста не все тезисы могу описать, фреймворк на деле методически довольно крупный. По факту что-то вроде RUP для AI-эпохи получается постепенно. Поэтому рекомендую почитать статью, скорее отдельные элементы методологии буду раскрывать отдельными публикациями. Сами по себе GRACE и PCAM поддерживают моими курсами обучения и готовыми учебно-боевыми примерами решений.
vk.com/@turboplanner-grace-freimvork-sozdaniya-koda-llm-v-bolshih-kontekstah-s-uc
VK
GRACE: Фреймворк создания кода LLM в больших контекстах с учетом sparse attention и особенностей RAG-агентов
1. Аннотация
❤1👍1
Пространственно-временной континуум разорвало — у нас сразу два поста и перепутанные ссылки. Но для понимания концепции стоит прочитать обе статьи, а ниже — мои личные дополнения.
https://github.com/KolkhozIO/rulez
Что это такое:
Это коллекция моих правил для Cursor, которые я использую при разработке кода. По сути — две адаптированные версии под разные проекты:
- сложное веб-приложение (backend + frontend + месиво из контейнеров);
- ML-пайплайн с обучением wake-word моделей.
Помимо правил я выложил примеры реальной документации — их можно грузить as-is в свои проекты и «прогонять» ваших AI-агентов, адаптируя под вашу среду.
Чем это НЕ является:
- волшебной пулей, которая всё сделает сама;
- «успешным кейсом внедрения ИИ-агента» (пока рано говорить, что есть универсально успешные подходы);
- финальной версией правил и доков — 30–50% материалов можно урезать/упростить, но это требует времени и тестов.
Чем это МОЖЕТ быть:
- стартовой точкой, если своих (более лучших) идей пока нет;
- набором правил, чтобы заставить агента делать что-то осмысленное без тотальной детализации с вашей стороны;
- инструментом для стабилизации хаоса в проекте.
Как использовать:
1. Подключите репозиторий к своему проекту (как сабмодуль/копию).
2. Загрузите правила и примеры доков в контекст агента.
3. Попросите агента адаптировать правила под ваши процессы/структуру.
4. Зафиксируйте удачные находки обратно в правилах (контрактах/гайде) — «прочитай доку» должно стать рабочей командой.
Важно:
Я много говорил о важности рефлексии: для вашего проекта подобные изменения могут быть избыточны. Смотрите на сигналы и метрики, примеры рефлексии — на скриншотах.
https://github.com/KolkhozIO/rulez
Что это такое:
Это коллекция моих правил для Cursor, которые я использую при разработке кода. По сути — две адаптированные версии под разные проекты:
- сложное веб-приложение (backend + frontend + месиво из контейнеров);
- ML-пайплайн с обучением wake-word моделей.
Помимо правил я выложил примеры реальной документации — их можно грузить as-is в свои проекты и «прогонять» ваших AI-агентов, адаптируя под вашу среду.
Чем это НЕ является:
- волшебной пулей, которая всё сделает сама;
- «успешным кейсом внедрения ИИ-агента» (пока рано говорить, что есть универсально успешные подходы);
- финальной версией правил и доков — 30–50% материалов можно урезать/упростить, но это требует времени и тестов.
Чем это МОЖЕТ быть:
- стартовой точкой, если своих (более лучших) идей пока нет;
- набором правил, чтобы заставить агента делать что-то осмысленное без тотальной детализации с вашей стороны;
- инструментом для стабилизации хаоса в проекте.
Как использовать:
1. Подключите репозиторий к своему проекту (как сабмодуль/копию).
2. Загрузите правила и примеры доков в контекст агента.
3. Попросите агента адаптировать правила под ваши процессы/структуру.
4. Зафиксируйте удачные находки обратно в правилах (контрактах/гайде) — «прочитай доку» должно стать рабочей командой.
Важно:
Я много говорил о важности рефлексии: для вашего проекта подобные изменения могут быть избыточны. Смотрите на сигналы и метрики, примеры рефлексии — на скриншотах.
❤1👍1