Зарядка телефона не підходить до планшета, навушники - тільки до однієї моделі, а новий гаджет вимагає бігти по черговий перехідник.
Потім Anthropic відкрив Model Context Protocol - і дав екосистемі USB-C.
За рік стандарт підхопили провідні AI-компанії — від OpenAI до Google.
Агенти все частіше самі обирають, який інструмент узяти під задачу. І беруть з того, що вміють викликати.
Тому вміння підняти власний MCP-сервер на TypeScript - це вже не екзотика, а базова навичка рівня "вмію писати REST endpoint" зразка 2015. Найближчим часом без неї на серйозний проект складно буде зайти.
Я зробив MCP-сервер для свого copy paste detector - агент викликає його напряму й отримує компактний звіт під свій контекст. Кілька годин роботи - і інструмент усередині агентного воркфлоу. Якщо у вас є dev-tool, це найшвидший спосіб зробити його помітним для агентів.
🛠 Офіційний TypeScript SDK
🚀 Quickstart (як підняти свій перший сервер за 10 хв)
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8🔥3👀2
🧩 Навіщо Agent Skills, якщо є MCP?
Бачу це питання постійно. Щойно опанували MCP - виходить другий стандарт від Anthropic - Agent Skills - і виникає відчуття, що це конкуренти й треба обирати один.
👀 Ні. Вони про різне.
🔖 MCP - це доступ.
Типізований канал до зовнішньої системи: бази, API, внутрішнього сервісу. Відповідає на питання "до чого агент під'єднаний". І це ще про контроль: коли ви даєте доступ до бази, MCP-сервер дозволяє налаштувати авторизацію і ліміти - що саме агент може читати чи писати. Skill так не вміє, бо це просто інструкція.
🔖 Skill - це процедура.
Папка з файлом SKILL.md та опціональними скриптами. Вчить агента, ЯК робити конкретну роботу: як провести код-рев'ю, як зібрати звіт. Відповідає на питання "як саме агент це робить". Працює кросплатформно: Claude Code, Codex, Gemini CLI, Cursor.
🗣 Просте правило вибору:
Потрібен доступ до системи без кастомної інтеграції - MCP.
Треба зафіксувати повторюваний процес і планку якості - Skill.
І головне: це не "або-або", вони закривають різні діри. На своєму copy-paste detector я зробив обидва. MCP-сервер дає агенту доступ викликати детектор напряму. Skill пакує процес - коли запускати перевірку, як читати звіт. Разом - і "доступ", і "процедура".
⏺ Чому Skills швидко набирають популярність: вони ідеально лягають у звичний цикл розробки. SKILL.md живе прямо в репозиторії поруч із кодом - код змінився, оновили інструкцію для агента тим самим комітом.
Оновлення MCP-сервера - це вже окремий DevOps-процес. Плюс скіл простіше зробити (це файл, не сервер) і простіше поширити: кинув папку в репо, і всі агенти підхопили.
З чого почати: напишіть один SKILL.md за гайдлайнами Anthropic - опис-тригер, progressive disclosure, scoped tools. Швидше за MCP-сервер, а ефект на консистентність агента видно відразу.
Що вже у вас -
MCP👍, Skills🔥, обидва👀?
#js_ai_trends
Бачу це питання постійно. Щойно опанували MCP - виходить другий стандарт від Anthropic - Agent Skills - і виникає відчуття, що це конкуренти й треба обирати один.
Типізований канал до зовнішньої системи: бази, API, внутрішнього сервісу. Відповідає на питання "до чого агент під'єднаний". І це ще про контроль: коли ви даєте доступ до бази, MCP-сервер дозволяє налаштувати авторизацію і ліміти - що саме агент може читати чи писати. Skill так не вміє, бо це просто інструкція.
Папка з файлом SKILL.md та опціональними скриптами. Вчить агента, ЯК робити конкретну роботу: як провести код-рев'ю, як зібрати звіт. Відповідає на питання "як саме агент це робить". Працює кросплатформно: Claude Code, Codex, Gemini CLI, Cursor.
Потрібен доступ до системи без кастомної інтеграції - MCP.
Треба зафіксувати повторюваний процес і планку якості - Skill.
І головне: це не "або-або", вони закривають різні діри. На своєму copy-paste detector я зробив обидва. MCP-сервер дає агенту доступ викликати детектор напряму. Skill пакує процес - коли запускати перевірку, як читати звіт. Разом - і "доступ", і "процедура".
Оновлення MCP-сервера - це вже окремий DevOps-процес. Плюс скіл простіше зробити (це файл, не сервер) і простіше поширити: кинув папку в репо, і всі агенти підхопили.
З чого почати: напишіть один SKILL.md за гайдлайнами Anthropic - опис-тригер, progressive disclosure, scoped tools. Швидше за MCP-сервер, а ефект на консистентність агента видно відразу.
Що вже у вас -
MCP👍, Skills🔥, обидва👀?
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6🔥5👀3
Чому Microsoft переписали TypeScript на Go?
Аргумент Хейлсберга простий: завданням було портувати існуючу кодову базу, а не проектувати нову. Архітектура старого компілятора — циклічні структури даних, спільний мутабельний стан між фазами — природно лягає на Go з його garbage collector. Rust вимагав би переосмислити володіння пам'яттю в кожному вузлі AST. Тобто фактично rewrite з нуля, роки роботи і ризик розійтися в поведінці типів.
Мене це питання зацікавило через власний досвід. Адже я нещодавно пройшов той самий шлях зі своїм jscpd, який живе в екосистемі вже понад десять років і ганяється в CI на кожен PR. Переписав engine з Node.js на Rust: скан 900 MB кодової бази впав з 83 секунд до 3,4. Startup overhead зник повністю, задіяні всі ядра. Коли інструмент запускається на кожен PR, ця різниця вирішує все: чекати щоразу півтори хвилини чи отримати результат миттєво.
Але є принципова відмінність: я саме переписував, а не портував. Міг дозволити собі змінити внутрішню архітектуру, бо контракт у jscpd простий — вхід і звіт на виході. У компілятора контракт — це поведінка системи типів на мільйонах чужих кодових баз, і кожне відхилення це чийсь зламаний білд. Для порту рядок-у-рядок Go справді знімає цілий клас проблем, які Rust змусив би вирішувати.
Виходить два різні шляхи до тієї самої мети: нативний код замість Node.js. І обидва працюють.
А ви б що обрали для порту компілятора -
Go🔥чи Rust👍?
Уся швидка частина JS-тулінгу останні роки переїжджала на Rust: Turbopack, Biome, oxc, SWC. А Microsoft переписали TypeScript на Go.
Аргумент Хейлсберга простий: завданням було портувати існуючу кодову базу, а не проектувати нову. Архітектура старого компілятора — циклічні структури даних, спільний мутабельний стан між фазами — природно лягає на Go з його garbage collector. Rust вимагав би переосмислити володіння пам'яттю в кожному вузлі AST. Тобто фактично rewrite з нуля, роки роботи і ризик розійтися в поведінці типів.
Мене це питання зацікавило через власний досвід. Адже я нещодавно пройшов той самий шлях зі своїм jscpd, який живе в екосистемі вже понад десять років і ганяється в CI на кожен PR. Переписав engine з Node.js на Rust: скан 900 MB кодової бази впав з 83 секунд до 3,4. Startup overhead зник повністю, задіяні всі ядра. Коли інструмент запускається на кожен PR, ця різниця вирішує все: чекати щоразу півтори хвилини чи отримати результат миттєво.
Але є принципова відмінність: я саме переписував, а не портував. Міг дозволити собі змінити внутрішню архітектуру, бо контракт у jscpd простий — вхід і звіт на виході. У компілятора контракт — це поведінка системи типів на мільйонах чужих кодових баз, і кожне відхилення це чийсь зламаний білд. Для порту рядок-у-рядок Go справді знімає цілий клас проблем, які Rust змусив би вирішувати.
Виходить два різні шляхи до тієї самої мети: нативний код замість Node.js. І обидва працюють.
А ви б що обрали для порту компілятора -
Go🔥чи Rust👍?
👍9🔥9👏3
Ще рік тому побудувати AI-агента означало майже завжди одне - Python-стек: LangChain, LangGraph, CrewAI. JS-розробник заходив у цю тему гостем. Зараз баланс зміщується.
І це не випадковий злет одного проекту, а логіка екосистеми. Усе, що оточує агента, вже живе в JS/TS - frontend-агенти, MCP-сервери, генеративний UI. Логічно, що й самі фреймворки переїжджають туди, де цей код. TypeScript стає повноцінною мовою агентів, а не запасною.
Це не про "Python помер". Він лишається сильним у ML, тренуванні моделей і data science - там його позиції міцні.
На чому ви будуєте агентів - TS 🔥чи Python❤️?
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
👍17🔥8❤3
Як ти опинився на Math.random()?
Anonymous Poll
4%
npm install mathrandomcommunity
4%
Колега скинув замість відповіді на моє питання
17%
console.log("Я вже тут?")😅
33%
Через статтю чи GitHub 📖
6%
try { unsubscribe() } catch { }
48%
Я ще з часів офлайн-мітапів у EPAM 🦕
👍5🔥2😁2
Основним читачем коду поступово стає не людина, а агент
Claude Code і аналоги працюють циклом: згенерував зміну - тайпчек - прочитав помилки - виправив - знову тайпчек.
У великій кодовій базі кожна ітерація впиралася в ті самі 60–80 секунд роботи компілятора.
Тепер цей крок коштує секунди. На кодовій базі VS Code перевірка типів впала зі 125 секунд до 10 (Microsoft заявляє 8-12x, незалежні тести - 4-7x).
Що це означає для економіки агентної розробки? Більше ітерацій за той самий бюджет? Чи цикл впреться в наступне вузьке місце - швидкість моделі?
Схоже, саме впреться: коли пайплайн упирається в I/O, виграш ближче до 28%. Компілятор більше не гальмо - гальмом стає щось інше.
Але напрямок ясний: швидкість тулчейну стає фактором вибору стеку для агентів - нарівні з ціною токенів. Раніше ми дивилися на мову очима людини: синтаксис, DX, екосистема. Тепер додається ще одна оптика - як швидко тулчейн віддає фідбек агенту.
А ви помічали це на своїх агентах?
🔥 - так, чекання компілятора зжирає цикл
👀 - не міряв, але цікаво
#typescript
Please open Telegram to view this post
VIEW IN TELEGRAM
👀13🔥7👍3
Будувати агентів, не виходячи з Next.js - тепер реально
Vercel випустив eve - фреймворк для агентів під слоганом «Next.js для агентів».
🗂 Весь агент живе однією папкою у твоєму ж проекті: не треба окремий Python-стек, не треба вчити нову інфру.
Один файл
- і агент працює.
Усе інше - опційні блоки:
- Markdown-плейбуки, підвантажуються лише коли релевантні
- кидаєш TS-файл, назва файлу стає назвою тулу, без реєстрації
- делегування спеціалізованим агентам
- той самий агент у Slack, Discord, Telegram
- агент за розкладом (звіти, дайджести)
🟡 Готове до проду
Durable execution (воркфлоу переживають краші, кожен крок чекпоінтиться), ізольовані сендбокси, human-in-the-loop, evals. Нативно вбудовується в Next.js.
🟡 Self-host
Побудований на open-source SDK. Postgres для durability, Docker для сендбоксів, нуль managed-залежностей.
Тренд той самий: шар навколо агентів переїжджає в JS/TS. Якщо ти вже у Next.js - агент тепер живе в тому ж проекті.
🗣 Гляньте самі: https://eve.dev
Пробував eve чи лишаєшся на Mastra/ Vercel AI SDK?
🔥 - цікаво, спробую
👀 - поки дивлюсь
#js_ai_trends
Vercel випустив eve - фреймворк для агентів під слоганом «Next.js для агентів».
Один файл
instructions.md
- і агент працює.
Усе інше - опційні блоки:
skills/
- Markdown-плейбуки, підвантажуються лише коли релевантні
tools/
- кидаєш TS-файл, назва файлу стає назвою тулу, без реєстрації
subagents/
- делегування спеціалізованим агентам
channels/
- той самий агент у Slack, Discord, Telegram
schedules/
- агент за розкладом (звіти, дайджести)
Durable execution (воркфлоу переживають краші, кожен крок чекпоінтиться), ізольовані сендбокси, human-in-the-loop, evals. Нативно вбудовується в Next.js.
Побудований на open-source SDK. Postgres для durability, Docker для сендбоксів, нуль managed-залежностей.
Тренд той самий: шар навколо агентів переїжджає в JS/TS. Якщо ти вже у Next.js - агент тепер живе в тому ж проекті.
Пробував eve чи лишаєшся на Mastra/ Vercel AI SDK?
🔥 - цікаво, спробую
👀 - поки дивлюсь
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
eve.dev
eve – durable AI agent framework
Like Next.js for agents. Build durable agents with one folder.
🔥8👍6👀5
🍋🍋jscpd перетнув
2 000 000 завантажень на тиждень у npm
⏺ 13 років розвитку open-source copy-paste detector.
⏺ 223 мови програмування.
⏺ Нове Rust-ядро — приблизно у 50 разів швидше за попередню реалізацію.
Більшість цих запусків відбувається у CI: на кожен pull request, у тисячах командних pipeline.
Дякую кожному, хто використовує jscpd для контролю якості коду та інтегрував його у свій workflow ☺️
github.com/kucherenko/jscpd
2 000 000 завантажень на тиждень у npm
Більшість цих запусків відбувається у CI: на кожен pull request, у тисячах командних pipeline.
Дякую кожному, хто використовує jscpd для контролю якості коду та інтегрував його у свій workflow ☺️
github.com/kucherenko/jscpd
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥23👏6❤4👍2
У вашого коду з'явився новий читач — AI-агент.
І кожне прочитання має ціну.
Саме про це й написав у новій статті на DOU. Усередині:
Читайте на DOU:
https://dou.ua/forums/topic/61047/
#TokenEconomics #TokenDebt #LLM
Please open Telegram to view this post
VIEW IN TELEGRAM
DOU
Token Economics: нова одиниця вартості софту — і новий борг у вашому коді
Ера AI-агентів непомітно змінила правила гри: тепер ваш код має ціну не лише під час виконання на серверах, але й під час його звичайного читання машинами. Андрій Кучеренко розкриває феномен токенного боргу і на реальних цифрах доводить, як вибір синтакси
🔥17❤7👏4👍1
У липні Anthropic розширила програму Claude for Open Source.
Тепер шанс отримати її мають не лише топові мейнтейнери.
Хто підходить (достатньо навіть одного пункту):
500+ залежних репозиторіїв, 100+ залежних пакетів або 200 000+ завантажень на місяць (npm, PyPI, crates.io, RubyGems);
коміти в CPython, Rust, Node.js, Kubernetes, Linux kernel, Django, Rails тощо;
100+ змержених PR у чужі репозиторії за рік;
репозиторій із 20+ зовнішніми контриб'юторами за рік;
OpenSSF criticality score 0.4+.
Жорсткого дедлайну немає, але заявки розглядають на роллінг-основі, і в минулій хвилі набір закрився по досягненню ліміту в 10 000 місць.
Тягнути сенсу немає:
https://claude.com/contact-sales/claude-for-oss
Спробуєш податися?
🔥 - так, мій проект проходить
👀 - збережу, подумаю
Please open Telegram to view this post
VIEW IN TELEGRAM
Claude
Claude for Open Source | Claude by Anthropic
Apply to the Claude for Open Source program. Eligible OSS maintainers and contributors get Claude Max for 6 months on us.
❤6👍5👀4🔥3👎1
Це production-фреймворк для AI-застосунків, який Google вже кілька років розвиває і використовує у власному проді - не демо і не пет-проект.
Через один підхід: structured output, tool calling, RAG, мультимодальність і agentic workflows. Плюс єдиний інтерфейс до моделей - Google, OpenAI, Anthropic, Ollama.
Що виділяє Genkit:
Genkit закриває не тільки агентів. Це фреймворк для AI-застосунків загалом: чат-ботів, RAG-систем, автоматизацій і складних AI-workflow.
Якщо потрібен production-ready інструмент без lock-in на одну модель чи провайдера - Genkit є одним із найсильніших варіантів.
⭐️ 6.3k зірок на GitHub, Apache-2.0.
https://github.com/genkit-ai/genkit
Що використовуєш для AI-застосунків?
🔥 - Genkit уже у стеку
👀 - подивлюся ближче
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
GitHub
GitHub - genkit-ai/genkit: Open-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used…
Open-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google - genkit-ai/genkit
👀9👍8🔥5
OpenSSF Criticality Score - що це таке та для чого його вимагають в open-source програмах?
Anthropic надає розробникам безкоштовний доступ до тарифу Claude Max (із лімітами 20x) на 6 місяців.
Однією з офіційних вимог для категорії Critical Infrastructure є наявність OpenSSF Criticality Score 0.4 або вище.
Що це взагалі таке?
1) Офіційний проект Open Source Security Foundation (алгоритм розробив Rob Pike).
2) Метрика, яка варіюється від 0 (least-critical) до 1 (most-critical). Чим вище бал — тим важливіший проект для всієї open-source екосистеми.
👀 Алгоритм аналізує характеристики репозиторію та активність навколо нього.
Зокрема враховуються:
⏺ вік проекту;
⏺ частота комітів;
⏺ кількість контриб’юторів;
⏺ кількість організацій серед контриб’юторів;
⏺ релізи;
⏺ активність із закриття issue;
⏺ згадки про проект у commit messages інших проектів.
Ці показники зводяться у підсумковий score від 0 до 1.
Інструмент ossf/criticality_score дозволяє розрахувати score для GitHub-репозиторію. Даєш посилання - отримуєш цифру. Корисно не лише заради грантів: видно, наскільки твій код впливає на екосистему.
👀 Порахувати:
https://github.com/ossf/criticality_score
Перевіриш свій проект?
🔥 - цікаво, яка в мене цифра
👀 - збережу на потім
#js_ai_trends
Anthropic надає розробникам безкоштовний доступ до тарифу Claude Max (із лімітами 20x) на 6 місяців.
Однією з офіційних вимог для категорії Critical Infrastructure є наявність OpenSSF Criticality Score 0.4 або вище.
Що це взагалі таке?
1) Офіційний проект Open Source Security Foundation (алгоритм розробив Rob Pike).
2) Метрика, яка варіюється від 0 (least-critical) до 1 (most-critical). Чим вище бал — тим важливіший проект для всієї open-source екосистеми.
Зокрема враховуються:
Ці показники зводяться у підсумковий score від 0 до 1.
Інструмент ossf/criticality_score дозволяє розрахувати score для GitHub-репозиторію. Даєш посилання - отримуєш цифру. Корисно не лише заради грантів: видно, наскільки твій код впливає на екосистему.
https://github.com/ossf/criticality_score
Перевіриш свій проект?
🔥 - цікаво, яка в мене цифра
👀 - збережу на потім
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6🔥4👀2
🇺🇦 Math.random(): community of engineers pinned «🟡 4 мільйони токенів на одну задачу 🟡 Стільки в середньому витрачає AI-агент, коли вирішує інженерний таск у реальному репозиторії (за даними вимірювань на SWE-bench Verified). 📖 Найбільше токенів AI витрачає не тоді, коли пише код, а тоді, коли його читає.…»
Підтримую ініціативу @devshive: вони розігрують серед читачів свої книги
📙Зараз — Cloud Native Go від O’Reilly, про розподілені системи й cloud native патерни.
Без ботів, без «підпишись на 10 каналів». Просто написати «go» і нік під дописом. Розіграш вже завтра 12 серпня, ~15:00 CET.
Якщо у вас на полиці лежить прочитана технічна книга — можливо, варто зробити так само☺️
👉 https://t.me/devshive/179
📙Зараз — Cloud Native Go від O’Reilly, про розподілені системи й cloud native патерни.
Без ботів, без «підпишись на 10 каналів». Просто написати «go» і нік під дописом. Розіграш вже завтра 12 серпня, ~15:00 CET.
Якщо у вас на полиці лежить прочитана технічна книга — можливо, варто зробити так само☺️
👉 https://t.me/devshive/179
Telegram
Devs Hive
Продовжуємо розігрувати книжечки🔥🔥🔥
Цього разу лот на порядок цікавіший - Cloud Native Go
Гарна книга, про різні Cloud Native патерни, які бустануть ваше розуміння розподілених систем.
Всі приклади на бездуховному Golang, але якщо ви добре знає JS/TS,…
Цього разу лот на порядок цікавіший - Cloud Native Go
Гарна книга, про різні Cloud Native патерни, які бустануть ваше розуміння розподілених систем.
Всі приклади на бездуховному Golang, але якщо ви добре знає JS/TS,…
👍4❤3🔥3
ai-agent-map-2026.pdf
55.9 KB
Що вчити, щоб зайти в AI-розробку на JS/TS у 2026?
Мене часто про це питають. Проблема будь-якої відповіді в тому, що список технологій нічого не пояснює: незрозуміло, що з чим пов'язане і в якому порядку за це братися.
Тому я зібрав карту з 12 треків у порядку, в якому запит реально проходить крізь агента: промпт → цикл → тули → контекст і пам'ять → планування → вимірювання → прод.
Читається зверху вниз як шлях одного запиту, а не як програма курсу.
Три рішення, через які ця карта виглядає не зовсім стандартно:
1) Агентний цикл - перед фреймворком, а не після
Агент — це цикл: ви складаєте масив повідомлень, віддаєте моделі разом зі схемами тулів, вона просить викликати тул, ви виконуєте, дописуєте результат і відправляєте знову — доки не спрацює стоп-умова, яку задали ви самі. Сорок рядків проти сирого API.
Кожен фреймворк — обгортка навколо цих сорока рядків. Напишіть їх руками один раз — і наступний фреймворк читаєте за десять хвилин, бо бачите, яку саме частину циклу він підміняє. Не напишете — доведеться налагоджувати чужу абстракцію над механікою, якої ви ніколи не бачили.
2) Skills - окремий трек, а не підпункт промптингу
Skill це тека з файлом SKILL.md: усередині опис, за яким агент розуміє, коли цей skill потрібен, і тіло з інструкціями. У контексті постійно висить лише рядок опису — тіло підвантажується в момент спрацювання.
Навіщо: інакше все це лежить у системному промпті. Він росте до нечитабельного стану, оплачується цілком на кожному запиті — включно з інструкціями, які потрібні раз на місяць, — і видаляти звідти вже ніхто не наважується.
3) Гроші - на карті, а не за кадром
Кеш промпта економить до 80% часу до першого токена і до 90% ціни входу, але спрацьовує тільки на точному збігу префікса: статика на початок, змінне в кінець. Поставили таймстемп не туди - платите націнку за запис кешу на кожному запиті й не отримуєте жодного читання. Ззовні при цьому все працює нормально.
Сюди ж роутинг моделей і ліміт бюджету на прогін. У роадмапах на сотню плиток про вартість прогону зазвичай немає жодного слова.
І ще: фреймворки в мене стоять десятим треком, а не першим. Спочатку ви розумієте, що вони роблять, і збираєте набір кейсів, яким їх можна виміряти. Тоді ви обираєте фреймворк, а не підлаштовуєтесь під нього.
📎 Карта — у файлі PDF. Відкривайте його, а не прев'ю: у PDF можна зумити на будь-який трек без втрати чіткості 👍
#js_ai_trends
Мене часто про це питають. Проблема будь-якої відповіді в тому, що список технологій нічого не пояснює: незрозуміло, що з чим пов'язане і в якому порядку за це братися.
Тому я зібрав карту з 12 треків у порядку, в якому запит реально проходить крізь агента: промпт → цикл → тули → контекст і пам'ять → планування → вимірювання → прод.
Читається зверху вниз як шлях одного запиту, а не як програма курсу.
Три рішення, через які ця карта виглядає не зовсім стандартно:
1) Агентний цикл - перед фреймворком, а не після
Агент — це цикл: ви складаєте масив повідомлень, віддаєте моделі разом зі схемами тулів, вона просить викликати тул, ви виконуєте, дописуєте результат і відправляєте знову — доки не спрацює стоп-умова, яку задали ви самі. Сорок рядків проти сирого API.
Кожен фреймворк — обгортка навколо цих сорока рядків. Напишіть їх руками один раз — і наступний фреймворк читаєте за десять хвилин, бо бачите, яку саме частину циклу він підміняє. Не напишете — доведеться налагоджувати чужу абстракцію над механікою, якої ви ніколи не бачили.
2) Skills - окремий трек, а не підпункт промптингу
Skill це тека з файлом SKILL.md: усередині опис, за яким агент розуміє, коли цей skill потрібен, і тіло з інструкціями. У контексті постійно висить лише рядок опису — тіло підвантажується в момент спрацювання.
Навіщо: інакше все це лежить у системному промпті. Він росте до нечитабельного стану, оплачується цілком на кожному запиті — включно з інструкціями, які потрібні раз на місяць, — і видаляти звідти вже ніхто не наважується.
3) Гроші - на карті, а не за кадром
Кеш промпта економить до 80% часу до першого токена і до 90% ціни входу, але спрацьовує тільки на точному збігу префікса: статика на початок, змінне в кінець. Поставили таймстемп не туди - платите націнку за запис кешу на кожному запиті й не отримуєте жодного читання. Ззовні при цьому все працює нормально.
Сюди ж роутинг моделей і ліміт бюджету на прогін. У роадмапах на сотню плиток про вартість прогону зазвичай немає жодного слова.
І ще: фреймворки в мене стоять десятим треком, а не першим. Спочатку ви розумієте, що вони роблять, і збираєте набір кейсів, яким їх можна виміряти. Тоді ви обираєте фреймворк, а не підлаштовуєтесь під нього.
📎 Карта — у файлі PDF. Відкривайте його, а не прев'ю: у PDF можна зумити на будь-який трек без втрати чіткості 👍
#js_ai_trends
👍8🔥6👀4
Vercel AI SDK. Найпоширеніший
AI-тулкіт для TypeScript.
🔴 20+ мільйонів завантажень на тиждень за даними npm.
Vercel AI SDK — це не фреймворк для агентів у чистому вигляді, а базовий шар, на якому будують усе інше.
⏺ Основа
Єдиний API до будь-якого провайдера (OpenAI, Anthropic, Google та інші) - міняєш модель, не переписуючи логіку. Стрімінг, structured output через Zod, tool calling, повна типобезпека. UI-хуки для React, Svelte, Vue.
⏺ Агенти з коробки
У версії 6 зʼявилась повноцінна агентна абстракція: ToolLoopAgent, tool-calling loop зі stopWhen (сам крутиться, доки не дійде рішення), human-in-the-loop на підтвердження тулів, повна підтримка MCP.
⏺ DevTools
Додали вбудований дебагер для агентів - видно кроки, виклики тулів, стан. Те, чого раніше бракувало.
⏺ Хто на ньому
OpenCode побудований на AI SDK. Thomson Reuters зробив на ньому CoCounsel силами трьох розробників за два місяці.
Якщо тільки заходиш у тему - це найшвидший старт: базовий tool-calling агент піднімається за вечір, а далі нарощуєш.
👀 Гляньте самі:
https://ai-sdk.dev
Уже на AI SDK?
🔥 - так, мій базовий шар
👀 - час спробувати
#js_ai_trends
AI-тулкіт для TypeScript.
Vercel AI SDK — це не фреймворк для агентів у чистому вигляді, а базовий шар, на якому будують усе інше.
Єдиний API до будь-якого провайдера (OpenAI, Anthropic, Google та інші) - міняєш модель, не переписуючи логіку. Стрімінг, structured output через Zod, tool calling, повна типобезпека. UI-хуки для React, Svelte, Vue.
У версії 6 зʼявилась повноцінна агентна абстракція: ToolLoopAgent, tool-calling loop зі stopWhen (сам крутиться, доки не дійде рішення), human-in-the-loop на підтвердження тулів, повна підтримка MCP.
Додали вбудований дебагер для агентів - видно кроки, виклики тулів, стан. Те, чого раніше бракувало.
OpenCode побудований на AI SDK. Thomson Reuters зробив на ньому CoCounsel силами трьох розробників за два місяці.
Якщо тільки заходиш у тему - це найшвидший старт: базовий tool-calling агент піднімається за вечір, а далі нарощуєш.
https://ai-sdk.dev
Уже на AI SDK?
🔥 - так, мій базовий шар
👀 - час спробувати
#js_ai_trends
Please open Telegram to view this post
VIEW IN TELEGRAM
AI SDK
The AI Toolkit for TypeScript, from the creators of Next.js.
👍7👀7🔥5