Бачити, що агент робить всередині - нарешті реально

VoltAgent - open-source TypeScript-фреймворк для агентів.

Головна ставка тут не на те, як їх будувати, а на те, як їх дебажити.

🔴 Проблема, яку знають усі: агент мовчки обрав не той тул чи пішов не туди - і ти сидиш у логах, вгадуючи, що сталося.

Засновники прямо кажуть, що надихались n8n: виконання агента показане як канвас із кроками. Видно, які тули викликались, що вирішив, де впав.

⏺ Що дає фреймворк

Memory, RAG, tools, MCP, voice, workflow, guardrails, evals. Мультиагентність: supervisor координує спеціалізованих sub-агентів. Провайдер міняється в конфігу, а не в логіці агента - OpenAI, Anthropic, Google та інші.

⏺ VoltOps - обсервабіліті окремим продуктом

Реалтайм-трейси, логи, метрики, інспекція памʼяті й контексту, білдер промптів. Важлива деталь: VoltOps framework-agnostic, працює через OpenTelemetry і з LangChain, LlamaIndex, Autogen. Дивитись можна, навіть якщо фреймворк ви не міняєте.

⏺ Старт за секунди

npm create voltagent-app@latest - CLI збирає проект і дає стартовий агент разом із прикладом воркфлоу.

Що варто розуміти одразу: MIT - це фреймворк. VoltOps - окремий продукт компанії. І це не візуальний конструктор агентів: код пишете ви, канвас лише показує, що з нього вийшло.

Тренд той самий: TS-екосистема для агентів дорослішає. Але VoltAgent б'є в конкретну біль - не "як зробити агента", а "як зрозуміти, чому він зламався".

👀 Гляньте самі: https://github.com/voltagent/voltagent

Чого тобі найбільше бракує в роботі з агентами?

🔥 - саме нормального дебагу
👀 - поки розбираюсь із базою

#ai_tools #agents

Щоб побудувати продакшн-агента, не треба переходити на Python.

LangGraph знають як Python-інструмент. Але є LangGraph.js - TypeScript/JavaScript-версія LangGraph: StateGraph, checkpointers, human-in-the-loop, стрімінг, субграфи.

⏺3.4M завантажень npm на тиждень.

👀 Чому граф, а не ланцюжок

prompt → LLM → output працює рівно доти, доки агенту не треба ретраїти, чекати підтвердження чи координувати кількох агентів.

⏺У графі вузли - це дії (виклик LLM, тул, трансформація), ребра - маршрутизація між станами.
⏺Агент крутить цикли, гілкується, паузиться на людину, а після збою відновлюється зі збереженого стану. Потік явний, нічого не сховано за абстракцією.

💬 Що дає TypeScript

Стан описується через StateSchema, який приймає Standard Schema - Zod 4, Valibot, ArkType на вибір, без прив'язки до однієї бібліотеки.

Annotation.Root у доках позначений як legacy, але продовжує працювати.

Типи ловлять частину багів зі станом ще на етапі компіляції.

💬 Де крутиться

Node.js, Deno, Cloudflare Workers, Vercel Edge, браузер.

Для browser- і edge-сценаріїв LangGraph.js дає окремий web entry point (langchain/langgraph/web) і добре лягає в JS/TS-runtime.

За README проекту, на LangGraph будують агентів Uber, LinkedIn, Replit і GitLab.

🔴 Гляньте самі: github.com/langchain-ai/langgraphjs

Використовували LangGraph у TS?

🔥 - так, будую графи
👀 - поки на простіших тулах

JS/TS опинилися на
😉місці за часткою коду, який пише агент. Разом з Go

JetBrains опитав понад 15 000 інженерів у травні-липні. Питання було просте: скільки коду за минулий місяць написав агент, скільки ви з підказками AI, а скільки руками.

🗂 Розклад по стеках

У тих, чия основна мова JavaScript, TypeScript або Go, частка повністю згенерованого агентом коду найвища - 54-55% у середньому.

Java і Python посередині, 48-51%.

C і C++ найконсервативніші: 38% коду там досі пишуть руками.

👩‍💻 Що це означає на практиці

Понад половина інженерів пишуть руками менше 20% коду. Кожен п'ятий не пише без AI взагалі нічого.

Але тих, хто віддав агенту понад 80% коду, лише 22%. Більшість сидить посередині.

Ще одна деталь: першими віддали кодування агентам сеньйори, не джуни. Приблизно чверть сеньйорів генерує понад 80% коду.

❔ Чому це важливо саме нам

Якщо половину коду в репозиторії написав агент, вузьке місце змістилося. Питання вже не «як швидше написати», а «як зрозуміти, що саме тут з'явилось і навіщо».

JS/TS-екосистема попереду за швидкістю генерації. Відкрите питання - чи попереду вона за дисципліною рев'ю.

🗂 Дані й методологія тут

Скільки коду ти зараз пишеш руками, без агента?
🔥 - менше 20%
👀 - більше

97% вашого коду - «унікальні». Так каже інструмент, який не бачить дубль, якщо змінну просто назвали інакше.

👀jscpd 5.2.0 бачить.

Три класи копій, які раніше не потрапляли у звіт: перейменовані, зі вставленим рядком і переписані по всій функції.

Половину цього коду написав агент, а він не робить Ctrl+C: генерує заново і рідко тими самими іменами. Тому дірка у звіті - не крайній випадок, а норма.

1. Перейменовані копії
--ignore-identifiers, --ignore-literals, --ignore-annotations

Нормалізують класи токенів перед хешуванням: усі ідентифікатори стають одним класом, ключові слова зберігають своє значення, рядки і числа лишаються різними класами, анотації @Name(...) відкидаються. Java, Kotlin, Scala, Groovy, Python, Dart, Swift, JS, TS. Копія з іншими іменами тепер має kind: renamed.

2. Копії з розривом
--max-gap-lines N

Копія, куди вставили рядок посередині, раніше показувалась як два коротких клони. Тепер фрагменти однієї пари файлів, між якими не більше N незіставлених рядків, зливаються в один клон kind: similar зі значенням similarity. Схожість нижче 0.5 - злиття не відбувається.

3. Схожість функцій, JS/TS
--similarity RATIO

Правки, розмазані по всій функції, не ловить жодне вікно токенів. jscpd порівнює кожну функцію, метод і стрілкову функцію за набором 4-грам по типах вузлів AST та індексує через MinHash. Імена і літерали участі не беруть: перейменована копія дає 1.0, один вставлений рядок - близько 0.9, дві вставлені інструкції плюс перейменування - близько 0.75.

Кожен клон тепер несе kind: exact, renamed або similar - у консолі, JSON, XML і HTML. У SARIF і Code Climate додались правила jscpd/renamed-code та jscpd/similar-code.

На npm зараз 5 156 441 М завантаження за тиждень. Саме тому все нове - opt-in: жоден з цих пайплайнів не змінить поведінку після оновлення. Без прапорців результат той самий, плюс поле "kind": "exact".

Реліз v5.2.0

Яка у вас цифра дублювання у CI і скільки їй років?

👀 - зараз перевірю
🔥 - вже перевірив

#jscpd #CopyPasteDetector

Агент пише швидше, ніж ти встигаєш читати? Ось 10 перевірок, які зменшують обсяг коду для ручного рев'ю.

Evil Martians зібрали десять перевірок для фронтенду на TypeScript і React. Все конкретно, з інструментами і причинами.

⏺ Не дати написати зайве

Генеруйте типи з OpenAPI-специфікації. Найтиповіший дефект AI-коду - поле, якого не існує. Модель бачить поруч user і пише user.fullName, хоча бекенд віддає firstName і lastName. Якщо типи живуть окремо від специфікації, TypeScript це пропустить. Один опис API на два боки прибирає цілий клас багів ще на старті.

Опишіть межі шарів у лінтері. Модель не тримає в голові вашу архітектуру між сесіями і тягне код до середнього по GitHub. eslint-plugin-boundaries задає напрямок залежностей: сервіс не може імпортувати компонент.

⏺ Знайти те, що вже написано

Запустіть mutation testing. Покриття показує лише те, що рядок виконався - навіть якщо тест перевіряє мок і завжди зелений. Stryker навмисно ламає код і дивиться, чи впаде тест. Так видно, чи ваші тести взагалі щось ловлять.

Пошукайте дублікати. Дев'ятим у списку йде jscpd - мій інструмент, тому скажу відверто і про плюси, і про ліміти.

Порада авторів слушна: ставте різні пороги для JSX і для бізнес-логіки. Повторення розмітки часто є нормою, повторення логіки майже завжди стає проблемою. У Evil Martians дві копії розійшлися, і той самий підсумок зарплати показував 23 години 30 хвилин в одному місці та 0 годин 00 хвилин в іншому.

Межа, яку вони назвали, тримається на тому, що jscpd шукає текстову схожість. На днях вийшов 5.2.0, і саме її я і закривав.

--ignore-identifiers і --ignore-literals нормалізують токени перед хешуванням: копія, що відрізняється лише іменами, тепер знаходиться і позначається як renamed.

--max-gap-lines зшиває копію зі вставленим рядком посередині в один клон замість двох коротких.

А для JS і TS з'явився --similarity: кожна функція порівнюється за мішком 4-грам типів вузлів синтаксичного дерева.

⏺ Зробити перевірки обов'язковими

Заблокуйте мердж у CI. Перевірка працює тільки тоді, коли гілка не йде далі: формат, лінтер, tsc, юніт-тести, mutation testing на дифі. Деплой стартує лише після зеленого світла.

Вмикайте поступово. Спочатку правила як warnings і тільки на змінених файлах. Зловило реальний баг - підвищуйте до error, і аж потім ставте жорсткий гейт. Інакше команда почне шукати обхідні шляхи.

⏺ Де закінчується автоматика

Зелений статус усіх десяти перевірок не означає, що код хороший. Він означає лише те, що перевірки не знайшли того, що вміють шукати.

Жоден інструмент не скаже, що ви зробили не ту фічу або що ця абстракція тут зайва. Смак та архітектура залишаються на нас.

💬 Повний список: evilmartians.com/chronicles/ten-anti-ai-slop-moves-for-frontend-projects-going-faster-than-humans-can-review

Скільки з цих перевірок уже стоїть у вашому CI?

🔥 - більшість, і вони блокують мердж
👀 - поки що тільки лінтер

Ти написав скіл для агента. Але як дізнатись, що він працює?

11 вересня Claude Code отримав claude plugin eval: команда проганяє eval-набір плагіна проти самого Claude Code і повертає скорований результат, який можна відтворити. На виході - JSON і HTML-звіт.

⏺ Чому це важливо

Скіл - не код. Це інструкція природною мовою, яку модель виконає трохи інакше сьогодні і зовсім інакше після оновлення. Компілятор її не перевірить. Лінтер теж.

Досі єдиним способом зрозуміти, що скіл працює, було запустити його руками кілька разів. Це не перевірка. Це враження.

⏺ Що класти в eval-набір

Моя думка, не документація. Без цих трьох кейсів набір мало що доводить:

Скіл спрацював - найочевидніший і найменш цінний, майже завжди зелений.

Скіл не спрацював там, де не мав. Скіл, який вмикається не там, гірший за відсутній: з'їдає контекст і збиває агента із задачі.

Межа: формулювання схоже, намір інший. Саме тут скіли розсипаються після зміни моделі.

⏺ Друга половина картини

4 вересня з'явився /skill-doctor: показує, які скіли жодного разу не використовувалися і скільки контексту коштують.

eval → чи працює те, що я підключив
skill-doctor → чи потрібне воно взагалі

Якщо підключено десяток скілів, є ненульовий шанс, що половина просто займає вікно.

⏺ Чесно про межі

Формат набору в changelog не описаний, тільки сама команда - дивись

claude plugin eval --help.

І головне: скорований прогін не робить скіл правильним. Він робить його вимірюваним. Що міряти - вирішуєш ти, і ця частина поки що не автоматизується.

🟡 Changelog: github.com/anthropics/claude-code/releases/tag/v2.1.269

Скільки скілів у тебе зараз підключено?

🔥 - знаю точно і кожен використовую
👀 - треба піти подивитися

Ваш агент платить за генерацію тексту там, де йому потрібна відповідь «так» або «ні». Таке рішення можна віддати моделі, яка тексту не генерує взагалі.

15 вересня TypeSafe AI відкрила ранній доступ до Jev. Засновник - Diogo Almeida, який в OpenAI працював над методами, що лягли в основу ChatGPT. Jev - перша модель класу, який вони називають System One: неструктурований стан на вході, типізовані рішення з імовірностями на виході.

У Jev немає генерації рядків. Натомість:

⏺відповідь завжди відповідає схемі, заданій наперед - помилок типів немає за побудовою;
⏺кожна відповідь іде з каліброваною імовірністю: вища впевненість - вища точність;
⏺усі відповіді рахуються паралельно одним запитом, а не токен за токеном.

{
  "model": "jev-latest",
  "state": "Третій день не можу підключити Stripe, втрачаю продажі.",
  "questions": {
    "is_urgent": {"type": "noul", "instructions": "Повідомлення термінове"}
  }
}

Відповідь: "noul": 0.999.

Типи питань: choice - вибір із варіантів, до 255; score - оцінка за шкалою; noul - так чи ні.

Цифри, які можна перевірити самому: 70-500 мс на відповідь, вхід $0.042 за мільйон токенів, вихід безкоштовний. Вхід у LLM коштує від $0.20 до $10 за мільйон.

Цифри із застереженнями від самої TypeSafe: 193.6x швидше і 444.6x дешевше - це їхні workflow-evals. Складала їх власна команда, еталон - середнє GPT-6 Astra і Fable 5.1, і за їхніми ж словами це верхня межа реального виграшу. Що ціна не субсидована, вони теж довести не можуть і пишуть про це прямо.

Де Jev стає в циклі агента: роутинг між дешевою і сильною моделлю і гейт на ризиковані виклики інструментів. Для обох сценаріїв у LangChain уже є експериментальні middleware.

Jev не замінює LLM. Генеративна модель лишається на відкритих задачах, класифікатор бере рішення всередині циклу.

Скільки викликів моделі у вашому агенті насправді потребують генерації тексту?

👀 - ніколи не рахував
🔥 - вже маю класифікатор у циклі

#agents #Jev

Нова модель Jev від TypeSafe AI стала однією з найпомітніших новинок останнього тижня 🆕

Якщо вам також цікаво, що стоїть за цим хайпом і на що насправді здатен Jev, - у @devshive вийшов ґрунтовний розбір із практичними прикладами.

У відео - як працює Jev, які задачі може вирішувати, наочний приклад із чатботом і порівняння вартості з LLM. Плюс відповідь на головне питання: чи справді це «вбивця LLM» і де такий підхід має сенс.

Коротко й по суті. Раджу подивитися 👀

🎬https://www.youtube.com/watch?v=Q-1Gf4E5olo

🚀 https://t.me/devshive/266