„Chillin‘“ at Amazon

изучаю с разных углов что есть создание агентов.

работа над пет-проектом позволяет увидеть то, чего я не получаю от агентов на работе, так как задачи разные.

Архитектура примерно такая -

⏰ cron or a command in a messenger 💬 "drop"
    |
🤖 agent (local, 24/7)
    |
🧹 dedup (reads 🧠, LLM reasoning)
    |
🔍 search (≤3 days, multi-domain)
    |
🎙️ voice (tone, length — from YAML)
    |
✍️ write (self-check: 1 event per post)
    |
📄 output + 🧠 memory (JSONL, monthly)
    |
📬 deliver (messenger)

dual trigger: cron + manual. cron закрывает ежедневную привычку. команда в мессенджере обрабатывает запрос «хочу дроп прямо сейчас». один
и тот же pipeline, оба пути. минимум трения в обоих случаях.

voice как config file. стиль письма — тон, структура, длина — живет в YAML-файле, отдельно от логики pipeline. я могу протестировать «dry blunt» голос против «casual texting», просто поменяв одну строку в конфиге. никакого рерайта, никакого ре-промптинга. модульность — это ключ: меняешь voice, не трогая search, dedup или delivery.

voice.yaml example:

  name: Drop
  tone: casual, direct, slightly irreverent
  style: lowercase everything. short sentences.
  language:
    - write like you're texting a smart friend
    - all lowercase unless proper noun or acronym
    - no formal connectors ("furthermore", "moreover")
    - prefer "so", "basically", "turns out"
    - short words over long ones
    - accessible to non-native english speakers
  structure:
    - bold title, then body
    - lead with the news, end with the signal
    - one drop = one event. never combine stories.
  rules:
    - no preamble
    - state facts, then one non-obvious observation
    - keep the last line sharp. that's where the voice lives.

state management через плоский файл. для dedup используются ежемесячные JSONL-логи. агент читает их и сам решает: «та же это история или нет?», используя свой reasoning. никакой vector database, никаких embeddings-сервисов, никакой инфраструктуры. просто append-only текстовые файлы в качестве памяти. работает лучше, чем ожидаешь, потому что semantic similarity — это буквально то, что LLMs и так умеют делать.

Example history log

{"date":"2026-05-09","slug":"warm-chatbots-accuracy","summary":"Oxford study shows friendlier chatbots make 10-30% more errors","entities":["Oxford","Nature"],"embedding_anchor":"Oxford researchers find warm chatbot fine-tuning reduces accuracy by up to 30 percent"}

{"date":"2026-05-09","slug":"peak-martech","summary":"Martech landscape hits plateau at 15,505 products","entities" ["ChiefMartec"],"embedding_anchor":"Marketing technology landscape stops growing after fifteen years of expansion"}

почему работает в этом случае (с агентами) хорошо:
- Append-only — просто echo >> file, ничего парсить не нужнл
- Readable — лего читать и проверять
- Greppable — grep "2026-05" history.jsonl дает всю историю за мая
- No schema migration — гибкая схема - можно добавлять новые поля по желанию

главный инсайт: делай generic.

я всё еще формирую свой "вкус" в проектировании agentic workflows, и вещь, к которой я постоянно возвращаюсь: не привязывайся к конкретному вендорскому agent framework.

мои skills, voice configs и файлы истории — это просто markdown и YAML. они заведутся на kiro-cli, claude code, open-claw или на чем угодно, что выйдет в следующем месяце. ландшафт agentic tooling меняется слишком быстро, чтобы ставить на один runtime.

слой creative direction — та часть, которая действительно твоя, — должен быть портативным.

❤2

482 viewsedited 18:57