Vibe Coding Ежедневный обзор · вторник, 13 октября 2026 г.
VIBEHOT
Карпати: разрыв в понимании возможностей ИИ превращается в воронку
Андрей Карпати считает, что разрыв в понимании возможностей больших языковых моделей растёт и превращается из общего когнитивного различия в воронку; он выделяет три уровня причин. В тот же день несколько публикаций посвящены практике работы с агентами: системные промпты и проектирование инструментов в Claude Code, организация команды из нескольких агентов с помощью YAML, а также кэширование промптов как инженерная задача, а не просто обработка строк.
Практика и руководства
Системные промпты и проектирование инструментов для бизнес-агентов: выводы из Claude Code
Проанализировав системные промпты и реализацию инструментов в Claude Code, автор приходит к выводу, что суть бизнес-агента сводится к системному промпту и дизайну инструментов. Он разбирает многоуровневую структуру промпта — заявление о роли, ограничения по безопасности, правила поведения системы, рекомендации по выполнению задач, описание инструментов, тон и стиль, а также информация об окружении — и предлагает упорядочить её так: фоновая роль и цели, системные указания, бизнес-процесс, дополнительные рекомендации, а также формат инструментов и окружение.
Хватит относиться к промптам как к строкам: инженерное кэширование промптов в ИИ-приложениях
Автор утверждает, что кэширование промптов не должно сводиться к сохранению всего результата запроса. Вместо этого промпты следует разделить на базовый слой политики, слой бизнес-знаний и слой контекста запроса, кэшируя только стабильные части.
Добавляем реестр решений в режим Codex Plan с помощью codex-plan-ledger: фиксируем выбор и проверяем отклонения от плана
codex-plan-ledger записывает решения, принятые в режиме Codex Plan (/plan), в файл docs/plans/<id>/decisions.json в репозитории, чтобы их можно было сравнивать и проверять в том же PR, что и код; при этом команда plan-ledger check --base main сопоставляет изменённые файлы с планом, выявляя изменения вне плана и файлы из плана, которые так и остались не тронуты.
Я переписал систему памяти для tt-agent, своего Go-фреймворка для LLM-агентов, и за три дня наткнулся на две реальные ошибки.
Я полностью переделал систему памяти для своего Go-фреймворка многопротокольных LLM-агентов tt-agent, перенеся такую семантику, как урезание бюджета, хранение системных сообщений и сопряжение tool_calls, в memorystore.Store. Драйверный слой работает только с байтами, а бэкенды Redis, SQLite и PostgreSQL используют один набор контрактных тестов.
LangGraph + MCP на практике: создаём ChatBI-агента, который запрашивает данные естественным языком
Автор использовал LangGraph для оркестрации рабочего процесса и MCP для обёртки операций с базой данных, создав ChatBI-агента, который позволяет пользователям задавать вопросы базе данных простым языком и автоматически получать результаты. Порядок действий: распознавание намерения, извлечение схем таблиц, генерация SQL, валидация SQL, выполнение запроса и интерпретация результатов. MCP-сервер предоставляет всего три инструмента — list_tables, get_table_schema и execute_sql — и обеспечивает строгую проверку только на чтение.
Превращаем сократический опрос в ИИ-промпты: методика с четырьмя переменными и тремя этапами
Автор предлагает методику переноса сократического опроса в ИИ-промпты, используя четыре переменные — роль, цель добычи информации, измерения опроса и формат вывода — а также трёхэтапный процесс: предварительное интервью, глубокое интервью и целевой вывод, благодаря чему ИИ задаёт пользователю по одному вопросу. В статье приведена справочная таблица из 7 измерений опроса, таких как STAR, 5W2H, а также мотивация–боль–решение–поворотный момент, вместе с тремя готовыми к копированию промптами для преобразования трудового опыта в резюме и ещё одним, где ИИ поочерёдно опрашивает пользователя, помогая определить четыре переменные и сформировать их.
LangGraph в деталях: от проблем одного агента до оркестрации нескольких агентов на практике
Статья начинается с проблем, с которыми сталкиваются одиночные агенты: большие накладные расходы на контекст, взаимные помехи в информации и невозможность параллельной работы. Автор объясняет, как разделение задач между несколькими агентами позволяет сократить потребление токенов и повысить точность, и приводит формулу: агент = LLM + Harness.
Проблемы и инциденты
Автоматизированное тестирование на основе LLM (10): как эвристическая оценка Healenium соотносится с семантическим самовосстановлением на основе LLM под капотом
Автор декомпилировал байт-код tree-comparing-0.4.14.jar из Maven Central и убедился, что заявленное в Healenium машинное обучение для самовосстановления на деле представляет собой жёстко заданную формулу взвешенной оценки с весами TAG=100, ID=50, CLASS=40 и VALUE=30. Сходство вычисляется через расстояние Левенштейна, без обучения и инференса.
Новые инструменты и Skills
Разбор OpenRig: как с помощью YAML превратить Claude Code и Codex в команду
OpenRig — это открытый harness для мультиагентных систем, который описывает топологию команды через RigSpec на основе YAML и превращает такие сессии, как Claude Code и Codex, в команду. На этой неделе проект попал в тренды GitHub с 2,028 звёздами, доведя их общее число почти до 7,000. Текущая версия — 0.6.10, лицензия Apache-2.
Открытый инструмент REA за несколько дней набрал 81000 звёзд и умеет подключаться к Claude Code для обратной разработки ПО.
Открытый проект REA (Reverse Engineer Anything) в первые же дни после запуска возглавил GitHub Trending, набрав 81000+ звёзд. Он предлагает процесс обратной разработки, который подключается к таким агентным инструментам, как Claude Code, Codex и Cursor.
Идеи и обсуждения
Карпати: разрыв в понимании возможностей ИИ превращается в воронку, и у этого три уровня причин
Андрей Карпати считает, что разрыв в понимании возможностей больших языковых моделей растёт и превращается из «двух групп, которые говорят мимо друг друга» в воронку. По его оценкам, примерно 6000000000 человек почти не сталкивались с большими языковыми моделями, от 1000000000 до 2000000000 человек время от времени пользуются бесплатными аналогами ChatGPT, около 20000000 человек (0.2%) активно применяют передовые модели для математики и программирования, а примерно 5000 человек имеют доступ к более сильным системам внутри компании.
Эдди Османи: качество кода агента обеспечивают циклы валидации, а не построчное ревью
Эдди Османи утверждает, что залог того, что агенты будут писать код, «в среднем лучший при масштабировании», — это валидация, потому что агенты делают проверку дешёвой. Тесты, бенчмарки, спецификации и реальные сквозные прогоны, из-за которых «хороший код» раньше стоил дорого, теперь агенты могут выполнять сами, так что фокус смещается с построчного ревью на построение циклов, которые агент запускает самостоятельно и с их помощью проверяет свою работу. Он также предлагает записывать ошибки агента в общий конфиг, хуки или тесты, чтобы опыт накапливался. Ответственность за выпуск по-прежнему на человеке, но он смотрит на доказательства, а не только на диф.