Фактично це клод код в телеграмі)

🧵 5 типів тредів в AI-інженерії — розбираємось як працювати з агентами ефективніше

Нещодавно натрапив на цікаву концепцію від IndyDevDan — Thread-based Engineering. По суті, це класифікація того, як ми взаємодіємо з ШІ-агентами. І знаєте що? Виявляється, я інтуїтивно вже використовував деякі з цих патернів, навіть не знаючи що вони так називаються!

1️⃣ Base Thread — базовий цикл

Класика жанру: промпт → агент працює → результат. Один запит — одна відповідь. Це те, з чого всі починають, і це фундамент для всього іншого.

2️⃣ P-Thread (Parallel) — паралельний

Тут вже цікавіше! Запускаєте кілька агентів *одночасно* на різні задачі:
• Один пише фронтенд
• Другий — бекенд
• Третій — тести

Поки один думає, інші вже працюють. Але тут дуже уважно треба слідувати щоб їхні задачі не перетиналися, паралелизуйте лише те, що можна, щоб уникнути конфліктів

3️⃣ C-Thread (Chained) — ланцюговий

Розбиваєте складну задачу на фази з валідацією між ними:
• Phase 1: План → ✅ перевірили
• Phase 2: Код → ✅ перевірили
• Phase 3: Тести → фінальний результат

4️⃣ F-Thread (Fusion) — злиття

Моя улюблена тема — даєте *одну й ту саму* задачу різним агентам або моделям (Claude, GPT, Gemini) і порівнюєте результати. Часто одна модель бачить те, що інша пропустила. Fusion — це про якість, не про швидкість.

5️⃣ L-Thread (Long) — довгий

Тут вже складніше, треба дуже гарний промпт, і багато задач, іноді додаткові інструменти щоб робота не зупинялася. Також є проблема — коли контекст роздувається до нескінченності, агент починає “тупити”, втрачати інструкції і галюцинувати.


💡 Практичні поради:

• Для простих фіксів — Base Thread достатньо
• Для великих фіч — Chained з покроковою валідацією
• Для code review — Fusion (порівнюйте Claude vs GPT)
• Відчуваєте що агент “поплив”? — це L-Thread, час рестартити

🔄 Вже чули про Ralph technique?

Є така проблема: чим більше токенів в контексті, тим “тупішим” стає агент до кінця. Ralph technique — це рішення для амбітних планів, де контексту завжди буде забагато.

🔧 Як це працює:

• Агент працює в межах бюджету токенів (зазвичай ~80k)
• Коли ліміт досягнуто — агент “вмирає” і стартує новий з чистого аркуша
• Новий Ralph читає загальний план, визначає де зупинився попередній, продовжує роботу
• Прогрес зберігається між ітераціями, але контекст — ні

По суті це альтернатива compaction (стисненню контексту). Замість того щоб компресувати історію і передавати далі — просто починаємо з нуля, але зі збереженим станом роботи.

✅ Коли юзати:

• Великі амбітні плани де контексту точно не вистачить
• Довгі цикли розробки
• Коли compaction не дає потрібної якості

⚠️ Що важливо:

Щоб Ralph працював — кодова база має бути добре організована: маленькі файли, чітко розділені плани, легка навігація. Бо кожен новий Ralph “тупий” і має швидко зорієнтуватися де він і що робити далі. Також потрібен supervision — не можна просто запустити і забути.​​​​​​​​​​​​​​​​

я поняв, треба робити пости в 1 ночі, тоді всі програмісти працюють

В кого є чат/коменти який тероризують спамери та шлюхоботи?

Допоможіть покращити Селестію, додавайте до свого чату, з нас оплата за використання, а з вас фідбек!

Пишіть в коменти, кому допомогти налаштувати

Оце вже цікаво!

Не люблю локальні модельки, але коли це рівень кімі к2.5, ще і 24 токенів за секунду - таке можна навіть використовувати.

Оригінал:

Running Kimi K2.5 on my desk.

Runs at 24 tok/sec with 2 x 512GB M3 Ultra Mac Studios connected with Thunderbolt 5 (RDMA) using @exolabs / MLX backend.

Yes, it can run clawdbot.

https://x.com/alexocheema/status/2016404573917683754?s=46&t=wZBBuu5Ja3J16VZyazzyCw

Claude Code (саме 4.5 Opus) став набагато частіше юзати сабагентів, коли вони існують в проєкті

Пам'ятаєте я якось писав про сканер агента?

Бачу набагато точніше і влучніше він тепер його запускає, навіть просити не треба!

перші тести йдуть успішно ^^

По суті це безкоштовний курс від Anthropic

Anthropic зробили Randomized Controlled Trial на девелоперах і подивились: що буде з навчанням в розробці, якщо юзати AI-помічника.

Чи деградує мозок?) читаємо

Ключові висновки:

• 🧪 Дизайн експерименту
• 52 девелопери (переважно джуни, Python ≥1 рік).
• Вчили нову штуку — Trio (async Python).
• Дві групи: з AI асистентом vs без AI.
• Потім одразу квіз на розуміння (debugging, reading, conceptual).

• 📉 AI знижує mastery при навчанні
• Група з AI набрала в середньому 50%, без AI — 67% на квізі (мінус ~17 відсоткових пунктів, майже дві «оцінки»). (anthropic.com)
• Різниця особливо велика по debugging — гірше помічають і розуміють помилки.

• ⏱️ Продуктивність не виросла значимо
• З AI закінчували десь на 2 хв швидше, але статистично це фігня, не significant. (anthropic.com)
• Частина часу тупо йшла на формулювання 10–15 промптів помічнику.

• 🧠 Не AI саме по собі робить тупим, а стиль використання
Вони виділили патерни взаємодії: (anthropic.com)

Лоу-скіли (низькі бали, <40%):
• AI delegation — просто віддав все асистенту, копіпаст коду.
• Progressive AI reliance — почав сам, потім все більше злився на AI.
• Iterative AI debugging — замість думати, просив AI знайти/пофіксити баги.

Хай-скіли (65%+):
• Generation-then-comprehension — згенерував код, а потім допитував AI: «поясни, що тут відбувається», перевіряв себе.
• Hybrid code-explanation — просив і код, і пояснення одночасно.
• Conceptual inquiry — задавав концептуальні питання, а код писав/лагодив сам.

Тобто якщо юзаєш AI як мозок-замінник — деградація, якщо як тьютор/експлейнер — ок, навіть краще.

• 🧩 Інтерпретація:
• AI реально може різко прискорювати роботу, коли скіл уже є (їхні попередні дослідження давали до 80% економії часу на знайомих задачах). (anthropic.com)
• Але коли ти вчиш нову технологію, AI схиляє до cognitive offloading — ти проходиш задачу, але не будуєш ментальні моделі, особливо в дебагінгу.

• 🧱 Для компаній:
• Якщо ти «агресивно накатуєш AI» на джунів — отримаєш людей, які:
• вміють гуглити/промптити,
• але гірше шарять, чому код працює, і що робити, коли не працює. (anthropic.com)
• Менеджерам пропонують спеціально дизайнити процес: навчальні режими, квоти/режими на ручний код, політики, які змушують все ж думати головою.

• 📚 Для окремого девелопера:
• Якщо хочеш НЕ стати «оператором AI, який нічого не вміє» — юзай асистента в стилі:
• «згенеруй код + поясни построково»,
• «поясни концепт»,
• «чому такий патерн в (Х) краще/гірше»,
• дебаг — спочатку сам, потім проси підказку, а не повний фікс.

AI офігенно бустить продуктивність на тому, що ти вже вмієш, і легко ламає процес формування нового скіла, якщо даєш собі «їхати на автопілоті».