Всё про разработку с использованием AI технологий
Наш канал про Android - @android_broadcast
Видео как работать с AI - abdev.by/broadcast_ai_plus
Post #230
2.53K
🐱 Open source как источник идей и рабочих примеров для агентов
Один из подходов, которым я пользуюсь при работе с агентами — давать им не просто задачу, а хорошие, качественные примеры, куда смотреть. Особенно когда речь про технологии, фреймворки или нативные API. Нейросеть часто ещё не успела «проглотить» свежие практики, а в живых проектах или официальных примерах они уже есть.
Да и поиск по несвежим практикам работает так себе. Вот свежий пример. Делаю приложение для захвата экрана и камеры раздельными видео на macOS. Нужно было разобраться с нативными API. По умолчанию агент мне не дал ничего внятного и ен понимал как сделать захват 4K экрана + FHD камеры. Сразу подключал MCP для поиска по документации Apple, но не помогло и это.
По итогу я дал агенту инструкцию: «Иди смотри, как это сделано в OBS для macOS. Это open source, там уже всё обкатано». И дальше он уже не фантазировал, а разбирал реальный рабочий код и решил задачу за 15 минут.
Этот подход я потом зашил в свой research-скилл. Теперь часть инструкции агенту звучит примерно так: «Ищи решения в нескольких источниках, одним из которых является open source репо по технологиям проекта». Скилл находит сам источники и еще уточняет у меня, что можно посмотреть.
По сути, на open source агенты во многом и учатся, но сами они часто не догадываются банально туда заглянуть и подсмотреть уже готовое решение. А это один из самых плотных источников: практические примеры, код, который уже крутится в проде, решения, которые много раз проверяли и дотачивали. Вместо того чтобы агент долбился в свои внутренние воспоминания и гадал «а сработает ли», он сразу смотрит на то, что уже работает.
Простой, но очень сильный приём, который мне помогает.
#AI
Один из подходов, которым я пользуюсь при работе с агентами — давать им не просто задачу, а хорошие, качественные примеры, куда смотреть. Особенно когда речь про технологии, фреймворки или нативные API. Нейросеть часто ещё не успела «проглотить» свежие практики, а в живых проектах или официальных примерах они уже есть.
Да и поиск по несвежим практикам работает так себе. Вот свежий пример. Делаю приложение для захвата экрана и камеры раздельными видео на macOS. Нужно было разобраться с нативными API. По умолчанию агент мне не дал ничего внятного и ен понимал как сделать захват 4K экрана + FHD камеры. Сразу подключал MCP для поиска по документации Apple, но не помогло и это.
По итогу я дал агенту инструкцию: «Иди смотри, как это сделано в OBS для macOS. Это open source, там уже всё обкатано». И дальше он уже не фантазировал, а разбирал реальный рабочий код и решил задачу за 15 минут.
Этот подход я потом зашил в свой research-скилл. Теперь часть инструкции агенту звучит примерно так: «Ищи решения в нескольких источниках, одним из которых является open source репо по технологиям проекта». Скилл находит сам источники и еще уточняет у меня, что можно посмотреть.
По сути, на open source агенты во многом и учатся, но сами они часто не догадываются банально туда заглянуть и подсмотреть уже готовое решение. А это один из самых плотных источников: практические примеры, код, который уже крутится в проде, решения, которые много раз проверяли и дотачивали. Вместо того чтобы агент долбился в свои внутренние воспоминания и гадал «а сработает ли», он сразу смотрит на то, что уже работает.
Простой, но очень сильный приём, который мне помогает.
#AI
- 👍 48
- 👎 7
