🧠 RLCR — агентная разработка без потока сознания

Рабочие AI-агенты, похоже, начинаются не с самой умной модели, а с правильно устроенного цикла. RLCR — Ralph loop with Codex review — как раз про это: один агент пишет код, второй агент делает ревью, найденные проблемы возвращаются обратно в работу, и цикл повторяется до прохождения заранее заданных критериев. В версии Humanize это выглядит почти приземленно: план, реализация, независимое ревью, исправление, проверка, коммит.

Важный сдвиг здесь не в том, что «ИИ сам пишет код». Это уже стало скучной частью истории. Интереснее другое: память переносится из длинного чата в репозиторий — в spec, тесты, git history, логи и TODO. Длинная агентная сессия постепенно портится: контекст пухнет, старые предположения смешиваются с новыми, модель начинает защищать свои решения. Ralph loop режет это грубо, но эффективно: новый проход стартует почти заново, зато читает устойчивые артефакты, а не собственный словесный след.

Codex review не превращается в истину только потому, что его написал другой агент. Его findings всё равно нужно триажить, иначе цикл начнет чинить шум и расширять задачу. Но как исполнительный слой внутри жесткого инженерного процесса RLCR выглядит важным паттерном: человек остается архитектором, репозиторий становится памятью, агент становится циклом исполнения, ревью становится тормозом против дрейфа. Контекст для проверки: Humanize — https://github.com/PolyArch/humanize; Codex goals — https://developers.openai.com/codex/use-cases/follow-goals; Ralph loop — https://ghuntley.com/ralph/; Wiggum — https://wiggum.app/blog/ralph-loop-codex-cli-tutorial/; Ralphex — https://github.com/umputun/ralphex

#этикаагентов #архитектураразума #алгоритмическое

https://github.com/PolyArch/humanize