Есть одна довольно очевидная, но при этом полезная мысль: как научить агента самообучаться и становиться лучше. А, ну и чтобы еще веса моделей не трогать 😁

Большинство агентных систем сегодня неизменяемые в одном конкретном смысле: скилл/правило написано один раз, и либо работает, либо нет. Если что-то грохнулось - иди правь сам или явно проси об этом агента (но сделает ли он лучше еще вопрос). Потом руками пробуешь еще раз, забиваешь и больше не используешь этот скилл. Это, так скажем, "архитектурное решение" явно не подходит.

Попался скилл - Memento-Skills, который должен как раз решать такие проблемы. Система определяет какой скилл подвел, разбирает причину, переписывает код или промпт скилла и сохраняет результат обратно в библиотеку. Все это, естественное, без дообучения модели - в основе цикл Read → Execute → Reflect → Write.

Важный момент про эту библиотеку скиллов: она не просто растет, а остается управляемой. Стартует система с пяти базовых атомарных скиллов - и самостоятельно расширяет набор по мере работы: на бенчмарке GAIA выросла до 41 скилла, на экспертном HLE до 235. При этом результат на GAIA: 80% успешных задач против 50% у статичной RAG-библиотеки. Что на показывает, что эти скиллы живые, а не заморожены.

Есть встроенные скиллы для файлов, PDF, веб-поиска, изображений. Код открытый, github.com/Memento-Teams/Memento-Skills. Из интересного еще то, что проект ориентирован на опенсорс LLM-стек - Kimi, Moonshot, MiniMax, GLM, Zhipu и др.

Надеюсь тебе понравилось. Лучшая благодарность — это твоя подписка на мой Telegram-канал 😊

Собери свой OpenClaw за вечер - гайд за 18 шагов

OpenClaw - самый быстрорастущий опенсорс-проект в истории GitHub. 350k звезд за пять месяцев, обогнал React, Linux и все остальное. Персональный AI-ассистент, который живет на твоей машине, работает через WhatsApp/Telegram/Slack/iMessage, выполняет команды в шелле, управляет браузером, отправляет почту, работает по расписанию. Если еще не слышали, советую попробовать.

Мне всегда интересно попробовать собрать что-то своими руками, особенно нравится ковыряться и настраивать ИИ агентов - есть в этом ощущение управления собственными сотрудниками. К чему я это, ловите интересный репозиторий - build-your-own-openclaw.

Что за репозиторий

Это пошаговый туториал из 18 этапов, где ты собираешь свою версию OpenClaw с нуля. Именно послойная сборка - каждый шаг добавляет одну концепцию и содержит работающий код + README с объяснением архитектурных решений. Шанс разобраться как устроен такой популярный бот.

Можно выделить четыре фазы:

Фаза 1 - одиночный агент. Начинаешь с голого чат-лупа. Потом подключаешь инструменты (read/write/bash - вот и основа для уже для большого скоупа задач). Затем навыки через SKILL.md, персистентность сессий, слеш-команды, компактификация истории, веб-инструменты.

Фаза 2 - event-driven архитектура. Агент выходит за пределы CLI. Горячая перезагрузка конфигов, каналы (теперь можно писать агенту с телефона), WebSocket для программного взаимодействия.

Фаза 3 - автономность и мультиагентность. Маршрутизация задач между агентами, cron + heartbeat (агент работает, пока спим или заняты делами), многослойные промпты, dispatch между агентами.

Фаза 4 - продакшн. Контроль конкурентности и долговременная память.

Почему это полезно может быть полезно?

В большинстве гайдов по агентным системам тебе дают либо высокоуровневую схему, либо готовый фреймворк, в который не хочется лезть, разбираться, копаться. Здесь этот шаговый подход позволяет проще въехать, заставить себя изучать и по мере усложнения, все больше и больше втягиваешься. Можно изучить:

• Как строится цикл принятия решений.

• Как агент выбирает инструменты.

• Как компактифицируется контекст, когда история перестает влезать в окно.

• Как появляется ощущение «интеллекта» из вполне механических частей.

В какой-то момент ловишь себя на мысли, что уже думаешь как оркестратор, как большой начальник, а не как рядовой пользователь модели. И вот это, пожалуй, самое ценное.

Туториал написан на Python, использует LiteLLM для абстракции провайдеров. Можно пройти за вечер-два, если не застревать на каждом шаге.

Репозиторий • Сайт туториала

Надеюсь тебе понравилось. Лучшая благодарность - это твоя подписка на мой Telegram-канал 😊

Figma MCP обновился — разбираемся что появилось и с чего начать.

Раньше с помощью Figma MCP агент мог «смотреть» на макет и точнее писать код. Теперь встречаем новый инструмент —use_figma, который дает агентам прямой доступ к холсту, к самому файлу Figma. Claude Code, Cursor, Codex, Copilot — все они теперь могут создавать и редактировать дизайн прямо в файле. Они могут не только видеть дизайн, но и менять экраны, менять блоки интерфейса, менять макеты по вашим правилам дизайна и работать через вашу библиотеку компонентов.

Ключевое новшество это все же не инструмент, а пачка новых skills. Это инструкции, которые объясняют агенту правила работы с вашей дизайн‑системой и объясняют агенту, какие шаги делать, как использовать дизайн‑систему, чтобы не сломать структуру макета. Пять штук, кратко по очереди:

figma-use

Базовый skill. Нужен для любых действий на холсте. Ставим первым - без него остальные не имеют смысла.

figma-create-design-system-rules

Сохраняет правила команды: как дизайн переводится в код, какие токены используются, какие паттерны. Начинаем именно отсюда, если у вас есть дизайн-система.

figma-implement-design

Готовый макет → рабочий код в вашем проекте. Полезен когда дизайн доделан и нужно автоматически перевести в код.

figma-generate-design

Агент собирает экраны из ваших компонентов, переменных и стилей. Нужно, чтобы он не галлюцинировал фантазировал, а работал с тем что задано в системе. Требует настроенного figma-create-design-system-rules.

figma-generate-library

Строит или обновляет библиотеку/дизайн-систему Figma из кодовой базы.

Порядок подключения:

1. MCP-сервер Figma на GitHub → установить

2. Подключить к агенту (Claude Code / Cursor / Copilot)

3. Начать с figma-use

4. Описать правила системы через figma-create-design-system-rules

5. Попробовать figma-generate-design на тестовом экране

Пока бета это бесплатно, нужно успеть попробовать, позже станет платным.

Есть гайд по настройке, skills лежат тут.

Надеюсь тебе понравилось. Лучшая благодарность — это твоя подписка на мой Telegram-канал 😊

Старший инженер Google выложил 400-страничную книгу по паттернам агентных систем.

Антонио Гулли, старший инженер Google, выложил в открытый доступ книгу «Agentic Design Patterns» -  методичку по построению автономных ИИ-систем.

21 паттерн, структурированных как классические книги по ООП - только вместо фабрик и синглтонов: маршрутизация задач, работа с памятью, MCP, обработка исключений, MCP, RAG, Human-in-the-Loop, общение агентов между собой и guardrails.

Есть как базовые паттерны: промпт-чейнинг, Tool Use, параллелизация, менджмент субагентов, так и продвинутые интересные случаи - как агенты общаются между собой, как управлять ресурсами, как не дать агенту натворить дел без надзора человека.

Читать 400 страниц PDF это занятие, прямо скажем, на любителя. Есть небольшой обходной и более интересный путь. Разработчик Mathews Tom уже перегнал все в GitHub-репо где каждый паттерн в отдельной папке с описанием и рабочим кодом на LangChain, LangGraph и CrewAI.

Внимательно изучаем и (возможно) становимся гуру построения сложных ИИ-систем.

Надеюсь тебе понравилось. Лучшая благодарность — это твоя подписка на мой Telegram-канал 😊

Немного личного опыта по Claude Code.

В вайб-кодинге все просто: плохо поставил задачу, лови такой же результат. По сути, нам программистам теперь все больше и больше нужно учиться правильно руководить и ставить задачи. Когда я писал "сделай мне приложение для тренировок", я, по сути, просил агента угадать сотню технических решений. Агент угадывал, но плохо. И начиналась карусель переделок и циклов, за которые приходится платить периодическими выходами за лимиты.

Решение простое, но требует дисциплины: нормально планировать до кода.

Шаг 1: Создать черновой план

Запускаю Claude Code и сразу прошу создать файл с планом:

Please help me create a plan for [идея] and write it into a draft_plan.md file

Продукт это по сути набор функций. Если каждая функция работает, продукт готов. Так вот, план - это просто список этих функций с деталями.

Шаг 2: Запустить режим интервьюера

Это главный шаг, который я раньше пропускал. Вместо того чтобы дать агенту додумывать, я заставляю его допросить меня (как самый дотошный детектив):

Read this plan file and interview me in detail using the ask user question tool about literally anything: technical implementation, UI/UX concerns, and trade-offs

Claude начинает задавать вопросы раундами. Первый это про технику: стек, база данных, обработка API-затрат. Второй про UX: модальное окно или отдельная страница, какой стиль интерфейса. Если не знаю ответа копирую вопрос, задаю его в веб-версии Claude/Gemini/GPT, советуюсь с ними, возвращаюсь с ответом.

Да, это раздражает и хочется пропустить и сразу к коду, но именно здесь экономятся тысячи токенов и часы переделок - проверено на личных страданиях.

Шаг 3: Строить по одной функции + тест

Когда план готов, то беру первую функцию и прошу написать для неё тест до реализации. Затем сама реализация и пока тест не прошёл, агент не двигается дальше. Контракт простой: вот что должно получиться, а не сделай как-нибудь.

В итоге получаем приложение с покрытием, где каждая функция делает ровно то, что я (ладно, claude) ожидал.

Несколько еще небольших советов:

• Контекст не резиновый, при заполнении на 40–50% (~100К токенов) начинаю новую сессию - перегруженный контекст делает модель тупее. Иногда очень не хочется этого делать и заново объяснять все, но это реально рабочий подход.

• Нужно сначала научиться управлять агентами вручную, чтобы понять, что происходит на каждом шаге. Иначе это как автопилот без понимания, куда едешь (на самом деле понятно, в страну неподдерживаемых мертвых проектов). Всякие автоматизации на потом.

• Хороший план на старте экономит больше, чем любой лайфхак с промптами.

Надеюсь тебе понравилось. Лучшая благодарность - это твоя подписка на мой Telegram-канал 😊