TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1238 · 15.05

Сделал в компании доклад о применении ИИ в архитектуре, давайте и вам расскажу. Фокус в использовании подхода architecture as code: абсолютно все архитектурные артефакты у нас это тексты. С обычной документацией понятно, это и так некоторый набор текстовых файлов, чаще всего в макрдауне. Для них мы применяем структурный шаблон Arc42 — список из 12 пунктов, по которым нужно распределить информацию о проектируемой системе. Структурный шаблон, во-первых, хорошо известен нейронкам, и они сразу понимают, о чём речь. Во-вторых, можно кинуться в модель бизнес-требованиям и очень быстро создать некий первоначальный набросок, от которого вы дальше уже пляшете, уточняя по пунктам и исправляя ошибки ИИ. Ну и, в-третьих, готовая структура с ящиками, по которым нужно всё раскладывать, это гораздо лучше, чем свалка ADR'ок, как это нередко бывает в компаниях. Со схемами и диаграммами ещё интереснее. Берём инструменты со своими DSL-языками, такие, как Structurizr и PlantUML. Вся схема или диаграмма целиком определяется текстовым файлом. Можно применять Git со всеми его преимуществами. А для нейронок это родная среда: вы, как человек, смотрите на схему глазами, но нейронка работает с её DSL-файлом. Навскидку тут прирост эффективности даже больше, чем в программировании, потому что DSL это просто синтаксис, без смыслового наполнения, человеку его можно вообще не знать. Ты пишешь промпты, а смотришь уже на картинку, сгенерированную схему, и следующим промптом указываешь, где какие правки сделать. Нейронке при этом не приходится думать про потоки, асинхронность, типы данных, она просто правит текст как текст, поскольку у DSL нет поведения. Тут как раз наиболее видна разница между рутинной и интеллектуальной частью работы. Как именно будет выглядеть схема, продумывает архитектор. Если доверить это нейронке, даже мощной, будет полно ошибок, неоптимальностей, неучтённых нюансов среды и так далее. Но вот само по себе написание синтаксиса — имба. #dev@clockstackwheels

Hashtags

Резултати

Намерени 2 подобни публикации

Търсене: #clawbot

当前筛选 #clawbot清除筛选
折腾实验室频道

@TossLabChannel · Post #1010 · 22.03.2026 г., 14:33

#微信#WeChat#OpenClaw#ClawBot 📱 微信 8.0.70 新增 ClawBot 插件,无缝连接 OpenClaw 近日,微信发布了 8.0.70 版本。在这个版本中,微信团队在插件页面低调上线了一款强大的新功能——“微信 ClawBot”插件。通过这一官方插件,用户可以直接在微信中与 OpenClaw 进行消息收发,极大拓展了移动端的 AI 与自动化交互场景。 ✨ 什么是微信 ClawBot? 微信 ClawBot 的核心作用是作为通信桥梁,打通微信客户端与用户本地或服务器上运行的 OpenClaw 服务。这意味着你无需切换应用,直接在微信内就能向你的 OpenClaw 发送指令,并实时获取反馈结果,瞬间将微信变成一个强大的移动控制台。 💡 项目亮点与优势 无需复杂的内网穿透配置,只需在运行 OpenClaw 的设备上简单开启插件并使用微信扫码绑定,即可快速完成接入。无论是用于智能家居控制、打造个人专属 AI 助理,还是实现高效的自动化消息推送,微信 ClawBot 都提供了极大的想象空间。官方原生级支持,也最大程度保障了连接的稳定性和便捷性。 🔘@TossIPhone🔘@TossIChannel

GitHub Trends

@githubtrending · Post #15561 · 14.03.2026 г., 12:30

#python#agent#agentic_rag#ai_agents#clawbot#context_database#context_engineering#filesystem#llm#memory#openclaw#opencode#rag#skill OpenViking is a free open-source tool that acts as a context database for AI agents, using a simple file system to organize memories, resources, and skills under viking:// paths. It fixes issues like scattered data, high token costs, weak searches, and untraceable errors with tiered loading (L0 abstracts, L1 overviews, L2 details loaded on demand), recursive directory retrieval, visual traces, and auto-session memory updates. You benefit by building smarter, cheaper agents faster—like managing files—saving up to 96% on tokens while boosting task success by 50%+. https://github.com/volcengine/OpenViking