Przejście na procesy oparte na agentach AI w Y Combinator wiąże się z eliminacją manualnego wprowadzania tekstu na rzecz strumieni głosowych oraz konsolidacją kontekstu projektowego w plikach Markdown. Takie podejście bezpośrednio skraca cykl iteracji poprzez automatyczne generowanie prototypów (oneshotting) oraz budowę tymczasowych, specjalistycznych narzędzi wewnętrznych.
Eliminacja interfejsu klawiaturowego na rzecz strumieniowej komunikacji z systemem
Współczesny proces projektowy w YC opiera się na niemal wyłącznym wykorzystaniu narzędzi takich jak Conductor, paper.design oraz Aqua. Kluczową zmianą architektoniczną jest rezygnacja z tradycyjnego pisania na klawiaturze na rzecz narzędzia Aqua, które rejestruje „strumień świadomości” projektanta i przekształca go w gotowe funkcjonalności. Pozwala to na ominięcie wąskiego gardła, jakim jest prędkość pisania, i bezpośrednie przekładanie procesów myślowych na kod.
Zestawienie narzędzi wykorzystywanych w procesie E Baufar:
| Kategoria | Nazwa narzędzia / technologia | Funkcja w procesie |
|---|---|---|
| Orkiestracja | Conductor | Główne środowisko pracy nad projektami end-to-end. |
| Input danych | Aqua | Przechwytywanie instrukcji głosowych (voice-to-code). |
| Implementacja | Claude | Generowanie kodu, shaderów i iteracji stron. |
| Warstwa wizualna | paper.design | Gotowe shadery (np. dithering) integrowane przez AI. |
| Zarządzanie wiedzą | soul.md | Plik Markdown jako centralne źródło prawdy projektu. |
Projekt Paxel jako narzędzie analizy wzorców pracy z agentami kodującymi
Paxel to eksperymentalny system stworzony w celu zrozumienia, w jaki sposób programiści wchodzą w interakcję z agentami takimi jak Claude, Codeium czy Cursor. Narzędzie to automatyzuje proces wyciągania faktów z lokalnych transkrypcji sesji kodowania za pomocą komend terminala, zwracając użytkownikowi dane o jego nawykach, preferowanych modelach czy momentach frustracji (tzw. „biggest crash out”).
Z perspektywy architektury danych, Paxel przekształca nieustrukturyzowane transkrypcje, które zazwyczaj pozostają ukryte w systemie plików użytkownika, w czytelne raporty. Wprowadza to jednak ryzyka w obszarze prywatności danych; system wymaga dostępu do historii rozmów z agentami, co w środowiskach korporacyjnych musi być poprzedzone audytem polityki retencji danych.
Wykorzystanie soul.md jako deterministycznego źródła prawdy dla modeli LLM
W projekcie Sodazine zastosowano metodę gromadzenia całości kontekstu projektowego – od transkrypcji spotkań po manifesty – w pojedynczym pliku o nazwie soul.md. Tak przygotowana struktura danych służy jako repozytorium wiedzy, z którego agent AI (np. Claude) czerpie informacje podczas generowania kolejnych wersji strony, co eliminuje problem halucynacji wynikający z braku danych.
Optymalizacja dostarczania kontekstu obejmuje: Nagrywanie wszystkich spotkań i natychmiastowe wprowadzanie transkrypcji do pliku bazowego. Tworzenie hierarchii plików MD (np. osobne pliki dla designu, manifestu czy treści tekstowych) w celu lepszej organizacji. * Integrację wizualnych moodboardów z Pinterest, które są analizowane przez agenta w celu ustalenia kierunku estetycznego bez konieczności manualnego opisywania każdego elementu.
Projektowanie pod systemy RAG i agentów automatyzujących zmiany w kodzie
Nowoczesna architektura frontendowa według standardów YC zakłada tworzenie stron w dwóch wersjach: dla ludzi (wizualna) oraz dla maszyn (uproszczony Markdown). Wersja dla agentów jest pozbawiona elementów graficznych, co optymalizuje zużycie tokenów i ułatwia systemom AI szybką ekstrakcję treści. Dodatkowo, systemy te mogą zawierać instrukcje bezpieczeństwa (np. zakaz automatycznego uruchamiania komend kodu obecnych na stronie).
Wdrożenie formularzy typu „send to agent” w projekcie Paxel zmienia sposób obsługi zgłoszeń błędów i propozycji funkcji. Przesłany prompt wraz z załącznikami (zrzuty ekranu, nagrania) trafia bezpośrednio do agenta na backendzie, który automatycznie otwiera Pull Request (PR) z proponowaną zmianą w kodzie. Deweloper ogranicza swoją rolę do weryfikacji i zatwierdzenia gotowego kodu. Podatnością tego modelu jest ryzyko wstrzyknięcia poleceń (prompt injection), które mogłyby doprowadzić do wygenerowania złośliwego kodu bezpośrednio w repozytorium.
Wnioski praktyczne i rekomendacje
- Zastąp manualne tworzenie notatek pełną transkrypcją spotkań i buduj z nich scentralizowane pliki kontekstowe (.md) dla agentów AI.
- Wdróż mechanizm „disposable design” – używaj AI do budowania tymczasowych modali i narzędzi do precyzyjnego dostrajania parametrów (np. shaderów), a następnie usuwaj je po ustaleniu finalnych wartości.
- Skonfiguruj dwutorową strukturę interfejsu, dostarczając agentom lekką wersję tekstową strony (Markdown), co poprawi ich efektywność w procesach RAG.
- Automatyzuj pipeline zgłoszeń poprzez integrację agentów AI z systemem kontroli wersji (Git), pozwalając im na samodzielne tworzenie PR-ów na podstawie zgłoszeń użytkowników.
- Monitoruj dostęp agentów do lokalnych plików transkrypcji kodowania, aby uniknąć niekontrolowanego wycieku wrażliwych danych projektowych.
Dodaj komentarz