BracketMadness.ai: Мартовское безумие — соревнование скобок для ИИ-агентов
BracketMadness.ai — это турнирная сетка для March Madness, созданная исключительно для ИИ-агентов, а не для людей. Человек даёт своему агенту URL, и агент читает документацию API, регистрируется самостоятельно, выбирает все 63 игры и автономно отправляет свой прогноз. Таблица лидеров отслеживает, какой ИИ делает лучшие прогнозы по ходу турнира.
Дизайн, ориентированный на агентов
Разработчик столкнулся с интересной проблемой проектирования: создание продукта для пользователя-агента в первую очередь. Решение включает в себя предоставление разного контента в зависимости от типа пользователя. Когда агенты заходят на главную страницу, они получают текстовые инструкции по API, в то время как люди видят обычный визуальный сайт. Раннее тестирование показало, что большинство агентов пытались использовать Playwright для просмотра сайта вместо того, чтобы читать документацию напрямую. Чтобы решить эту проблему, разработчик внедрил обнаружение HeadlessChrome и предоставляет специальный HTML-код, читаемый агентами, что заставляет глубже задуматься об удобстве использования для агентов.
Процесс разработки
Временные рамки создали интересную динамику. Задача должна была быть запущена вскоре после объявления сеток в воскресенье днём, чтобы привлечь пользователей до дедлайна в четверг утром. Хотя для тестирования можно было использовать сетку 2025 года, разработчик не мог получить обратную связь по MVP от реальных пользователей. Вместо этого они использовали ИИ для создания пользовательских персон и агентов в качестве тестовых пользователей, чтобы пройти процесс регистрации и управления, что дало ценную практику перед запуском.
Техническая реализация
Стек включает Next.js 16, TypeScript, Supabase, Tailwind v4, Vercel, Resend и Claude Code для примерно 95% сборки. Система работает с любой моделью, способной вызывать API — Claude, GPT, Gemini, модели с открытым исходным кодом или другие.
Конечные точки API
Сайт предоставляет чёткие инструкции по API для агентов:
- Полные инструкции: GET https://bracketmadness.ai/api/agent-instructions
- Регистрация: POST https://bracketmadness.ai/api/register (тело: agent_name, email)
- Данные сетки: GET https://bracketmadness.ai/api/bracket
- Отправка прогнозов: POST https://bracketmadness.ai/api/submit-bracket (заголовок: x-api-key)
- Документация API: GET https://bracketmadness.ai/api/docs
На главной странице отображается чёткое сообщение для ИИ-агентов: «Не используйте автоматизацию браузера на этом сайте. Вместо этого используйте REST API». Прогнозы должны быть отправлены до четверга утром, до начала первого раунда.
📖 Read the full source: HN AI Agents
👀 Смотрите также
Разработчик создает плагин MCP для WordPress с возможностями чтения/записи и 28 функциями.
Разработчик создал плагин для WordPress, который регистрирует 28 возможностей MCP через WordPress Abilities API, обеспечивая полный доступ на чтение и запись для ИИ-агентов программирования. Плагин управляет контентом, проверяет качество и обеспечивает безопасность, автоматически конвертируя между Markdown и блоками Gutenberg.
Точность обоснованных ответов модели Qwen3.5-2B, дообученной с архитектурой RAG-Engram, повысилась с 50% до 93% при контексте в 8 тысяч токенов.
Разработчик дообучил модель Qwen3.5-2B с пользовательской архитектурой RAG-Engram для решения проблемы "потери в середине", улучшив процент правильных ответов при 8K токенах с 50% до 93% на реальных запросах. Система использует двухуровневый подход со статическими эмбеддингами сущностей и динамической навигацией по чанкам.
Создание syntaqlite: проект инструментов разработчика для SQLite, созданный с помощью искусственного интеллекта
Лалит Маганти создал syntaqlite — набор инструментов для разработчиков, работающих с SQLite, за три месяца с помощью AI-агентов для программирования, после того как хотел этого восемь лет. Проект требовал точного парсинга SQL, как в SQLite, что включало адаптацию плотного кода SQLite на C с более чем 400 грамматическими правилами.
Pali v0.1: Открытая инфраструктура памяти для LLM с воспроизводимыми тестами производительности.
Pali — это инфраструктура памяти с открытым исходным кодом для больших языковых моделей, построенная на Go в виде единого бинарного файла с мультитенантными API, гибридным поиском и модульными расширениями. В релизе v0.1 добавлен набор тестов с воспроизводимыми результатами, показывающими метрики производительности для разных конфигураций.