Lat.md: Граф знаний на основе Markdown для кодовых баз

Lat.md — это инструмент, который строит граф знаний для вашей кодовой базы с использованием markdown-файлов. Он решает проблему плохой масштабируемости AGENTS.md — по мере роста проектов поддержка единого плоского файла становится непрактичной, что приводит к скрытым архитектурным решениям, недокументированной бизнес-логике и галлюцинациям контекста у ИИ-агентов.
Как это работает
Вы сжимаете предметные знания в граф взаимосвязанных markdown-файлов, хранящихся в директории lat.md/ в корне вашего проекта. Разделы связываются друг с другом через [[вики-ссылки]] вроде [[file#Section#Subsection]], markdown-файлы связываются с кодом через [[src/auth.ts#validateToken]], а исходные файлы ссылаются обратно с помощью комментариев, таких как // @lat: [[section-id]] в TypeScript или # @lat: [[section-id]] в Python. Команда lat check обеспечивает ссылочную целостность.
Ключевые возможности
- Более быстрая разработка для агентов: Вместо поиска по коду через grep, агенты ищут в графе знаний, чтобы последовательно находить архитектурные решения, ограничения и контекст предметной области.
- Более быстрый рабочий процесс для людей: Агенты поддерживают lat-файлы; при проверке изменений начинайте с семантических изменений в
lat.md/, чтобы понять, что изменилось и почему, делая код-ревью вторичным. - Сохранение знаний: Агенты фиксируют контекст и логику из промптов в графе по мере работы, поэтому будущие сессии начинаются с полного контекста вместо его повторного обнаружения.
- Спецификации тестов с проверкой: Тестовые сценарии могут быть описаны в разделах
lat.md/, помеченныхrequire-code-mention: true. Каждая спецификация должна быть упомянута в комментарии// @lat:в тестовом коде, аlat checkпомечает любую спецификацию без обратной ссылки.
CLI-команды
lat init: Настраивает популярные кодирующие агенты с хуками и инструкциями для поддержания lat-файлов в актуальном и корректном состоянии.lat check: Обеспечивает ссылочную целостность; агенты автоматически вызывают её перед завершением работы.lat searchиlat section: Агенты используют их для понимания промптов и навигации по графу вместо бесконечных вызовов grep.lat locate: Находит разделы по имени (точному или приблизительному).lat refs: Находит, что ссылается на раздел.lat expand: Раскрывает [[ссылки]] в промпте для агентов.lat mcp: Запускает MCP-сервер для интеграции с редактором.
Установка и настройка
Установите с помощью npm install -g lat.md, затем выполните lat init в вашем репозитории, чтобы создать структуру директории lat.md/. Пишите markdown-файлы, описывающие архитектуру, бизнес-логику или спецификации тестов, и связывайте их по мере необходимости.
Для семантического поиска (lat search) требуется ключ API OpenAI (sk-...) или Vercel AI Gateway (vck_...). Ключ определяется в следующем порядке: переменная окружения LAT_LLM_KEY (прямое значение), переменная окружения LAT_LLM_KEY_FILE (путь к файлу с ключом), переменная окружения LAT_LLM_KEY_HELPER (shell-команда, выводящая ключ с таймаутом 10 секунд) или конфигурационный файл, сохранённый lat.
📖 Прочитать полный исходный код: HN AI Agents
👀 Смотрите также

Пользовательская строка состояния для Claude Code: отображение использования контекста, лимитов запросов и количества токенов на первый взгляд
Пользовательский скрипт добавляет постоянную строку состояния в Claude Code, отображающую процент использования контекста, лимит 5-часовой ставки в процентах, чтения KV-кэша, общее количество входных/выходных токенов, имя модели и рабочую директорию — с цветовой кодировкой для тёмных терминалов.

Клод-кит: Система управления конфигурацией для проектов кода Клода
Claude-kit — это инструмент с открытым исходным кодом для управления конфигурациями каталога .claude/ в нескольких проектах. Он автоматически определяет технологические стеки, генерирует конфигурации, проверяет безопасность и качество, а также синхронизирует изменения, не перезаписывая пользовательские настройки.

Дистиллированная модель Qwen 3.5 27B демонстрирует высокую производительность с агентом кодирования Cursor AI.
Пользователь сообщает, что дистиллированная версия Qwen 27B opus 4.6 эффективно работает в качестве модели, управляющей Cursor, с производительностью, сопоставимой с Gemini 3 Flash. Настройка заняла около 10 минут с использованием Cursor для конфигурации туннеля ngrok и localllama.

Оркестра: Стоимостно-ориентированный слой маршрутизации LLM для OpenClaw сокращает затраты на API на 60-80%
Orkestra — это модульный слой маршрутизации, который располагается перед вызовами LLM в OpenClaw, используя семантическую классификацию для направления запросов к бюджетному, сбалансированному или премиум-уровню моделей. Этот подход снизил затраты на API на 60–80% без переписывания промптов или сложных правил.