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

Антигравитация 2.0 возглавляет архитектурный 3D-бенчмарк OpenSCAD – ModelRift тестирует 6 LLM на Пантеоне
ModelRift сравнил 6 ИИ-инструментов при создании Пантеона в OpenSCAD. Antigravity набрал 4.5/5 за архитектурное качество, обогнав базовый Codex 5.5. Cursor 3.5 оказался самым быстрым, но худшим по качеству.
Экспериментальный: Open Source модель шлюза с интеллектуальной маршрутизацией
Experiential — это открытый шлюз моделей, который объединяет хостируемые, BYOK и локальные модели. Он направляет трафик на основе стоимости/качества, используя симулированные раскатки и OTel-трейсы, с накладными расходами менее 1 мс для BYOK-запросов.

Запрос спринта Jira через Claude MCP: мгновенный статус, неназначенные задачи и заблокированные элементы
Пользователь Reddit подключил Jira к Claude через MCP, задал вопросы на естественном языке о своём спринте и мгновенно получил чистые таблицы — без кликов по доскам.

Автоматизированный конвейер кода Claude сократил использование токенов с 78 тысяч до 15 тысяч на функцию.
Открытый конвейер для Claude Code автоматизирует 12 этапов, включая предварительный анализ существующего кода, сокращая использование токенов с ~78k до ~15k на функцию. Он предлагает три профиля (yolo, стандартный, параноидальный) и заменяет оценки уверенности на валидацию на основе grep.