Разработка на Lisp с использованием ИИ-агентов: Высокие затраты и технические сложности
Производительность ИИ-агентов с Lisp в сравнении с другими языками
DevOps-инженер, использующий OpenRouter с Goose CLI для агентной разработки на ИИ, обнаружил значительные различия в производительности ИИ между языками программирования. Работая над инструментом конвертации форматов RSS-ридера на Lisp, он столкнулся с множеством проблем, которые сделали разработку дорогой и неэффективной по сравнению с Python или Go.
Детали технической реализации
Изначально инженер попытался заставить ИИ-агентов взаимодействовать с Lisp REPL с помощью команд tmux: tmux capture-pane -t 0.0 -p | tail -n 1. Этот подход потреблял чрезмерное количество токенов, требовал команд sleep и включал парсинг вывода tmux. Claude показал некоторый прогресс, но всё равно испытывал трудности, в то время как более дешёвые модели, такие как DeepSeek и Qwen, работали плохо, несмотря на адекватную работу для других задач.
Чтобы улучшить ситуацию, он создал tmux-repl-mcp — инструмент на Python, который предоставляет более простой интерфейс REPL. Вместо сложных взаимодействий с tmux агенты могли просто запускать execute_command в REPL и получать вывод напрямую. Он выбрал Python, потому что его существующая конфигурация Goose использовала uvx для установки и управления инструментами.
Сравнение затрат и производительности
Разница между разработкой на Lisp и Python с ИИ была разительной. С Python он мог написать весь код и тесты за день или два, используя дешёвые модели, требуя лишь полуручной отладки. С Lisp, даже после внедрения tmux-repl-mcp, он потратил $10 за 30 минут с Claude, и соотношение сигнал/шум оставалось плохим по сравнению с Python.
Ключевые наблюдения из опыта:
- ИИ генерирует код по пути наименьшего сопротивления, по умолчанию используя распространённые паттерны, такие как QuickLisp, даже когда ему указывают использовать альтернативы вроде OCICL
- Высоколатентная природа запросов и ответов API ИИ конфликтует с рабочими процессами разработки через REPL
- Языки с большим объёмом информации в интернете (Go, Python) на порядки проще и дешевле для разработки с помощью ИИ
- ИИ превратил популярность языков в реальную экономию затрат на миллион токенов
Инженер отметил, что независимо от языка, его роль оставалась схожей: он выступал в качестве принципиального владельца продукта, управляющего ИИ. Однако в этом опыте не было обычного удовольствия от прямого написания Lisp, что заставило его задуматься о переписывании проекта на Go для лучшей совместимости с ИИ.
📖 Read the full source: HN AI Agents
👀 Смотрите также
Годоген: Навыки Клода в Кодировании для Полной Генерации Игр на Godot
Godogen — это открытый конвейер, который использует навыки Claude Code для создания полных, готовых к игре проектов Godot 4 из текстовых запросов. Он занимается проектированием архитектуры, генерацией 2D/3D-ассетов, написанием GDScript и визуальным тестированием, решая конкретные инженерные проблемы, такие как нехватка обучающих данных для GDScript и проблемы с состоянием во время сборки и выполнения.
Контекстиум: Открытый Фреймворк Постоянного Контекста для Claude Code
Contextium — это структурированный фреймворк для git-репозиториев, который обеспечивает постоянный контекст для сессий Claude Code, используя файл CLAUDE.md в качестве маршрутизатора контекста для ленивой загрузки соответствующих markdown-файлов. Открытая версия включает шаблон с 6 примерами приложений и 27 документациями по интеграциям.
nan-forget: Локальная память для ИИ-кодирования в одном файле SQLite
nan-forget — это инструмент памяти для ИИ-агентов программирования, который хранит контекст в одном файле SQLite (~3 МБ) без фоновых служб. Он использует трёхэтапный конвейер извлечения данных и работает в Claude Code, Cursor и терминале через CLI.
TradingAgents-GUI: Локальный веб-интерфейс для многолетнего анализа акций с поддержкой Ollama
Графический интерфейс для фреймворка TradingAgents с несколькими LLM-агентами для анализа акций. Работает локально с Ollama, OpenAI, Anthropic и другими. Визуализация конвейера в реальном времени, читатель отчетов, экономия токенов до 50% в кратком режиме.