Пересмотрено: Редактор ИИ, созданный с помощью агентных инструментов программирования и Y.js CRDT
Техническая реализация
Revise был создан за 10 месяцев с использованием агентных инструментов кодирования, при этом разработчик сообщил, что никогда не работал так быстро за всю свою карьеру. Архитектура включает движок текстового процессора и слой рендеринга, полностью созданные с нуля. Единственная сторонняя библиотека, которая используется, — это Y.js для стека CRDT (Conflict-Free Replicated Data Type).
AI-функции
Редактор интегрирует несколько AI-моделей для обработки документов:
- GPT-5.4 Mini
- GPT-5.4
- GPT-5.4 Pro
- Claude Haiku 4.5
- Claude Sonnet 4.6
- Claude Opus 4.6
AI-агент работает бок о бок с пользователями в одном интерфейсе, предоставляя встроенную проверку и предложения по редактированию. Он может обнаруживать несоответствия в документах, такие как расхождения в хронологии или противоречивые утверждения об изменениях доходов.
Возможности обработки документов
- Импорт документов Word и Google Docs
- Извлечение содержимого из PDF с использованием мультимодальных LLM
- Проверка, редактирование и совершенствование существующих документов
- Функция экспорта с различными настройками
Пользовательская настройка
Revise со временем изучает предпочтения пользователя, включая:
- Предпочтения по местоимениям (например, они/их)
- Предпочтения по стилю обратной связи (прямой vs. мягкая похвала)
- Предпочтения по орфографии (американский vs. другие варианты)
- Предпочтения по форматированию (APA 7, использование оксфордской запятой)
- Предпочтения по тону (тёплый и точный, избегая восклицательных знаков)
- Соображения доступности
- Предпочтения по структуре документа (короткие абзацы, лаконичные черновики)
Предпочтения в техническом письме
Система поддерживает конкретные требования к технической документации:
- Утверждения о производительности должны включать настройку бенчмарка, форму нагрузки, размер выборки и сравнения с базовым уровнем
- Предпочтение конкретным API-контрактам с полезными данными запроса/ответа, правилами пагинации и семантикой идемпотентности
- Критические изменения должны быть явно указаны (изменения API, обратное заполнение данных, миграции индексов, ограничения версий клиентов)
- Требования в виде нумерованных критериев приемки с пограничными случаями, поведением при повторе и деталями истечения срока
- Доверие к метрикам, таким как p95, бюджеты ошибок, глубина очереди и количество инцидентов, а не к прилагательным
📖 Read the full source: HN AI Agents
👀 Смотрите также
Брокколи: Открытая платформа для запуска ИИ-агентов по программированию из задач Linear в облачных песочницах.
Broccoli — это инструмент с открытым исходным кодом, который берет задачи из Linear, выполняет их в изолированных облачных песочницах с помощью Claude и Codex и открывает PR для проверки человеком. Работает на вашей собственной инфраструктуре Google Cloud с промышленным уровнем развертывания.
mnemos: постоянный слой памяти для ИИ-агентов программирования (Go, MCP-Native, без Python)
mnemos — это Go-основанный MCP-нативный слой памяти для AI-агентов, занимающихся кодингом. Автор создал верификатор для измерения прироста: +40% в совокупности для сценариев чтения, но только 53% захвата при записи после итеративных исправлений.
Три репозитория для разработки RAG и AI-агентов
В посте на Reddit выделены три репозитория для разработчиков, работающих с RAG и AI-агентами: memvid для памяти агентов, llama_index для RAG-пайплайнов и Continue для ассистентов программирования. Автор отмечает, что чистый RAG лучше всего подходит для извлечения знаний, в то время как системы памяти лучше для агентов, а гибридные подходы часто используются в реальных инструментах.
iai-mcp: локальный демон для постоянной памяти OpenClaw между сессиями
iai-mcp — это открытый демон, который перехватывает все разговоры OpenClaw, хранит их в трёх уровнях памяти с локальными нейронными эмбеддингами и шифрованием AES-256, а при новых сессиях подгружает релевантный контекст — точность воспроизведения >99%, время поиска <100мс, стоимость начала сессии <3к токенов.