Терри Тао переносит 24 Java-апплета на JavaScript с помощью агента LLM — находит ошибки в исходном коде
Теренс Тао опубликовал подробный отчет об использовании LLM-агента для переноса своих 24 старых Java 1.0 апплетов (1999 года) на современный JavaScript, а также для создания двух новых интерактивных визуализаций с нуля. Эксперимент демонстрирует как мощь, так и текущие ограничения кода, сгенерированного LLM, для нетривиальных задач программирования.
Перенос 24 Java-апплетов на JavaScript
Апплеты Тао, изначально написанные для курсов комплексного анализа и линейной алгебры, перестали работать, поскольку браузеры прекратили поддержку Java 1.0. Используя неназванного LLM-агента (вероятно, Claude или GPT-4), он попросил его перенести все апплеты на JavaScript. Агент завершил миграцию за "несколько часов". Полученные апплеты теперь работают и имеют графические улучшения — например, апплет множества Безиковича был раскрашен из исходной монохромной версии.
Качество кода оказалось на удивление высоким. Тао сообщает:
Я смог найти только одну незначительную ошибку (обработка события перетаскивания в одном из апплетов комплексного анализа вела себя нежелательно при перетаскивании за пределы основного поля), и, более того, агент обнаружил две ошибки в исходном коде, о которых я не знал.
Две исходные ошибки были найдены агентом без дополнительных указаний, так что портирование прошло без прироста числа ошибок. Тао отмечает, что риск невелик, поскольку эти апплеты служат визуальными пособиями, а не критическими компонентами математических доказательств.
Новое приложение: Инструмент рисования в пространстве Минковского
Вдохновленный успехом портирования, Тао возродил заброшенный проект 1999 года: визуализацию "Inkscape, но в пространстве Минковского" для специальной теории относительности. После двух часов "vibe coding" с агентом он получил рабочий апплет, соответствующий его первоначальной задумке. Стенограмма разговора доступна, но опускает утомительные отчеты о технической реализации.
Новое приложение: Визуализация гипотезы Гилбрейта
Вслед за публикацией в тот же день поста о гипотезе Гилбрейта, Тао попросил агента создать интерактивную визуализацию для сопровождения статьи. Еще через несколько часов визуализация была запущена. Он планирует добавлять подобные дополнения к будущим работам, принимая риск ошибок, сгенерированных LLM, поскольку визуализации не являются критическими.
Практические выводы для разработчиков
- LLM-агенты могут переносить устаревший код (Java 1.0) на современный JS с высокой точностью — всего 1 новая ошибка на 24 приложения.
- Агенты могут обнаруживать скрытые ошибки в исходном коде; всегда проверяйте как старый, так и новый код.
- "Vibe coding" (итеративное взаимодействие с минимальной ручной отладкой) работает для автономных визуализаций.
- Риск приемлем для некритичных дополнений; критически важные системы все еще требуют проверки человеком.
Полные детали, включая стенограммы и ссылки на возрожденные апплеты, приведены ниже.
📖 Читать полный источник: HN LLM Tools
👀 Смотрите также

mentioned.to vs инструменты широкого мониторинга: сравнение рабочих процессов, ориентированных на Reddit
mentioned.to — это инструмент мониторинга, специально разработанный для рабочих процессов на Reddit, который фокусируется на отслеживании релевантных постов, выявлении возможностей для ответов, анализе успешного контента и составлении ответов, а не на широком мониторинге бренда по множеству каналов.

LightMem: Облегченная система памяти для LLM-агентов с приростом производительности в 10+ раз и снижением затрат в 100 раз
LightMem — это модульная система памяти для агентов LLM, которая обеспечивает повышение точности до 10,9%, сокращая при этом количество токенов до 117 раз, количество вызовов API до 159 раз и время выполнения более чем в 12 раз. Она предназначена для масштабируемого рассуждения в длинных контекстах в рамках рабочих процессов агентов.

Навык OpenClaw добавляет генерацию изображений с искусственным интеллектом с поддержкой локального ComfyUI и курируемыми промптами.
Новый навык OpenClaw предоставляет возможности генерации ИИ-изображений непосредственно в терминале, включая более 1300 курируемых промптов, локальную интеграцию с ComfyUI и рабочие процессы улучшения промптов.

Компилятор SMELT сокращает использование токенов рабочего пространства OpenClaw до 95%.
SMELT компилирует файлы разметки рабочего пространства OpenClaw в более плотную форму для выполнения, отправляя только релевантный контент моделям ИИ. Тесты показывают сокращение токенов от 76,1% до 95,5% на запросах, избегая повторной обработки статических файлов, таких как USER.md и SOUR.md, при каждом сообщении.