Использование Claude Code для возрождения заброшенных личных проектов: практическое руководство

Мэттью Брюнелл пишет об использовании инструментов AI-ассистента (в частности, Claude Code с Opus 4.6) для возрождения личных проектов, которые были заброшены. Его проект: прослойка между YouTube Music и OpenSubsonic API, позволяющая любому Subsonic-совместимому клиенту (Navidrome, Feishin, Symfonium) стримить музыку из YouTube Music. Проект изначально заглох из-за длинного списка конечных точек, которые нужно было реализовать.
Настройка
Брюнелл создал uv-проект с зависимостями fastapi, pydantic, ytmusicapi и yt-dlp. Он положил в папку спецификацию OpenSubsonic в формате OpenAPI, добавил краткий README, пустой файл TODO и сгенерировал CLAUDE.md через /init. Также он добавил в CLAUDE.md соглашения:
## Соглашения
- Методы должны иметь аннотации типов для аргументов и возвращаемых значений, а также строки документации.
- Используйте Pydantic для моделирования данных. Следуйте современным соглашениям Pydantic V2.
- Строки документации должны быть в стиле Google с разделами аргументов и возвращаемых значений.
- Пишите модульные тесты в современном стиле pytest, например, функции верхнего уровня с использованием `assert` и фикстур.
Рабочий процесс
Типичный рабочий процесс Брюнелла:
- Войти в режим планирования. Задать запрос на следующую порцию работы.
- После получения первоначального плана искать пробелы/проблемы и задавать уточняющие вопросы, пока всё не устроит.
- Предоставлять ссылки на ресурсы, когда Claude ошибается.
- Просить Claude использовать инструмент поиска для идиоматических подходов.
- Использовать "Accept and clear context". Повторять.
Первая реализация
Первый промпт: Посмотри на файл openapi.json. Это спецификация для opensubsonic api. Реализуй асинхронный сервер fastapi, который заглушает все методы. Тебе нужно обрабатывать только новые json-эндпоинты.
После реализации заглушек он перепроверил правильность с помощью уточняющего промпта. Даже со спецификацией Claude ошибся в первый раз, но исправил ошибки при повторном проходе. Он также повторно выполнил /init, чтобы обновить CLAUDE.md.
Следующий крупный промпт
Методы для всех эндпоинтов теперь заглушены. Я хочу подключить subsonic-клиент, найти песню и стримить её на клиент. Каков минимальный объём функциональности, необходимый для этого? Используй ytmusicapi для поиска в YouTube Music и yt-dlp для стриминга.
Брюнелл сообщает, что первоначальная реализация стриминга выглядела разумно, но не работала при подключении к Feishin. Статья обрывается до описания исправления, но полный пост содержит решение.
Брюнелл отмечает, что заброшенные проекты — идеальные кандидаты для тестирования AI-ассистентов: "они всё равно никогда не были бы завершены". Он планирует опубликовать продолжение в OpenCode.
📖 Читать полный источник: HN AI Agents
👀 Смотрите также

Skillware добавляет prompt_rewriter для детерминированного сжатия токенов в циклах агентов Claude API.
Skillware объединил новый навык prompt_rewriter, который сжимает промпты на 50-80% перед отправкой в Claude API, снижая затраты в агентских циклах при сохранении стабильного поведения благодаря детерминированному сжатию.

Разработчик создает инструмент для реалистичной генерации реляционных баз данных
Разработчик создал инструмент, который генерирует полностью загруженные реляционные базы данных с реалистичными данными, решая проблему создания тестовых баз данных с сохранёнными внешними ключами и согласованностью между таблицами.

OpenClaw 2026.3.23 добавляет поддержку провайдера DeepSeek, модель оплаты по факту использования для Qwen и улучшения для Chrome MCP.
OpenClaw v2026.3.23 представляет плагин провайдера DeepSeek, почасовую оплату Qwen, автоматическое ценообразование OpenRouter с порядком мышления Anthropic, ожидание вкладок Chrome MCP, а также исправления для Discord/Slack/Matrix и веб-интерфейса.

Практические выводы из 11 сборок программного обеспечения с использованием нескольких агентов без программных шаблонов
Анализ 11 автономных сборок с несколькими агентами показывает, что обеспечение соблюдения области работает механически (20/20 успехов), а не через промпты (0/20), затраты на оркестрацию в основном связаны с повторным поглощением памяти (~95% входных расходов), а возможности модели работника создают разрыв в пропускной способности в 9,8 раза.