Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Agenty AI do kodowania przenoszą się do terminala, telefonu i pod kontrolę budżetu

Dwa nowe projekty open source dają agenta AI do kodowania w terminalu, a kolejny w telefonie. Trzeci sprzedaje limity wydatków na dewelopera. Razem pokazują, gdzie przeniosła się walka o narzędzia dla programistów.

AI i modeleAnalizaMarta ZielińskaOpublikowano: 4 października 20265 min czytaniaŹródła 8
Agenty AI do kodowania przenoszą się do terminala, telefonu i pod kontrolę budżetu

Jednym z nowych narzędzi jest Docent, CLI napisane w Rust, które rozmawia z plikami PDF i Office, przeszukuje sieć i łączy serwery MCP, a wszystko to z terminala. Repozytorium wymienia gotowe binaria dla Linuksa, macOS i Windows. Założenie jest lokalne: jeśli żaden agent nie działa, CLI samo pobiera framework i modele, których potrzebuje, i uruchamia agenta.

Ten ostatni szczegół wart jest uwagi. Binarka zawiera wbudowanego agenta, framework SLP 1.2.9, a pierwsze uruchomienie pobiera go w tle i zapisuje log do ~/.smartloop/server.log. Wbudowany agent liczy na GPU przez Metal na macOS oraz Vulkan na Linuksie i Windows, więc laptop z przyzwoitym GPU poradzi sobie bez wysyłania promptu do dostawcy. Dla deweloperów objętych zasadami dotyczącymi danych zmienia to zakres tego, co wolno. Z repozytorium nie wynika, jak duże są pobierane modele ani jak dobrze radzą sobie z kodem.

Projekt zachowuje też starą nazwę. Instaluje się zarówno jako docent, jak i smartloop, a repozytorium podaje, że to ta sama binarka. Dotychczasowe polecenia nadal działają, co ma znaczenie, jeśli ktoś oskryptował wcześniejsze wydanie.

Telefon do zlecania, PC do scalania

Nautilus dzieli agenta do kodowania na dwoje. Aplikacja PWA w telefonie obsługuje prompt, strumieniuje turę agenta i pokazuje podgląd na żywo. Aplikacja desktopowa pokazuje rzeczywisty diff zawartości i scala pracę z projektem. Repozytorium zapewnia, że narzędzie nigdy nie dotyka katalogu .git.

Całość działa na darmowej infrastrukturze: runner Lightning AI Studio, publiczny port HTTPS obsługujący aplikację, API i podgląd, bez karty kredytowej, domeny, Dockera czy płatnej maszyny wirtualnej. Darmowe modele OpenCode Zen działają od razu. README uczciwie opisuje kompromis: telefon to dobre miejsce, żeby zlecić pracę, i złe miejsce, żeby ją recenzować. PC musi być osiągalny tylko wtedy, gdy każesz mu się zsynchronizować.

Żaden z projektów nie publikuje benchmarków, liczby użytkowników ani finansowania. Oba są nowe, a twierdzenia o jakości modeli i kosztach pochodzą z ich własnej dokumentacji.

Kimchi sprzedaje limit, nie model

Kimchi zajmuje przeciwne stanowisko w kwestii zaufania. Strona opisuje jedną warstwę egzekwowania wydatków, danych, wdrożeń i routingu modeli. Limity można ustawić według użytkownika, zespołu, klucza API lub modelu, a strona podaje, że żądania zatrzymują się na limicie, nie po nim. Przykład na stronie pokazuje budżet użytkownika 820 dolarów przy twardym limicie 800 dolarów.

Opcje wdrożenia sięgają od serverless przez VPC po środowisko on-premises, a strona zapewnia, że prompty, kod i wyniki są wyłączone z treningu modeli. Firma twierdzi też, że ma endpoint inferencji dla modeli open source z opóźnieniem około 80ms. Te liczby pochodzą od samej firmy i nie zostały niezależnie sprawdzone.

Powód, dla którego kontrola budżetu jest dziś produktem, jest prosty. Agenty działają minutami, nie sekundami, a jedna sesja potrafi przepalić miesięczny limit zespołu, zanim ktokolwiek to zauważy. Limity na klucz mają znaczenie także dla pipeline'ów CI, botów i wykonawców zewnętrznych, czyli tam, gdzie wyciekły klucz zamienia się w rachunek. Kimchi nie podaje, ile pobiera, a na stronie nie ma cennika.

Gdzie kończy się asystent, a zaczyna platforma

Wszystkie trzy projekty wpisują się w szerszy spór o to, kto kontroluje narzędzia, z których korzystają deweloperzy. Wpis na Eval.blog przedstawia argumenty przeciwko programowi Google Android Developer Verification, który według autora 1 stycznia 2027 roku zamieni Androida w zamkniętą platformę. Wpis zauważa, że weryfikacja obejmuje każdą aplikację na certyfikowanym urządzeniu, nie tylko aplikacje w Play Store. Cytuje też ostrzeżenie F-Droid, że weryfikacja deweloperów zakończy darmową dystrybucję aplikacji open source w znanej dziś formie.

Teraz APK po prostu działają.

To zdanie autora i jego argumentacja. Ta sama logika dotyczy jednak narzędzi dla deweloperów. Agent do kodowania, który działa na twojej maszynie albo na runnerze, który kontrolujesz, nie zależy od warunków usługi dostawcy. Narzędzie, które egzekwuje budżety przez hostowaną warstwę, zależy.

Kontrargumentem jest utrzymanie. Docent kompiluje llama.cpp przy instalacji i wymaga Rusta, CMake oraz toolchaina C/C++; build dla Linuksa dołącza loader Vulkan, a buildy dla macOS są podpisane i notaryzowane, podczas gdy buildy dla Windows są podpisane. To dużo ruchomych części jak na narzędzie, które musi działać dalej po zmianie w zależnościach.

Znowu argument o platformie webowej

Wpis Nolana Lawsona z 3 października o tym, dlaczego deweloperzy nie korzystają z platformy, jest tu przydatną ramą. Autor twierdzi, że przeglądarki latami doganiały biblioteki i ten nawyk został. Deweloperzy sięgają po narzędzie, które znają, nawet gdy przeglądarka już robi tę robotę.

Ten sam odruch dotyczy teraz agentów. Zespoły sięgają po hostowanego asystenta, za którego już płacą, a nie po CLI, które musiałyby skompilować. Lawson zauważa też, że wybór ukształtowała dokumentacja: pakiety npm miały lepsze przykłady niż platforma. Projekty agentów open source mają ten sam problem, a README to ich jedyna witryna sklepowa.

Dwa mniejsze projekty pokazują, jak szerokie stało się pole. Herbarium trzyma strony HTML generowane przez narzędzia AI w zwykłym folderze plików i przywraca je do powtórek w odstępach. Projekt 16agents każe agentowi do kodowania przejść test osobowości, ze wskaźnikiem samoświadomości i czterema ukrytymi pułapkami na agentów, którzy deklarują zachowania, których nie pokazują. Autorzy nazywają to horoskopem z regexem. Żaden nie jest narzędziem do kodowania w zwykłym sensie, ale oba wskazują na ten sam nawyk: deweloperzy przechowują, sortują i audytują to, co produkują ich asystenci.

Na co patrzeć

Praktyczne pytanie dla zespołu w tym kwartale nie brzmi, który model wygra. Brzmi: gdzie działa agent i kto może go zatrzymać. Docent i Nautilus odpowiadają lokalną lub darmową infrastrukturą i brakiem konta. Kimchi odpowiada płaszczyzną kontroli i twardym limitem.

Żaden z trzech projektów nie opublikował danych o adopcji i żaden nie podał, ile kosztuje działanie w skali. Dopóki tego nie zrobią, wybór sprowadza się do ograniczenia, które już masz: zasady dotyczącej danych, rachunku albo laptopa, który musi pozostać zamknięty.

Komentarze 0

Źródła

8
  1. 01Docent: an open source private AI assistant in your terminalEN
  2. 02Nautilus: run a coding agent from your phone, merge on your PCEN
  3. 03Kimchi: governed AI coding platform with hard budget capsEN
  4. 04Authoritarian tendencies of Android Developer VerificationEN
  5. 05Why don't more developers use the platform?EN
  6. 06Herbarium: keep and review the HTML pages AI tools generateEN
  7. 0716agents: a personality test for your agentEN
  8. 08OpenBSD developers reject uutils coreutils portEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.