Осознанный вайб-кодинг с AI Factory

Привет, Habr!
Продолжаю освещать open-source библиотеку AI Factory (статья с презентацией AI Factory на Habr). Вайб-кодинг - это круто для быстрых экспериментов. Но как только проект начинает обрастать функционалом начинается ад: неподдерживаемый код, бесконечные фиксы одних и тех же багов, невозможность работать в команде. AI Factory решает эту проблему через spec-driven подход и самообучающуюся систему. Это экосистема для осознанной разработки с AI.
Недавно получил классный вопрос в комментах. Человек задал реально важные технические вопросы - как именно работает улучшение скиллов, что происходит с патчами, как трекаются задачи. Решил разобрать подробно, потому что это показывает всю мощь подхода.

Как улучшаются скиллы?

"Улучшает skills с вашего одобрения" - звучит магически, но на самом деле без магии. Это прокачка существующих md файлов со скиллами с учетом нового контекста проекта.

AI Factory запускает /ai-factory.evolve, который:

• Читает все патчи из .ai-factory/patches/
  Патч - это структурированный файл в .ai-factory/patches/, который создаётся автоматически каждый раз когда вы используете /ai-factory.fix для исправления бага. AI не просто фиксит баг, он документирует что пошло не так, почему это произошло, как исправил, и главное - как избежать этого в будущем. Исправление бага происходит в автоматическом режиме без вашего участия.

• Анализирует ваш стек, конвенции, паттерны кода

• Находит пробелы в существующих скиллах

• Предлагает улучшения с вашего одобрения

• Сохраняет лог эволюции

То есть, чем больше вы используете /fix, тем больше у вас файлов с патчами, которые можно использовать для самоулучшения скиллов.

Token consumption и патчи

"Перед началом агент прочитает все патчи - то есть через какое-то время он будет кушать много токенов?"

Да, AI Factory - это осознанная ИИ разработка. Он действительно кушает больше токенов (чем без подхода spec-driven development), НО:

• В перспективе вы суммарно их потратите МЕНЬШЕ

• Вы экономите время и нервы

• Избегаете повторных ошибок

Каждый /fix создает патч - структурированный файл с описанием проблемы, причины, решения и профилактики. Перед следующим /fix или /implement AI читает все патчи и применяет уроки.

Пример патча:

# Null reference в UserProfile без аватара Problem: TypeError при рендере Root Cause: user.avatar опциональный, но без null-check Solution: Добавил optional chaining: user.avatar?.url Prevention: Всегда проверять опциональные поля из БД Tags: #null-check #react #optional-field

Это самообучающаяся система. Чем дольше работаете - тем умнее AI на вашем проекте.

Task Tracking

"Как технически происходит task tracking? Куда пишутся таски?"

Реализовано так:

• Быстрый режим (/ai-factory.task) → PLAN.md

• Полноценные фичи (/ai-factory.feature) → .ai-factory/features/{feature-name}.md

Никаких внешних трекеров. Все в markdown прямо в проекте. План включает:

• Список задач с чекбоксами

• Точки коммитов (каждые 3-5 задач)

• Настройки (тесты, логирование)

• Зависимости между задачами

Контекст для нового агента

"Когда стартует новый агент, какие знания передаются кроме CLAUDE.md?"

Я проксировал все события которые происходят под капотом LLM и изучил что уходит в запросах:

• Передается только мета скиллов

• Сам контекст НЕ передается

• Патчи читаются заново при каждом /fix или /implement

То есть каждая сессия начинается "с чистого листа", но с учетом накопленных знаний в патчах и скиллах. То есть токены расходуются максимально рационально.

Автоматический подбор скиллов

"Как понять, что именно этот скилл нужен? Можно ли мониторить или отключить автоподбор?"

LLM изучает стек проекта (package.json, composer.json, requirements.txt и т.д.) и по нему генерирует скиллы.

Стратегия такая:

1. Ищет скилл на skills.sh

2. Если нашел → скачивает самые популярные

3. Если нет → генерирует через /ai-factory.skill-generator

4. Есть документация? → учится по ней (Learn Mode)

Можно контролировать:

• Посмотреть что установлено: .ai-factory.json

• Вручную добавить/удалить скиллы

• Кастомизировать через /ai-factory.skill-generator

AI Factory vs Get Shit Done

"Можно ли сравнить с gsd?"

Get Shit Done (как и SpecKit, OpenSpec) - это spec-driven инструменты. Акцент ТОЛЬКО на воркфлоу.

AI Factory - это:

• Воркфлоу (spec-driven подход)

• Генерация рутины (докеризация, CI, Make/Task/Justfile)

• Автогенерация документации

• Самообучающаяся система (патчи + эволюция скиллов)

• MCP интеграции (GitHub, Postgres, Filesystem)

• Skills для суб-агентов

Главное отличие: gsd/speckit/OpenSpec сделаны как будто не разработчиками для не разработчиков - как инструменты для быстрого вхождения вайбкодеров.

AI Factory - это инструмент от разработчика с огромным опытом для разработчиков. Осознанный AI кодинг, а не просто "давай сгенерим код".

Обзор нововведений AI Factory 1.3 - 1.8

Поддержка 14+ агентов

Я продолжаю добавлять поддержку новых AI-агентов. Появились Anti-Gravity, RooCode, Killocode, Windsurf, Warp, Zencoder, OpenCode и ещё несколько. Теперь у вас выбор из 14+ агентов для работы.

Самое интересное здесь - гибкая система трансформеров. Не все агенты используют стандартную структуру вроде .claude или .cursor директорий. Некоторые, как Anti-Gravity, делят всё на скиллы, воркфлоу и рулсы - со своей специфической архитектурой.

Utility-скиллы нового поколения

Пришлось потратить по два дня на каждый скилл, прогоняя их по куче своих проектов. Это не просто строчки инструкций - это передача лучших практик, которые я нарабатывал годами.

Dockerize - автоматическая докеризация проекта. Берет на себя рутину с конфигурациями контейнеров. На основе вашего проекта AI проведёт аудит и сделает docker-compose как для локальной разработки, так и для продакшена. Причём с учётом лучших практик. Но самое важное - я вшил туда свой опыт: как правильно определять версии образов (LLM не знает какая последняя версия), как обходить моменты когда нужен angie вместо nginx, как правильно делать ротацию логов, следит чтобы порты не были открыты наружу, чтобы никаких чувствительных данных не улетело и многое другое. Я прогонял этот скилл на больших проектах, которые давно в продакшене - удалял все конфигурации по докеру и генерировал новый с помощью AI Factory. Получались конфиги даже лучше предыдущих!

CI/CD Generation - генерация пайплайнов для GitHub и GitLab. По результатам работы скилла получаете пайплайн с линтерами, тестами, билдами, проверкой на безопасность. Интерактивно выбираете что нужно, и пайплайн генерируется с референсами и готовыми шаблонами.

Build Automation - генерация Make/Task/Justfile. Вы по лучшим практикам сможете сгенерировать его и удобно взаимодействовать, вызывать команды. Docker, test, lint, help - всё с красивым выводом и описаниями. У вас будет единообразие во всех проектах.

Docs Generation - автоматическая документация. Исходя из контекста вашего проекта будет сгенерирована документация, разбита на разделы. В каждом разделе будет навигация - вернуться в readme, следующий раздел, предыдущий. Всё грамотно оформлено. Если надо, допом можно сделать HTML-документация.

Verify - пост-проверка после реализации какой-то фичи. LLM ещё сделает проверку с большим контекстом и тщательно проверит всё ли корректно сделано. Для сложных задач это пригодится.

Самое крутое - эти скиллы охватывают весь проект как паутина или даже лучше сказать как кровеносная система. Вы генерируете докер конфигурации и у вас обновляется документация, обновляется changes.md, обновляется readme. Вам не нужно об этом постоянно думать. Вы генерируете CI - это тоже попадёт в документацию с референсами. Всё крутится в одном режиме как система самоулучшения.

Улучшенный воркфлоу

Я прокачал параллельную разработку. Если вы вызываете /ai-factory.feature, то можете указать опцию parallel. Cоздастся директория под Git worktree и вы сможете работать параллельно. Можете работать через Claude Teams, запускать там команды агентов, они все будут ковыряться изолированно, никому не мешая делать фичи. И у них будут подсказки как посмотреть какие фичи сейчас делаются, как очистить worktree после завершения.

Следующий важный момент - прокачка скилла по фиксам. Раньше когда вы вызывали fix и писали какая проблема, он сначала планировал, и затем сразу без подтверждения приступал к фиксу. Теперь будет интерактив - вас спросят, может вы хотите сперва изучить план. Если да, то сперва вам сгенерируется фикс план, вы его изучите, и если всё нормально, запустите ещё раз fix - он увидит что план уже готов и пойдёт его реализовывать. План-фест подход который сделал по issue от комьюнити.

Следующая фича - в процессе вас будут подстраховывать и предлагать очистить контекст. Я уже набил руку для себя: делаю таск, сессию закрываю, начинаю новую сессию, у меня есть план, но правильно начинать новую сессию чтобы очистить контекст (заодно токены сэкономим).Теперь это будет интегрировано во многие workflow-скиллы. После окончания выполнения задачи вам будет предложено сделать либо clear, либо compact. То же самое после окончания режима планирования. AI Factory будет подстраховывать вас.

Вот такие новости, а я уже работаю над большим обновлением Ai Factory 2.
Есть идеи? - Предлагайте!
Ссылка на репозиторий - https://github.com/lee-to/ai-factory
Вайб-кодьте осознанно. Используйте AI Factory!