SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Claude Reflect zauważa, kiedy pytasz Claude'a o to samo, i proponuje z tego komendę

Claude Reflect, wtyczka Bayrama Annakova, łapie hookami powtarzane w prompcie korekty ("nie, użyj venv") i po commicie proponuje przez `/reflect` dopisać je do `CLAUDE.md` oraz `AGENTS.md`. Detekcja jest hybrydowa: regex łapie wzorce angielskie od ręki, a semantyczny filtr modelu dorzuca korekty po polsku czy hiszpańsku z pewnością 0,60–0,95. Druga komenda, `/reflect-skills`, przegląda 14 dni sesji i z powtarzających się próśb generuje gotowe komendy w `.claude/commands/` z guardrails. Demo jednego dewelopera, 160 testów, brak danych o adopcji.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  3 min  · 

Claude Reflect zauważa, kiedy pytasz Claude'a o to samo, i proponuje z tego komendę
Ilustrację przygotowała AI.

Wczoraj prosiłem Claude'a w terminalu o test, dziś o test, jutro pewnie też. Za każdym razem te same trzy poprawki: uruchom mypy przed pytest, nie commituj plików .DS_Store, użyj venv. Trzymam je w głowie, czasem w komentarzu na Slacku, i wpisuję od nowa, kiedy któraś sesja zaczyna się od zera, bo Claude Code o niczym nie pamięta między uruchomieniami.

Claude Reflect, wtyczka jednego dewelopera, Bayrama Annakova, próbuje rozwiązać ten konkretny problem dwoma mechanizmami. Pierwszy wpina się w hooki Claude Code: kiedy wpisujesz w prompt poprawkę typu "no, use gpt-5.1 not gpt-5" albo "actually, run mypy first", regex wyłapuje wzorzec i wrzuca to do kolejki. Po commicie inny hook przypomina, żebyś uruchomił /reflect. Komenda pokazuje listę zebranych korekt ze wskaźnikiem pewności i pyta przy każdej: dopisać do CLAUDE.md, edytować przed dopisaniem, czy pominąć. Zaakceptowane wpisy lądują w globalnej ~/.claude/CLAUDE.md i lokalnej projektowej. Jeśli w projekcie istnieje AGENTS.md, korekta trafia i tam, dzięki czemu ta sama poprawka powinna działać też w Codexie i kilku innych asystentach, które czytają ten plik.

Druga połowa wtyczki: jak powtarzające się prośby zamieniają się w komendy

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać
Poradnik / Praktyka

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać

3 min

Jerin Mathew Vinu zbudował agenta do code review, który zapamiętuje, które uwagi zespół akceptuje, a które odrzuca — po trzech kliknięciach Reject komentarz znika z czwartego PR-a. Pamięć trzyma Hindsight, recenzje generuje qwen3-32b przez Groq, a całość spina FastAPI. Kluczowa obserwacja: decyzje lądują w bazie jako jedno zdanie po angielsku, bo i tak wracają prosto do promptu — format zapisu warto dopasować do formatu odczytu. To weekendowy projekt bez pomiarów, ale wzorzec jest na tyle prosty, że można go sprawdzić u siebie.

Co się dzieje z uwagami, które wpisujesz agentowi tuż przed końcem sesji?
Premiera / Narzędzie

Co się dzieje z uwagami, które wpisujesz agentowi tuż przed końcem sesji?

5 min

Warp opisał u Anthropica układ dwóch umiejętności: bazowa trzyma zasady przeglądu kodu, a druga rusza z harmonogramu, zbiera uwagi ludzi i proponuje jedną małą poprawkę do pliku bazowego, która wchodzi zwykłym pull requestem. Publiczne demo z agentem porządkującym zgłoszenia pokazuje całą pętlę, a komenda Skill Doctor ocenia wcześniejsze rozmowy agenta i podsuwa gotowy diff. Kupuję ten wzorzec z jednym zastrzeżeniem: uwagi ludzi prawie zawsze mówią, czego agentowi zabrakło, więc plik SKILL.md tylko puchnie, a im dłuższy, tym gorzej agent trafia do właściwej wiedzy.

Cztery zasady Karpathy'ego w jednym pliku CLAUDE.md, 33 tysiące gwiazdek na GitHubie
Poradnik / Praktyka

Cztery zasady Karpathy'ego w jednym pliku CLAUDE.md, 33 tysiące gwiazdek na GitHubie

3 min

Forrest Chang zamknął cztery obserwacje Andreja Karpathy'ego o słabościach LLM-ów w jednym pliku CLAUDE.md i w niespełna dwa miesiące zebrał 33,2 tysiąca gwiazdek na GitHubie. Reguły "myśl przed kodowaniem", "prostota najpierw", "chirurgiczne zmiany" i "sterowanie celem" odpowiadają na konkretne grzechy modeli: ciche wybieranie interpretacji, puchnięcie abstrakcjami i refaktoryzowanie tego, o co nikt nie prosił. Żaden benchmark tego nie potwierdza, ale koszt jest zerowy, a markdown powoli staje się standardową warstwą programowania agentów.