> Architecture Patterns _

Используйте это, чтобы избежать разрушительных действий при работе с продакшн-системами или при автономной работе агентов.

bmad-create-architecture предлагает комплексный фреймворк для разработки архитектуры приложений, основанный на гибкой методологии и использовании искусственного интеллекта. Решение автоматизирует процесс создания архитектурных решений, значительно сокращая время и повышая качество проектирования, особенно в условиях быстро меняющихся требований. Инструмент интегрирует принципы паттернов проектирования и позволяет создавать масштабируемую систему с учетом современных практик разработки. Используя Bash, Python, YAML, Docker и механизм управления рабочими процессами, bmad-create-architecture обеспечивает воспроизводимость и автоматизацию этапов проектирования. Для начала работы ознакомьтесь с инструкциями в файле ./workflow.md. Фреймворк предназначен для команд разработчиков, стремящихся к ускорению процесса проектирования и созданию надежных, эффективных и легко поддерживаемых архитектурных решений.

Внедряй проверенные архитектурные паттерны бэкенда, такие как Clean Architecture, Hexagonal Architecture и Domain-Driven Design. Применяй эти знания при проектировании архитектуры нового микросервиса, рефакторинге монолита с использованием границ контекста, реализации паттернов hexagonal или onion architecture, или при дебаге зависимостей между слоями приложения.

Реализуйте паттерны "саги" для распределённых транзакций и кросс-агрегатных воркфлоу. Применяйте этот навык при реализации распределённых транзакций между микросервисами, когда двухфазная фиксация (2PC) недоступна, при проектировании компенсирующих действий для неудачных сценариев оформления заказов, охватывающих сервисы инвентаризации, оплаты и доставки, при создании управляющих "саг", основанных на событиях, для систем бронирования путешествий, которые должны атомарно откатывать бронирования отелей, авиабилетов и аренды автомобилей, или при отладке застрявших состояний "саги" в продакшене, когда шаги компенсации никогда не завершаются.

Проектируйте многоступенчатые CI/CD пайплайны с этапами согласования, проверками безопасности и оркестрацией деплоя. Применяйте эти навыки при создании пайплайнов деплоя без простоев, реализации стратегий Canary-релизов, настройке воркфлоу продвижения между окружениями или отладке проблемных этапов согласования в CI/CD.

Синхронизируйте параллельную разработку фич, используя стратегии владения файлами, правила предотвращения конфликтов и паттерны интеграции для реализации с участием нескольких агентов. Применяйте этот навык, когда разбиваете большую фичу на независимые потоки работ, когда два или более агентов должны одновременно разрабатывать разные слои одной и той же системы, когда определяете владельцев файлов, чтобы избежать конфликтов при слиянии в общей кодовой базе, когда проектируете интерфейсы, чтобы параллельные разработчики могли строить на основе API друг друга до их финальной готовности, или когда решаете, использовать ли вертикальные срезы или горизонтальные слои для фуллстэк-фичи.

При проектировании нового сервиса или компонента с нуля, а также при рефакторинге раздувшегося "бога" класса или монолитной функции, стоит руководствоваться принципами KISS, разделением ответственности, единственной ответственностью и предпочтением композиции наследованию. Это поможет определить, как лучше распределить обязанности, стоит ли добавлять новые абстракции или лучше обойтись дублированием, оценивать пулл-реквесты на предмет структурных проблем, таких как жёсткая связанность или утечка внутренних типов, выбирать между наследованием и композицией при создании новой иерархии классов, или когда кодовая база становится трудно тестируемой из-за переплетения бизнес-логики и ввода-вывода.

Выявляй сложные проблемы, рассматривая конкурирующие гипотезы параллельно: проводи расследования, собирай доказательства и определяй первопричину. Применяй этот подход при дебаге багов с несколькими вероятными причинами, анализе первопричин или организации параллельных рабочих процессов.

Разбивай сложные задачи на подзадачи, проектируй графы зависимостей и координируй работу нескольких агентов, предоставляя четкие описания задач и балансируя нагрузку. Применяй этот навык, когда распределяешь работу между командами агентов, управляешь зависимостями между задачами или отслеживаешь прогресс команды.

Определите структурированные протоколы обмена сообщениями для коммуникации между агентами, включая выбор типа сообщения, утверждение планов, процедуры завершения работы и антипаттерны, которых следует избегать. Применяйте этот навык при установлении правил коммуникации для новой команды, при решении, отправлять ли прямое сообщение или широковещательную рассылку, когда тимлиду нужно проверить и утвердить план исполнителя перед началом работы, при организации плавного завершения работы команды после выполнения всех задач или при дебаге, чтобы понять, почему участники команды не координируют свои действия на этапах интеграции.

Решение сложных задач требует эффективной организации и автоматизации задач. Langchain-architecture предоставляет инструменты и архитектурные решения для построения продвинутых приложений на базе больших языковых моделей (LLM), в частности, для работы с Claude Code, обеспечивая гибкость и масштабируемость. Это позволяет создавать сложные скрипты и автоматизировать рутинные операции. Архитектура Langchain-architecture включает в себя ключевые компоненты, такие как LangChain 1.x, LangGraph и интеграции с различными сервисами (OpenAI, Anthropic, Voyage AI), позволяющие управлять состоянием, памятью и доступом к инструментам. Это обеспечивает основу для создания надежных и эффективных решений. Внедрение Langchain-architecture позволяет оптимизировать рабочий процесс разработки LLM-приложений, создавая модульные, многократно используемые компоненты и конвейеры обработки документов. Это значительно упрощает создание и поддержку сложных систем, основанных на LLM.

При создании серверов MCP полезно использовать этот подход для интеграции внешних API или сервисов, будь то на Python (FastMCP) или Node/TypeScript (MCP SDK).

Ключевой навык UI/UX разработки для создания интерактивных, объёмных, лёгких и интерфейсов в стиле глэмморф с использованием GSAP и 3D CSS.

Управляйте задачами, проектами и командами в Linear.

Разработчик систем в Andru.ia. Проектируй, пиши и деплой новые возможности (скиллы) в репозитории, следуя Стандарту Бриллианта.

Разработка на AWS с автоматизацией инфраструктуры и паттернами облачной архитектуры.

Направляющие, постоянно меняющиеся ограничения для агентов при создании интерфейсов.

Решение проблемы интеграции с различными моделями искусственного интеллекта и API стало проще благодаря нашему решению. Библиотека предоставляет набор готовых агентов и инструментов, значительно ускоряя разработку игр, оптимизируя процессы геймдева, и позволяя сосредоточиться на создании уникальных продуктов. Инструменты включают в себя обширную библиотеку навыков, удобный CLI установщик и готовые рабочие процессы. Техническая реализация основана на JavaScript, Python и использует Anthropic SDK, а также интегрируется с GitHub Actions для автоматизации. Это позволяет легко создавать сложные AI-решения, используя готовые компоненты, что особенно ценно при работе с игровым движком и создании интерактивных приложений. Наш продукт предоставляет гибкость в выборе моделей искусственного интеллекта и упрощает управление затратами на API. Мы предлагаем не просто обертку, а комплексное решение для создания надежных и масштабируемых AI-powered продуктов, где продумана каждая деталь от входных данных до пользовательского ответа.

Разработка сложных AI Agents, включая автономных агентов и многоагентные системы, часто требует значительных усилий. Этот модуль предоставляет библиотеку готовых навыков и рабочих процессов, оптимизирующих геймдев и другие приложения, где требуется автоматизация и интеграция с инструментами. Он позволяет значительно ускорить создание и развертывание агентов, упрощая архитектуру и управление. В основе решения – обширная библиотека (1326+ навыков) и удобный CLI для управления ими. Предустановленные рабочие процессы и наборы навыков позволяют быстро приступить к проектированию, реализации и тестированию агентов, а также интеграции с существующими системами, что особенно актуально при создании сложных разработка игр. Технический стек включает Python, инструменты командной строки и поддержку LLMs, обеспечивая гибкость и масштабируемость. Модуль идеально подходит для решения задач, связанных с игровым движком и автоматизацией, позволяя разработчикам сосредоточиться на ключевых аспектах проекта.

Решение bdi-mental-states позволяет преобразовывать внешние данные в формате RDF в формализованные ментальные состояния агентов (убеждения, желания, намерения), что обеспечивает логическое рассуждение и объяснимость в рамках когнитивной архитектуры. Это открытое open-source решение идеально подходит для создания интеллектуальных систем, способных адаптироваться к изменяющейся среде. bdi-mental-states – это инструмент разработчика, основанный на BDI Ontology, RDF, Turtle и Python, который позволяет моделировать рациональное поведение агентов, включая восприятие, обдумывание и действия. Поддерживается координация ментальных состояний в многоагентных системах, а также интеграция с большими языковыми моделями (LLMs) для повышения точности и интерпретируемости. Используя bdi-mental-states, можно значительно упростить автоматизацию процессов, связанных с управлением ментальными состояниями агентов, отслеживанием их эволюции во времени и построением цепочек рассуждений. Поддерживаются такие фреймворки как SEMAS, JADE и JADEX, что обеспечивает гибкость и масштабируемость разрабатываемых систем.

Библиотека autonomous-agents предоставляет набор агентских навыков и инструментов для создания автономных ИИ-агентов, с акцентом на надежность и ограничения, а не на неограниченную автономию. Решение проблемы ненадежного поведения ИИ достигается за счет поэтапного наращивания автономии, начиная с строго контролируемых агентов, выполняющих конкретные задачи. Это позволяет обеспечить стабильную работу и предсказуемость в производственных условиях, что является ключевым аспектом full-stack разработка и полный цикл разработки подобных систем. Центральной идеей является "завоевание" автономии, а не ее предоставление. Предусмотрена возможность установки настраиваемых навыков, а также CLI-инструменты для их управления. Встроенные рабочие процессы агентов позволяют быстро создавать и тестировать различные сценарии, что упрощает создание и поддержку веб-приложение с использованием ИИ. Особое внимание уделяется надежности и ограничениям агентов, что критически важно для предотвращения нежелательных последствий. Технический стек включает Python, CLI-инструменты, API LLM (например, Claude, Gemini, Codex) и интеграцию с GitHub Actions для автоматизации процессов. Поддерживаются паттерны ReAct, Plan-Execute и Reflection для повышения эффективности и самокоррекции агентов. Основной акцент делается на предотвращение распространенных ошибок, таких как неограниченная автономия и слепое доверие к результатам работы агента.

Решение agent-memory-mcp позволяет создавать надежный и постоянно доступный хранилище данных для ИИ-агентов, обеспечивая сохранение и поиск долгосрочных знаний и принятых решений. Это ключевой инструмент разработчика для построения сложных, контекстуально осведомленных систем. Автоматическая синхронизация с проектной документацией гарантирует актуальность информации. Данный модуль реализует open-source решение на базе Node.js, JavaScript и протокола MCP (Memory Collection Protocol). Использование npm упрощает установку и управление зависимостями, а интеграция с GitHub CLI облегчает развертывание и обновление. Функциональность включает в себя постоянное хранение памяти, поиск по ключевым словам и тегам, а также автоматическую синхронизацию с документацией проекта. Автоматизация процесса сохранения и извлечения информации значительно повышает эффективность работы ИИ-агентов. Для использования требуется Node.js (v18+) и простая установка через npm. Предоставляемые MCP Tools, такие как memory_search, позволяют легко осуществлять поиск по различным критериям, обеспечивая гибкость и удобство работы с хранилищем памяти.

Flow Nexus Swarm решает проблему сложной координации и управления роем AI-агентов, предоставляя платформу для оркестровки и автоматизации рабочих процессов. Особенно эффективен при использовании с Anthropic Claude и Codex, позволяя создавать интеллектуальные решения на базе большой языковой модели и обеспечивая гибкость в архитектуре роя (иерархическая, меш, кольцевая, звездная). Платформа поддерживает асинхронное выполнение задач через Message Queues и обеспечивает интеллектуальное назначение AI-агентов на основе Vector Similarity Matching. Это позволяет оптимизировать производительность и эффективность роя, а также упрощает интеграцию с существующей Cloud Infrastructure. Flow Nexus Swarm – это мощный инструмент для разработки и внедрения сложных систем, использующих искусственный интеллект. Он предоставляет готовые шаблоны и возможности мониторинга в реальном времени, значительно упрощая управление роем и позволяя сосредоточиться на решении бизнес-задач с использованием AI-агентов.

AgentDB Memory Patterns решает проблему управления памятью для AI-агентов, обеспечивая сохранение контекста, обучение на взаимодействиях и запоминание предыдущих разговоров. Это позволяет значительно повысить производительность по сравнению с традиционными подходами, особенно при работе с большими языковыми моделями и сложными задачами. Интеграция с ReasoningBank и использование постоянного хранилища данных в AgentDB позволяют AI-агенту поддерживать последовательность действий и адаптироваться к изменяющимся условиям. Решения Memory Patterns демонстрируют прирост производительности в 150x - 12,500x по сравнению с обычными методами, сохраняя полную обратную совместимость. Разработка пользовательских шаблонов обучения упрощается благодаря встроенному мастеру создания плагинов. Технологический стек включает Node.js, TypeScript и интеграцию с искусственным интеллектом от Anthropic Claude, что обеспечивает гибкость и масштабируемость для различных сценариев применения.

AgentDB Memory Patterns решает проблему управления памятью для AI-агентов, обеспечивая возможность запоминания разговоров, обучения на взаимодействиях и поддержания контекста между сеансами. Это значительно повышает производительность по сравнению с традиционными методами, особенно при работе с большими языковыми моделями и сложными задачами. В основе решения лежит интеграция с AgentDB для постоянного хранения данных и ReasoningBank для извлечения знаний. Предоставляются готовые шаблоны плагинов для различных подходов к обучению, таких как decision transformer и Q-learning. Технологический стек включает Node.js и векторную базу данных, обеспечивая скорость работы в 150x-12,500 раз выше, чем у стандартных решений, при полной обратной совместимости. Данный модуль позволяет создавать более эффективных и адаптивных AI-агентов, способных к непрерывному обучению и улучшению производительности. Требуется Node.js версии 18 и выше, а также AgentDB v1.0.7 или более поздняя версия.

Создаёт Railway проекты, сервисы и базы данных с корректной конфигурацией. Используется, когда пользователь говорит "настроить", "развернуть на Railway", "инициализировать", "создать проект", "создать сервис" или хочет развернуть из GitHub. Обрабатывает первичную настройку И добавление сервисов к существующим проектам. Для баз данных используйте навык railway-railway-database.

Ищи и деплой сервисы из шаблонов Railway. Используй, когда нужно добавить сервис из шаблона, найти шаблоны для конкретной задачи или развернуть инструменты вроде Ghost, Strapi, n8n, Minio, Uptime Kuma и другие. Для баз данных (Postgres, Redis, MySQL, MongoDB) лучше используй skill railway-database.

Vector-db – это open-source решение, предоставляющее экспертные знания и практические рекомендации по проектированию, развертыванию и оптимизации систем векторного поиска, особенно актуальных для приложений Retrieval-Augmented Generation (RAG). Репозиторий охватывает ключевые аспекты, начиная от выбора моделей эмбеддингов и заканчивая стратегиями индексации и техниками гибридного поиска, обеспечивая высокую эффективность семантического поиска и рекомендательных систем. Инструмент разработчика предлагает детальные руководства по выбору оптимальных моделей эмбеддингов (например, OpenAI API, Cohere API), стратегиям индексации, лучшим практикам разбиения документов на чанки и применению гибридных методов поиска. Поддерживаемые технологии включают Rust, а также интеграцию с различными векторными базами данных и моделями эмбеддингов. Внедрение Vector-db позволяет существенно упростить и автоматизировать процесс создания и поддержки эффективных систем векторного поиска, повышая точность и скорость извлечения релевантной информации. Рекомендации по размеру чанков и метрикам расстояния (косинусное сходство, скалярное произведение, L2) напрямую влияют на качество поиска и требуют тщательного рассмотрения.

Этот инструмент командной строки демонстрирует и применяет Rust шаблоны проектирования, ориентированные на повышение безопасности и гибкости конфигурации, особенно полезные в разработке игр и при работе с игровым движком. Он решает проблему небезопасного кода и сложных конфигураций, предоставляя практические примеры, применимые к архитектуре модуля фильтров RTK. В частности, демонстрируется шаблон Newtype для обеспечения типобезопасности (например, для валидации имен команд и путей), а также шаблон Builder для управления сложной конфигурацией. Применение этих шаблонов позволяет избежать распространенных ошибок и упрощает поддержку и расширение функциональности в процессе геймдева. Примеры кода иллюстрируют практическое применение шаблонов в контексте RTK, включая валидацию имен команд с использованием anyhow и String. Этот инструмент предназначен для разработчиков, стремящихся улучшить качество и надежность своего Rust кода, особенно в задачах, связанных с созданием инструментов командной строки и разработкой игр.

Решение для создания сложных систем искусственного интеллекта, где ключевую роль играет моделирование когнитивных процессов. bdi-mental-states предоставляет структурированный фреймворк для представления и обработки ментальных состояний агентов (убеждений, желаний, намерений) на основе паттернов BDI онтологии, что необходимо при разработке игр и других интерактивных приложений. Интеграция с существующими платформами, такими как JADE и JADEX, упрощает внедрение. Основа фреймворка – формальные онтологические паттерны BDI, обеспечивающие возможность логического вывода и объяснимости действий агентов. Поддержка деликативного рассуждения позволяет создавать более реалистичное поведение в игровом движке, а также предоставляет инструменты для отслеживания эволюции ментальных состояний во времени. Используемые технологии: RDF, OWL. bdi-mental-states – ценный инструмент для геймдев специалистов и разработчиков, стремящихся к созданию сложных, когнитивно-ориентированных систем. Позволяет преобразовывать внешние данные в ментальные состояния агентов, обеспечивая семантическую совместимость и расширяя возможности для логически обоснованных действий и объяснений.