Перейти к содержимому
Экосистема AI Vibe

Разборы

Ворон, моль и makefile: почему ~20 KB workflow бьёт terabyte LLM у coding-агента

Редакция 5 ноября 2026 г.

Ворон, моль и makefile: почему ~20 KB workflow бьёт terabyte LLM у coding-агента

Замороженные веса модели, компактный «геном» правил в git и стая шрамов в реестре расходятся: solo с coding-агентом без makefile и реестра шрамов снова ловит production-bug zapper, хотя стек «известен» из туториалов. В разборе Randal Schwartz (Google Developer Expert) проводит параллель между новокаледонскими воронами и frontier LLM и показывает, куда уходит мудрость без WORKFLOW.mk и SKILL.md, когда агент остаётся на phototaxis моли к «фонарю» среднего prior.

Три слоя, не один промпт.

Когда LLM ведёт себя как моль у крыльца

У моли phototaxis зашит жёстко: держи самый яркий свет под постоянным углом. Луна «на бесконечности» даёт прямой полёт; лампа на крыльце в двух метрах превращает траекторию в логарифмическую спираль прямо в лампу. Schwartz переносит это на argmax P(token | context) относительно «Sunny-Day Tutorial Average»: короткий урок «работает», потому что там не отменяют StreamSubscription, не опираются на wall-clock DateTime.now() и не разгоняют неограниченные параллельные записи. В stateful monorepo тот же prior превращается в Vector 2: The Trap, соблазнительную цепочку 5-6-7-8, которую автор называет «3 AM production bug zapper»: модель и coding-агент «заворачивают спиралью» в типовую ловушку, хотя формально следуют учебнику.

Спираль в проде не отличается от спирали на крыльце.

Комментатор Sam LABBE на той же странице разворачивает moth/crow уже в middleware: redirect-following как «луна vs крыльцо» с утечкой credentials; fix «never follow, return 302 untouched» описан как «crow, one poke per leg». Для агента в проде это карта того, где frontier LLM (в серии фигурируют Gemini, Claude, GPT-OSS) повторяет frozen prior вместо одного проверенного poke по реальности репозитория.

Ворон, Genomic Bottleneck и ~20 KB makefile

Новокаледонские вороны гнут проволоку в крючки без обучения (кейс Betty из Oxford footage); изоляционные опыты Kenward et al. (2005) показывают juveniles без взрослых, которые всё равно начинают stick poking. Schwartz цитирует Anthony M. Zador (Nature Communications, 2019): Genomic Bottleneck, когда геном задаёт rules, а не полный wiring diagram. Масштабы из поста: порядка 1,2 млрд пар оснований, ~300 MB сырых 2-bit данных на весь геном ворона; в таблице bottleneck это против ~1 TB pre-trained weights (theta) LLM.

Компактный код поведения, не раздувание ДНК.

Эволюционный ответ на bottleneck не раздувание DNA, а компактный исполняемый слой. В серии Synthetic Scars это WORKFLOW.mk (~20 KB declarative DAG): immutable probing loop с targets вроде Target 15 (strict digraph blast radius) → Target 30 tdd-red → Target 35 green → Target 40 Clean-Room Critic. Отдельная часть серии формулирует: Stuart Feldman Was Right in 1976: Why Your AI Agent Needs a Makefile, Not a 20-Step Prompt. Итоговая метафора автора: evolution дала ворону 20-kilobyte «makefile», а LLM оставила moth's porch light.

Для разработчика с AI coding agents и autonomous software engineering systems вывод не в том, чтобы «добавить параметров», а сжать правила в версионируемый DAG, который заставляет агента poke reality до фикса. Иначе trillion-parameter motor cortex остаётся без wisdom layer.

Шрамы в git: от SCAR_REGISTRY до локальных sensors

«Scar file» в заголовке не один файл с таким именем, а семейство Synthetic Scars (реестр на syntheticscars.org): SCAR_REGISTRY.md с 4-Vector Scars (Wound, Trap, Circuit Breaker, Reflex), tier-1 scar-aligned weights и 15 ms AST/linter sensors. Автор заявляет масштаб 618 scars и в таблице нарратива 0,0% repeat regression rate across 256 tickets; это claim из поста, не независимый бенчмарк, но логика для агента ясна: шрам это git-версионируемая «стая» вместо устного folklore, с Target 90 на компиляцию шрама в Git.

Folklore в чате не переживает смену модели.

Три слоя из summary поста: innate probing loop (WORKFLOW.mk), spinal nociception (SCAR-TDD-01), flock memory (SCAR_REGISTRY.md). Marzluff mask experiments в тексте иллюстрируют культурную передачу «шрама» стаей; аналог для команды не один heroic prompt, а реестр, который переживает смену модели в agent loop.

Рядом с makefile в workflow лежит SKILL.md; в серии есть часть про перенос guardrails из Markdown в Git locks / local compiler. Для solo-prod это ближе к vibe-практике, чем очередной megaprompt: правила компилируются, а не пересказываются агенту каждую сессию. В обсуждении под постом автор упоминает llama.cpp и local edge inference как опциональный слой, если облачный frontier LLM недоступен, но makefile и scars остаются якорем поведения.

Что перенести в цикл coding-агента

Schwartz формулирует итог так: frontier LLM уже несёт «сырую motor cortex»; wisdom лежит в паре trillion-parameter весов с compact Genomic Bottleneck того, кто «жил на улице в погоду». Для читателя с coding-агентом практический минимум по фактам материала:

  • не заменять make/DAG + targets длинным one-shot prompt;
  • держать SKILL.md и scar-aligned checks в репозитории, а не только в чате;
  • ловить moth-patterns (tutorial prior) до prod через tdd-red/green и adversarial critic target, а не через надежду на размер модели;
  • относиться к 618/256/0,0% как к авторской метрике серии, пока нет внешней верификации.

Текущий пост это Part 4.3 цикла; Part 4.4 обещан как next, но механизм уже описан: ~300 MB «crow DNA» против ~20 KB active workflow/scars против ~1 TB LLM weights. Речь не про биологический спор, а про то, где coding-агент берёт instinct.

Источники

  • Randal L. Schwartz (Google Developer Experts, Dart/Flutter), «Crows, Moths, and Makefiles: How 300 Megabytes of Crow DNA Explains Why a 20-Kilobyte Scar File Outsmarts a Terabyte LLM» — Dev.to (доступ 2026-11-05, обогащение primary).