Абсолютно огромный альфа-дамп от основателя DARK @edgarpavlovsky сегодня о пользовательском опыте приложения Scout и нашем видении того, куда движется следующее поколение исследовательских приложений на базе AI.

Что привлекает ваше внимание?

Чат-интерфейс мертв

(и почему $dark живет в будущем)

Мы разрабатываем приложение @darkresearchai и общаемся с пользователями о том, как они проводят исследования в crypto.

Все думают о более быстрых лошадях. Нам нужен Ford Model T.

Чат останется частью общения с AI -- нет веских причин для его полного исчезновения -- но интерфейсы, основанные только на чате, являются рудиментарными по сравнению с тем, что может быть.

Возьмем выступление @karpathy в YC на прошлой неделе: он использует @cursor_ai в качестве отличного примера следующей эволюции интерфейсов. cursor буквально взорвал мир разработчиков по паре ключевых причин (и все они встроены в Scout от @darkresearchai ☺️):

1) Приложения не должны просто вызывать LLMs

Вызов LLM (как вы делаете в ChatGPT) — это всего лишь часть опыта. Когда вы проводите исследование, вы организуете тонну информации. Возможно, вы захотите вести текущие заметки, организованные по темам, или, возможно, вы решите углубиться в различные части вашего исследования в разное время.

Это относится ко всем глубоким исследованиям -- отчеты не заканчиваются после их создания, это только первая версия. Приложения для исследований должны учитывать это; Я все больше убеждаюсь, что это будущее того, как будут выглядеть все приложения для ведения заметок.

Технически говоря: приложения должны понимать состояние всего пользовательского опыта и разумно интегрировать нужные его части в контекстные окна для вызовов LLM.

2) Приложения должны обрабатывать оркестровку моделей и инструментов

Различные LLMs, embeddings, вызовы инструментов, память — все это должно обрабатываться для пользователя за кулисами. Именно здесь будут процветать мультиагентные системы, и именно поэтому мы перевели Scout на мультиагентную систему. Мультиагентные системы позволяют разделять роли [оркестровки] и [специализации] между различными агентами в рамках одного процесса, создавая архитектуру, которая

(a) может лучше сосредоточиться на выполнении задач
(b) является более расширяемой

В конечном счете: делайте больше, делайте это лучше и не просите пользователя беспокоиться о технических деталях реализации.

3) GUI, специфичные для приложений, лучше

Чат — это прекрасный интерфейс, но чат ограничен — вы никогда не проводили свои исследования в чате, пока чат не стал единственным способом работы с LLM в исследованиях. Вы по-прежнему будете разговаривать с LLM через чат, но ваше исследование на самом деле является упражнением по ведению заметок — мы разрабатываем это в @darkresearchai.

4) Самое важное: ползунок автономии

Это, вероятно, самая мощная функция Cursor: она позволяет пользователям плавно выбирать между ручной работой над кодом и работой с AI над ним, с несколькими уровнями кодирования на основе AI в спектре.

Исследования будут выглядеть так же, с некоторыми различными настройками. Вы можете:

(a) Хотите писать заметки вручную (самый быстрый способ что-то записать)
(b) Использовать обогащение данных для расширения ваших заметок (что, если вы просто хотите расширить определенный блок пунктов, которые вы записали ранее?)
(c) Поручить AI писать целые отчеты для вас

Вам нужна эта гибкость, все в одном месте, не задумываясь об этом. Это опыт, который Cursor предоставляет разработчикам, и это опыт, который Scout предоставит исследователям.

Магия Scout действительно начала проявляться на этой последней неделе, когда мы добавили интерфейс к его опыту и начали уточнять визуальные эффекты.

Я очень рад, что вы начнете с ним играть. Дайте мне знать, что вы хотите видеть в UX в комментариях!

PS: Скриншот cursor ниже — это фактический код бэкенда Scout 👀 видите какие-нибудь пасхалки, которые бросаются в глаза?