Этот ИИ пишет код, а не просто текст

Большие языковые модели (LLMs) по своей сути функционируют как вероятностные предсказатели текста, а не детерминированные калькуляторы. Их архитектура превосходно генерирует связный, контекстуально релевантный язык, предсказывая следующий наиболее вероятный токен в последовательности. Такая конструкция делает их мощными для творческого письма, суммаризации и перевода, но по своей природе плохо приспособленными для точных, пошаговых математических вычислений. LLMs по сути «угадывают» числа или логические результаты на основе паттернов в своих обучающих данных, а не выполняют вычисления с уверенностью.

Это ключевое ограничение создает значительные препятствия в анализе данных и численных задачах. LLMs часто допускают математические ошибки, неверно интерпретируют логические связи и могут даже галлюцинировать данные или неверные статистические сводки. Полагаться на LLM без посторонней помощи для агрегирования цифр, вычисления средних значений или получения сложных выводов из необработанных числовых данных серьезно подрывает точность и надежность. Результат может *выглядеть* правдоподобным, но его фактическая основа остается под вопросом.

Разработчики традиционно смягчают эти проблемы с помощью парадигмы «вызова инструмента» или «вызова функции». LLM, распознавая необходимость в вычислении, генерирует структурированный вызов внешнего, детерминированного инструмента, такого как API калькулятора или механизм запросов к базе данных. Хотя этот подход повышает точность, он создает значительные операционные издержки. Каждое взаимодействие требует множества циклов обмена данными между LLM и внешним инструментом, что приводит к высокой задержке и значительному потреблению токенов для каждого промежуточного шага. Сложные рабочие процессы с данными быстро становятся непомерно медленными и дорогими.

Джек Херрингтон в своем видео «Prompt to Dashboard in One AI Tool Call» точно формулирует эту проблему. Он заявляет: «LLMs ужасно справляются с математикой нативно». Херрингтон подчеркивает, как такие решения, как Code Mode от Tanstack AI, решают эту проблему, заставляя LLMs генерировать детерминированный код на TypeScript. Этот код затем выполняется в безопасной песочнице, перекладывая все математические операции на надежную среду выполнения. Этот метод гарантирует точное и эффективное выполнение вычислений, обходя присущие LLM числовые слабости.

Tanstack AI представляет Code Mode, новое решение, устраняющее присущие большим языковым моделям ограничения, в частности, их трудности с детерминированными вычислениями и многошаговым рассуждением. Вместо того чтобы полагаться на вероятностное предсказание текста LLM для сложной логики, Code Mode принципиально меняет парадигму. Он предписывает LLM *написать программу* — а именно, скрипт на TypeScript — которая организует инструменты и выполняет задачи в безопасной песочнице, трансформируя то, как ИИ взаимодействует с внешними системами.

Традиционные подходы LLM включают модель «чата», где ИИ принимает последовательные решения Tool Call Using Code Mode, что часто приводит к многочисленным взаимным взаимодействиям, более высоким затратам на токены и более медленному выполнению. Code Mode, однако, использует детерминированную модель программирования. LLM получает Prompt и в ответ генерирует полную программу на TypeScript. Эта программа затем использует внедренные функции, такие как `query table`, `report text` или `report grid`, для выполнения всех необходимых операций за одно эффективное выполнение внутри защищенной виртуальной машины.

Видео Джека Херрингтона «Prompt to Dashboard in One AI Tool Call» ярко демонстрирует эту возможность. Он показывает, как Code Mode подключается к Netlify Database, генерирует Dashboard с ежедневными тенденциями доходов и выполняет сложные вычисления. LLM, вместо того чтобы пытаться выполнять математические операции самостоятельно — известная слабость, приводящая к неточностям, — умело пишет код на TypeScript, который выполняет точные математические операции. Это переносит вычисления на детерминированный рантайм, обеспечивая точность и преодолевая серьезное препятствие для LLM.

Этот инновационный подход предоставляет AI беспрецедентную возможность решать сложные, многоэтапные задачи в рамках единого, оптимизированного процесса. Объединяя несколько операций в одну сгенерированную программу, Code Mode значительно сокращает использование токенов и увеличивает скорость выполнения по сравнению с традиционными последовательными вызовами инструментов. Системный промпт предоставляет LLM исчерпывающие сведения обо всех доступных внедренных инструментах, позволяя ему писать высокоэффективные и интегрированные программы. Это гарантирует, что AI может выполнять сложные преобразования данных и генерировать богатые выходные данные, такие как динамический Dashboard, показанный в демонстрации Херрингтона, с превосходной надежностью и эффективностью. Это знаменует собой значительный шаг к более автономным и способным системам AI.

Code Mode от Tanstack AI принципиально переопределяет то, как Large Language Models взаимодействуют со сложными системами. Вместо генерации фрагментированных вызовов инструментов или попыток прямых запросов к базе данных, LLM получает надежный системный Prompt, подробно описывающий набор доступных, предопределенных функций. Это не просто абстрактные команды; это полностью типизированные функции JavaScript/TypeScript, тщательно разработанные для выполнения конкретных операций, таких как запрос к базам данных или рендеринг UI-компонентов. Этот подход смягчает присущие LLM ограничения, в частности его вероятностную природу, путем перекладывания детерминированных задач на безопасную, высокопроизводительную среду выполнения.

Разработчики определяют стандартные инструменты Tanstack AI, такие как `queryTable` для взаимодействия с базой данных или `reportGrid` для рендеринга UI. Затем Code Mode берет эти определения и, что крайне важно, внедряет их непосредственно в безопасную среду выполнения. Эта среда может быть изолятом Node.js V8, легковесной средой выполнения QuickJS WebAssembly или даже Cloudflare Workers, обеспечивая как безопасность, так и масштабируемость. Этот процесс внедрения предоставляет LLM конкретный, исполняемый API, устраняя разрыв между его возможностями генерации текста и потребностью в точной вычислительной логике. Для получения более глубоких технических сведений обратитесь к Overview | TanStack AI Docs.

Вооружившись этим всеобъемлющим системным Prompt, LLM больше не «угадывает» вызовы API. Он генерирует полную, самодостаточную программу на TypeScript, предназначенную для сквозного решения запроса пользователя. Эта программа использует внедренные функции в качестве своих строительных блоков. Например, пользователь, запрашивающий «daily revenue trends», побуждает LLM написать код на TypeScript, который сначала вызывает `queryTable` для получения необработанных данных о продажах из Netlify Database.

После извлечения данных сгенерированная программа на TypeScript берет на себя основную работу. Она выполняет все необходимые агрегации, расчеты дат и анализ тенденций, используя стандартную, детерминированную логику TypeScript. Именно здесь Code Mode по-настоящему проявляет себя: LLM, как известно, плохо справляются с нативной арифметикой, но они превосходно генерируют точный код на TypeScript, который безупречно выполняет математические операции. Наконец, программа использует внедренные UI-функции, такие как `reportText`, `reportGrid` или `reportCard`, для форматирования вычисленных результатов в структурированный, удобочитаемый вывод, который затем возвращается LLM для обобщения.

Рассмотрим этот упрощенный концептуальный поток: ```typescript async function generateDailyRevenueReport() { const rawData = await queryTable("purchases", { where: { date: { gte: "two_months_ago" } } });

// Выполняем сложные группировки по датам и расчеты сумм в TypeScript const aggregatedData = calculateDailySums(rawData);

reportGrid("Daily Revenue Trend", aggregatedData); reportMetrics({ totalRevenue: sumAll(aggregatedData) });

return "Report generated successfully with daily revenue trends."; } ``` Эта единственная сгенерированная программа на TypeScript выполняется в песочнице (sandbox), предоставляя точные результаты и значительно снижая затраты токенов по сравнению с итеративными вызовами инструментов LLM. Затем LLM получает возвращаемое значение программы, что позволяет ему создать краткое сводное описание в формате markdown для пользователя в чате Discord.

Разблокируйте свои данные с помощью одного Prompt, используя Code Mode от Tanstack AI. Система превосходно интегрируется с базами данных SQL, что демонстрируется на примере с Netlify Database. Пользователи могут просто запрашивать сложные аналитические данные, превращая необработанные данные в полезную информацию без написания единой строки традиционного кода.

Демонстрация Jack Herrington показала сценарий электронной коммерции. Пользователь ввел Prompt "daily revenue trend", мгновенно сгенерировав исчерпывающий отчет. Этот отчет, отображаемый как новый элемент Dashboard, предоставил тенденции доходов за последние два месяца, дополненные динамическими диаграммами и кратким сводным описанием в формате markdown.

Превосходство Code Mode над прямым взаимодействием LLM-to-SQL проистекает из его интеллектуальной оркестровки. Вместо того чтобы предоставлять ИИ необработанные инструменты `execute SQL`, LLM генерирует код TypeScript. Затем эта программа использует внедренные функции, такие как `query table`, для получения необходимых необработанных данных из базы данных. Это критическое различие перекладывает все сложные преобразования данных и математические вычисления на среду выполнения TypeScript (TypeScript runtime), где точность гарантирована.

LLM, как известно, ненадежны для нативных математических операций. Заставляя LLM генерировать TypeScript, который выполняет математические вычисления, Code Mode обходит это фундаментальное ограничение, обеспечивая точные результаты. Этот подход также значительно снижает затраты токенов и улучшает скорость выполнения по сравнению с последовательными вызовами инструментов LLM. Сгенерированный TypeScript впоследствии использует другие внедренные инструменты, такие как `report text` и `report grid`, для форматирования обработанных данных в окончательный отчет.

В основе этого взаимодействия с базой данных лежит Drizzle ORM. Этот Object-Relational Mapper определяет схему базы данных для таких сущностей, как клиенты и покупки, обеспечивая критически важную переносимость между различными базами данных PostgreSQL. `defineConfig` из Drizzle Kit упрощает настройку, делая надежную интеграцию с базой данных мощной и простой в экосистеме Code Mode. Эта комбинация обеспечивает высоконадежный и эффективный метод анализа данных с помощью ИИ.

Jack Herrington выбрал новую Netlify Database от Netlify в качестве надежного бэкенда для демонстрации Code Mode, высоко оценив ее возможности. Будучи бессерверным предложением Postgres (serverless Postgres offering), она упрощает разработку благодаря простой локальной настройке и бесшовному развертыванию в продакшене. Herrington особо отметил ее «суперкрутые» развертывания веток (branch deploys), автоматически подготавливающие изолированные тестовые среды для каждой ветки кода, обеспечивая надежную разработку без конфликтов.

Процесс настройки начался с установки необходимых зависимостей, среди которых заметное место занимал `@netlify/database@1.0` в `package.json`. Затем разработчики запустили локальную среду разработки, автоматически стартуя локальный симулятор базы данных в отдельном терминале. Эта локальная симуляция точно отражает производственную среду, обеспечивая согласованность и предсказуемость с самых ранних этапов.

Далее Херрингтон продемонстрировал генерацию миграций схемы базы данных с помощью `Drizzle Kit generate`, что является критически важным шагом для определения структуры базы данных. Эта команда создала версионированные файлы миграций в директории `netlify/database/migrations`, описывающие такие таблицы, как customers и products. Применение этих миграций было быстрым, выполненным с помощью `netlify database migrations apply`, что обеспечило правильное создание схемы.

После того как схема была надежно установлена, следующим важным шагом стало заполнение базы данных тестовыми данными. Простая команда `DB seed` эффективно вставила полный набор образцов данных customers и products, подготовив базу данных с реалистичными записями. Это быстрое заполнение гарантировало немедленную готовность базы данных к сложным запросам и изощренному анализу с помощью Code Mode, ускоряя разработку.

Наконец, Херрингтон продемонстрировал Drizzle Studio, мощный и интуитивно понятный интерфейс для визуализации и взаимодействия с базой данных во время активной разработки. Доступный при запуске `DB Studio`, этот «действительно крутой интерфейс» предоставляет немедленный графический обзор таблиц, данных и схемы, описываемый как «буквально проще не бывает». Он значительно упрощает отладку и проверку, предлагая четкое окно в состояние базы данных в реальном времени.

Code Mode от Tanstack AI открывает новую эру для разработки на основе ИИ, предлагая убедительную триаду преимуществ: более быстрое выполнение, значительно более низкие эксплуатационные расходы и очевидно более умные, надежные результаты. Эта инновационная парадигма напрямую устраняет присущие Large Language Models недостатки при организации сложных, многоэтапных задач, требующих точности и эффективности.

Беспрецедентный прирост скорости переопределяет пользовательский опыт. Традиционные методы включают многочисленные последовательные шаги, каждый из которых требует отдельного сетевого обмена и отдельного вызова LLM. Консолидируя весь этот рабочий процесс в единый Tool Call Using Code Mode, система значительно сокращает задержку сети и время ожидания пользователя. Вместо серии двусторонних разговорных обменов, полная, сгенерированная программа TypeScript выполняется за один консолидированный цикл, доставляя результаты почти мгновенно.

Финансовая экономия оказывается столь же существенной. Традиционное связывание инструментов требует обширных разговорных циклов, когда LLM может сгенерировать фрагмент кода, дождаться его выполнения, получить результаты, а затем сгенерировать дальнейшие инструкции на основе этой обратной связи. Каждый из этих итеративных обменов влечет за собой значительные token costs. Модель выполнения Code Mode с одним вызовом в значительной степени устраняет это дорогостоящее двустороннее взаимодействие, предоставляя гораздо более экономичное решение для сложных операций.

Сам интеллект претерпевает глубокое обновление, выходя за рамки аппроксимации. Large Language Models, по своей сути вероятностные предикторы текста, общеизвестно испытывают трудности с детерминированными математическими операциями и логическим мышлением. Передавая всю сложную логику, преобразования данных и вычисления в безопасную среду TypeScript runtime, Code Mode гарантирует 100% точные вычисления. Это полностью обходит врожденную слабость LLM, обеспечивая надежный анализ данных, генерацию отчетов и вывод Dashboards, что особенно важно для интеграций с базами данных, таких как Netlify Database. Для получения дополнительной информации о Netlify Database, обратитесь к официальной документации: Netlify Database | Netlify Docs. Этот консолидированный, детерминированный подход превращает взаимодействие с AI из серии обоснованных предположений в точный, эффективный и высоконадежный механизм выполнения, фундаментально меняя то, как AI-помощники могут выполнять сложные, многоэтапные операции.

Code Mode от Tanstack AI представляет Generative UI, новаторскую возможность, при которой AI активно конструирует пользовательские интерфейсы, а не просто выводит данные. Это выходит за рамки традиционной манипуляции данными, позволяя AI проектировать и рендерить визуальные компоненты по запросу, создавая полноценные Dashboards из Prompt на естественном языке.

Сгенерированный AI код на TypeScript является центральным элементом этого процесса. Он обрабатывает данные, а затем использует полный набор внедренных UI-функций, таких как `reportGrid`, `reportChart`, `reportText` и `reportCard`. Эти функции действуют как высокоуровневые директивы, позволяя AI точно определять, как должна отображаться обработанная информация, от простых сводок до сложных визуализаций.

Например, после расчета ежедневных тенденций дохода из Netlify Database, AI может вызвать `reportChart` для визуализации результатов в виде линейного графика или `reportGrid` для детального табличного отображения. Система также включает примитивы, такие как `progress`, `sparkline`, `grid` и `VBox`, предлагая богатый набор инструментов для построения UI.

Когда TypeScript AI вызывает эти UI-функции, они не рендерят компоненты напрямую. Вместо этого они динамически добавляют структурированные «узлы» в JSON array. Каждый узел представляет собой определенный UI-элемент или примитив макета, абстрактно определяя, что и как должно быть отображено, не диктуя точную реализацию React component.

Затем в работу вступает специализированный Node Renderer во frontend-приложении. Этот рендерер итерирует по JSON array, действуя как сложный интерпретатор, который сопоставляет каждый тип узла с соответствующим ему React component, эффективно собирая весь UI программно. Эта децентрализованная архитектура обеспечивает как гибкость, так и масштабируемость, позволяя легко обновлять frontend-компоненты без изменения основной логики AI.

Этот сложный механизм наделяет AI исключительным контролем над визуализацией данных. Он динамически оценивает обработанную информацию, принимая автономные решения о наиболее эффективном формате представления. AI создает пользовательский UI на лету, точно адаптированный к данным и исходному Prompt пользователя, предлагая по-настоящему динамичный и персонализированный опыт.

Пользователи получают индивидуальные Dashboards, а не статические шаблоны, что отражает глубокое понимание AI как данных, так и оптимальных стратегий представления. Это нововведение выходит за рамки простой генерации текста, открывая эру, когда AI может создавать богатые, интерактивные UI из одного Tool Call Using Code Mode.

Система значительно улучшает взаимодействие разработчиков и конечных пользователей со сложными данными. Она преобразует необработанные данные в визуально привлекательные и легко усваиваемые форматы, эффективно превращая абстрактные данные в осязаемый, интерактивный опыт. Это демонстрирует мощное будущее для разработки приложений на основе AI.

Code Mode от Tanstack AI выходит на все более конкурентную арену бизнес-аналитики на основе AI, однако занимает принципиально иное место. В то время как многие решения сосредоточены на внедрении AI в существующие BI-платформы, Code Mode позиционирует себя как фундаментальный уровень для разработчиков. Он позволяет им создавать возможности для работы с данными на основе AI с нуля, а не адаптироваться к предопределенным аналитическим средам.

Крупные игроки уже интегрировали передовые функции AI в свои предложения. Power BI Copilot от Microsoft позволяет пользователям генерировать отчеты и визуализации из естественного языка. Tableau Pulse проактивно предоставляет персонализированные, управляемые AI инсайты. Looker + Gemini от Google сочетает расширенную аналитику с генеративным AI для интуитивного исследования данных. Эти инструменты демократизируют доступ к сложным данным через свои устоявшиеся, ориентированные на пользователя платформы.

Однако Code Mode не является

Выходя за рамки разовых взаимодействий, Code Mode представляет Agent Skills — расширенную функцию, которая фундаментально меняет то, как Large Language Models учатся и работают. Эта возможность позволяет LLM сохранять и постоянно хранить эффективные фрагменты кода TypeScript, которые он ранее генерировал, эффективно создавая собственную многократно используемую библиотеку решений.

Agent Skills обеспечивают AI своего рода постоянную память, где успешные блоки кода не просто отбрасываются после выполнения. Вместо этого AI может называть, типизировать и вызывать эти 'skills' для решения аналогичных задач в последующих разговорах. Это значительно повышает эффективность, позволяя системе обходить избыточную генерацию кода для повторяющихся задач.

Рассмотрим сценарий, когда AI генерирует сложную функцию TypeScript для выполнения конвертации нескольких валют и агрегирования данных о продажах по различным регионам. Вместо того чтобы каждый раз воссоздавать эту сложную логику с нуля, LLM может сохранить ее как 'skill' под названием 'generateRegionalRevenueReport'. Позже простой Prompt, такой как "Show me the regional revenue breakdown for Q3", может вызвать эту точную, предварительно оптимизированную функцию.

Этот сдвиг парадигмы превращает AI из реактивного генератора кода в проактивного решателя проблем с растущей базой знаний. Это означает более быстрые и точные результаты, снижение затрат на токены и ускорение сложного анализа данных, особенно при взаимодействии с такими системами, как Netlify Database. Для разработчиков, стремящихся понять базовые структуры данных для таких сложных отчетов, изучение инструментов, таких как Meet Drizzle Studio, предлагает ценные сведения о визуализации схем и запросах. Это поднимает Code Mode за рамки простого оркестратора Tool Call Using Code Mode, превращая AI в постоянно совершенствующегося, высокоэффективного агента.

Эра вероятностных AI-агентов, лишь предсказывающих текст, подходит к концу. Code Mode от Tanstack AI предвещает новое будущее для сотрудничества человека и AI, превращая Large Language Models в способных, детерминированных программистов. Это не просто улучшенное использование инструментов; это фундаментальный сдвиг парадигмы, где разработчики направляют AI для написания и выполнения надежного, проверяемого Code, кардинально меняя то, как мы создаем программное обеспечение.

Вместо того чтобы бороться с присущими LLM математическими слабостями или высокими затратами на токены, Code Mode позволяет им генерировать программы на TypeScript. Эти программы организуют сложные запросы данных к таким системам, как Netlify Database, выполняют точные вычисления с гарантированной точностью и даже конструируют динамические элементы Generative UI, и все это в безопасной, эффективной песочнице, которая значительно снижает задержки и расходы.

Этот программный подход обеспечивает более мощных и надежных AI-агентов, способных выполнять сложные, многоэтапные операции с беспрецедентной точностью и меньшим потреблением токенов. Разработчики значительно ускорят циклы разработки функций, управляемых данными, переходя от Prompt на естественном языке к полностью функциональному Dashboard за один вызов AI Tool Call Using Code Mode.

Последствия выходят за рамки простой эффективности. Мы являемся свидетелями рождения нового класса AI-нативных приложений, созданных с нуля интеллектуальными агентами, которые понимают и генерируют исполняемую логику. Представьте системы, которые не только отвечают на сложные вопросы данных, но и активно создают и поддерживают свои собственные операционные компоненты, динамически адаптируясь к потребностям пользователя.

Благодаря 'Skills' эти AI-агенты могут изучать и повторно использовать эффективные шаблоны кода, становясь со временем все более сложными и автономными. Это представляет собой глубокую эволюцию, переводящую AI из помощника, который *описывает* решения, в того, кто их *строит*, способствуя симбиотическим отношениям между человеческим и машинным интеллектом.

Это будущее не за горами; оно доступно уже сейчас. Разработчикам, стремящимся сформировать следующее поколение приложений на базе AI, следует изучить репозиторий Tanstack AI GitHub. Начните экспериментировать с созданием собственных программных AI-инструментов уже сегодня, внося свой вклад в ландшафт, где AI-агенты не просто интеллектуальны, но и демонстрируют свои возможности и надежность.

Что такое Code Mode в Tanstack AI?

Это функция, которая позволяет Large Language Model (LLM) писать и выполнять полную программу на TypeScript в безопасной песочнице, вместо того чтобы делать несколько последовательных вызовов инструментов.

Как Code Mode улучшает традиционное использование AI-инструментов?

Он снижает затраты на токены и задержки, объединяя операции в один вызов. Он также обеспечивает математическую точность, перекладывая вычисления на надежную среду выполнения TypeScript вместо LLM.

Может ли Code Mode подключаться к моей собственной базе данных?

Да. Он разработан для подключения к SQL databases с использованием инжектированных функций. Видео демонстрирует это с помощью Netlify Database и Drizzle ORM.

Что такое Generative UI в этом контексте?

Это способность AI динамически создавать компоненты пользовательского интерфейса, такие как диаграммы и сетки, для отчета или Dashboard на основе данных, которые он обработал с использованием сгенерированного им кода.