Promptu diktēšana paralēliem aģentiem, joslu pa joslai

Pirmajā reizē, kad palaid divus kodēšanas aģentus blakus, kaut kas šķiet greizi, un paiet laiks, līdz to izdodas nosaukt. Katrs aģents ir ātrs. Katrs atsevišķi būtu skaidrs ieguvums. Kopā tiem vajadzētu būt dubultam ieguvumam. Tā vietā diena šķiet sadrumstalotāka nekā ar vienu, un pēcpusdienas beigās pabeigts ir mazāk, nekā gaidīji.

Iemesls nav aģenti. Iemesls ir tās ievades forma, kas tiem vajadzīga. Kodēšanas aģents darbojas ar prozu: „sadali apstrādātāju, saglabā publisko parakstu, pievieno testu noildzes ceļam.” Prozu ir lēti izdomāt un dārgi piegādāt, jo piegāde nozīmē rokas un uzmanību ielikt pareizajā logā pareizajā brīdī. Ar vienu aģentu šis brīdis sakrīt ar tavu dabisko ritmu. Ar trim brīži pienāk tad, kad pienāk, un katrs pārtrauc to, kā vidū tu biji.

Šis raksts ir par piegādes problēmu, nevis par domāšanas problēmu. Tā ir praktiska darbplūsma promptu diktēšanai paralēlās aģentu joslās uz Mac, ieskaitot godīgi izklāstītus ierobežojumus. Ja neesi lasījis rakstu Claude Code vadīšana ar balsi, tur ir vienas joslas pamati; šis pieņem, ka tev jau ir vairāk nekā viena.

Kāpēc paralēlās joslas soda tieši rakstīšanu

Promptam ir trīs izmaksas: tā formulēšana, piegāde un atgriešanās pie iepriekšējā. Formulēšana ir nenovēršama un notiek galvenokārt galvā. Piegāde, kad raksti, nozīmē fokusa pārslēgšanu uz aģenta termināli, ievades rindas atrašanu, četrdesmit līdz astoņdesmit vārdu uzrakstīšanu un Enter. Atgriešanās nozīmē tikt atpakaļ pie tā, ko darīji, pirms aģents jautāja.

Ar vienu joslu piegādes izmaksas ir mazas, jo tu, visticamāk, tāpat jau skatījies uz to termināli. Ar paralēlām joslām tā gandrīz nekad nav. Pirmā josla uzdod jautājumu, kamēr tu lasi otrās joslas diff. Jautājums ir viegls; atbilde ir viens teikums. Bet atbildēšana nozīmē pamest diff, un, atgriežoties, tu pārlasi pēdējās trīsdesmit rindas, lai atrastu, kur biji.

Sareizini to ar katru pārvirzīšanu, katru „jā, turpini”, katru „nē, otrs fails”, un pieskaitāmās izmaksas uzkrājas. Paralēlās joslas neizgāžas tāpēc, ka aģenti būtu lēni. Tās izgāžas tāpēc, ka par ziņojumu kopni kļūsti tu, bet ziņojumu kopnei, kurai fiziski jāpārvietojas starp logiem, ir šausmīga latence.

Balss lielāko daļu piegādes izmaksu noņem. Acis paliek uz diff, turi taustiņu, pasaki teikumu, atlaid. Vārdi nonāk aģenta ievades laukā. Tu nekur neaizgāji.

Uzstādījums, kas strādā

Lūk, uzstādījums, apzināti garlaicīgs.

Īsinājumtaustiņš, nevis logs. Keebye dzīvo izvēlņu joslā un klausās turamu vai piesitamu īsinājumtaustiņu (noklusējumā labais ⌘; pārējās iespējas ir Fn un labais ⌥, un Esc atceļ notiekošu diktēšanu). Nav lietotnes loga, ko atvērt, un nav režīma, kurā jāieiet. Turi, runā, atlaid. Tas ir svarīgāk, nekā izklausās: diktēšanas rīks, kuram vajadzīgs savs logs, ir vienkārši vēl viena josla.

Ievietošana fokusētajā laukā. Transkripts nonāk tur, kur ir kursors. Pēc noklusējuma tā ir ielīmēšana ar termināli respektējošu sadalīšanu, lai garš prompts nepārplūdinātu čaulu. Ja darbini aģentus tmux vidē vai caur SSH, kur ielīmēšana uzvedas slikti, pēc izvēles ieslēdzams rakstīšanas režīms teksta vietā injicē Unikoda taustiņsitienus; kad to pārslēgt, skaidrots rakstā diktēšana, kas izdzīvo terminālī.

Pakete, nevis plūsma. Keebye transkribē pēc taustiņa atlaišanas, kā vienu izteikumu. Tu neredzēsi vārdus parādāmies, kamēr runā. Promptēšanai tas ir pareizais kompromiss: tu gribi, lai viss teikums nonāk uzreiz un sakopts, nevis lai tas materializējas vārdu pa vārdam, kamēr aģenta ievadē jau ir pusdoma.

Viss uz ierīces. Transkripcija notiek lokāli (angļu valodai pielāgots noklusējuma modelis vai 25 valodu modelis, ja to izvēlies). Pēc modeļa lejupielādes tas strādā ar izslēgtu Wi-Fi. Aģentu promptēšanai tas ir mazāk par privātuma teātri un vairāk par latenci: nav neviena aizceļojuma turp un atpakaļ, tāpēc īss prompts ir gatavs gandrīz uzreiz pēc taustiņa atlaišanas.

Joslu pārslēgšanas ritms

Darbplūsmai, kas galu galā iedzīvojās, ir trīs ieradumi.

Acis paliek pie joslas, kurai vajadzīgs spriedums. Jebkurā brīdī ir viena josla, kurai pieder tava uzmanība — parasti diff vai testu izvade. To joslu tu lasi. Pārējās saņem tikai īsas mutiskas instrukcijas. Kad otrajai joslai vajadzīgs lēmums, tu paskaties, ieklikšķini tās ievadē, turi taustiņu, pasaki lēmumu, atlaid un noklikšķini atpakaļ. Klikšķis ir vienīgās mehāniskās izmaksas; pats teikums ir bez maksas.

Prompti tiek izrunāti kā pilni teikumi. Aģenti ar pilniem teikumiem tiek galā labāk nekā ar telegrāfiskiem fragmentiem, un diktēšana pilnus teikumus ražo dabiski, jo tā cilvēki runā. „Atsauc shēmas izmaiņas, bet paturi API pārsaukšanu, tad palaid migrāciju vēlreiz un parādi man izvadi” ir labs izrunāts prompts. Uzrakstīt to ir garlaicīgi.

Parazītvārdi tiek izmesti, nozīme — nē. Keebye tīrīšana pēc noklusējuma balstās uz noteikumiem: tā izņem „ē”, „mmm” un atkārtoto vārdu, bet tavu formulējumu atstāj mierā. Pēc izvēles pieejama uz ierīces darbojošās lokālās LLM pieslīpēšana glītākiem teikumiem, kuru aizsargā fidelitātes aizsargs — tas atkāpjas pie burtiskā transkripta, ja pieslīpētajā versijā parādās būtiska simbolu zudība, izplešanās vai atkārtošanās. Šis aizsargs ir heiristika, nevis semantiska pārbaude: tas neapliecina, ka pieslīpētais teksts saglabāja tavu nozīmi vai noliegumu. Aģenta promptēšanai lielākā daļa pieslīpēšanu atstāj izslēgtu; burtisks transkripts ir tieši tas, ko tu pateici, un tieši to tu gribi, lai aģents izpilda.

Kam balss ir laba, joslu pa joslai

Ne katrs prompts grib būt izrunāts. Pēc dažiem mēnešiem dalījums ir aptuveni šāds.

Pārvirzīšanas un turpinājumi: vienmēr balss. „Turpini.” „Nē, otrs konfigurācijas fails.” „Pievieno testu tukšajam gadījumam un palaid vēlreiz.” Šie ir biežākie prompti paralēlā sesijā, un tie visi ir vienas elpas gari.

Pārskatu atsauksmes: pārsvarā balss. Lasīt diff un izstāstīt, kas ar to nav kārtībā, ir dabiski. „Atkārtošanas cikls apēd kļūdu, ieraksti to žurnālā pirms miega un ierobežo mēģinājumus līdz pieciem.” Diktēšana to notver runas tempā, kamēr acis paliek pie koda.

Sākotnējie uzdevumu apraksti: jaukti. Garš, strukturēts apraksts ar failu ceļiem un ierobežojumiem joprojām gūst labumu no rakstīšanas vai no aptuvenas versijas nodiktēšanas un pēc tam rediģēšanas. Balss der prozai; precīzus identifikatorus ir vieglāk uzrakstīt. Šeit palīdz pielāgotā vārdnīca: pievieno tai reizi sava projekta moduļu nosaukumus un atkārtojošos žargonu, un tie pārstāj tikt transkribēti kā tuvākais angļu vārds.

Viss, kas satur kodu: rakstīts. Regulārās izteiksmes diktēšana ir nepatīkams laika pavadīšanas veids. Diktē instrukciju („uzraksti regulāro izteiksmi, kas atbilst versijas galvenei”), nevis pašu artefaktu.

Godīgi par ierobežojumiem

Daži no tiem ir Keebye, daži — visas kategorijas.

Pirmās diktēšanas latence. Mikrofons iesilst pēc sesijas pirmās diktēšanas un pēc tam uztur 500 ms priekšbuferi. Pati pirmā dienas turēšana var samaksāt plūsmas sākuma cenu, un vārds, kas pateikts pirms bufera ieslēgšanās, var tikt nogriezts. Mehānika aprakstīta rakstā kāpēc diktēšanas lietotnes apēd tavu pirmo vārdu.

Precizitāte ar identifikatoriem. Snake-case mainīgo nosaukumi un iekšējie akronīmi ir tas, ar ko cīnās jebkurš runas modelis. Vārdnīca to samazina, bet nelikvidē. Pirms nospied Enter uz kaut kā destruktīva, izlasi promptu.

Droši lauki. Keebye atsakās ievietot tekstu paroļu un drošas ievades laukos. Tas ir apzināti un reizēm neērti, kad termināļa uzvedne prasa ieejas frāzi.

Nav balss komandu. Nav „jauna rinda” vai „atlasīt visu” vārdu krājuma. Keebye ir diktēšanas rīks, nevis balss vadības slānis. Pārvietošanās starp joslām joprojām ir klikšķis vai īsinājumtaustiņš.

Tikai macOS. Windows būvējums nav izlaists.

Kurp doties tālāk

Ja tavi aģenti dzīvo galvenokārt vienā redaktorā, Cursor un Claude Code ceļveži satur konkrētā rīka specifiku. Ja izvēlies diktēšanas lietotni šai darbplūsmai, Keebye vs Superwhisper ir godīgs salīdzinājums, kas iekļauj arī to, kur Superwhisper der labāk.

Īsā versija visam iepriekšminētajam: paralēliem aģentiem nav vajadzīgs, lai tu rakstītu ātrāk. Tiem vajadzīgs, lai tu pārstātu būt lēnākais lēciens starp tiem. Turi acis pie joslas, kurai vajadzīgs spriedums, un ar pārējām runā.