Phát triển phiên bản engine mới

Tạo mới từ đầu một engine tối giản, thuận tiện cho việc cải tiến bằng AI. Giá trị cốt lõi là khả năng nhanh chóng thêm tính năng cần thiết bằng cách sử dụng nền tảng có sẵn và các ví dụ mở.

Chúng ta muốn đạt được điều này thông qua các nguyên tắc sau:

1. Kiểu dữ liệu xuyên suốt: cơ sở dữ liệu → máy chủ → GraphQL → giao diện.
   Prisma định kiểu cho việc làm việc với CSDL, Pothos định kiểu cho GraphQL và các resolver tùy chỉnh, codegen định kiểu cho các thao tác phía client. Các kiểu dữ liệu nên được suy ra và tạo ra ở bất cứ đâu có thể mà không cần sao chép thủ công. Điều này cung cấp cho AI các hợp đồng rõ ràng và các lỗi biên dịch để kiểm tra các thay đổi. Đối với dự án mới, chúng ta đang xem xét Prisma 8.

2. Chức năng trong các mô-đun có thể cắm vào (plug-in).
   Một mô-đun nên kết hợp mọi thứ cần thiết cho chức năng của nó: mô hình dữ liệu, logic máy chủ, API, giao diện và các hành động của tác nhân (agent). Mục tiêu là thêm các tính năng mà không cần sửa đổi toàn bộ engine và không cần viết lại lõi. Hệ thống plugin cụ thể vẫn chưa được thiết kế.

3. Tối thiểu hóa mã nguồn để cải tiến.
   Các cơ chế chung được cung cấp bởi engine; phần mở rộng chủ yếu mô tả nhiệm vụ của chính nó. Không được yêu cầu phải lặp lại thủ công các kiểu dữ liệu, viết các lớp trung gian lặp đi lặp lại hoặc duy trì nhiều mô tả cho cùng một thực thể. Đồng thời, việc giảm mã nguồn không được đạt được bằng cách sử dụng các phép thuật ẩn giấu, khó hiểu đối với AI.

4. Cấu trúc dễ hiểu đối với AI mà không cần biết toàn bộ lịch sử dự án.
   Vị trí file có thể dự đoán trước, các phụ thuộc rõ ràng, các điểm mở rộng có kiểu dữ liệu và các hướng dẫn ngắn gọn phải cho phép tác nhân nghiên cứu mô-đun cần thiết và thực hiện thay đổi cục bộ.

5. Giao diện nhẹ nhất và tối giản nhất có thể.
   Ngay khi xuất xưởng — một lớp vỏ nhỏ với các yếu tố giao diện cần thiết. Các trang và tính năng được thêm vào bởi các mô-đun; chức năng không sử dụng không được làm nặng client. Không bắt buộc phải giữ lại Next.js: chúng ta đang xem xét việc loại bỏ nó và sử dụng giao diện mô-đun của riêng mình nếu điều đó làm giảm độ phức tạp và các phụ thuộc.

6. Các trường hợp mở (cases) làm mẫu mở rộng hoạt động.
   Mỗi trường hợp nên chứa một nhiệm vụ, các thay đổi cụ thể và phương pháp kiểm tra kết quả. AI phải có khả năng lấy một ví dụ như vậy, điều chỉnh nó và nhanh chóng chạy thử nghiệm. Việc chạy MODX hoặc một dự án Docker bất kỳ là các ví dụ về khả năng mở rộng, chứ không phải là các tính năng cốt lõi bắt buộc.

Tiêu chí kết quả

Một AI bên ngoài dựa vào tài liệu và trường hợp mở để thêm một tính năng mới từ CSDL đến giao diện, kiểm tra tính năng đó và không cần sự gợi ý liên tục từ tác giả của engine.

Mục tiêu phân phối

Sự phổ biến và tham gia: để mọi người dùng thử engine, cải tiến nó và chia sẻ các mô-đun cũng như các trường hợp của riêng họ. Chúng tôi chưa thiết kế việc bán hàng và kiếm tiền ở giai đoạn này.