Агентная разработка в VS Code: Глубокая настройка RooCode для максимальной эффективности

RooCode — расширение для VS Code с многоагентной системой (встроено 5 Модов: Orchestrator, Ask, Architect, Code, Debug) Ключевые преимущества : синхронное выполнение задач (предсказуемость), гибкая настройка модов, MCP-серверы для снижения ошибок и количества запросов к LLM Основная идея настройки : каждый Мод отвечает за свою задачу, Оркестратор распределяет работу между ними Настройка идёт по спирали : от базовых настроек → скиллы → моды → провайдеры → итеративное улучшение

https://habr.com/ru/articles/1014352/

#roocode #ииагенты #vs_code #многоагентные_системы #llm #mcp #автоматизация #промптинжиниринг #инструменты_разработчика #ai

Cá nhân mình dùng GLM 4.7 Flash (quantized Q6_K_XL) kết hợp Roo Code trên RTX 5090, hiệu năng rất ấn tượng: ~150 tok/s, xử lý refactor code mượt, ổn định hơn GPT-OSS 120b hay Devstral 24b. Cấu hình llama.cpp với context 48k, --ngl 99 tận dụng VRAM tối đa. Mô hình chạy tốt cho tác vụ agentic trong dự án web cá nhân. #LLM #GLM4_7 #RooCode #LocalLLM #AI #TríTuệNhânTạo #MôHìnhNgônNgữ #AIHobby

https://www.reddit.com/r/LocalLLaMA/comments/1qlnruw/personal_experience_with_glm_47_flash_q6_unsloth/

От 4/10 до 8.5/10: как я за 5 итераций научил GigaChat извлекать требования из интервью

В прошлой статье я запустил GigaChat под Roo Code и погонял на задачах аналитика. Результаты в сравнении с Qwen оказались так себе. Улучшим их! Показываю пошаговый процесс улучшения промта для извлечения требований из интервью с заказчиком. Каждая итерация — конкретная проблема и её решение. В конце — готовый промт, который можно использовать.

https://habr.com/ru/articles/973464/

#gigachat #roocode #analytics #аналитика #промтинг #требования

Российский ИИ на рабочем месте: заменяем Qwen на GigaChat для Roo Code

Многие компании запрещают сотрудникам использовать ChatGPT и Claude — инфобез не пропускает иностранные сервисы. При этом российские ИИ-решения от Сбера и Яндекса работают в отечественном правовом поле, проходят аудит и размещены на территории РФ. В этой статье показываю, как за 20 минут подключить Sber GigaChat к Roo Code — связке, которую мы разбирали в предыдущем материале про автоматизацию рутины аналитика. Понадобится локальный прокси gpt2giga, который принимает запросы в формате OpenAI и транслирует их в облако Сбера. Пошагово: установка через pip/Docker, получение API-ключа в Sber Studio, настройка .env, подключение в Roo Code. Плюс таблица типичных ошибок и их решений. Статья для аналитиков, тестировщиков и разработчиков, которым нужен ИИ-инструмент, совместимый с корпоративными политиками безопасности.

https://habr.com/ru/articles/972852/

#roocode #gigachat #sber #sberai #вайбкодинг

От хаотичного интервью до API-спецификации за 15 минут: автоматизация работы аналитика с Roo Code

Как аналитику превратить расшифровку интервью в полный пакет документации за 15 минут вместо 5 часов. С примерами промтов и результатами.

https://habr.com/ru/articles/965094/

#roocode #vscode #аналитика #автоматизация #вайбкодинг

ソフトウェアエンジニアリングAIエージェントの変遷――「補完」から「自律」への4年間
https://qiita.com/hummer/items/06d5797e0c4ddcddfff5?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items

#qiita #cursor #ClaudeCode #VibeCoding #RooCode #SpecDrivenDevelopment

So this Tuesday I spoke on how to make AI agents that use local llms to reproduce #roocode “boomerang” mode on the cli.
As a demo I shown what my AI built all alone on first try from a single small prompt (plus some little clarifications):

https://cristian.tokyo/img/blockgame.html but if you are from mobile you might want to use https://cristian.tokyo/img/blockgame.2.html which also has been vibe engineered the same way using the above as a start point.

https://mastodon.social/@kentaromiura/115134084618567861

Как я автоматизировал анализ логов из Kibana с помощью LLM и AI-агентов

Инструменты вроде OpenSearch, Elastic или Kibana давно стали стандартом для поиска и визуализации логов благодаря удобству и мощной поисковой системе. Однако, когда речь заходит о сложном анализе — агрегациях, парсинге, выявлении сложных закономерностей — их встроенные средства быстро достигают предела возможностей. Особенно сложно становится, если структура логов далека от идеала: например, как у нас — всё содержимое свалено в одно поле Message в формате JSON. Меня зовут Игорь Щегловитов, я работаю экспертом по тестированию в QC облачной инфраструктуры и веб-порталов. Раньше наша команда решала такие задачи кастомными утилитами на C#, которые выгружали логи из ELK и анализировали их локально. Однако каждое новое требование превращалось в мини-проект: доработать код, написать новые парсеры, скрипты агрегации и фильтрации. Работа замедлялась, техдолг рос. Я решил использовать связку AI-агентов с кастомными промптами, собственный сервисный слой (MCP) для доступа к логам и LLM-модель, чтобы превращать пользовательские запросы в автоматический алгоритм анализа. Так, кейсы вроде «Посчитай уникальных пользователей за сутки» или «Проанализируй ошибки за период» решаются без ручного кодинга. Под катом мой кейс: расскажу, как это сделал, поделюсь ссылкой на гитхаб, так что, если хотите упростить себе анализ логов, — эта статья для вас.

https://habr.com/ru/companies/kaspersky/articles/953780/

#kibana #opensearch #ai #roocode #логи #llm #машинное_обучение #тестирование #roo_code #elasticsearch