# Ссылки #402


За прошедшую неделю собрал 42 ссылки.

## 💻 Персональный софт

**[Software for One](https://www.ajwaxman.com/writing/software-for-one)**
Адам Ваксман написал для себя и семьи пять приложений: трекер сна, трекер
тренировок, план подготовки к марафону, викторину по джазовым аккордам и
хранилище медицинских записей. Каждое заняло дни, а не месяцы, вся
инфраструктура обходится примерно в $160 в месяц. Вывод автора: ограничивает
теперь не сложность и не цена, а воображение.

## 📄 Форматы

**[Twenty Years of Pandoc](https://pandoc.org/twenty-years-of-pandoc.html)**
Джон МакФарлейн подводит итог двадцати лет Pandoc — конвертера, который он начал
писать, чтобы выучить Haskell. Вместо прямых замен по регуляркам, как делали
тогдашние реализации Markdown, он собрал парсер с промежуточным AST, и это
определило всё остальное. Сегодня — 51 входной формат и 76 выходных, больше 600
контрибьюторов. Отдельно про LLM: они умеют конвертировать форматы, но Pandoc
дешевле по энергии и даёт детерминированный результат.

## 🛠 Инструменты

**[claude-thermos](https://github.com/izeigerman/claude-thermos)**
Локальный reverse proxy, который не даёт протухнуть prompt cache в Claude Code.
Пока главный агент ждёт сабагента дольше пяти минут, кэш истекает, и вся история
переписывается по цене записи вместо чтения — на длинных сессиях это около 20%
счёта. Прокси замечает такие окна простоя и отправляет копию запроса с
`max_tokens: 1`, чтобы префикс остался тёплым. Запускается через
`uvx claude-thermos` вместо `claude`, логирует сэкономленные токены и доллары.

## 🤖 Агенты

**[Pi, Minimal and Performant](https://earendil.com/posts/pi-autoresearch-and-databricks/)**
Разбор того, почему минималистичный агент Pi — четыре инструмента и системный
промпт меньше 1000 токенов — выиграл по цене в бенчмарке Databricks при лучшем
pass-rate. Главная причина по замерам: Pi отправляет примерно втрое меньше
контекста за ход. Автор считает, что модели достаточно хорошо освоили терминал,
чтобы обвязка перестала возить с собой готовые сценарии, и ставит на
расширяемость — пример такого расширения pi-autoresearch от Shopify.

**[Prime Agent: A self-improving RLM agent](https://www.primeintellect.ai/blog/prime-agent)**
Открытый фреймворк, где у агента единственный инструмент — постоянный
IPython-kernel. Контекст становится обычной переменной, сабагенты вызываются как
функции, а сам агент на ходу правит свои промпты, скиллы, память и набор
сабагентов. На ARC-AGI 3 — 95,5% Best@1, чуть выше человеческого экспертного
базиса в 95,4%. Из побочного: эмуляторы SEGA Genesis и Game Boy Color и 100k+
очков в Factorio. Под сам фреймворк модели ещё никто не обучал.

## ⚡ Производительность

**[Git: my git stash -p optimization in Git 2.55](https://adamj.eu/tech/2026/08/07/git-stash-p-optimization-story/)**
Адам Джонсон рассказывает, как ускорил `git stash -p`. Команда поднимала
временный индекс отдельным процессом `git read-tree HEAD`, из-за чего терялись
закэшированные stat-данные и метки fsmonitor, и перед первым же вопросом Git
делал `lstat()` по всем файлам. Починка — собирать временный индекс внутри
процесса. В монорепозитории Rippling это дало ускорение в 53 раза: с 34,8
секунды до 0,66.

---

На этой неделе в подборке: софт, написанный для одного человека, двадцать лет
Pandoc, грелка для prompt cache, два взгляда на устройство агентов и ускорение
`git stash -p` в 53 раза.

Хорошей вам недели!