Akhirnya Ia Tiba! Ralph TUI, Visualisasi Ralph Loop

Saya pernah menulis tutorial tentang ralph-loop, dan banyak rakan yang mencubanya memberikan maklum balas yang konsisten: Seronok, Claude Code akhirnya boleh berjalan untuk jangka masa yang panjang. Tetapi kadang-kadang anda memerhatikannya seolah-olah tidak bergerak, dan anda tidak dapat mengelak daripada berasa bimbang: "Adakah ia benar-benar bergerak ke hadapan, atau hanya berputar di tempat yang sama?"

Inilah sebabnya saya baru-baru ini mengusik ralph-tui.

ralph-tui tidak memaksa pengikatan Claude Code, ia mewarisi dan mengembangkan intipati ralph loop, dan memvisualisasikan pelaksanaan tugas dan proses, dengan ketara mengurangkan ambang untuk membolehkan model besar berfungsi untuk jangka masa yang panjang. Anda boleh menyambungkan ejen lain, model lain, model domestik, model murah, model yang anda mampu jalankan untuk jangka masa yang panjang. Dengan ralph-tui, bagi kita orang biasa, ia sama pentingnya dengan menukar daripada transmisi manual kepada transmisi automatik dengan kawalan pelayaran.

Apakah Sebenarnya Ia?

Anda boleh memahami ralph-tui sebagai "penyusun gelung ejen pengekodan AI", tetapi ia tidak berpuas hati dengan "boleh berjalan", ia lebih mengambil berat tentang "anda boleh melihat, mengawal, dan memulihkan".

Cara kerjanya yang asas sangat sederhana:

• Anda memberikannya set tugas (boleh datang daripada PRD, boleh datang daripada sistem tugas lain)
• Ia memilih tugas dengan keutamaan tertinggi
• Menyusun prompt
• Memulakan ejen untuk melaksanakan
• Menentukan sama ada tugas ini dianggap selesai
• Menulis status
• Pusingan seterusnya diteruskan

Perkara utama ialah: anda boleh melihat semua ini dalam terminal, dan anda boleh berhenti dan mengambil alih pada bila-bila masa. Secara rasmi, ia juga menulis kedudukannya dengan sangat jelas: penyusun gelung ejen dengan TUI interaktif, dan menyokong TUI / tanpa kepala / jauh (headless / remote).

Mengapa Saya Katakan Ia Lebih Sesuai untuk "Jangka Panjang"?

Masalah terbesar dengan skrip yang menjalankan gelung bukanlah ia tidak boleh dijalankan, tetapi anda tidak tahu di mana ia berjalan.

Anda melihat log dikemas kini dengan cepat, dan kipas juga berputar dengan gembira, tetapi anda tidak pasti:

• Adakah ia berulang kali membaiki pepijat yang sama?
• Adakah ia terus mengubah bahagian kod yang sama dan kemudian mengubahnya semula?
• Adakah ia sudah selesai, tetapi tidak keluar?
• Adakah ia tersekat pada ujian tertentu dalam gelung tak terhingga?

Penyelesaian ralph-tui sangat "kejuruteraan":

• Mempunyai konsep sesi, status akan disimpan ke cakera (.ralph-tui/session.json)
• Boleh dipulihkan selepas ranap (crash recovery)
• Mempunyai mekanisme kunci untuk mengelakkan anda membuka berbilang contoh dan mengacaukan direktori
• Malah boleh menjalankan tanpa kepala (headless) dalam CI, dan juga membuka pendengar (listener) jauh (remote), dan TUI tempatan menyambung kepadanya

Dalam satu ayat: Ia lebih seperti "anda menguruskan seorang pekerja yang boleh menulis kod", dan bukannya "anda memerhatikan skrip yang tidak berfungsi".

Cara Memasang

Set ralph-tui ini adalah ekosistem Bun/TypeScript, jadi pemasangannya agak mudah. Laman pemasangan rasmi juga disediakan.

Sahkan dahulu bahawa mesin anda mempunyai bun:

bun --versionKemudian pasang ralph-tui (di sini saya memberikan kaedah pemasangan tipikal, khusus tertakluk pada halaman pemasangan rasmi):

bun add -g ralph-tuiSelepas pemasangan, sahkan:

ralph-tui --helpJika anda seorang peminat Node dan tidak mahu menyentuh bun, itu juga boleh:

npm i -g ralph-tui

Jangan Lakukan Perkara Besar Dahulu, Jalankan Gelung Tertutup Minimum

Saya cadangkan kali pertama anda menggunakannya, jangan terus melakukan apa-apa seperti "menyusun semula keseluruhan repo". Anda hanya melakukan satu perkara: Biarkan ia menjalankan tugas kecil yang boleh diterima.

Inisialisasi

Buka direktori secara rawak:

mkdir ralph-tui-demo && cd ralph-tui-demo ralph-tui setupIni akan memasuki proses wizard interaktif, secara ringkasnya, ia adalah "memasang ralph-tui ke dalam repositori anda", ia akan:- Mengesan secara automatik agen yang dipasang pada mesin anda (seperti Claude Code, OpenCode, dll.)

• Menjana fail konfigurasi dalam projek: .ralph-tui/config.toml
• Memasang kemahiran berkaitan penjanaan PRD/penukaran tugas (anda tidak perlu bersusah payah melakukannya sendiri kemudian)

Saya secara peribadi mencadangkan: Jangan malas pada kali pertama, setup mesti dijalankan sekali.

Menjana PRD Projek

Selepas setup selesai, langkah seterusnya ialah bahagian paling teras dalam tutorial rasmi, dan juga yang paling sesuai untuk ditulis sebagai demo akaun rasmi: create-prd.

ralph-tui create-prd --chat arahan ini akan memasuki proses perbualan, ia akan menyoal anda seperti pengurus produk tentang matlamat keperluan, syarat sempadan dan kriteria penerimaan. Selepas bertanya, ia akan mengeluarkan dua perkara secara langsung dalam projek (ini adalah perkara utama):

• Fail markdown PRD: ./tasks/prd-feature.md
• Fail tugas yang boleh dilaksanakan secara langsung: ./prd.json

Pada tahap ini, anda baru sahaja memasuki "gelung tertutup standard" ralph-tui:

Keperluan (PRD) → Tugas (prd.json) → Pelaksanaan (run)

Jalankan (run)

Dengan prd.json, menjalankan (run) menjadi mudah:

ralph-tui run --prd ./prd.json Anda akan melihat TUI bermula, memulakan gelung: memilih tugas → melaksanakan → menilai selesai → menulis status → tamat atau pusingan seterusnya.

Untuk kali pertama, saya amat mengesyorkan untuk menambah had lelaran, kurungnya terlebih dahulu:

ralph-tui run --prd ./prd.json --iterations 5 Selepas dijalankan, anda semak perubahan, jalankan ujian, dan lihat sama ada PRD dan tugas memenuhi jangkaan. Sahkan bahawa pautan ini berfungsi, kemudian lepaskan lelaran, kemudian gunakan headless/remote, ini adalah rentak yang boleh dipercayai.

Pada ketika ini, anda pada dasarnya boleh mengesahkan: Gelung ini benar-benar berfungsi.

Bagaimana untuk Memilih Model/Agen? Kejujuran Diperlukan untuk Menjimatkan Wang

Saya tahu ramai orang paling mengambil berat tentang: "Bolehkah saya tidak menggunakan Claude Code? Bolehkah saya menggunakan model yang lebih murah?"

Jawapannya ialah: Boleh.

ralph-tui sendiri menyokong anda untuk menentukan agen dan model (terdapat contoh dalam dokumen run rasmi).

Contohnya, menggunakan Claude Opus:

ralph-tui run --prd ./prd.json --agent claude --model opus Tetapi secara jujur, saya sendiri tidak akan menggunakan Opus untuk melakukan kerja "melengkapkan ujian, membaiki lint", ia terlalu mahal. Tabiat saya adalah berlapis:

• Model murah: Menjalankan banyak kerja berulang (melengkapkan ujian, melengkapkan anotasi, membaiki format, menambah sempadan)
• Model mahal: Hanya muncul di nod kritikal (pelarasan seni bina, pepijat sukar, logik teras)

Jika anda seorang pembangun biasa, pemikiran ini lebih penting. Kerana anda bukan bajet syarikat besar, anda perlu memastikan kos terkawal untuk jangka masa panjang.

Mahu Lebih Seronok? Serahkan "Menulis PRD" kepada Agen

ralph-tui mempunyai reka bentuk yang saya suka: ia menyokong skills (secara ringkasnya, ia adalah set arahan tambahan agen).

Cara pemasangan rasmi adalah dengan add-skill:

bunx add-skill subsy/ralph-tui --all Atau pasang pada agen tertentu, seperti claude-code:

bunx add-skill subsy/ralph-tui -a claude-code -g -y Selepas pemasangan, anda boleh menggunakan arahan slash dalam sesi agen:

/ralph-tui-prd /ralph-tui-create-json /ralph-tui-create-beads Ini seperti anda memasang pemalam dalam IDE, tetapi pemalam ini adalah untuk agen. Kepentingannya adalah untuk mengurangkan masa "memindahkan keperluan secara manual", menjadikan keperluan → tugas → pelaksanaan lebih seperti barisan pemasangan.

Bilakah Anda Harus Menggunakannya? Bilakah Anda Tidak Boleh Menggunakannya?Saya kurang gemar dengan naratif "semua boleh diselesaikan dengan AI", kerana ia mudah mengelirukan. Alat adalah alat, hanya berbaloi dalam senario yang sesuai.

Senario yang sesuai untuk menggunakan ralph-tui

Anda mempunyai banyak kerja seperti ini:

• Menambah ujian (terutamanya projek lama)
• Membaiki lint / format
• Refaktor kecil (menyatukan kod yang berulang)
• Menambah jenis secara pukal, menambah sempadan
• Memecahkan keperluan dan menolak secara berperingkat mengikut barisan tugas

Kerja-kerja ini mempunyai persamaan: Banyak tugas, tahap pengulangan tinggi, boleh diterima, boleh ditambah baik secara berulang.

Senario yang tidak sesuai untuk menggunakan ralph-tui secara paksa

Anda ingin melakukan perkara seperti ini:

• Refaktor besar sekali gus, standard penerimaan tidak jelas
• Keperluan itu sendiri kabur, bergantung pada pengetahuan tersembunyi dalam fikiran anda
• Memerlukan banyak komunikasi/pengesahan antara pasukan
• Memerlukan anda untuk membuat pertimbangan produk

Untuk tugas seperti ini, gelung agent hanya akan membesarkan kekeliruan.

Apakah perbezaan antara ralph-tui dan ralph-loop (ralph-claude-code)?

ralph-claude-code lebih seperti "plugin pemanduan automatik Claude Code": skrip menghidupkannya, menjalankan gelung, pengesanan keluar, pengehadan kadar, dan pemutus litar semuanya menyokong anda. Anda mahukan "cepat", dan ia akan menjadi cepat.

ralph-tui lebih seperti "konsol kawalan kejuruteraan gelung agent": ia tidak mengimpal model tertentu, mahupun sistem tugas tertentu. Ia ingin menyelesaikan masalah kejuruteraan seperti "berjalan lama, boleh diperhatikan, boleh dikawal, boleh dipulihkan, boleh dikawal dari jauh".

Jadi anda bertanya kepada saya bagaimana untuk memilih?

• Anda adalah pengguna Claude Code, dan ingin menghidupkannya dengan cepat → ralph-claude-code
• Anda ingin menyambungkan model yang berbeza, menjimatkan wang, dan mengurus gelung sebagai perkhidmatan → ralph-tui

Akhir sekali: Jangan biarkan ia menjadikan repositori anda sebagai makmal

Saya sendiri mempunyai beberapa peraturan ketat untuk menjalankan gelung agent, saya tulis di sini supaya anda boleh mengikutinya, dan kemungkinan kegagalan akan menjadi lebih kecil:

• Jalankan pada cabang, jangan bermain-main pada main.
• Apabila menjalankan buat kali pertama, pastikan anda menambah --iterations, sahkan dalam langkah kecil terlebih dahulu bahawa ia tidak akan menjadi gila.
• Tugas mesti boleh diterima: sama ada boleh menjalankan ujian, atau boleh menjalankan lint, atau boleh membandingkan fail output.
• Anda mesti belajar untuk berhenti: apabila anda melihatnya mula berputar-putar, berhenti adalah lebih bijak daripada terus membakar wang.
• Model murah melakukan kerja kasar, model mahal melakukan kerja kritikal: kos diuruskan, bukan didoakan.Alamat Projek: https://github.com/subsy/ralph-tui