Наконец-то это здесь! Ralph TUI, визуализация Ralph Loop

Я ранее писал руководство по ralph-loop, и многие друзья, запустив его, оставили довольно единодушный отзыв: Круто, Claude Code наконец-то может работать долго. Но иногда, наблюдая за ним, кажется, что он стоит на месте, и в голове невольно возникает вопрос: "Он вообще продвигается вперед или просто крутится на месте?"

Вот почему я недавно занялся ralph-tui.

ralph-tui не привязан к Claude Code принудительно, он наследует и развивает суть ralph loop, визуализирует выполнение задач и процесс, значительно снижая порог для длительной работы больших моделей. Вы вполне можете подключить другого агента, другую модель, отечественную, дешевую, ту, которую вы можете позволить себе запускать долго. С ralph-tui для нас, обычных людей, это все равно что пересесть с механической коробки передач на автоматическую с круиз-контролем.

Что это вообще такое?

Вы можете понимать ralph-tui как "циклический оркестратор AI coding agent", только он не удовлетворяется тем, что "может работать", он больше заботится о том, чтобы "вы могли видеть, контролировать и восстанавливать".

Его основной принцип работы очень прост:

• Вы даете ему кучу задач (из PRD или из другой системы задач)
• Он выбирает задачу с наивысшим приоритетом
• Составляет prompt
• Запускает agent для выполнения
• Определяет, можно ли считать задачу выполненной
• Записывает состояние
• В следующем цикле продолжает

Главное: все это вы можете видеть в терминале, и можете в любой момент остановить, возобновить или взять управление на себя. Официально он позиционируется как agent loop orchestrator с интерактивным TUI, поддерживающий TUI / headless / remote.

Почему я говорю, что он больше подходит для "длительной работы"?

Самая большая проблема при запуске loop в скрипте - это не то, что он не запускается, а то, что вы не знаете, где он находится.

Вы видите, как быстро обновляются логи, и вентилятор тоже весело крутится, но вы не уверены:

• Не повторяет ли он исправление одной и той же ошибки?
• Не меняет ли он постоянно один и тот же фрагмент кода, а затем возвращает его обратно?
• Не завершил ли он уже работу, просто не вышел?
• Не застрял ли он в бесконечном цикле на каком-то тесте?

Решение ralph-tui очень "инженерное":

• Есть понятие session, состояние сохраняется на диск (.ralph-tui/session.json)
• Можно восстановить работу после сбоя (crash recovery)
• Есть механизм блокировки, чтобы избежать превращения каталога в кашу при запуске нескольких экземпляров
• Можно запускать headless в CI, и даже remote, открыв listener на удаленной машине и подключившись к нему с помощью локального TUI

Одним словом: это больше похоже на "управление рабочим, который умеет писать код", чем на "наблюдение за дергающимся скриптом".

Как установить

ralph-tui построен на экосистеме Bun/TypeScript, поэтому установка довольно проста. Официальная страница также предоставляет инструкции по установке.

Сначала убедитесь, что на вашей машине установлен bun:

bun --versionЗатем установите ralph-tui (я приведу типичный способ установки, конкретные инструкции смотрите на официальной странице установки):

bun add -g ralph-tuiПосле установки проверьте:

ralph-tui --helpЕсли вы приверженец Node и не хотите связываться с bun, тоже можно:

npm i -g ralph-tui

Не спешите делать большие дела, запустите минимальный замкнутый цикл

Я рекомендую при первом использовании не браться сразу за "реструктуризацию всего репозитория". Сделайте только одно: убедитесь, что он выполняет небольшую задачу, которую можно принять.

Инициализация

Создайте любой каталог:

mkdir ralph-tui-demo && cd ralph-tui-demo ralph-tui setupЭто запустит интерактивный процесс, который, по сути, "установит ralph-tui в ваш репозиторий", он:

• Автоматическое обнаружение установленных на вашей машине агентов (например, Claude Code, OpenCode и т.д.)
• Создание файла конфигурации в проекте: .ralph-tui/config.toml
• Установка skills, связанных с генерацией PRD/преобразованием задач (чтобы вам не пришлось возиться вручную)

Я лично рекомендую: не ленитесь в первый раз, setup обязательно нужно запустить.

Генерация PRD проекта

После завершения setup следующим шагом является самый важный этап из официального руководства, который лучше всего подходит для демонстрации в статье: create-prd.

Команда ralph-tui create-prd --chat запускает интерактивный процесс, в котором она, как менеджер продукта, будет спрашивать вас о целях, границах и критериях приемки. После этого она выдаст в проекте две вещи (это самое главное):

• Файл PRD в формате markdown: ./tasks/prd-feature.md
• Файл задач, готовый к выполнению: ./prd.json

Только на этом этапе вы действительно входите в "стандартный замкнутый цикл" ralph-tui:

Требования (PRD) → Задачи (prd.json) → Выполнение (run)

Запуск

Имея prd.json, запуск становится логичным:

ralph-tui run --prd ./prd.json Вы увидите запуск TUI и начало цикла: выбор задачи → выполнение → оценка завершения → запись статуса → завершение или следующий раунд.

При первом запуске я настоятельно рекомендую добавить ограничение на количество итераций, чтобы сначала загнать его в клетку:

ralph-tui run --prd ./prd.json --iterations 5 После запуска посмотрите на изменения, запустите тесты, проверьте, соответствуют ли PRD и задачи ожиданиям. Убедившись, что эта цепочка работает, можно снять ограничения на итерации и перейти к headless/remote, это надежный подход.

В этот момент вы, в основном, можете убедиться: этот цикл действительно работает.

Как выбрать модель/агента? О экономии нужно говорить честно

Я знаю, что многих больше всего волнует вопрос: "Могу ли я не использовать Claude Code? Могу ли я использовать более дешевые модели?"

Ответ: Да.

ralph-tui изначально поддерживает указание агента и модели (примеры есть в официальной документации run).

Например, с помощью Claude Opus:

ralph-tui run --prd ./prd.json --agent claude --model opus Но, честно говоря, я бы не стал использовать Opus для таких задач, как "дополнение тестов, исправление lint", это слишком дорого. Мой подход заключается в разделении:

• Дешевые модели: для выполнения большого количества повторяющейся работы (дополнение тестов, добавление комментариев, исправление формата, добавление границ)
• Дорогие модели: только на ключевых этапах (корректировка архитектуры, сложные ошибки, основная логика)

Если вы обычный разработчик, этот подход еще важнее. Потому что у вас нет бюджета крупной компании, вам нужно контролировать затраты, чтобы работать долго.

Хотите еще больше удобства? Передайте "написание PRD" агенту

В ralph-tui есть дизайн, который мне нравится: он поддерживает skills (по сути, это набор внешних команд для агента).

Официальный способ установки - с помощью add-skill:

bunx add-skill subsy/ralph-tui --all Или установить для определенного агента, например, claude-code:

bunx add-skill subsy/ralph-tui -a claude-code -g -y После установки вы можете использовать slash commands в сеансе агента:

/ralph-tui-prd /ralph-tui-create-json /ralph-tui-create-beads Это похоже на установку плагина в IDE, только этот плагин предназначен для агента. Его смысл в том, чтобы сократить время "ручного переноса требований", чтобы сделать цепочку требования → задача → выполнение более похожей на конвейер.

Когда его следует использовать? Когда не следует?Мне не очень нравится нарратив "ИИ может сделать все", он легко вводит в заблуждение. Инструмент есть инструмент, он ценен только в подходящем сценарии.

Сценарии, в которых ralph-tui подходит

У вас есть куча такой работы:

• Дополнение тестов (особенно в старых проектах)
• Исправление lint / format
• Небольшой рефакторинг (сведение повторяющегося кода)
• Массовое добавление типов, дополнение границ
• Разложение требований и постепенное продвижение по очереди задач

У этой работы есть общая черта: много задач, высокая степень повторяемости, возможность приемки, возможность итеративного продвижения.

Сценарии, в которых не стоит использовать ralph-tui

Вы делаете следующее:

• Одноразовый большой рефакторинг, критерии приемки неясны
• Сами требования расплывчаты, полагаетесь на неявные знания в вашей голове
• Требуется много межкомандного общения/подтверждения
• Требуется принятие продуктовых решений

В таких задачах agent loop только усилит хаос.

В чем разница между ним и ralph-loop (ralph-claude-code)?

ralph-claude-code больше похож на "автопилот для Claude Code": скрипт запускает его, запускает цикл, обнаружение выхода, ограничение скорости, автоматический выключатель - все это за вас. Вам нужна "скорость", и он ее обеспечивает.

ralph-tui больше похож на "инженерную консоль для agent loop": он не привязан к какой-то конкретной модели или системе задач. Он хочет решить такие инженерные проблемы, как "долгосрочный запуск, наблюдаемость, управляемость, восстанавливаемость, удаленное управление".

Так что вы спрашиваете меня, как выбрать?

• Вы пользователь Claude Code и хотите быстро его запустить → ralph-claude-code
• Вы хотите подключать разные модели, хотите сэкономить деньги, хотите управлять loop как сервисом → ralph-tui

Напоследок: не позволяйте ему превратить ваш репозиторий в лабораторию

У меня есть несколько железных правил для запуска agent loop, запишите их и следуйте им, вероятность неудачи будет намного меньше:

• Запускайте в ветке, не рискуйте на main.
• При первом запуске обязательно добавьте --iterations, сначала небольшими шагами убедитесь, что он не сошел с ума.
• Задача должна быть приемлемой: либо можно запустить тесты, либо можно запустить lint, либо можно сравнить выходные файлы.
• Вы должны научиться останавливаться: если видите, что он начинает ходить по кругу, приостановка умнее, чем продолжать тратить деньги.
• Дешевые модели выполняют черновую работу, дорогие модели выполняют ключевую работу: стоимость получается в результате эксплуатации, а не молитвы.Адрес проекта: https://github.com/subsy/ralph-tui