સમાન પ્રોમ્પ્ટ, સમાન ડાયાગ્રામ
પ્રતીક રાયે tldraw-canvas-kit લોન્ચ કર્યું છે, જે 19 "Agent Skills" નો સંગ્રહ છે. આ સ્કિલ્સ Claude Code અથવા Cursor જેવા લોકલ AI આસિસ્ટન્ટ્સને ઓફલાઇન tldraw ડેસ્કટોપ એપ ચલાવવામાં અને દર વખતે સમાન એન્જિનિયરિંગ ડાયાગ્રામ બનાવવામાં મદદ કરે છે. આ કિટ કોઈપણ ક્લાઉડ કનેક્શન અથવા ટેલિમેટ્રી વગર કામ કરે છે, જેનો અર્થ છે કે ટીમો તેમની વિઝ્યુઅલ એસેટ્સ સંપૂર્ણપણે ઓન-પ્રેમિસિસ (on-premises) રાખી શકે છે.
લોકલ, ડિટરમિનિસ્ટિક (deterministic) ડાયાગ્રામ ટૂલ શા માટે મહત્વનું છે
એન્જિનિયરિંગ ટીમો સ્લાઇડ ડેક, ડોક્યુમેન્ટેશન સાઇટ્સ અને ડિઝાઇન ટૂલ્સ વચ્ચે ફ્લોચાર્ટ્સ, ક્લાસ ડાયાગ્રામ અને આર્કિટેક્ચર મેપ્સ ખસેડવામાં કલાકો વિતાવે છે. દરેક કોપી-પેસ્ટ સ્ટેપમાં સૂક્ષ્મ ફેરફારો થાય છે—લાઇન સ્ટાઇલ બદલાઈ જાય છે, IDs ફરીથી જનરેટ થાય છે, અને લેઆઉટમાં ફેરફાર થાય છે. જ્યારે કોઈ LLM દ્વારા ડાયાગ્રામ ફરીથી જનરેટ કરવામાં આવે છે, ત્યારે ટેક્સ્ટ્યુઅલ પ્રોમ્પ્ટ બદલાયું ન હોય તો પણ પરિણામ ઘણીવાર અલગ ગોઠવણી ધરાવતું હોય છે. જે સંસ્થાઓને ઓડિટ-રેડી ડોક્યુમેન્ટેશન અથવા પુનરાવર્તિત કરી શકાય તેવા ડિઝાઇન આર્ટિફેક્ટ્સની જરૂર હોય છે, તેમના માટે આ અનિશ્ચિતતા એક જોખમ છે.
પ્રતીકે બે મુખ્ય સમસ્યાઓના ઉકેલ માટે tldraw-canvas-kit બનાવ્યું છે: (1) એક એવું ટૂલ જે સંપૂર્ણપણે વપરાશકર્તાના મશીન પર ચાલે છે, અને (2) એ ખાતરી કે સમાન પ્રોમ્પ્ટથી સમાન ડાયાગ્રામ જ મળશે. AI એજન્ટ કૉલ કરી શકે તેવું લોકલ HTTP API પ્રદાન કરીને, આ કિટ નેટવર્ક લેટન્સી, ડેટા-એક્સફિલ્ટ્રેશન જોખમ અને SaaS સબ્સ્ક્રિપ્શનની જરૂરિયાતને દૂર કરે છે.
આ કિટ કેવી રીતે કામ કરે છે
- ઓફલાઇન કોર – tldraw ડેસ્કટોપ એપ એક લોકલ સર્વર ચલાવે છે જે JSON-એન્કોડેડ કમાન્ડ્સ સ્વીકારે છે. કોઈ બાહ્ય કોલ્સ કરવામાં આવતા નથી, અને કોઈ પણ વપરાશનો ડેટા મશીન છોડીને બહાર જતો નથી.
- એજન્ટ સ્કિલ્સ – દરેક સ્કિલ એક નિશ્ચિત સ્ટ્રક્ચર સ્પષ્ટીકરણ (specification) એન્કોડ કરે છે: લેઆઉટ મેથ્સ, સ્ટેન્સિલ પસંદગીઓ અને સ્ટેબલ IDs. જ્યારે કોઈ એજન્ટ સ્કિલનો ઉપયોગ કરે છે, ત્યારે તેને ડ્રોઇંગ ઇન્સ્ટ્રક્શનનો એક ડિટરમિનિસ્ટિક સેટ મળે છે.
- આઈડેમપોટન્ટ (Idempotent) અપડેટ્સ – જો કોઈ સ્કિલ અસ્તિત્વમાં રહેલા ડાયાગ્રામ પર ચાલે છે, તો તે આકારને તે જ જગ્યાએ અપડેટ કરે છે, જૂના એલિમેન્ટ્સ દૂર કરે છે અને એજિસને ફરીથી એન્કર કરે છે. પરિણામ એવું કેનવાસ મળે છે જેને ડુપ્લીકેટ ઓબ્જેક્ટ્સ ભેગા કર્યા વિના રિફ્રેશ કરી શકાય છે.
- ફાઇલ ફોર્મેટ – ડાયાગ્રામ્સ સાદા .tldraw ફાઇલો તરીકે સંગ્રહિત થાય છે. લેઆઉટ લોજિક ફાઇલની અંદર હોવાથી, ડેક શેર કરવાથી વ્યુને ફરીથી બનાવવા માટે જરૂરી નેવિગેશન નિયમો આપમેળે સામેલ થઈ જાય છે.
આ કિટ તેર ડાયાગ્રામ કેટેગરીઓને સપોર્ટ કરે છે, જેમાં સિક્વન્સ અને ફ્લોચાર્ટ્સથી લઈને ER ડાયાગ્રામ, સ્ટેટ મશીન, સ્વિમલેન, યુઝ-કેસ, કમ્પોનન્ટ, પેકેજ, ડિપ્લોયમેન્ટ, આર્કિટેક્ચર, માઇન્ડ મેપ્સ અને કોડ-બેઝ મેપ્સનો સમાવેશ થાય છે. વપરાશકર્તાઓ ફક્ત ઇચ્છિત ડાયાગ્રામનું વર્ણન કરે છે; સ્કિલ તેના અંતર્ગત સ્ટ્રક્ચરને સંભાળે છે.
ડેવલપમેન્ટ દરમિયાન શીખેલા પાઠ
- એરો સ્ટાઇલિંગ ડિફોલ્ટ તરીકે હેન્ડ-ડ્રોન લુક ધરાવે છે – જ્યારે ક્લીન લાઇન માટે વિનંતી કરવામાં આવે ત્યારે પણ, API શરૂઆતમાં સ્કેચ-સ્ટાઇલ એરો બનાવે છે. સ્ટાઇલ બદલવા માટે સ્કિલ દ્વારા ફોલો-અપ કમાન્ડ આપવો જરૂરી છે.
- એરોઝ આકારોને સાયલન્ટલી ઇન્ટરસેક્ટ કરી શકે છે – જો કનેક્ટર કોઈ નોડમાંથી પસાર થાય તો API કોઈ એરર દર્શાવતું નથી. આવા ટકરાવ પકડવા માટે જનરેટ કરેલા સ્ક્રીનશોટ્સનું વિઝ્યુઅલ ઇન્સ્પેક્શન જરૂરી છે.
- ટૂંકા એરો પર એજ-લેબલ રેપિંગ બ્રેક થાય છે – જો કનેક્ટર ખૂબ ટૂંકો હોય તો લેબલ્સ ખોટી રીતે રેપ થઈ શકે છે, તેથી સ્કિલ દ્વારા લઘુત્તમ લંબાઈ લાગુ કરવી જોઈએ અથવા લેબલનું સ્થાન એડજસ્ટ કરવું જોઈએ.
આ વિચિત્રતાઓ દર્શાવે છે કે શા માટે સ્કિલ્સને API વિશેના અનુમાનોને બદલે તેના વાસ્તવિક વર્તન પર આધારિત બનાવવામાં આવી હતી.
કિટ ઇન્સ્ટોલ કરવી અને તેનો ઉપયોગ કરવો
npx skills add prateek11rai/tldraw-canvas-kit
આ કમાન્ડ macOS અને Linux પર કામ કરે છે. ઇન્સ્ટોલેશન પછી, તે જ વર્કસ્ટેશન પર રહેલો AI એજન્ટ લોકલ ડોક્યુમેન્ટ્સ ક્વેરી કરી શકે છે, કોડ જનરેટ કરી શકે છે અને ચાલતા tldraw સર્વર પર ડ્રોઇંગ કમાન્ડ્સ મોકલી શકે છે. પરિણામ એવો પુનરાવર્તિત કરી શકાય તેવો ડાયાગ્રામ મળે છે જેને હોસ્ટ છોડ્યા વિના વધુ એડિટ કરી શકાય છે અથવા પ્રેઝન્ટેશનમાં એક્સપોર્ટ કરી શકાય છે.
કોને ફાયદો થાય છે, અને તેના ફાયદા-ગેરફાયદા શું છે
- સિક્યુરિટી-ફોકસ ટીમો – કડક ડેટા-હેન્ડલિંગ પોલિસી ધરાવતી કંપનીઓ તમામ ડિઝાઇન આર્ટિફેક્ટ્સ તેમના ફાયરવોલ પાછળ રાખી શકે છે.
- ડોક્યુમેન્ટેશન એન્જિનિયર્સ – જેમને વર્ઝન-કંટ્રોલ્ડ રિપોઝીટરીઝમાં ડાયાગ્રામ એમ્બેડ કરવાની જરૂર હોય છે, તેમને સત્યનો એક નિશ્ચિત સ્ત્રોત (deterministic source of truth) મળે છે.
- ઇન્ડિવિજ્યુઅલ કન્ટ્રીબ્યુટર્સ – દરેક LLM રન પછી મેન્યુઅલી લેઆઉટ એડજસ્ટ કરીને થાકેલા ડેવલપર્સ આ પ્રક્રિયાને ઓટોમેટ કરી શકે છે.
મુખ્ય મર્યાદા લોકલી ચાલતા tldraw ઇન્સ્ટન્સ પરની નિર્ભરતા છે. જે સંસ્થાઓ પહેલેથી જ ક્લાઉડ-આધારિત ડાયાગ્રામ સેવાઓ પર નિર્ભર છે, તેમણે ડેસ્કટોપ એપ અપનાવવી પડશે અને વર્કફ્લોમાં ફેરફાર કરવો પડશે. આ ઉપરાંત, વર્તમાન સ્કિલ સેટ કસ્ટમ સ્ટેન્સિલ લાઇબ્રેરીઓને આવરી લેતો નથી; વપરાશકર્તાઓએ પૂર્વ-નિર્ધારિત આકારોની અંદર જ કામ કરવું પડશે.
આગળ શું
પ્રતીક સમુદાયના પ્રતિસાદના આધારે સ્કીલ લાઇબ્રેરીનો વિસ્તાર કરવા અને Windows માટે સપોર્ટ ઉમેરવાની યોજના ધરાવે છે, જેનાથી સંભવિત વપરાશકર્તા આધાર વ્યાપક બનશે. તેઓ એ પણ આશા રાખે છે કે થર્ડ-પાર્ટી એજન્ટ્સ આ કિટને ઇન્ટિગ્રેટ કરે, જેનાથી વિશિષ્ટ ડાયગ્રામ જનરેટર્સનું એક માર્કેટપ્લેસ બનશે જે તમામ એક જ ડિટરમિનિસ્ટિક કોર (deterministic core) શેર કરે છે.
મુખ્ય તારણ
tldraw-canvas-kit સાબિત કરે છે કે AI-સંચાલિત ડાયગ્રામ નિર્માણ માત્ર ક્લાઉડ-આધારિત અને સંભવિત (probabilistic) પ્રક્રિયા હોવું જરૂરી નથી. ડ્રોઈંગ લોજિકને લોકલ API માં સ્થિર કરીને અને સ્થિર આઈડેન્ટિફાયર્સ (stable identifiers) લાગુ કરીને, તે એન્જિનિયરોને પ્રાઇવસી અથવા નિયંત્રણ સાથે બાંધછોડ કર્યા વિના પુનરાવર્તિત કરી શકાય તેવા અને ઓડિટ-રેડી વિઝ્યુઅલ્સ જનરેટ કરવાની સુવિધા આપે છે.