समान प्रॉम्प्ट, समान डायग्राम
प्रतीक राय यांनी tldraw-canvas-kit लाँच केले आहे, जे १९ “Agent Skills” चा एक संच आहे. यामुळे Claude Code किंवा Cursor सारखे स्थानिक AI असिस्टंट्स ऑफलाइन tldraw डेस्कटॉप ॲप नियंत्रित करू शकतात आणि प्रत्येक वेळी तंतोतंत सारखेच इंजिनिअरिंग डायग्राम्स तयार करू शकतात. हे किट कोणत्याही क्लाउड कनेक्शन किंवा टेलिमेट्रीशिवाय काम करते, याचा अर्थ असा की टीम्स त्यांचे व्हिज्युअल ॲसेट्स पूर्णपणे ऑन-प्रिमाइसेस (on-premises) ठेवू शकतात.
स्थानिक आणि डिटरमिनिस्टिक (deterministic) डायग्राम टूल का महत्त्वाचे आहे
इंजिनिअरिंग टीम्स फ्लोचार्ट्स, क्लास डायग्राम्स आणि आर्किटेक्चर मॅप्स स्लाइड डेक्स, डॉक्युमेंटेशन साइट्स आणि डिझाइन टूल्समध्ये हलवण्यासाठी तासनतास खर्च करतात. प्रत्येक कॉपी-पेस्ट स्टेपमुळे सूक्ष्म बदल होतात—लाईन स्टाइल्स बदलतात, IDs पुन्हा तयार होतात, लेआउट्समध्ये फरक पडतो. जेव्हा एखादा डायग्राम LLM द्वारे पुन्हा तयार केला जातो, तेव्हा मजकूर (textual prompt) बदललेला नसला तरीही, निकाल अनेकदा वेगळ्या मांडणीचा असतो. ज्या संस्थांना ऑडिट-रेडी डॉक्युमेंटेशन किंवा पुनरुत्पादनीय (reproducible) डिझाइन आर्टिफॅक्ट्सची आवश्यकता असते, त्यांच्यासाठी हा बदल एक अडथळा (liability) ठरतो.
प्रतीक यांनी दोन मुख्य समस्या सोडवण्यासाठी tldraw-canvas-kit तयार केले आहे: (१) वापरकर्त्याच्या मशीनवर पूर्णपणे चालणारे टूल, आणि (२) एकच प्रॉम्प्ट दिल्यास तोच डायग्राम मिळेल याची खात्री. AI एजंट कॉल करू शकेल असे स्थानिक HTTP API उपलब्ध करून देऊन, हे किट नेटवर्क लॅटन्सी, डेटा-एक्सफिल्ट्रेशनचा धोका आणि SaaS सबस्क्रिप्शनची गरज कमी करते.
हे किट कसे काम करते
- Offline core – tldraw डेस्कटॉप ॲप एक स्थानिक सर्व्हर चालवते जो JSON-encoded कमांड्स स्वीकारतो. यामध्ये कोणतेही बाह्य कॉल्स केले जात नाहीत आणि वापराचा कोणताही डेटा मशीनच्या बाहेर जात नाही.
- Agent Skills – प्रत्येक स्किलमध्ये एक निश्चित स्ट्रक्चर स्पेसिफिकेशन एनकोड केलेले असते: लेआउट मॅथ, स्टेंसिल निवडी आणि स्टेबल IDs. जेव्हा एखादा एजंट स्किल वापरतो, तेव्हा त्याला ड्रॉइंग सूचनांचा एक डिटरमिनिस्टिक संच मिळतो.
- Idempotent updates – जर एखादे स्किल अस्तित्वात असलेल्या डायग्रामवर चालले, तर ते आकारांना (shapes) त्यांच्या जागी अपडेट करते, कालबाह्य घटक काढून टाकते आणि कडा (edges) पुन्हा अँकर करते. याचा परिणाम असा होतो की, डुप्लिकेट ऑब्जेक्ट्स जमा न होता कॅनव्हास रिफ्रेश करता येतो.
- File format – डायग्राम्स साध्या .tldraw फाईल्स म्हणून साठवल्या जातात. लेआउट लॉजिक फाईलच्या आत असल्याने, डेक शेअर केल्यावर व्ह्यू पुन्हा तयार करण्यासाठी आवश्यक असलेले नेव्हिगेशन नियम आपोआप समाविष्ट होतात.
हे किट सिक्वेन्स आणि फ्लोचार्ट्सपासून ते ER डायग्राम्स, स्टेट मशीन्स, स्विमलेन्स, युज-केस, कंपोनंट, पॅकेज, डिप्लॉयमेंट, आर्किटेक्चर, माइंड मॅप्स आणि कोड-बेस मॅप्सपर्यंत एकूण तेरा डायग्राम कॅटेगरीला सपोर्ट करते. वापरकर्ते फक्त हवा असलेला डायग्रामचे वर्णन करतात; स्किल त्यातील मूळ स्ट्रक्चर हाताळते.
डेव्हलपमेंट दरम्यान शिकलेले धडे
- एरो स्टाईलिंग बाय डिफॉल्ट हाताने काढलेल्या (hand-drawn) लूकसारखे असते – स्वच्छ लाईनची विनंती केली असता देखील, API सुरुवातीला स्केच-स्टाईल एरो तयार करते. स्टाईल बदलण्यासाठी स्किलला त्यानंतर एक कमांड द्यावी लागते.
- एरो आकारांना (shapes) न कळता छेदू शकतात – जर एखादा कनेक्टर नोडमधून जात असेल, तर API कोणतीही एरर दाखवत नाही. अशा चुका शोधण्यासाठी जनरेट केलेल्या स्क्रीनशॉट्सचे व्हिज्युअल निरीक्षण करणे आवश्यक आहे.
- लहान एरो असल्यास एज-लेबल रॅपिंगमध्ये समस्या येते – जर कनेक्टर खूप लहान असेल, तर लेबल्स चुकीच्या पद्धतीने रॅप होऊ शकतात, त्यामुळे स्किलने किमान लांबी सुनिश्चित करणे किंवा लेबलचे स्थान समायोजित करणे आवश्यक आहे.
ही वैशिष्ट्ये दर्शवतात की स्किल्स केवळ गृहितकांवर आधारित न बनवता, API च्या प्रत्यक्ष वर्तनावर (actual behavior) आधारित का बनवण्यात आली आहेत.
किट इन्स्टॉल करणे आणि वापरणे
npx skills add prateek11rai/tldraw-canvas-kit
ही कमांड macOS आणि Linux वर काम करते. इन्स्टॉलेशननंतर, त्याच वर्कस्टेशनवरील AI एजंट स्थानिक डॉक्युमेंट्स शोधू शकतो, कोड जनरेट करू शकतो आणि चालू असलेल्या tldraw सर्व्हरला ड्रॉइंग कमांड्स पाठवू शकतो. याचा निकाल एक पुनरुत्पादनीय डायग्राम असतो, जो होस्ट सोडून न जाता पुढे संपादित केला जाऊ शकतो किंवा प्रेझेंटेशनमध्ये एक्सपोर्ट केला जाऊ शकतो.
कोणाला फायदा होईल आणि त्याचे तोटे (trade-offs) काय आहेत
- सुरक्षा-केंद्रित टीम्स – कडक डेटा-हँडलिंग पॉलिसी असलेल्या कंपन्या सर्व डिझाइन आर्टिफॅक्ट्स त्यांच्या फायरवॉलच्या मागे सुरक्षित ठेवू शकतात.
- डॉक्युमेंटेशन इंजिनिअर्स – ज्यांना व्हर्जन-कंट्रोल केलेल्या रिपॉझिटरीजमध्ये डायग्राम्स एम्बेड करण्याची आवश्यकता असते, त्यांना एक डिटरमिनिस्टिक 'सोर्स ऑफ ट्रुथ' मिळते.
- वैयक्तिक योगदानकर्ते (Individual contributors) – प्रत्येक LLM रन नंतर लेआउट्स मॅन्युअली दुरुस्त करून थकलेले डेव्हलपर्स ही प्रक्रिया स्वयंचलित करू शकतात.
मुख्य मर्यादा म्हणजे स्थानिक पातळीवर चालणाऱ्या tldraw इन्स्टन्सवर अवलंबून राहणे. ज्या संस्था आधीच क्लाउड-आधारित डायग्राम सेवांवर अवलंबून आहेत, त्यांना डेस्कटॉप ॲपचा अवलंब घ्यावा लागेल आणि वर्कफ्लोमध्ये बदल करावे लागतील. याव्यतिरिक्त, सध्याच्या स्किल सेटमध्ये कस्टम स्टेंसिल लायब्ररीजचा समावेश नाही; वापरकर्त्यांना पूर्वनिर्धारित (predefined) आकारांच्या मर्यादेतच काम करावे लागेल.
पुढे काय
प्रतीक समुदायाचा अभिप्राय घेऊन skill library विस्तारण्याचे आणि Windows साठी सपोर्ट जोडण्याचे नियोजन करत आहे, ज्यामुळे संभाव्य वापरकर्त्यांचा आधार वाढेल. त्यांना अशीही आशा आहे की थर्ड-पार्टी एजंट्स या किटचे एकत्रीकरण करतील, ज्यामुळे विशेष डायग्राम जनरेटर्सचे एक मार्केटप्लेस तयार होईल आणि ते सर्व एकाच 'deterministic core' वर आधारित असतील.
मुख्य निष्कर्ष
tldraw-canvas-kit हे सिद्ध करते की AI-आधारित डायग्राम निर्मिती ही केवळ क्लाउड-आधारित किंवा संभाव्य (probabilistic) प्रक्रिया असणे आवश्यक नाही. ड्रॉइंग लॉजिक एका लोकल API मध्ये स्थिर करून आणि स्थिर आयडेंटिफायर्स (stable identifiers) वापरून, हे इंजिनिअर्सना गोपनीयता किंवा नियंत्रण गमावल्याशिवाय पुन्हा पुन्हा तयार करता येण्याजोग्या आणि ऑडिट-रेडी व्हिज्युअल्स तयार करण्यास सक्षम करते.