ஒரே ப்ராம்ப்ட், ஒரே வரைபடம்
Prateek Rai, tldraw-canvas-kit என்ற தொகுப்பை வெளியிட்டுள்ளார். இது 19 "ஏஜென்ட் திறன்கள்" (Agent Skills) கொண்ட ஒரு தொகுப்பாகும். இது Claude Code அல்லது Cursor போன்ற உள்ளூர் AI உதவியாளர்கள், ஆஃப்லைன் tldraw டெஸ்க்டாப் செயலியை இயக்கி, ஒவ்வொரு முறையும் ஒரே மாதிரியான பொறியியல் வரைபடங்களை உருவாக்க அனுமதிக்கிறது. இந்தக் கருவி எந்தவொரு கிளவுட் இணைப்பு அல்லது டெலிமெட்ரி (telemetry) இல்லாமலும் செயல்படும், அதாவது குழுக்கள் தங்கள் காட்சிச் சொத்துக்களை (visual assets) முழுமையாகத் தங்கள் உள்ளூர் அமைப்பிலேயே (on-premises) வைத்திருக்க முடியும்.
ஏன் ஒரு உள்ளூர், தீர்மானிக்கப்பட்ட (deterministic) வரைபடக் கருவி முக்கியமானது
பொறியியல் குழுக்கள் ஃப்ளோசார்ட்டுகள் (flowcharts), கிளாஸ் வரைபடங்கள் மற்றும் ஆர்க்கிடெக்சர் வரைபடங்களை ஸ்லைடு டெக்ஸ், ஆவணப்படுத்தல் தளங்கள் மற்றும் வடிவமைப்பு கருவிகளுக்கு இடையே நகர்த்த பல மணிநேரங்களைச் செலவிடுகிறார்கள். ஒவ்வொரு நகல்-ஒட்டுதல் (copy-paste) நிலையிலும் நுட்பமான மாற்றங்கள் ஏற்படுகின்றன—கோடு ஸ்டைல்கள் மாறுகின்றன, ஐடிக்கிகள் (IDs) மீண்டும் உருவாக்கப்படுகின்றன, லேஅவுட்கள் விலகுகின்றன. ஒரு வரைபடம் LLM மூலம் மீண்டும் உருவாக்கப்பட்டால், உரை ப்ராம்ப்ட் மாறாமல் இருந்தாலும், அதன் முடிவு பெரும்பாலும் ஒரு மாறுபட்ட அமைப்பாகவே இருக்கும். தணிக்கைக்குத் தயாரான ஆவணங்கள் அல்லது மீண்டும் உருவாக்கக்கூடிய வடிவமைப்புப் பொருட்கள் தேவைப்படும் நிறுவனங்களுக்கு, இந்த மாறுபாடு ஒரு சுமையாக அமைகிறது.
Prateek, இரண்டு முக்கியப் பிரச்சனைகளைத் தீர்க்க tldraw-canvas-kit ஐ உருவாக்கினார்: (1) பயனரின் கணினியிலேயே முழுமையாக இயங்கும் ஒரு கருவி, மற்றும் (2) ஒரே ப்ராம்ப்ட் ஒரே வரைபடத்தைத் தரும் என்ற உத்தரவாதம். AI ஏஜென்ட் அழைக்கக்கூடிய ஒரு உள்ளூர் HTTP API-ஐ வழங்குவதன் மூலம், இந்தக் கருவி நெட்வொர்க் தாமதம் (latency), தரவுத் திருட்டு அபாயம் மற்றும் SaaS சந்தாத் தேவை ஆகியவற்றைத் தவிர்க்கிறது.
இந்தக் கருவி எவ்வாறு செயல்படுகிறது
- ஆஃப்லைன் கோர் (Offline core) – tldraw டெஸ்க்டாப் ஆப், JSON-குறியாக்கப்பட்ட கட்டளைகளைப் பெறும் ஒரு உள்ளூர் சர்வரை இயக்குகிறது. எந்த வெளிப்புற அழைப்புகளும் செய்யப்படுவதில்லை, மேலும் எந்தப் பயன்பாட்டுத் தரவும் கணினியை விட்டு வெளியேறுவதில்லை.
- ஏஜென்ட் திறன்கள் (Agent Skills) – ஒவ்வொரு திறனும் ஒரு நிலையான கட்டமைப்பைக் குறியீடாக்குகிறது: லேஅவுட் கணிதம், ஸ்டென்சில் தேர்வுகள் மற்றும் நிலையான ஐடிக்கிகள். ஒரு ஏஜென்ட் ஒரு திறனை அழைக்கும்போது, அது தீர்மானிக்கப்பட்ட வரைதல் வழிமுறைகளின் தொகுப்பைப் பெறுகிறது.
- ஐடெம்போடென்ட் (Idempotent) புதுப்பிப்புகள் – ஒரு திறன் ஏற்கனவே உள்ள வரைபடத்தின் மீது இயங்கினால், அது வடிவங்களை அந்த இடத்திலேயே புதுப்பிக்கிறது, காலாவதியான கூறுகளை நீக்குகிறது மற்றும் விளிம்புகளை மீண்டும் இணைக்கிறது. இதன் விளைவாக, நகல் பொருள்கள் சேராமல் வரைபடத்தை மீண்டும் புதுப்பிக்க முடியும்.
- கோப்பு வடிவம் (File format) – வரைபடங்கள் சாதாரண .tldraw கோப்புகளாகச் சேமிக்கப்படுகின்றன. லேஅவுட் லாஜிக் கோப்பிற்குள்ளேயே இருப்பதால், ஒரு டெக் தொகுப்பைப் (deck) பகிரும்போது, அந்தப் பார்வையை மீண்டும் உருவாக்கத் தேவையான வழிமுறைகளும் தானாகவே சேர்ந்துவிடும்.
இந்தத் தொகுப்பு சீக்வென்ஸ் மற்றும் ஃப்ளோசார்ட்டுகள் முதல் ER வரைபடங்கள், ஸ்டேட் மெஷின்கள், ஸ்விம்லேன்ஸ், யூஸ்-கேஸ், காம்போனென்ட், பேக்கேஜ், டெப்ளாய்மென்ட், ஆர்க்கிடெக்சர், மைண்ட் மேப்ஸ் மற்றும் கோட்-பேஸ் மேப்ஸ் வரை பதின்மூன்று வரைபட வகைகளை ஆதரிக்கிறது. பயனர்கள் விரும்பும் வரைபடத்தை விவரிக்கிறார்கள்; அதன் அடிப்படை கட்டமைப்பை அந்தத் திறன் கையாண்டுவிடுகிறது.
மேம்படுத்தலின் போது கற்றுக்கொண்ட பாடங்கள்
- அம்பு ஸ்டைல் இயல்பாகவே கையால் வரையப்பட்ட தோற்றத்தைக் கொண்டுள்ளது – ஒரு சுத்தமான கோடு கோரப்பட்டாலும் கூட, API தொடக்கத்தில் ஒரு ஸ்கெட்ச்-பாணி அம்பை உருவாக்குகிறது. ஸ்டைலை மாற்ற அந்தத் திறன் ஒரு தொடர்ச்சியான கட்டளையை வழங்க வேண்டும்.
- அம்புகள் வடிவங்களை அமைதியாக வெட்டக்கூடும் – ஒரு இணைப்பான் (connector) ஒரு நோட் (node) வழியாகச் சென்றால் API பிழைகளைத் தெரிவிக்காது. இத்தகைய மோதல்களைக் கண்டறிய உருவாக்கப்பட்ட ஸ்கிரீன்ஷாட்டுகளைப் பார்வை ரீதியாக ஆய்வு செய்ய வேண்டியது அவசியம்.
- குறுகிய அம்புகளில் விளிம்பு லேபிள்கள் (edge-label) சரியாகத் தெரியாது – இணைப்பான் மிகவும் குறுகியதாக இருந்தால் லேபிள்கள் தவறாகத் தெரியலாம், எனவே அந்தத் திறன் குறைந்தபட்ச நீளத்தை உறுதிப்படுத்த வேண்டும் அல்லது லேபிளின் இடத்தைப் பொருத்த வேண்டும்.
இந்தச் சிறு குறைகள், திறன்கள் ஏன் API பற்றிய அனுமானங்களின் அடிப்படையில் அல்லாமல், அதன் உண்மையான செயல்பாட்டின் அடிப்படையில் உருவாக்கப்பட்டன என்பதை விளக்குகின்றன.
கருவியை நிறுவுதல் மற்றும் பயன்படுத்துதல்
npx skills add prateek11rai/tldraw-canvas-kit
இந்தக் கட்டளை macOS மற்றும் Linux ஆகியவற்றில் செயல்படும். நிறுவிய பின், அதே பணிநிலையத்தில் (workstation) உள்ள ஒரு AI ஏஜென்ட் உள்ளூர் ஆவணங்களைக் கேட்கவும், குறியீட்டை உருவாக்கவும் மற்றும் இயங்கும் tldraw சர்வருக்கு வரைதல் கட்டளைகளை அனுப்பவும் முடியும். இதன் விளைவாக, ஹோஸ்ட் கணினியை விட்டு வெளியேறாமலேயே மேலும் திருத்தக்கூடிய அல்லது பிரசன்டேஷன்களுக்கு ஏற்றுமதி செய்யக்கூடிய ஒரு மீண்டும் உருவாக்கக்கூடிய வரைபடம் கிடைக்கும்.
யார் பயனடைவார்கள் மற்றும் இதில் உள்ள சவால்கள் என்ன
- பாதுகாப்பு சார்ந்த குழுக்கள் – கடுமையான தரவு கையாளுதல் கொள்கைகளைக் கொண்ட நிறுவனங்கள், அனைத்து வடிவமைப்புப் பொருட்களையும் தங்கள் ஃபயர்வால் (firewall) பாதுகாப்பிற்குப் பின்னால் வைத்திருக்க முடியும்.
- ஆவணப்படுத்தல் பொறியாளர்கள் – பதிப்பு-கட்டுப்பாட்டு (version-controlled) களஞ்சியங்களில் வரைபடங்களை இணைக்க வேண்டியவர்களுக்கு, இது ஒரு நம்பகமான ஆதாரமாக அமையும்.
- தனிப்பட்ட பங்களிப்பாளர்கள் – ஒவ்வொரு முறை LLM இயங்கிய பிறகும் லேஅவுட்களை கைமுறையாகச் சரிசெய்வதில் சலிப்படைந்த டெவலப்பர்கள், இந்தச் செயல்முறையைத் தானியக்கமாக்கலாம்.
இதன் முக்கிய வரம்பு, உள்ளூரில் இயங்கும் tldraw இன்ஸ்டன்ஸ் (instance) மீதான சார்பு ஆகும். ஏற்கனவே கிளவுட் சார்ந்த வரைபட சேவைகளைச் சார்ந்திருக்கும் நிறுவனங்கள், டெஸ்க்டாப் செயலியைப் பயன்படுத்தவும் தங்கள் பணிப்பாய்வுகளை (workflows) மாற்றியமைக்கவும் தேவைப்படும். கூடுதலாக, தற்போதைய திறன் தொகுப்பு தனிப்பயன் ஸ்டென்சில் நூலகங்களை (custom stencil libraries) உள்ளடக்கியதில்லை; பயனர்கள் ஏற்கனவே வரையறுக்கப்பட்ட வடிவங்களுக்குள் மட்டுமே பணியாற்ற வேண்டும்.
அடுத்து என்ன
Prateek plans to expand the skill library based on community feedback and to add support for Windows, broadening the potential user base. He also hopes to see third-party agents integrate the kit, creating a marketplace of specialized diagram generators that all share the same deterministic core.
Takeaway
tldraw-canvas-kit proves that AI-driven diagram creation does not have to be a cloud-only, probabilistic process. By anchoring drawing logic in a local API and enforcing stable identifiers, it lets engineers generate repeatable, audit-ready visuals without sacrificing privacy or control.