ఒకే ప్రాంప్ట్, ఒకే డయాగ్రామ్
Prateek Rai tldraw-canvas-kitను విడుదల చేశారు. ఇది 19 "Agent Skills"ల కలెక్షన్. దీని ద్వారా Claude Code లేదా Cursor వంటి లోకల్ AI అసిస్టెంట్లు ఆఫ్లైన్ tldraw డెస్క్టాప్ యాప్ను నడపవచ్చు మరియు ప్రతిసారీ ఒకే రకమైన ఇంజనీరింగ్ డయాగ్రామ్లను రూపొందించవచ్చు. ఈ కిట్ క్లౌడ్ కనెక్షన్ లేదా టెలిమెట్రీ లేకుండా పనిచేస్తుంది, అంటే టీమ్లు తమ విజువల్ అసెట్స్ను పూర్తిగా ఆన్-ప్రిమిసెస్ (on-premises) లోనే ఉంచుకోవచ్చు.
లోకల్, డిటర్మినిస్టిక్ (deterministic) డయాగ్రామ్ టూల్ ఎందుకు ముఖ్యమో ఇక్కడ చూడండి
ఇంజనీరింగ్ టీమ్లు ఫ్లోచార్ట్లు, క్లాస్ డయాగ్రామ్లు మరియు ఆర్కిటెక్చర్ మ్యాప్లను స్లైడ్ డెక్లు, డాక్యుమెంటేషన్ సైట్లు మరియు డిజైన్ టూల్ల మధ్య తరలించడానికి గంటల సమయం కేటాయిస్తారు. ప్రతి కాపీ-పేస్ట్ దశలోనూ చిన్న చిన్న మార్పులు జరుగుతాయి—లైన్ స్టైల్స్ మారుతాయి, IDs మళ్ళీ జనరేట్ అవుతాయి, లేఅవుట్లు మారిపోతాయి. ఒక డయాగ్రామ్ను LLM ద్వారా మళ్ళీ రూపొందించినప్పుడు, టెక్స్ట్వల్ ప్రాంప్ట్ మారకపోయినా, ఫలితం తరచుగా వేరే విధంగా ఉంటుంది. ఆడిట్-రెడీ డాక్యుమెంటేషన్ లేదా పునరుత్పత్తి చేయగల (reproducible) డిజైన్ ఆర్టిఫాక్ట్లు అవసరమయ్యే సంస్థలకు, ఈ వైవిధ్యం ఒక సమస్యగా మారుతుంది.
Prateek రెండు ప్రధాన సమస్యలను పరిష్కరించడానికి tldraw-canvas-kitను రూపొందించారు: (1) పూర్తిగా యూజర్ మెషీన్పై నడిచే టూల్, మరియు (2) ఒకే ప్రాంప్ట్ ద్వారా ఒకే డయాగ్రామ్ వస్తుందనే గ్యారెంటీ. AI ఏజెంట్ కాల్ చేయగల లోకల్ HTTP APIని అందించడం ద్వారా, ఈ కిట్ నెట్వర్క్ లాటెన్సీ, డేటా-ఎక్స్ఫిల్ట్రేషన్ (data-exfiltration) రిస్క్ మరియు SaaS సబ్స్క్రిప్షన్ అవసరాన్ని తొలగిస్తుంది.
ఈ కిట్ ఎలా పనిచేస్తుంది
- Offline core – tldraw డెస్క్టాప్ యాప్ JSON-ఎన్కోడెడ్ కమాండ్స్ను స్వీకరించే లోకల్ సర్వర్ను నడుపుతుంది. ఎటువంటి ఎక్స్టర్నల్ కాల్స్ చేయబడవు మరియు ఎటువంటి యూసేజ్ డేటా మెషీన్ నుండి బయటకు వెళ్లదు.
- Agent Skills – ప్రతి స్కిల్ ఒక ఫిక్స్డ్ స్ట్రక్చర్ స్పెసిఫికేషన్ను ఎన్కోడ్ చేస్తుంది: లేఅవుట్ మ్యాథ్, స్టెన్సిల్ ఛాయిస్లు మరియు స్టేబుల్ IDs. ఏజెంట్ ఒక స్కిల్ను ఇన్వోక్ చేసినప్పుడు, అది డిటర్మినిస్టిక్ డ్రాయింగ్ ఇన్స్ట్రక్షన్స్ సెట్ను అందుకుంటుంది.
- Idempotent updates – ఒక స్కిల్ ఇప్పటికే ఉన్న డయాగ్రామ్పై రన్ అయినప్పుడు, అది ఉన్న చోటే షేప్లను అప్డేట్ చేస్తుంది, పాత ఎలిమెంట్స్ను తొలగిస్తుంది మరియు ఎడ్జెస్ (edges)ను మళ్ళీ యాంకర్ చేస్తుంది. దీని ఫలితంగా డూప్లికేట్ ఆబ్జెక్ట్లు పేరుకుపోకుండా కాన్వాస్ను రిఫ్రెష్ చేయవచ్చు.
- File format – డయాగ్రామ్లు సాధారణ .tldraw ఫైల్లుగా నిల్వ చేయబడతాయి. లేఅవుట్ లాజిక్ ఫైల్ లోపలే ఉండటం వల్ల, ఒక డెక్ షేర్ చేసినప్పుడు ఆ వ్యూను పునరుత్పత్తి చేయడానికి అవసరమైన నావిగేషన్ రూల్స్ కూడా ఆటోమేటిక్గా కలిసి వస్తాయి.
ఈ కిట్ సీక్వెన్స్ మరియు ఫ్లోచార్ట్ల నుండి ER డయాగ్రామ్లు, స్టేట్ మెషీన్లు, స్విమ్లేన్లు, యూజ్-కేస్, కాంపోనెంట్, ప్యాకేజీ, డిప్లాయ్మెంట్, ఆర్కిటెక్చర్, మైండ్ మ్యాప్లు మరియు కోడ్-బేస్ మ్యాప్ల వరకు పదమూడు డయాగ్రామ్ కేటగిరీలను సపోర్ట్ చేస్తుంది. వినియోగదారులు కావాల్సిన డయాగ్రామ్ను వివరిస్తే సరిపోతుంది; స్కిల్ దాని వెనుక ఉన్న స్ట్రక్చర్ను హ్యాండిల్ చేస్తుంది.
డెవలప్మెంట్ సమయంలో నేర్చుకున్న పాఠాలు
- Arrow styling defaults to a hand-drawn look – క్లీన్ లైన్ కోరినప్పటికీ, API మొదట స్కెచ్-స్టైల్ బాణం గుర్తును (arrow) సృష్టిస్తుంది. స్టైల్ను మార్చడానికి స్కిల్ ఒక ఫాలో-అప్ కమాండ్ను ఇవ్వాలి.
- Arrows can intersect shapes silently – ఒక కనెక్టర్ నోడ్ ద్వారా వెళ్తే API ఎటువంటి ఎర్రర్లను చూపదు. ఇటువంటి కొలిజన్లను (collisions) గుర్తించడానికి జనరేట్ చేయబడిన స్క్రీన్షాట్లను విజువల్గా పరిశీలించాల్సి ఉంటుంది.
- Edge-label wrapping breaks on short arrows – కనెక్టర్ చాలా చిన్నదిగా ఉంటే లేబుల్స్ సరిగ్గా రాకపోవచ్చు, కాబట్టి స్కిల్ కనీస పొడవును నిర్ణయించాలి లేదా లేబుల్ ప్లేస్మెంట్ను సర్దుబాటు చేయాలి.
ఈ చిన్న చిన్న లోపాలు (quirks), స్కిల్స్ను కేవలం ఊహల మీద కాకుండా, API యొక్క అసలు ప్రవర్తన (actual behavior) ఆధారంగా ఎందుకు నిర్మించారో వివరిస్తాయి.
కిట్ను ఇన్స్టాల్ చేయడం మరియు ఉపయోగించడం
npx skills add prateek11rai/tldraw-canvas-kit
ఈ కమాండ్ macOS మరియు Linux లలో పనిచేస్తుంది. ఇన్స్టాలేషన్ తర్వాత, అదే వర్క్స్టేషన్లోని AI ఏజెంట్ లోకల్ డాక్యుమెంట్లను క్వెరీ చేయవచ్చు, కోడ్ను జనరేట్ చేయవచ్చు మరియు నడుస్తున్న tldraw సర్వర్కు డ్రాయింగ్ కమాండ్లను పంపవచ్చు. దీని ఫలితంగా వచ్చే డయాగ్రామ్ పునరుత్పత్తి చేయదగినది (reproducible), దీనిని హోస్ట్ నుండి బయటకు వెళ్లకుండానే మరింత ఎడిట్ చేయవచ్చు లేదా ప్రెజెంటేషన్లకు ఎగుమతి (export) చేయవచ్చు.
ఎవరికి ప్రయోజనం మరియు ఇందులో ఉన్న లాభనష్టాలు (trade-offs) ఏమిటి
- Security-focused teams – కఠినమైన డేటా-హ్యాండ్లింగ్ పాలసీలు ఉన్న కంపెనీలు తమ డిజైన్ ఆర్టిఫాక్ట్లన్నింటినీ ఫైర్వాల్స్ వెనుక ఉంచుకోవచ్చు.
- Documentation engineers – వెర్షన్-కంట్రోల్డ్ రిపోజిటరీలలో డయాగ్రామ్లను ఎంబెడ్ చేయవలసి వచ్చే వారికి, ఇది ఒక ఖచ్చితమైన సోర్స్ ఆఫ్ ట్రూత్ (source of truth) గా ఉపయోగపడుతుంది.
- Individual contributors – ప్రతి LLM రన్ తర్వాత లేఅవుట్లను మాన్యువల్గా సరిచేయడం వల్ల విసిగిపోయిన డెవలపర్లు ఈ ప్రక్రియను ఆటోమేట్ చేయవచ్చు.
దీని ప్రధాన పరిమితి ఏమిటంటే, ఇది లోకల్గా నడుస్తున్న tldraw ఇన్స్టెన్స్పై ఆధారపడి ఉంటుంది. ఇప్పటికే క్లౌడ్ ఆధారిత డయాగ్రామ్ సర్వీసులపై ఆధారపడే సంస్థలు, డెస్క్టాప్ యాప్ను స్వీకరించి తమ వర్క్ఫ్లోలను మార్చుకోవాల్సి ఉంటుంది. అదనంగా, ప్రస్తుత స్కిల్ సెట్ కస్టమ్ స్టెన్సిల్ లైబ్రరీలను కవర్ చేయదు; వినియోగదారులు ముందుగా నిర్ణయించిన (predefined) షేప్ల పరిధిలోనే పనిచేయాలి.
తదుపరి ఏమిటి
కమ్యూనిటీ ఫీడ్బ్యాక్ ఆధారంగా స్కిల్ లైబ్రరీని విస్తరించాలని మరియు విండోస్ (Windows) సపోర్ట్ను జోడించి, సంభావ్య వినియోగదారుల పరిధిని పెంచాలని ప్రతీక్ యోచిస్తున్నాడు. థర్డ్-పార్టీ ఏజెంట్లు ఈ కిట్ను అనుసంధానించి, ఒకే రకమైన డిటర్మినిస్టిక్ కోర్ను కలిగి ఉండే ప్రత్యేకమైన డయాగ్రామ్ జనరేటర్ల మార్కెట్ప్లేస్ను సృష్టించాలని ఆయన కూడా ఆశిస్తున్నారు.
ముఖ్య అంశం
AI-ఆధారిత డయాగ్రామ్ సృష్టి అనేది కేవలం క్లౌడ్-ఓన్లీ, ప్రాబబిలిస్టిక్ ప్రక్రియగానే ఉండాల్సిన అవసరం లేదని tldraw-canvas-kit నిరూపిస్తుంది. డ్రాయింగ్ లాజిక్ను లోకల్ APIలో ఉంచడం మరియు స్థిరమైన ఐడెంటిఫైయర్లను అమలు చేయడం ద్వారా, ఇది గోప్యత లేదా నియంత్రణను కోల్పోకుండానే ఇంజనీర్లు పునరావృతమయ్యే, ఆడిట్-రెడీ విజువల్స్ను రూపొందించేలా చేస్తుంది.