🎯 О чём этот конспект: Разбор практического кейса использования нового AI-агента AMP для миграции проекта с одного фреймворка на другой (FastHTML -> Air) и создания технической документации. Автор тестирует возможности агента по работе с кодом, который не входит в обучающую выборку (библиотеки в стадии альфа-версии).

👤 Кому будет полезно: Вайбкодерам, разработчикам на Python (FastAPI/FastHTML) и тем, кто ищет замену стандартным AI-чатам для комплексных задач по рефакторингу и документированию.

✨ Что получите: Понимание того, как AMP справляется с автономными задачами, как исправляет ошибки в реальном времени и насколько качественную документацию генерирует «из коробки».

1. Автономная миграция кода между фреймворками

Контекст: Автор поставил задачу переписать существующее приложение (To-Do App) с фреймворка FastHTML на новый фреймворк Air. Сложность в том, что Air находится в стадии альфа-тестирования и отсутствует в обучающих данных большинства LLM. Агент AMP должен был самостоятельно изучить исходный код библиотеки Air в рабочем пространстве, понять её архитектуру и переписать логику приложения, включая работу с базой данных и маршрутизацию.

Выгода: Экономия времени на изучении нового API. Агент выполнил миграцию за 2-3 минуты, что значительно быстрее ручного переписывания.

Как применить:

• Шаг 1: Настройка окружения — Установите AMP и откройте проект в VS Code или Cursor. Убедитесь, что исходный код новой библиотеки (даже если это Alpha) находится в вашем Workspace, чтобы агент мог его проиндексировать.
• Шаг 2: Формулировка задачи — Дайте агенту контекст и ссылки на репозитории.
• Шаг 3: Итеративная отладка — Если при запуске возникают ошибки (например, проблемы с записью в БД), просто скопируйте логи сервера и отправьте их агенту.

Пример промпта для миграции:

I have a project in [Folder A] built with FastHTML. 
I want you to rewrite it into a new project in [Folder B] using the Air framework (source code is in the workspace). 
Maintain the same functionality: project-based to-do list, SQLite backend, and HTMX interactions.

Результат: Полностью рабочее приложение на новом стеке с корректной структурой папок и инициализацией БД.

2. Работа с базой данных и логикой через AMP

Контекст: AMP самостоятельно принял решение переписать ORM-запросы (FastLight) на чистый SQL. Хотя это сделало код более «прозрачным», агент использовал индексацию строк (row indexing), что является хрупким подходом. Однако агент успешно добавил функции, которых не было в оригинале, например, автоматическую генерацию тестовых данных и логирование с использованием эмодзи.

Выгода: Получение чистого, функционального кода, который работает сразу после исправления одной ошибки в логах.

Как применить:

• Шаг 1: Проверка SQL-логики — После генерации кода проверьте файлы database.py. Если агент использовал сырой SQL, убедитесь, что порядок столбцов в SELECT совпадает с индексами в коде.
• Шаг 2: Улучшение структуры — Если вам не нравится сырой SQL, попросите агента использовать конкретную библиотеку:

Refactor the database logic to use SQLAlchemy instead of raw SQL strings for better type safety and maintainability.

Результат: Код с четким разделением ответственности (функции get_todo, create_todo, update_todo) и встроенными механизмами отладки.

3. Генерация технической документации (Concepts Guide)

Контекст: После написания кода автор использовал AMP для создания раздела документации «Layouts and Concepts». Агент проанализировал написанный им же код и создал структурированное руководство в формате Markdown. Результат потребовал ручной чистки, так как AI склонен добавлять лишнюю информацию («salesy stuff») и не относящиеся к теме разделы (обработка ошибок, формы).

Выгода: Создание 80% черновика документации за один промпт. Намного проще удалять лишнее, чем писать структуру с нуля.

Как применить:

• Шаг 1: Запрос на создание гайда — Попросите агента написать руководство на основе созданного кода.
• Шаг 2: Редактирование (Pruning) — Удалите лишние примеры кода, если они дублируют друг друга. Сократите «воду» и маркетинговые фразы.
• Шаг 3: Форматирование — Проверьте рендеринг Markdown и исправьте мелкие ошибки в тексте (pros/formatting).

Результат: Готовый Pull Request с документацией, который был успешно принят в open-source проект.

FAQ

В: Чем AMP отличается от обычного чата в Cursor? О: AMP действует как агент: он может самостоятельно просматривать файлы в разных папках, сопоставлять их и выполнять действия без постоянного подтверждения каждого шага (хотя это требует осторожности).

В: Как AMP справляется с библиотеками, которых нет в базе знаний AI? О: Он анализирует исходный код библиотеки, если она открыта в вашем рабочем пространстве (Workspace). Это позволяет ему понимать синтаксис и паттерны даже самых новых инструментов.

В: Какие есть минусы в коде, который генерирует AMP? О: Агент может использовать упрощенные или «хрупкие» решения, такие как обращение к данным из БД по индексам (row[0]), а не по именам колонок. Также он может добавлять лишний «шум» в документацию.

В: Сколько стоит использование AMP? О: В видео упоминается наличие бесплатного уровня (free tier) на $10. На выполнение задачи по миграции и написанию доков ушло около $4.10.

В: Нужно ли давать AMP специальные разрешения? О: Автор отметил, что агент начал работать с файлами сразу после описания задачи, не запрашивая дополнительных разрешений на чтение/запись в Workspace. Стоит следить за его действиями в реальном времени.

Конспект создан на основе видео «AMP Tool Review» канала Isaac Harris-Holt. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=rWGGPJSnxI0