[{"data":1,"prerenderedAt":206},["ShallowReactive",2],{"journal-all":3,"journal-post-chto-mozhet-lokalnyj-coding-agent-na-16-gb-vram-1":202},[4,14,23,32,41,50,59,68,77,86,95,104,113,122,131,140,149,158,167,175,184,193],{"id":5,"documentId":6,"title":7,"slug":8,"author":9,"displayDate":10,"publishedAt":11,"tags":12,"excerpt":13},128,"ejmfhc9x77pq7i6lk8uri7vz","Хорошие платформеры прощают маленькие ошибки","horoshie-platformery-proshhayut-malenkie-oshibki-igroka","Maxim","2026-10-08","2026-10-12T14:22:54.799Z",[],"Игрок нажал кнопку прыжка у самого края платформы, а персонаж вместо прыжка падает вниз. Или нажал прыжок чуть раньше приземления, и прыжок не…",{"id":15,"documentId":16,"title":17,"slug":18,"author":9,"displayDate":19,"publishedAt":20,"tags":21,"excerpt":22},151,"cpt6fex3mcb2pk2rwxrqlvl0","Что может локальный coding-agent на 16 GB VRAM","chto-mozhet-lokalnyj-coding-agent-na-16-gb-vram-1","2026-10-03","2026-10-22T07:06:46.248Z",[],"Обычно в работе с кодом я использую frontier-модели. Для разработки у меня достаточно мощный ПК, но специально под запуск локальных моделей я его не…",{"id":24,"documentId":25,"title":26,"slug":27,"author":9,"displayDate":28,"publishedAt":29,"tags":30,"excerpt":31},132,"pg9d6k0p2ggrjlpwnp0vmfhu","Публичный контракт вместо внутренних формул в typographics 5","publichnyj-kontrakt-vmesto-vnutrennih-formul-v-typographics-5","2026-09-03","2026-10-20T09:34:40.187Z",[],"Выпустил typographics@5.0.0. Изменение в самом CSS небольшое: блоки кода теперь по умолчанию используют ту же плавную базу, что и основной текст…",{"id":33,"documentId":34,"title":35,"slug":36,"author":9,"displayDate":37,"publishedAt":38,"tags":39,"excerpt":40},154,"bfbbuk4w3a8878alj8u8tjk7","Получить готовое решение и иметь основания ему доверять — разные вещи","poluchit-gotovoe-reshenie-i-imet-osnovaniya-emu-doveryat-raznye-veshhi","2026-08-22","2026-11-07T12:53:47.007Z",[],"Допустим, нужен поиск по каталогу. Поле ввода, запрос к серверу, список результатов. Поручаем это нейросети, получаем компонент, запускаем. Вводим…",{"id":42,"documentId":43,"title":44,"slug":45,"author":9,"displayDate":46,"publishedAt":47,"tags":48,"excerpt":49},133,"rrs7fbiul9xgn1lqvzvfkv40","Кэш не должен ломать загрузку спрайта","kesh-ne-dolzhen-lomat-zagruzku-sprajta","2026-08-11","2026-10-20T09:35:09.405Z",[],"В iconly 5.0.0 почти не добавил новых возможностей. Разобрал поведение библиотеки в нескольких ситуациях: хранилище недоступно, в кэше лежит плохой…",{"id":51,"documentId":52,"title":53,"slug":54,"author":9,"displayDate":55,"publishedAt":56,"tags":57,"excerpt":58},134,"v415k9na7rfuvuwadzaux2fq","playbackRate не вывозит","playback-rate-ne-vyvozit","2026-08-08","2026-10-20T09:35:39.760Z",[],"В mode=\"scroll\" лента должна ускоряться вместе со страницей и сохранять инерцию, когда прокрутка уже остановилась. После перехода на Web Animations…",{"id":60,"documentId":61,"title":62,"slug":63,"author":9,"displayDate":64,"publishedAt":65,"tags":66,"excerpt":67},131,"ashjhdkt56ram23r40w9vx7e","Два пути к SVG-спрайту в Iconly","dva-puti-k-svg-sprajtu-v-iconly","2026-07-11","2026-10-20T09:27:58.489Z",[],"В 3.0 у iconly появился довольно понятный контракт загрузки: при вызове init() загрузчик проверяет кэш, при необходимости получает внешний SVG-файл и…",{"id":69,"documentId":70,"title":71,"slug":72,"author":9,"displayDate":73,"publishedAt":74,"tags":75,"excerpt":76},135,"jesxp2we692xubc1lvx26tvm","Полируем clicktone","poliruem-clicktone","2026-07-03","2026-10-20T09:37:04.432Z",[],"После изменений в Web Audio поведение clicktone меня устраивает гораздо больше, чем инфраструктура вокруг пакета. Здесь есть неприятный класс ошибок…",{"id":78,"documentId":79,"title":80,"slug":81,"author":9,"displayDate":82,"publishedAt":83,"tags":84,"excerpt":85},136,"zz71n3thhwzglwwguq7j23sf","Vue поверх DOM-контроллера, а не вместо него","vue-poverh-dom-kontrollera-a-ne-vmesto-nego","2026-06-08","2026-10-20T09:37:48.997Z",[],"После 2.0.0 DOM API DialogLite позволяет передать готовый элемент или селектор, настроить закрытие, фокус и прокрутку, а затем явно уничтожить…",{"id":87,"documentId":88,"title":89,"slug":90,"author":9,"displayDate":91,"publishedAt":92,"tags":93,"excerpt":94},137,"gnxwj8ybwrbrexf3hhmg3cwj","Один AudioContext для всех звуков","odin-audio-context-dlya-vseh-zvukov","2026-06-03","2026-10-20T09:38:16.966Z",[],"В игре HopperGame звук перестал быть разовым эффектом, который можно включить и забыть. Один звук должен идти циклически, пока персонаж находится в…",{"id":96,"documentId":97,"title":98,"slug":99,"author":9,"displayDate":100,"publishedAt":101,"tags":102,"excerpt":103},149,"tb0zyd0dkyux359m1ekxjfqk","Стенограмма YouTube-видео локально на Windows через yt-dlp и Whisper от OpenAI","stenogramma-you-tube-video-lokalno-na-windows-cherez-yt-dlp-i-whisper-ot-open-ai","2026-03-17","2026-10-21T12:32:22.911Z",[],"Понадобилось получить обычный текст из YouTube-видео. Встроенная стенограмма есть не у каждого ролика, поэтому решил сделать всё локально: скачать…",{"id":105,"documentId":106,"title":107,"slug":108,"author":9,"displayDate":109,"publishedAt":110,"tags":111,"excerpt":112},138,"kcybzkzc77id357qven9oau2","Делаем API Iconly предсказуемым","delaem-api-iconly-predskazuemym","2026-01-25","2026-10-20T09:39:22.402Z",[],"В 2.0 в основном приводил в порядок внутреннее устройство iconly, сохраняя прежний способ использования. В 3.0 занялся публичным API. Я хотел, чтобы…",{"id":114,"documentId":115,"title":116,"slug":117,"author":9,"displayDate":118,"publishedAt":119,"tags":120,"excerpt":121},139,"x43svzw5tuasmmygpugo9ijk","Жёсткий DOM-контракт начал мешать","zhyostkij-dom-kontrakt-nachal-meshat","2025-12-16","2026-10-20T09:40:16.527Z",[],"В версии 1.5.1 у DialogLite был удобный, но довольно жёсткий договор с разметкой. Контроллер искал первый .dialog-lite, знал про #main-content…",{"id":123,"documentId":124,"title":125,"slug":126,"author":9,"displayDate":127,"publishedAt":128,"tags":129,"excerpt":130},140,"cvonqqvil2tn4fmgaiabss76","Две плавные шкалы вместо корня 10px","dve-plavnye-shkaly-vmesto-kornya-10px","2025-11-04","2026-10-20T09:41:13.937Z",[],"Выпустил typographics@3.0.0. Перед стабильным релизом обкатал новую мажорную версию в реальных проектах. Главное изменение оказалось не в новой…",{"id":132,"documentId":133,"title":134,"slug":135,"author":9,"displayDate":136,"publishedAt":137,"tags":138,"excerpt":139},141,"pvwfuo4kzfsvxwf7rz8tccbj","Вертикальный ритм на lh в typographics","vertikalnyj-ritm-na-lh-v-typographics","2025-09-20","2026-10-20T09:42:09.920Z",[],"Выпустил typographics@2.4.7. За последние две недели пакет заметно разросся вокруг довольно простой проблемы: на реальной странице одной шкалы…",{"id":141,"documentId":142,"title":143,"slug":144,"author":9,"displayDate":145,"publishedAt":146,"tags":147,"excerpt":148},142,"rn9rvxezqx4f3ivdrc6voh0s","Один play() для звука в мини-играх","odin-play-dlya-zvuka-v-mini-igrah","2025-04-17","2026-10-20T09:42:53.018Z",[],"В небольших промо-играх звук обычно нужен как отклик на действие пользователя, например нажатие кнопки. За таким эффектом быстро появляется…",{"id":150,"documentId":151,"title":152,"slug":153,"author":9,"displayDate":154,"publishedAt":155,"tags":156,"excerpt":157},143,"t5o8wrsruzuu542084uuz63y","Дорабатываю Iconly изнутри","dorabatyvayu-iconly-iznutri","2025-03-10","2026-10-20T09:43:35.331Z",[],"В 2.0.0 способ использования Iconly почти не изменился. Я пересмотрел внутреннюю реализацию: поиск контейнера, вставку SVG в DOM, обработку ошибок и…",{"id":159,"documentId":160,"title":161,"slug":162,"author":9,"displayDate":163,"publishedAt":164,"tags":165,"excerpt":166},144,"r0jxt6a2huml847j89tiyxrk","Расстаёмся с Custom Element","custom-element-uhodit-type-script-prihodit","2025-03-09","2026-10-20T09:44:47.700Z",[],"Custom Element давал marquee-content готовые методы жизненного цикла. Проблема появилась при интеграции с фреймворком: одним DOM-узлом одновременно…",{"id":168,"documentId":169,"title":170,"slug":171,"author":9,"displayDate":163,"publishedAt":172,"tags":173,"excerpt":174},145,"tkj2cgfjisq0rr061p90eusp","Один контроллер вместо диалогов под каждый проект","odin-kontroller-vmesto-dialogov-pod-kazhdyj-proekt","2026-10-20T09:45:24.409Z",[],"В разных проектах я снова и снова делал примерно одно и то же: находил контейнер диалога, открывал его, закрывал по кнопке или фону, переключал…",{"id":176,"documentId":177,"title":178,"slug":179,"author":9,"displayDate":180,"publishedAt":181,"tags":182,"excerpt":183},146,"ttv07xomzxiijk85sdob4rlx","SVG-спрайт в localStorage","svg-sprajt-v-local-storage","2024-06-02","2026-10-20T09:45:52.655Z",[],"Кэшировать SVG-спрайт в браузере сначала кажется задачей на несколько строк. Получил файл, положил строку в localStorage, при следующем запуске…",{"id":185,"documentId":186,"title":187,"slug":188,"author":9,"displayDate":189,"publishedAt":190,"tags":191,"excerpt":192},147,"ewuzaa0hw5kfc6gzqph0k67u","Бесконечная анимация, конечный жизненный цикл","beskonechnaya-animacziya-konechnyj-zhiznennyj-czikl","2023-10-31","2026-10-20T09:46:16.781Z",[],"Бесконечная анимация — нормальное поведение для бегущей строки. Бесконечные обработчики и наблюдатели — нет. При ручных проверках заметил, что…",{"id":194,"documentId":195,"title":196,"slug":197,"author":9,"displayDate":198,"publishedAt":199,"tags":200,"excerpt":201},148,"n9v8botqj54tx61u0jahrprs","Бегущая строка за четыре дня","begushhaya-stroka-za-chetyre-dnya","2023-03-24","2026-10-20T09:47:13.002Z",[],"Бегущая строка выглядит почти оскорбительно простой задачей — положить элементы в ряд, сдвигать их влево или вправо и повторять всё сначала. Примерно…",{"id":15,"documentId":16,"title":17,"content":203,"slug":18,"author":9,"displayDate":19,"publishedAt":20,"tags":204,"html":205},"Обычно в работе с кодом я использую frontier-модели. Для разработки у меня достаточно мощный ПК, но специально под запуск локальных моделей я его не собирал:\n\n```text\nGPU: NVIDIA GeForce RTX 4070 Ti SUPER, 16 GB VRAM\nRAM: 64 GB DDR5-6400\nOS: Windows\n```\n\nСтало интересно, насколько далеко можно зайти на таком железе с современной локальной моделью. Не просто запустить чат и попросить написать функцию, а поработать с агентом, который читает настоящий проект, соблюдает правила репозитория и способен найти реальную проблему в коде.\n\nДля эксперимента я взял `Swift 1.5 Qwen3.8-27B Q8_0`, запустил его через LM Studio и подключил к Cline внутри Cursor.\n\nПолучилось медленно. Иногда очень медленно. Но при разборе проекта модель нашла баг: после `destroy()` отложенный `requestAnimationFrame` всё ещё мог изменить canvas. Я отдельно сверил эту цепочку с исходниками — она подтвердилась. На разбор небольшого TypeScript-проекта ушло около двух часов.\n\nПримерно эту границу мне и хотелось найти: что уже можно получить локально на обычной рабочей машине, а где до привычного опыта с frontier-моделями ещё далеко.\n\n## Почему Swift 1.5\n\nИзначально я сформулировал для себя довольно узкую задачу: TypeScript, в перспективе WebGL\u002FGLSL и работа с реальным проектом в агентном режиме. Скорость генерации была вторична, приоритет — качество кода.\n\nИз нескольких вариантов на основе Qwen3.8-27B остановился на Swift 1.5. В актуальной [карточке модели](https:\u002F\u002Fhuggingface.co\u002Fukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF) авторы делают акцент на программировании и работе в агентном режиме, показывают результаты на LiveCodeBench и Terminal-Bench.\n\nВзял вариант Q8_0.\n\nМожно было взять вариант поменьше, тем более что видеопамяти всего 16 GB. Но задача была не выжать максимум токенов в секунду, а посмотреть, что даст Q8_0, если позволить части модели жить в RAM.\n\nQ8_0 сейчас занимает около 29 GB. В карточке модели он обозначен как вариант с максимальной fidelity. Для длинных задач в агентном режиме авторы рекомендуют Q6_K или выше.\n\nТо есть в видеокарту модель целиком не помещается даже близко.\n\n## 29 GB модели и 16 GB VRAM\n\nLM Studio на llama.cpp позволяет перенести часть модели на GPU, а остальное оставить в системной памяти.\n\nСначала получил рабочую конфигурацию с контекстом 32K:\n\n```text\nContext Length: 32768\nGPU Offload:    22\n```\n\nLM Studio оценил использование GPU примерно в 12.61 GB. `nvidia-smi` показал:\n\n```text\n13154 MiB \u002F 16376 MiB\n```\n\nПосле этого увеличил контекст до 65536. С прежней настройкой GPU Offload оценка расхода видеопамяти уже подбиралась к 14.5 GB, поэтому количество слоёв на GPU уменьшил до 19.\n\nФинальный вариант:\n\n```text\nContext Length: 65536\nGPU Offload:    19\n```\n\nОценка LM Studio:\n\n```text\nGPU:   12.54 GB\nTotal: 42.87 GB\n```\n\nФактически через `nvidia-smi`:\n\n```text\n12882 MiB \u002F 16376 MiB\n```\n\nОсталось около 3.4 GiB VRAM.\n\nПосле этой настройки локальный запуск перестал выглядеть для меня как задача \"влезет ли файл модели в видеокарту\". Не влезет. И не обязан.\n\nВ этой конфигурации видеокарта берёт часть работы на себя, остальные веса остаются в 64 GB RAM. Расход памяти зависит ещё и от размера контекста и KV-cache.\n\nПоэтому `GPU Offload = 19` — не универсальная рекомендация, а просто рабочее значение на моей машине. На другом железе нужно заново подобрать, сколько слоёв перенести на GPU, и обязательно проверить расход видеопамяти через `nvidia-smi`.\n\nСейчас LM Studio позволяет отдельно задавать [размер контекста и число слоёв на GPU](https:\u002F\u002Flmstudio.ai\u002Fdocs\u002Fcli\u002Flocal-models\u002Fload), а также учитывать эти параметры при оценке памяти.\n\n## Первый простой тест модель провалила\n\nПосле настройки хотелось проверить что-нибудь совсем небольшое.\n\nДал Swift задачу написать TypeScript-функцию для компиляции шейдера WebGL:\n\n```text\nНапиши на TypeScript функцию\n\ncompileShader(\n  gl: WebGL2RenderingContext,\n  type: GLenum,\n  source: string\n): WebGLShader\n\nФункция должна создать и скомпилировать shader. Если компиляция\nзавершилась ошибкой, получить текст через getShaderInfoLog(),\nудалить shader и бросить Error.\n\nВерни только код.\n```\n\nВ ответе была строка:\n\n```ts\nthrow new Error(Failed to create shader);\n```\n\nТо есть 27B-модель выдала код с синтаксической ошибкой на задаче, которую сложно назвать серьёзным испытанием.\n\nВ этот момент в LM Studio был выставлен `Temperature = 0.1`.\n\nНе падаем духом и не списываем модель в утиль. Настроил отдельный пресет:\n\n```text\nTemperature:       1.0\nTop K:             20\nTop P:             0.95\nMin P:             0\nRepeat Penalty:    1.0\nPresence Penalty:  0\nThinking:          ON\nReasoning Budget:  Unrestricted\n```\n\nПосле этого тот же тест прошёл нормально.\n\nОказалось, что эти значения практически совпадают с рекомендованными настройками генерации для Swift 1.5:\n\n```text\ntemperature:        1.0\ntop_p:              0.95\ntop_k:              20\nmin_p:              0\npresence_penalty:   0\nrepetition_penalty: 1\n```\n\nС локальной моделью мало скачать правильные веса. Результат зависит и от настроек запуска.\n\n## Около шести токенов в секунду\n\nПосле настройки скорость была примерно такой:\n\n```text\n~6 tok\u002Fs\n```\n\nВ одном из замеров:\n\n```text\n5.92 tok\u002Fs\n654 tokens\nthinking ~1:35\nMTP draft acceptance ~63.6%\n```\n\nВ другом MTP acceptance был около 65%.\n\nБыстрой такую работу не назовёшь. После облачных frontier-моделей разница хорошо чувствуется.\n\nНо для этого эксперимента скорость изначально была вторична. Пока модель думает несколько минут и возвращает полезный результат, с этим ещё можно жить.\n\nКак позже выяснилось, несколько минут — не худший вариант.\n\n## От локальной модели к агенту\n\nДля первого запуска использовал LM Studio ещё и потому, что через него легко получить локальный API.\n\nСервер поднялся на:\n\n```text\nhttp:\u002F\u002F127.0.0.1:1234\n```\n\nПроверка:\n\n```powershell\nInvoke-RestMethod http:\u002F\u002F127.0.0.1:1234\u002Fv1\u002Fmodels\n```\n\nпоказала модель:\n\n```text\nswift-1.5-qwen3.8-27b\n```\n\nПосле этого подключил Cline в Cursor:\n\n```text\nAPI Provider:   LM Studio\nModel:          swift-1.5-qwen3.8-27b\nContext Window: 65536\n```\n\nПолучилась такая цепочка:\n\n```text\nCursor\n  -> Cline\n    -> LM Studio\n      -> Swift 1.5 Qwen3.8-27B Q8_0\n```\n\nCline сейчас [напрямую поддерживает LM Studio](https:\u002F\u002Fdocs.cline.bot\u002Frunning-models-locally\u002Foverview). Стандартный адрес сервера — `localhost:1234`.\n\nСам API никаких сложностей не доставил, кроме одной мелочи с PowerShell: первый POST испортил кириллицу, и модель получила `????`.\n\nПришлось явно кодировать тело запроса в UTF-8:\n\n```powershell\n$body = @{\n    model = \"swift-1.5-qwen3.8-27b\"\n    messages = @(\n        @{\n            role = \"user\"\n            content = \"Ответь одной строкой: API работает\"\n        }\n    )\n    temperature = 1.0\n    top_p = 0.95\n} | ConvertTo-Json -Depth 10\n\n$utf8Body = [System.Text.Encoding]::UTF8.GetBytes($body)\n\n$response = Invoke-RestMethod `\n    -Uri \"http:\u002F\u002F127.0.0.1:1234\u002Fv1\u002Fchat\u002Fcompletions\" `\n    -Method Post `\n    -ContentType \"application\u002Fjson; charset=utf-8\" `\n    -Body $utf8Body\n\n$response.choices[0].message.content\n```\n\nПосле этого получил:\n\n```text\nAPI работает\n```\n\n## Сначала только читать\n\nПодключение агента прошло легко. Сложнее оказалось определить, сколько ему сразу разрешить.\n\nИзначально Auto-approve включал:\n\n```text\nRead\nEdit\nWeb Fetch\nMCP\n```\n\nДля начала оставил ему только:\n\n```text\nRead\n```\n\nEdit, Terminal и остальные действия — вручную. Cline работает в Plan mode.\n\nСначала хотелось понять, насколько предсказуемо локальная модель работает с настоящим репозиторием, и только потом разрешать ей что-либо менять.\n\nПод рукой не оказалось WebGL-проекта, и я решил поэкспериментировать над чем-то попроще. С прошлого Нового года у меня остался пакет `snowfall-canvas`, реализующий Canvas 2D \"новогодний снегопад\" для веб-приложений.\n\nSwift нормально это определил и не начал придумывать шейдеры или GLSL. В обзорном проходе он довольно точно восстановил структуру: типизированные массивы, таблицу значений для `fastSin`, пакетную отрисовку, работу с DPR, `ResizeObserver`, `visibilitychange`, адаптивную настройку производительности и ограничение количества частиц.\n\nБыл и менее приятный момент. Для обхода репозитория агент сначала предложил:\n\n```powershell\nGet-ChildItem d:\\tests\\snowfall-canvas -Recurse -File |\nWhere-Object {\n    $_.FullName -notmatch 'node_modules|\\.git|dist|build|out|coverage|\\.next'\n}\n```\n\nПроблема в том, что фильтрация здесь происходит уже после `-Recurse`. Тяжёлые каталоги всё равно могут физически обходиться.\n\nКоманду отклонил.\n\nПосле Reject Swift перестроил работу и перешёл к более точечному чтению и поиску.\n\n## AGENTS.md вместо надежды на хороший промпт\n\nПосле первого прохода добавил в проект `AGENTS.md`.\n\nГлавные правила были достаточно простыми:\n\n```text\n- без широкого recursive traversal корня;\n- не обходить node_modules, .git и другие тяжёлые каталоги;\n- предпочитать targeted reads\u002Fsearch;\n- repo-wide traversal только после разрешения;\n- для shell использовать PowerShell 7;\n- искать root cause, а не латать симптом;\n- не добавлять абстракции и зависимости без необходимости.\n```\n\nТуда же попал принцип \"Lazy senior\": сначала понять задачу, проверить YAGNI, поискать существующее решение, стандартную возможность платформы или уже установленную зависимость, и только потом писать новый код.\n\nCline распознал файл как правила проекта. Отдельно попросил его без обращения к инструментам перечислить действующие правила — основные ограничения он восстановил корректно. Поддержка [`AGENTS.md`](https:\u002F\u002Fdocs.cline.bot\u002Fcustomization\u002Fcline-rules) сейчас есть и в официальной документации Cline.\n\nДополнительно я использовал `.clineignore` для тяжёлых каталогов. В текущей документации Cline он уже [помечен как `deprecate soon`](https:\u002F\u002Fdocs.cline.bot\u002Fcustomization\u002Fclineignore). Ограничения на инструменты и ручное подтверждение действий для этого важнее.\n\nПосле обзорного анализа захотелось дать задачу, результат которой будет гораздо более жёсткой проверкой.\n\n## Найди настоящий баг или скажи, что его нет\n\nSwift получил задачу проверить код того же `snowfall-canvas` без правок.\n\nУсловия специально сформулировал так, чтобы модель не могла отделаться стандартным набором \"улучшений\":\n\n```text\n- ничего не редактировать;\n- не запускать команды;\n- не предлагать косметический рефакторинг;\n- не предлагать новые абстракции;\n- искать реальный defect \u002F edge case \u002F баг;\n- соблюдать AGENTS.md;\n- если убедительного дефекта нет — так и сказать.\n```\n\nЕсли проблема найдётся, требовалось указать:\n\n1. где она находится;\n2. сценарий воспроизведения;\n3. причину ошибки;\n4. минимальный фикс;\n5. одну проверку, которую стоит добавить.\n\nПосле этого Swift думал примерно **два часа**.\n\nДля небольшого TypeScript-проекта это чрезмерно. При настройке `Unrestricted` казался естественным выбором ради максимального качества, но на практике ждать пришлось слишком долго.\n\nЗато найденная проблема оказалась не косметикой.\n\n## requestAnimationFrame, который пережил destroy()\n\nВ обработке изменения размера был отдельный `requestAnimationFrame`.\n\nУпрощённо:\n\n```ts\nrequestAnimationFrame(() => {\n    this.resizeQueued = false;\n    this.resizeToContainer();\n});\n```\n\nПроблема в том, что id этого rAF нигде не сохранялся.\n\n`destroy()` при этом нормально завершал остальную работу экземпляра:\n\n- отменял rAF основного цикла отрисовки;\n- отключал `ResizeObserver`;\n- снимал обработчики событий.\n\nНо про отложенный rAF для изменения размера он ничего не знал.\n\nSwift восстановил такой сценарий:\n\n```ts\nconst snow = new SnowfallCanvas({ canvas, container });\nsnow.init();\n```\n\nЗатем:\n\n1. контейнер меняет размер;\n2. `ResizeObserver` или `requestResize()` запускает обработку изменения размера;\n3. `queueResize()` ставит `requestAnimationFrame`;\n4. до следующего кадра вызывается `snow.destroy()`;\n5. экземпляр уже завершил работу;\n6. отложенный вызов всё равно срабатывает;\n7. вызывается `resizeToContainer()`;\n8. затем `applyResize()`.\n\nВ итоге старый экземпляр после `destroy()` снова меняет:\n\n```text\ncanvas.width\ncanvas.height\nctx.setTransform(...)\n```\n\nЭто уже не просто внутренний флаг, который остался в неправильном состоянии.\n\nCanvas принадлежит коду, использующему библиотеку. После `destroy()` разумно ожидать, что старый экземпляр его больше не тронет.\n\nОсобенно неприятно, если после уничтожения компонента canvas сразу использует другой код отрисовки. Через кадр старый `SnowfallCanvas` приходит со своим отложенным вызовом и меняет буфер холста.\n\n## Минимальный фикс\n\nSwift предложил отдельно сохранять id отложенного вызова:\n\n```ts\nprivate resizeRafId: number | null = null;\n```\n\nПри планировании:\n\n```ts\nprivate queueResize = (): void => {\n    if (this.resizeQueued) return;\n\n    this.resizeQueued = true;\n\n    this.resizeRafId = requestAnimationFrame(() => {\n        this.resizeRafId = null;\n        this.resizeQueued = false;\n        this.resizeToContainer();\n    });\n};\n```\n\nА в `destroy()`:\n\n```ts\nif (this.resizeRafId !== null) {\n    cancelAnimationFrame(this.resizeRafId);\n    this.resizeRafId = null;\n    this.resizeQueued = false;\n}\n```\n\nТо есть без отдельного планировщика и новых абстракций. Сохраняем id отложенного `requestAnimationFrame` и отменяем вызов в `destroy()`.\n\nДля теста на этот баг модель предложила тот же сценарий в минимальном виде:\n\n```text\nrequestResize()\n-> rAF scheduled\n-> destroy()\n-> cancelAnimationFrame(same id)\n```\n\nЭтого достаточно, чтобы проверить причину ошибки без симуляции Vue или сложных сценариев взаимодействия с DOM.\n\nПосле ответа я отдельно сверил найденную цепочку с исходниками.\n\nОна подтвердилась:\n\n```text\nqueueResize()\n-> requestAnimationFrame()\n-> id не сохраняется\n\ndestroy()\n-> отменяет только основной rafId\n-> resize-rAF остаётся pending\n\npending callback\n-> resizeToContainer()\n-> applyResize()\n-> canvas.width \u002F canvas.height \u002F setTransform()\n```\n\nПосле проверки эксперимент для меня стал заметно интереснее простого запуска локальной LLM.\n\nОбщий обзор проекта может звучать убедительно и без полезных находок. Здесь модель нашла конкретный баг, который подтвердился при проверке исходников, и предложила небольшой фикс, устраняющий его причину.\n\nЗаодно она заметила ещё один подозрительный случай в адаптивной настройке производительности: механизм снижения нагрузки потенциально способен увеличить количество частиц. Но не стала смешивать его с основной находкой и оставила как дополнительное замечание, требующее отдельной проверки.\n\n## Хорошее ревью ещё не означает автономного агента\n\nДва часа на разбор — первое очевидное ограничение.\n\nДля такого проекта это слишком дорого по времени, даже если электричество и API-токены в данном случае не считаются.\n\nПричём у Swift 1.5 есть несколько уровней reasoning effort. Авторы модели отдельно [тестируют `xhigh`, `medium` и `low`](https:\u002F\u002Fhuggingface.co\u002Fukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF), так что максимальный режим вовсе не обязательно использовать для каждого ревью.\n\nЭто один из следующих экспериментов: снизить reasoning effort и посмотреть, насколько быстрее модель работает и что происходит с качеством поиска багов.\n\nЕсть и менее заметная проблема — локальной модели всё равно нельзя автоматически верить в отчёте о собственных действиях.\n\nУсловие задачи было:\n\n```text\nне запускай команды\n```\n\nSwift позже написал:\n\n```text\nникаких команд изменения состояния не запускал\n```\n\nФормулировки похожи, но смысл уже чуть-чуть другой.\n\nЕсли по журналу вызовов видно, что агент действительно не обращался к терминалу, никакого инцидента нет. Но такая подмена показывает, как модель может истолковать ограничение по-своему и затем уверенно описать собственное поведение.\n\nТо же относится к заявлениям вроде \"посимвольно сравнил\" или к проверкам `dist\u002F`: если это существенно для вывода, лучше смотреть журнал вызовов инструментов, чем принимать отчёт модели за доказательство.\n\nПоэтому режим только для чтения и ручное подтверждение Edit\u002FTerminal в начале оказались вполне оправданными.\n\nНе потому, что Swift постоянно пытался сделать что-то опасное. Большая часть поведения как раз выглядела разумно. Просто цена ошибки гораздо ниже, когда сначала понимаешь, как конкретная модель пользуется инструментами и соблюдает ограничения.\n\n## Конфигурация для повторения\n\n### Железо\n\n```text\nNVIDIA GeForce RTX 4070 Ti SUPER, 16 GB VRAM\n64 GB DDR5-6400\nWindows\n```\n\n### Модель\n\n```text\nukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF\nQ8_0\n```\n\n### LM Studio\n\n```text\nContext Length:             65536\nGPU Offload:                19\nFlash Attention:            ON\nOffload KV Cache to GPU:    ON\nK\u002FV Cache Quantization:     OFF\nMax Concurrent Predictions: 1\nMTP:                        ON\nmmap:                       ON\nKeep Model in Memory:       ON\nRoPE:                       Auto\n```\n\nНа другой машине `GPU Offload` нужно подобрать заново. Смысл настройки — оставить нормальный запас по VRAM и проверить результат через `nvidia-smi`.\n\n### Настройки генерации\n\n```text\nTemperature:       1.0\nTop K:             20\nTop P:             0.95\nMin P:             0\nRepeat Penalty:    1.0\nPresence Penalty:  0\nThinking:          ON\nReasoning Budget:  Unrestricted\n```\n\n`Unrestricted` — параметр этого эксперимента, а не моя рекомендация. После двухчасового разбора как раз его хочется скорректировать первым.\n\n### Локальный API\n\n```text\nhttp:\u002F\u002F127.0.0.1:1234\n```\n\nID модели:\n\n```text\nswift-1.5-qwen3.8-27b\n```\n\n### Cline\n\n```text\nAPI Provider:   LM Studio\nModel:          swift-1.5-qwen3.8-27b\nContext Window: 65536\nMode:           Plan\nAuto-approve:   Read only\n```\n\nДля локальных моделей Cline сейчас [рекомендует](https:\u002F\u002Fdocs.cline.bot\u002Frunning-models-locally\u002Foverview) давать задачи с чёткими границами и начинать новую задачу, когда контекст становится слишком большим. Машины с 64 GB+ RAM документация рассматривает как вариант для более крупных моделей и большего контекста.\n\nВ моём случае связка:\n\n```text\nCursor\n  -> Cline\n    -> LM Studio\n      -> Swift 1.5 Qwen3.8-27B Q8_0\n```\n\nдошла от простой проверки API до разбора реального TypeScript-проекта без правок и нашла баг, который подтвердился по исходникам.\n\nНо называть её после этого полноценной заменой frontier-агента для работы с кодом, мягко говоря, я бы не стал.",[],"\u003Cp class=\"body-large\">Обычно в работе с кодом я использую frontier-модели. Для разработки у меня достаточно мощный ПК, но специально под запуск локальных моделей я его не собирал:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>GPU: NVIDIA GeForce RTX 4070 Ti SUPER, 16 GB VRAM\nRAM: 64 GB DDR5-6400\nOS: Windows\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Стало интересно, насколько далеко можно зайти на таком железе с современной локальной моделью. Не просто запустить чат и попросить написать функцию, а поработать с агентом, который читает настоящий проект, соблюдает правила репозитория и способен найти реальную проблему в коде.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Для эксперимента я взял \u003Ccode>Swift 1.5 Qwen3.8-27B Q8_0\u003C\u002Fcode>, запустил его через LM Studio и подключил к Cline внутри Cursor.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Получилось медленно. Иногда очень медленно. Но при разборе проекта модель нашла баг: после \u003Ccode>destroy()\u003C\u002Fcode> отложенный \u003Ccode>requestAnimationFrame\u003C\u002Fcode> всё ещё мог изменить canvas. Я отдельно сверил эту цепочку с исходниками — она подтвердилась. На разбор небольшого TypeScript-проекта ушло около двух часов.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Примерно эту границу мне и хотелось найти: что уже можно получить локально на обычной рабочей машине, а где до привычного опыта с frontier-моделями ещё далеко.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Почему Swift 1.5\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Изначально я сформулировал для себя довольно узкую задачу: TypeScript, в перспективе WebGL\u002FGLSL и работа с реальным проектом в агентном режиме. Скорость генерации была вторична, приоритет — качество кода.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Из нескольких вариантов на основе Qwen3.8-27B остановился на Swift 1.5. В актуальной \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF\" data-cursor-style=\"dot\">карточке модели\u003C\u002Fa> авторы делают акцент на программировании и работе в агентном режиме, показывают результаты на LiveCodeBench и Terminal-Bench.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Взял вариант Q8_0.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Можно было взять вариант поменьше, тем более что видеопамяти всего 16 GB. Но задача была не выжать максимум токенов в секунду, а посмотреть, что даст Q8_0, если позволить части модели жить в RAM.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Q8_0 сейчас занимает около 29 GB. В карточке модели он обозначен как вариант с максимальной fidelity. Для длинных задач в агентном режиме авторы рекомендуют Q6_K или выше.\u003C\u002Fp>\n\u003Cp class=\"body-large\">То есть в видеокарту модель целиком не помещается даже близко.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">29 GB модели и 16 GB VRAM\u003C\u002Fh2>\n\u003Cp class=\"body-large\">LM Studio на llama.cpp позволяет перенести часть модели на GPU, а остальное оставить в системной памяти.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Сначала получил рабочую конфигурацию с контекстом 32K:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Context Length: 32768\nGPU Offload:    22\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">LM Studio оценил использование GPU примерно в 12.61 GB. \u003Ccode>nvidia-smi\u003C\u002Fcode> показал:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>13154 MiB \u002F 16376 MiB\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">После этого увеличил контекст до 65536. С прежней настройкой GPU Offload оценка расхода видеопамяти уже подбиралась к 14.5 GB, поэтому количество слоёв на GPU уменьшил до 19.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Финальный вариант:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Context Length: 65536\nGPU Offload:    19\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Оценка LM Studio:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>GPU:   12.54 GB\nTotal: 42.87 GB\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Фактически через \u003Ccode>nvidia-smi\u003C\u002Fcode>:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>12882 MiB \u002F 16376 MiB\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Осталось около 3.4 GiB VRAM.\u003C\u002Fp>\n\u003Cp class=\"body-large\">После этой настройки локальный запуск перестал выглядеть для меня как задача “влезет ли файл модели в видеокарту”. Не влезет. И не обязан.\u003C\u002Fp>\n\u003Cp class=\"body-large\">В этой конфигурации видеокарта берёт часть работы на себя, остальные веса остаются в 64 GB RAM. Расход памяти зависит ещё и от размера контекста и KV-cache.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Поэтому \u003Ccode>GPU Offload = 19\u003C\u002Fcode> — не универсальная рекомендация, а просто рабочее значение на моей машине. На другом железе нужно заново подобрать, сколько слоёв перенести на GPU, и обязательно проверить расход видеопамяти через \u003Ccode>nvidia-smi\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Сейчас LM Studio позволяет отдельно задавать \u003Ca href=\"https:\u002F\u002Flmstudio.ai\u002Fdocs\u002Fcli\u002Flocal-models\u002Fload\" data-cursor-style=\"dot\">размер контекста и число слоёв на GPU\u003C\u002Fa>, а также учитывать эти параметры при оценке памяти.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Первый простой тест модель провалила\u003C\u002Fh2>\n\u003Cp class=\"body-large\">После настройки хотелось проверить что-нибудь совсем небольшое.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Дал Swift задачу написать TypeScript-функцию для компиляции шейдера WebGL:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Напиши на TypeScript функцию\n\ncompileShader(\n  gl: WebGL2RenderingContext,\n  type: GLenum,\n  source: string\n): WebGLShader\n\nФункция должна создать и скомпилировать shader. Если компиляция\nзавершилась ошибкой, получить текст через getShaderInfoLog(),\nудалить shader и бросить Error.\n\nВерни только код.\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">В ответе была строка:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#F97583\">throw\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> new\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\"> Error\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">(Failed to create shader);\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">То есть 27B-модель выдала код с синтаксической ошибкой на задаче, которую сложно назвать серьёзным испытанием.\u003C\u002Fp>\n\u003Cp class=\"body-large\">В этот момент в LM Studio был выставлен \u003Ccode>Temperature = 0.1\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Не падаем духом и не списываем модель в утиль. Настроил отдельный пресет:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Temperature:       1.0\nTop K:             20\nTop P:             0.95\nMin P:             0\nRepeat Penalty:    1.0\nPresence Penalty:  0\nThinking:          ON\nReasoning Budget:  Unrestricted\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">После этого тот же тест прошёл нормально.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Оказалось, что эти значения практически совпадают с рекомендованными настройками генерации для Swift 1.5:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>temperature:        1.0\ntop_p:              0.95\ntop_k:              20\nmin_p:              0\npresence_penalty:   0\nrepetition_penalty: 1\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">С локальной моделью мало скачать правильные веса. Результат зависит и от настроек запуска.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Около шести токенов в секунду\u003C\u002Fh2>\n\u003Cp class=\"body-large\">После настройки скорость была примерно такой:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>~6 tok\u002Fs\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">В одном из замеров:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>5.92 tok\u002Fs\n654 tokens\nthinking ~1:35\nMTP draft acceptance ~63.6%\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">В другом MTP acceptance был около 65%.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Быстрой такую работу не назовёшь. После облачных frontier-моделей разница хорошо чувствуется.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Но для этого эксперимента скорость изначально была вторична. Пока модель думает несколько минут и возвращает полезный результат, с этим ещё можно жить.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Как позже выяснилось, несколько минут — не худший вариант.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">От локальной модели к агенту\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Для первого запуска использовал LM Studio ещё и потому, что через него легко получить локальный API.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Сервер поднялся на:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>http:\u002F\u002F127.0.0.1:1234\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Проверка:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Invoke-RestMethod http:\u002F\u002F127.0.0.1:1234\u002Fv1\u002Fmodels\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">показала модель:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>swift-1.5-qwen3.8-27b\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">После этого подключил Cline в Cursor:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>API Provider:   LM Studio\nModel:          swift-1.5-qwen3.8-27b\nContext Window: 65536\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Получилась такая цепочка:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Cursor\n  -&gt; Cline\n    -&gt; LM Studio\n      -&gt; Swift 1.5 Qwen3.8-27B Q8_0\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Cline сейчас \u003Ca href=\"https:\u002F\u002Fdocs.cline.bot\u002Frunning-models-locally\u002Foverview\" data-cursor-style=\"dot\">напрямую поддерживает LM Studio\u003C\u002Fa>. Стандартный адрес сервера — \u003Ccode>localhost:1234\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Сам API никаких сложностей не доставил, кроме одной мелочи с PowerShell: первый POST испортил кириллицу, и модель получила \u003Ccode>????\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Пришлось явно кодировать тело запроса в UTF-8:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>$body = @{\n    model = &quot;swift-1.5-qwen3.8-27b&quot;\n    messages = @(\n        @{\n            role = &quot;user&quot;\n            content = &quot;Ответь одной строкой: API работает&quot;\n        }\n    )\n    temperature = 1.0\n    top_p = 0.95\n} | ConvertTo-Json -Depth 10\n\n$utf8Body = [System.Text.Encoding]::UTF8.GetBytes($body)\n\n$response = Invoke-RestMethod `\n    -Uri &quot;http:\u002F\u002F127.0.0.1:1234\u002Fv1\u002Fchat\u002Fcompletions&quot; `\n    -Method Post `\n    -ContentType &quot;application\u002Fjson; charset=utf-8&quot; `\n    -Body $utf8Body\n\n$response.choices[0].message.content\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">После этого получил:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>API работает\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch2 class=\"headline-medium\">Сначала только читать\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Подключение агента прошло легко. Сложнее оказалось определить, сколько ему сразу разрешить.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Изначально Auto-approve включал:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Read\nEdit\nWeb Fetch\nMCP\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Для начала оставил ему только:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Read\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Edit, Terminal и остальные действия — вручную. Cline работает в Plan mode.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Сначала хотелось понять, насколько предсказуемо локальная модель работает с настоящим репозиторием, и только потом разрешать ей что-либо менять.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Под рукой не оказалось WebGL-проекта, и я решил поэкспериментировать над чем-то попроще. С прошлого Нового года у меня остался пакет \u003Ccode>snowfall-canvas\u003C\u002Fcode>, реализующий Canvas 2D “новогодний снегопад” для веб-приложений.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Swift нормально это определил и не начал придумывать шейдеры или GLSL. В обзорном проходе он довольно точно восстановил структуру: типизированные массивы, таблицу значений для \u003Ccode>fastSin\u003C\u002Fcode>, пакетную отрисовку, работу с DPR, \u003Ccode>ResizeObserver\u003C\u002Fcode>, \u003Ccode>visibilitychange\u003C\u002Fcode>, адаптивную настройку производительности и ограничение количества частиц.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Был и менее приятный момент. Для обхода репозитория агент сначала предложил:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Get-ChildItem d:\\tests\\snowfall-canvas -Recurse -File |\nWhere-Object {\n    $_.FullName -notmatch 'node_modules|\\.git|dist|build|out|coverage|\\.next'\n}\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Проблема в том, что фильтрация здесь происходит уже после \u003Ccode>-Recurse\u003C\u002Fcode>. Тяжёлые каталоги всё равно могут физически обходиться.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Команду отклонил.\u003C\u002Fp>\n\u003Cp class=\"body-large\">После Reject Swift перестроил работу и перешёл к более точечному чтению и поиску.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">\u003Ca href=\"http:\u002F\u002FAGENTS.md\" data-cursor-style=\"dot\">AGENTS.md\u003C\u002Fa> вместо надежды на хороший промпт\u003C\u002Fh2>\n\u003Cp class=\"body-large\">После первого прохода добавил в проект \u003Ccode>AGENTS.md\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Главные правила были достаточно простыми:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>- без широкого recursive traversal корня;\n- не обходить node_modules, .git и другие тяжёлые каталоги;\n- предпочитать targeted reads\u002Fsearch;\n- repo-wide traversal только после разрешения;\n- для shell использовать PowerShell 7;\n- искать root cause, а не латать симптом;\n- не добавлять абстракции и зависимости без необходимости.\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Туда же попал принцип “Lazy senior”: сначала понять задачу, проверить YAGNI, поискать существующее решение, стандартную возможность платформы или уже установленную зависимость, и только потом писать новый код.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Cline распознал файл как правила проекта. Отдельно попросил его без обращения к инструментам перечислить действующие правила — основные ограничения он восстановил корректно. Поддержка \u003Ca href=\"https:\u002F\u002Fdocs.cline.bot\u002Fcustomization\u002Fcline-rules\" data-cursor-style=\"dot\">AGENTS.md\u003C\u002Fa> сейчас есть и в официальной документации Cline.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Дополнительно я использовал \u003Ccode>.clineignore\u003C\u002Fcode> для тяжёлых каталогов. В текущей документации Cline он уже \u003Ca href=\"https:\u002F\u002Fdocs.cline.bot\u002Fcustomization\u002Fclineignore\" data-cursor-style=\"dot\">помечен как deprecate soon\u003C\u002Fa>. Ограничения на инструменты и ручное подтверждение действий для этого важнее.\u003C\u002Fp>\n\u003Cp class=\"body-large\">После обзорного анализа захотелось дать задачу, результат которой будет гораздо более жёсткой проверкой.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Найди настоящий баг или скажи, что его нет\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Swift получил задачу проверить код того же \u003Ccode>snowfall-canvas\u003C\u002Fcode> без правок.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Условия специально сформулировал так, чтобы модель не могла отделаться стандартным набором “улучшений”:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>- ничего не редактировать;\n- не запускать команды;\n- не предлагать косметический рефакторинг;\n- не предлагать новые абстракции;\n- искать реальный defect \u002F edge case \u002F баг;\n- соблюдать AGENTS.md;\n- если убедительного дефекта нет — так и сказать.\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Если проблема найдётся, требовалось указать:\u003C\u002Fp>\n\u003Col class=\"list-large\">\n\u003Cli>где она находится;\u003C\u002Fli>\n\u003Cli>сценарий воспроизведения;\u003C\u002Fli>\n\u003Cli>причину ошибки;\u003C\u002Fli>\n\u003Cli>минимальный фикс;\u003C\u002Fli>\n\u003Cli>одну проверку, которую стоит добавить.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp class=\"body-large\">После этого Swift думал примерно \u003Cstrong>два часа\u003C\u002Fstrong>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Для небольшого TypeScript-проекта это чрезмерно. При настройке \u003Ccode>Unrestricted\u003C\u002Fcode> казался естественным выбором ради максимального качества, но на практике ждать пришлось слишком долго.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Зато найденная проблема оказалась не косметикой.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">requestAnimationFrame, который пережил destroy()\u003C\u002Fh2>\n\u003Cp class=\"body-large\">В обработке изменения размера был отдельный \u003Ccode>requestAnimationFrame\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Упрощённо:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#B392F0\">requestAnimationFrame\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">(() \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=>\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> {\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeQueued \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> false\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\">resizeToContainer\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">();\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">});\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Проблема в том, что id этого rAF нигде не сохранялся.\u003C\u002Fp>\n\u003Cp class=\"body-large\">\u003Ccode>destroy()\u003C\u002Fcode> при этом нормально завершал остальную работу экземпляра:\u003C\u002Fp>\n\u003Cul class=\"list-large\">\n\u003Cli>отменял rAF основного цикла отрисовки;\u003C\u002Fli>\n\u003Cli>отключал \u003Ccode>ResizeObserver\u003C\u002Fcode>;\u003C\u002Fli>\n\u003Cli>снимал обработчики событий.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp class=\"body-large\">Но про отложенный rAF для изменения размера он ничего не знал.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Swift восстановил такой сценарий:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#F97583\">const\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> snow\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> =\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> new\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\"> SnowfallCanvas\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">({ canvas, container });\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">snow.\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\">init\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">();\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Затем:\u003C\u002Fp>\n\u003Col class=\"list-large\">\n\u003Cli>контейнер меняет размер;\u003C\u002Fli>\n\u003Cli>\u003Ccode>ResizeObserver\u003C\u002Fcode> или \u003Ccode>requestResize()\u003C\u002Fcode> запускает обработку изменения размера;\u003C\u002Fli>\n\u003Cli>\u003Ccode>queueResize()\u003C\u002Fcode> ставит \u003Ccode>requestAnimationFrame\u003C\u002Fcode>;\u003C\u002Fli>\n\u003Cli>до следующего кадра вызывается \u003Ccode>snow.destroy()\u003C\u002Fcode>;\u003C\u002Fli>\n\u003Cli>экземпляр уже завершил работу;\u003C\u002Fli>\n\u003Cli>отложенный вызов всё равно срабатывает;\u003C\u002Fli>\n\u003Cli>вызывается \u003Ccode>resizeToContainer()\u003C\u002Fcode>;\u003C\u002Fli>\n\u003Cli>затем \u003Ccode>applyResize()\u003C\u002Fcode>.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp class=\"body-large\">В итоге старый экземпляр после \u003Ccode>destroy()\u003C\u002Fcode> снова меняет:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>canvas.width\ncanvas.height\nctx.setTransform(...)\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Это уже не просто внутренний флаг, который остался в неправильном состоянии.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Canvas принадлежит коду, использующему библиотеку. После \u003Ccode>destroy()\u003C\u002Fcode> разумно ожидать, что старый экземпляр его больше не тронет.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Особенно неприятно, если после уничтожения компонента canvas сразу использует другой код отрисовки. Через кадр старый \u003Ccode>SnowfallCanvas\u003C\u002Fcode> приходит со своим отложенным вызовом и меняет буфер холста.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Минимальный фикс\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Swift предложил отдельно сохранять id отложенного вызова:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">private \u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\">resizeRafId\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">: number \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">|\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> null\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> =\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> null\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">При планировании:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">private \u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\">queueResize\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> =\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> ()\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">:\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> void\u003C\u002Fspan>\u003Cspan style=\"color:#F97583\"> =>\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> {\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#F97583\">    if\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> (\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\">this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeQueued) \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">return\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeQueued \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> true\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeRafId \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\"> requestAnimationFrame\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">(() \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=>\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> {\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">        this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeRafId \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> null\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">        this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeQueued \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> false\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">        this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.\u003C\u002Fspan>\u003Cspan style=\"color:#B392F0\">resizeToContainer\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">();\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">    });\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">};\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">А в \u003Ccode>destroy()\u003C\u002Fcode>:\u003C\u002Fp>\n\u003Cpre class=\"shiki github-dark\" style=\"background-color:#24292e;color:#e1e4e8\" tabindex=\"0\">\u003Ccode>\u003Cspan class=\"line\">\u003Cspan style=\"color:#F97583\">if\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\"> (\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\">this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeRafId \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">!==\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> null\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">) {\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#B392F0\">    cancelAnimationFrame\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">(\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\">this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeRafId);\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeRafId \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> null\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#79B8FF\">    this\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">.resizeQueued \u003C\u002Fspan>\u003Cspan style=\"color:#F97583\">=\u003C\u002Fspan>\u003Cspan style=\"color:#79B8FF\"> false\u003C\u002Fspan>\u003Cspan style=\"color:#E1E4E8\">;\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003Cspan style=\"color:#E1E4E8\">}\u003C\u002Fspan>\u003C\u002Fspan>\n\u003Cspan class=\"line\">\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">То есть без отдельного планировщика и новых абстракций. Сохраняем id отложенного \u003Ccode>requestAnimationFrame\u003C\u002Fcode> и отменяем вызов в \u003Ccode>destroy()\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Для теста на этот баг модель предложила тот же сценарий в минимальном виде:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>requestResize()\n-&gt; rAF scheduled\n-&gt; destroy()\n-&gt; cancelAnimationFrame(same id)\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Этого достаточно, чтобы проверить причину ошибки без симуляции Vue или сложных сценариев взаимодействия с DOM.\u003C\u002Fp>\n\u003Cp class=\"body-large\">После ответа я отдельно сверил найденную цепочку с исходниками.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Она подтвердилась:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>queueResize()\n-&gt; requestAnimationFrame()\n-&gt; id не сохраняется\n\ndestroy()\n-&gt; отменяет только основной rafId\n-&gt; resize-rAF остаётся pending\n\npending callback\n-&gt; resizeToContainer()\n-&gt; applyResize()\n-&gt; canvas.width \u002F canvas.height \u002F setTransform()\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">После проверки эксперимент для меня стал заметно интереснее простого запуска локальной LLM.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Общий обзор проекта может звучать убедительно и без полезных находок. Здесь модель нашла конкретный баг, который подтвердился при проверке исходников, и предложила небольшой фикс, устраняющий его причину.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Заодно она заметила ещё один подозрительный случай в адаптивной настройке производительности: механизм снижения нагрузки потенциально способен увеличить количество частиц. Но не стала смешивать его с основной находкой и оставила как дополнительное замечание, требующее отдельной проверки.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Хорошее ревью ещё не означает автономного агента\u003C\u002Fh2>\n\u003Cp class=\"body-large\">Два часа на разбор — первое очевидное ограничение.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Для такого проекта это слишком дорого по времени, даже если электричество и API-токены в данном случае не считаются.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Причём у Swift 1.5 есть несколько уровней reasoning effort. Авторы модели отдельно \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF\" data-cursor-style=\"dot\">тестируют xhigh, medium и low\u003C\u002Fa>, так что максимальный режим вовсе не обязательно использовать для каждого ревью.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Это один из следующих экспериментов: снизить reasoning effort и посмотреть, насколько быстрее модель работает и что происходит с качеством поиска багов.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Есть и менее заметная проблема — локальной модели всё равно нельзя автоматически верить в отчёте о собственных действиях.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Условие задачи было:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>не запускай команды\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Swift позже написал:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>никаких команд изменения состояния не запускал\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Формулировки похожи, но смысл уже чуть-чуть другой.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Если по журналу вызовов видно, что агент действительно не обращался к терминалу, никакого инцидента нет. Но такая подмена показывает, как модель может истолковать ограничение по-своему и затем уверенно описать собственное поведение.\u003C\u002Fp>\n\u003Cp class=\"body-large\">То же относится к заявлениям вроде “посимвольно сравнил” или к проверкам \u003Ccode>dist\u002F\u003C\u002Fcode>: если это существенно для вывода, лучше смотреть журнал вызовов инструментов, чем принимать отчёт модели за доказательство.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Поэтому режим только для чтения и ручное подтверждение Edit\u002FTerminal в начале оказались вполне оправданными.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Не потому, что Swift постоянно пытался сделать что-то опасное. Большая часть поведения как раз выглядела разумно. Просто цена ошибки гораздо ниже, когда сначала понимаешь, как конкретная модель пользуется инструментами и соблюдает ограничения.\u003C\u002Fp>\n\u003Ch2 class=\"headline-medium\">Конфигурация для повторения\u003C\u002Fh2>\n\u003Ch3>Железо\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>NVIDIA GeForce RTX 4070 Ti SUPER, 16 GB VRAM\n64 GB DDR5-6400\nWindows\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch3>Модель\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>ukisai\u002FSwift-1.5-Qwen3.8-27B-GGUF\nQ8_0\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch3>LM Studio\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>Context Length:             65536\nGPU Offload:                19\nFlash Attention:            ON\nOffload KV Cache to GPU:    ON\nK\u002FV Cache Quantization:     OFF\nMax Concurrent Predictions: 1\nMTP:                        ON\nmmap:                       ON\nKeep Model in Memory:       ON\nRoPE:                       Auto\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">На другой машине \u003Ccode>GPU Offload\u003C\u002Fcode> нужно подобрать заново. Смысл настройки — оставить нормальный запас по VRAM и проверить результат через \u003Ccode>nvidia-smi\u003C\u002Fcode>.\u003C\u002Fp>\n\u003Ch3>Настройки генерации\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>Temperature:       1.0\nTop K:             20\nTop P:             0.95\nMin P:             0\nRepeat Penalty:    1.0\nPresence Penalty:  0\nThinking:          ON\nReasoning Budget:  Unrestricted\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">\u003Ccode>Unrestricted\u003C\u002Fcode> — параметр этого эксперимента, а не моя рекомендация. После двухчасового разбора как раз его хочется скорректировать первым.\u003C\u002Fp>\n\u003Ch3>Локальный API\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>http:\u002F\u002F127.0.0.1:1234\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">ID модели:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>swift-1.5-qwen3.8-27b\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch3>Cline\u003C\u002Fh3>\n\u003Cpre class=\"shiki\">\u003Ccode>API Provider:   LM Studio\nModel:          swift-1.5-qwen3.8-27b\nContext Window: 65536\nMode:           Plan\nAuto-approve:   Read only\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">Для локальных моделей Cline сейчас \u003Ca href=\"https:\u002F\u002Fdocs.cline.bot\u002Frunning-models-locally\u002Foverview\" data-cursor-style=\"dot\">рекомендует\u003C\u002Fa> давать задачи с чёткими границами и начинать новую задачу, когда контекст становится слишком большим. Машины с 64 GB+ RAM документация рассматривает как вариант для более крупных моделей и большего контекста.\u003C\u002Fp>\n\u003Cp class=\"body-large\">В моём случае связка:\u003C\u002Fp>\n\u003Cpre class=\"shiki\">\u003Ccode>Cursor\n  -&gt; Cline\n    -&gt; LM Studio\n      -&gt; Swift 1.5 Qwen3.8-27B Q8_0\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp class=\"body-large\">дошла от простой проверки API до разбора реального TypeScript-проекта без правок и нашла баг, который подтвердился по исходникам.\u003C\u002Fp>\n\u003Cp class=\"body-large\">Но называть её после этого полноценной заменой frontier-агента для работы с кодом, мягко говоря, я бы не стал.\u003C\u002Fp>\n",1795172788624]