Introductie van de ralph-research plugin. Ik heb net de ralph-loop aangenomen voor het implementeren van papers. Verbluffend hoe goed dit al werkt. De hele plugin is in één keer gemaakt door Claude Code, maar het kan al AI-paperconcepten coderen en experimenten uitvoeren in een zelfverbeterende loop. Waanzinnig!

Notities: - Het kostte ongeveer 40 minuten om het ReAct-paper zonder onderbrekingen te implementeren. - Het liep tegen enkele problemen aan, maar het heeft onderweg geleerd hoe deze op te lossen. Dit is wat de ralph-loop extreem krachtig maakt. Het kan oplossingen verkennen en leren van zijn fouten. Ik zou beargumenteren dat onderzoek waarschijnlijk een nog betere use case voor ralph is, aangezien onderzoek veel verkenning vereist. - Ik heb het getest op andere nieuwere papers, en het heeft het goed gedaan, wat me hoop geeft dat dit robuuster kan worden geïmplementeerd. - Zoals je in de video kunt zien, en zoals met alles wat LLM-aangedreven is, zal het moeite hebben om nieuwere modellen te gebruiken, zelfs als je instructies en API's geeft. Maar dit is iets dat gemakkelijk kan worden opgelost met slimme prompts. - Dit is geen perfecte plugin, en het is voornamelijk voor interne testdoeleinden. Ik heb nog veel dingen te verbeteren voordat ik het kan vrijgeven, samen met andere plugins waarvan het afhankelijk is. Ik zal meer details delen terwijl ik blijf werken aan deze plugins. Volg @omarsar0 Laat me weten wat je ervan vindt en hoe dit nuttig voor je zou kunnen zijn.