ralph-wiggum

Ralph Wiggum to technika autonomicznego rozwoju kodu, która pozwala agentom AI iterować nad zadaniami bez utraty kontroli nad kontekstem. Zamiast mieszać wiele problemów w jednej rozmowie, Ralph śledzi stan w plikach, zbiera guardrails (reguły bezpieczeństwa) z każdego błędu i wie, kiedy zacząć od nowa. Idealna do budowania projektów greenfield, powtarzania dobrze zdefiniowanych zadań i ciągłego autonomicznego rozwoju. Zarządzaj kontekstem jak pamięcią — śledź alokacje, unikaj przeciążenia i czyszcz konwersację, gdy osiągniesz limit.

1. Zainstaluj skill w Cursor (wersja nightly). Upewnij się, że masz zainstalowane bash, jq i git — są to wymagane zależności do działania Ralph.

2. Zainicjuj katalog .ralph w swoim projekcie. Tutaj będą przechowywane pliki stanu: state.md (bieżąca iteracja i kryteria ukończenia), guardrails.md (reguły zebrane z poprzednich błędów) i inne metadane. Te pliki stanowią trwałą pamięć techniki — nie są przechowywane w kontekście rozmowy.

3. Zdefiniuj jedno konkretne zadanie dla Ralph. Nie mieszaj wielu problemów w jednej sesji — każdy kontekst powinien skupiać się na jednym celu. Opisz zadanie, warunki ukończenia i wszelkie znane ograniczenia.

4. Uruchom pętlę Ralph, która będzie wielokrotnie wysyłać to samo zadanie do agenta AI. Agent iteruje, popełnia błędy, a ty dodajesz guardrails (znaki ostrzegawcze) do pliku guardrails.md, aby zapobiec tym błędom w przyszłości.

5. Monitoruj alokację kontekstu. Kiedy zbliżasz się do limitu okna kontekstowego (nie przeciążaj go), zamiast cisnąć dalej, zaakceptuj bieżący postęp i rozpocznij nową sesję z czystym kontekstem. Ralph wie, że kontekst to pamięć — nie można go zwolnić bez restartu.

6. Powtarzaj proces aż do ukończenia zadania. Każda iteracja uczy się z poprzednich błędów dzięki guardrails. Technika jest deterministycznie zła w niedeterministycznym świecie — to normalne i oczekiwane.