අලුත් දෙයක් හදන්න ලෑස්තිද?
සති අන්තය අතළඟමයි. ගිය පාරට වඩා සුපිරි දෙයක් build කරන්න ඔයාලත් ආසාවෙන් ඉන්නවා කියලා මම දන්නවා.
අද අපි කතා කරන්නේ agentic software නිර්මාණය කරන විදිහ ගැනයි. මෙහිදී අපි research workflows, codebase එකක් තේරුම් ගැනීම, memory, design constraints සහ validation loops වැනි දේවල් ගැන ඉගෙන ගන්නවා. සරලවම කිව්වොත්, AI agent කෙනෙකුට "මොකක්ද කරන්න ඕනේ" කියන එකට අමතරව "ඒක නිවැරදිව කරන්නේ කොහොමද" කියලා උගන්වන ක්‍රමවේද මෙතන තියෙනවා.
AI agent කෙනෙක් තනිවම තීරණ අරගෙන වැරදි කරනවා වෙනුවට, නිසි procedure එකක් (skill package) ලබා දුන්නම repetitive වැඩ ගොඩක් ඉතා පහසුවෙන් කරගන්න පුළුවන්.
අපි අද බලන skills 20 හරහා මේ loop එක සම්පූර්ණ වෙනවා: ප්‍රශ්නය හඳුනාගන්න $\rightarrow$ System එක map කරගන්න $\rightarrow$ නිර්මාණය කරන්න $\rightarrow$ පරීක්ෂා කරන්න $\rightarrow$ ඊළඟ version එක ship කරන්න!
The Stack: අවශ්‍ය tools එකතුව
මුලින්ම අපි මේ tools ටික layers විදිහට බෙදාගෙන බලමු. (GitHub stars ප්‍රමාණයන් අනුමාන අගයන් වේ).
1. Research (තොරතුරු සෙවීම)
- agent-reach (85.0K): Web, social media සහ repo access ලබා ගැනීමට.
- last30days (62.7K): මෑතකාලීන තොරතුරු විවිධ sources වලින් සෙවීමට.
- deep-research (1.1K): sources validate කරමින් structured research කිරීමට.
- user-research (1.6K): Qualitative සහ quantitative user research සඳහා.
- qmd-search (700): වේගවත් Markdown search එකක් සඳහා.
2. Engineering (තාක්ෂණික සැලසුම්)
- graphify (120.7K): Code සහ documents දැනුම knowledge graph එකක් ලෙස ලබා ගැනීමට.
- ponytail (144.7K): සරල බව සහ YAGNI decision discipline එක පවත්වා ගැනීමට.
- napkin (612): වැරදුණු තැන් සහ නිවැරදි කිරීම් මතක තබා ගැනීමට (per-repo memory).
- tech-debt-audit (610): Technical debt පරීක්ෂා කිරීමට.
- understand-anything (83.8K): Interactive codebase knowledge graph එකක් සඳහා.
3. Create (නිර්මාණය කිරීම)
- ui-ux-pro-max (130.0K): UI සහ UX design intelligence සඳහා.
- frontend-slides (29.7K): Web-native slides නිර්මාණය කිරීමට.
- scroll-world (9.4K): 3D landing pages නිර්මාණය කිරීමට.
- visual-explainer (9.9K): HTML diagrams සහ plan reviews සඳහා.
- fireworks-tech-graph (11.5K): SVG සහ PNG technical diagrams සඳහා.
4. Grow + Ship (දියුණු කිරීම සහ නිකුත් කිරීම)
- claude-seo (17.5K): Technical SEO, GEO සහ AEO workflows සඳහා.
- humanizer (51.5K): AI වලින් ලියූ දේවල් වඩාත් ස්වභාවික ලෙස සංස්කරණය කිරීමට.
- auto-research-in-sleep (16.6K): Autonomous research සහ review loops සඳහා.
- video-shotcraft (9.3K): Product video shot recipes සහ Remotion සඳහා.
- ffmpeg-skill (1.4K): Local video editing සහ verification සඳහා.
ඔයාලට මේ 20 ම install කරගන්න අවශ්‍ය නැහැ. වැදගත් වෙන්නේ ඔබේ agent ට අඩුවෙලා තියෙන layer එක හඳුනාගෙන, ඒ අදාළ tool එක පමණක් එකතු කිරීමයි.
Research: තීරණ ගැනීමට පෙර තොරතුරු රැස් කිරීම
AI agent කෙනෙක් අතින් සිදුවන පොදුම වැරැද්දක් තමයි, සම්පූර්ණ context එකක් නැතිව ඉතා විශ්වාසයෙන් වැරදි තීරණ ගැනීම.
Agent Reach මගින් internet access එක capability layer එකක් ලෙස ලබා දෙනවා. එනම් web pages, YouTube, GitHub, X සහ Reddit වැනි sources වලට route කිරීමට මෙයට හැකියි. මෙහි ඇති doctor command එක මගින් දැනට configure වී ඇති දේවල් නිවැරදිව වැඩ කරනවාදැයි පරීක්ෂා කළ හැකියි.
මෙය install කරන ආකාරය agent කෙනෙකුට පහසුවෙන් තේරුම් ගත හැකි ලෙස නිර්මාණය කර ඇත. ඔබට පුළුවන් install instructions ලබා දී agent ටම එය configure කර ගැනීමට ඉඩ හැරීමට:
Help me install Agent Reach: https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md
ඉන්පසු එය නිවැරදිදැයි මෙසේ පරීක්ෂා කරන්න:
agent-reach doctor
කාල සීමාවකට යටත් වූ research සඳහා last30days ඉතා ප්‍රයෝජනවත් වේ. එය විවිධ sources හරහා මෑතකාලීන සාකච්ඡා සොයා බලයි.
npx skills add mvanhorn/last30days-skill -g
මෙහි ඇති preflight mode එක හරහා research එක ආරම්භ කිරීමට පෙර, agent මොනවාද කියවන්නේ සහ ලියන්නේ යන්න පරීක්ෂා කළ හැකියි:
python3 skills/last30days/scripts/last30days.py --preflight
තවද, citations සහිත ගැඹුරු research සඳහා deep-research භාවිතා කළ හැකියි. මෙය install කිරීම ඉතා සරලයි:
git clone https://github.com/199-biotechnologies/claude-deep-research-skill.git ~/.claude/skills/deep-research
මෙම research layer එකේ ඇති විශේෂත්වය වන්නේ, agent කෙනෙකුට අනුමාන කර තීරණ ගැනීමට පෙර, සාක්ෂි රැස් කිරීමේ (evidence-gathering) ක්‍රමවේදයක් අනිවාර්ය කිරීමයි.
Engineering: වෙනස් කිරීමට පෙර පද්ධතිය තේරුම් ගැනීම
මෙතැනදී තමයි වැඩේ තවත් උනන්දුවක් ඇති කරන්නේ. Coding agent කෙනෙකුට repository එකක් grep කිරීම කළ හැකි වුවත්, එයින් architecture එක, dependency impact එක හෝ අතීතයේ සිදු වූ වැරදි ගැන දැනගත නොහැක.
Graphify මගින් code, docs, schemas සහ configs වැනි දේවල් query කළ හැකි graph එකක් බවට පත් කරයි. 1M-token context window එකක් තිබූ පමණින් navigation ප්‍රශ්නය විසඳෙන්නේ නැත.
මෙය විවිධ agent platforms සඳහා සහය දක්වන අතර project-local guidance install කළ හැකියි:
uv tool install graphifyy
graphify install --project --strict
මෙහි ඇති "Strict mode" එක පද්ධතියක ක්‍රියාකාරීත්වය දෙස බලන විට ඉතා වැදගත් වේ.
Context එක වඩාත් නිවැරදිව ලබාගැනීම
Graphify භාවිතා කරන විට, raw source files කියවීමට පෙර graph එක query කිරීමට agent ව මෙහෙයවිය හැකියි. මෙය කුඩා තීරණයක් වුවත්, එහි ප්‍රතිඵලය ඉතා විශාලයි. මොකද මෙහිදී context එක ලබාගැනීම යනු ඉතා සැලසුම් සහගත පියවරක් බවට පත්වේ.
Understand Anything මෙහිදී තවත් පියවරක් ඉදිරියට යයි. එය multi-agent analysis pipeline එකක් සහ interactive dashboard එකක් ලබා දෙයි:
/plugin marketplace add Egonex-AI/Understand-Anything
/plugin install understand-anything
/understand
/understand-dashboard
මෙහිදී නිර්මාණය වන graph එක කාලයත් සමඟ update කළ හැකි අතර, impact analysis සහ focused exploration සඳහා /understand-diff සහ /understand-explain වැනි commands භාවිතා කළ හැකියි.
Agent ගේ මතකය සහ විනය පවත්වා ගැනීම
ඊළඟට අපට කුඩා නමුත් ඉතා වැදගත් skill දෙකක් හඳුනාගත හැකියි.
Napkin මගින් repository එකට අදාළ Markdown scratchpad එකක් පවත්වා ගනී. එහි වැරදි, නිවැරදි කිරීම් සහ සාර්ථක වූ ක්‍රම සටහන් වේ:
git clone https://github.com/blader/napkin.git ~/.claude/skills/napkin
මෙය සරල මතකයක් (primitive memory) වුවත්, එහි ඇති වටිනාකම වැඩියි. .claude/napkin.md file එකක් තිබීම නිසා, එකම වැරැද්ද නැවත නැවත සිදු කිරීමෙන් agent ව වැළැක්විය හැකියි.
Ponytail මගින් විසඳන්නේ coding agents ලා කරන තවත් පොදු වැරැද්දකි. එනම් අනවශ්‍ය ලෙස code එක සංකීර්ණ කිරීමයි (overbuilding).
මෙය senior engineer කෙනෙකු සිතන ආකාරයට නිර්මාණය කර ඇත:
- මෙය ඇත්තටම අවශ්‍යද?
- මෙය දැනටමත් codebase එකේ තිබේද?
- standard library එකෙන් මෙය කළ හැකිද?
- native platform feature එකක් තිබේද?
- අදාළ dependency එක දැනටමත් install කර තිබේද?
- මෙය එක පේළියකින් ලිවිය හැකිද?
- මේ සියල්ලට පසු: අවම code ප්‍රමාණයකින් මෙය සිදු කරන්න.
මෙම ladder එක ක්‍රියාත්මක වන්නේ agent ප්‍රශ්නය තේරුම් ගත් පසුවයි. මෙහි අරමුණ වන්නේ codebase එකට අනවශ්‍ය දේවල් එකතු වීම වැළැක්වීමයි.
අවසාන වශයෙන්, tech-debt-audit මගින් මුළු repo එකම audit කර TECH_DEBT_AUDIT.md file එකක් සාදයි. මෙහි විශේෂත්වය වන්නේ "පෙනුමෙන් වැරදි වුවත් ඇත්තටම නිවැරදි" දේවල් සඳහා වෙනම section එකක් තිබීමයි. එවිට checklist එකක් දෙස පමණක් බලා අනවශ්‍ය refactoring කිරීම් සිදු නොවේ.
Create: Reasoning එක පෙනෙන ලෙස නිර්මාණය කිරීම
Agent කෙනෙකු ලබාදෙන output එක තාක්ෂණිකව නිවැරදි වුවත්, එය මිනිසෙකුට තේරුම් ගැනීමට අපහසු විය හැකියි. Create layer එක මගින් agent ගේ අභ්‍යන්තර තර්කනය (internal reasoning) interfaces, diagrams සහ slides ලෙස පරිවර්තනය කරයි.
ui-ux-pro-max මගින් style guidance, product patterns සහ UI recommendations ලබා දෙයි. මෙය විවිධ assistants ලා සමඟ install කළ හැකියි:
npm install -g ui-ux-pro-max-cli
uipro init --ai universal
Terminal output එකෙන් පමණක් තේරුම් ගැනීමට අපහසු අවස්ථාවලදී visual-explainer ඉතා ප්‍රයෝජනවත් වේ. එය architecture explanations සහ plan reviews, self-contained HTML ලෙස ලබා දෙයි:
/plugin marketplace add nicobailon/visual-explainer
/plugin install visual-explainer@visual-explainer-marketplace
උදාහරණයක් ලෙස:
draw a diagram of our authentication flow
/diff-review
/plan-review ~/docs/refactor-plan.md
fireworks-tech-graph මගින් වඩාත් නිවැරදි SVG සහ PNG technical diagrams නිර්මාණය කරයි. මෙහි ඇති විශේෂත්වය වන්නේ spacing, routing සහ semantic constraints වැනි quality gates මගින් diagram එක validate කිරීමයි.
Grow + Ship: Distribution සහ Media
Code එක compile වූ පසු එය මිනිසුන් වෙත ගෙන යා යුතුය.
claude-seo මගින් SEO කටයුතු explicit commands හරහා සිදු කරයි:
/seo audit https://example.com
/seo page https://example.com/about
Content generation එකෙන් පසු එය වඩාත් ස්වභාවික කිරීමට Humanizer භාවිතා කළ හැකියි:
npx skills add blader/humanizer --global
Video නිර්මාණ සඳහා video-shotcraft මගින් shot recipes සහ Remotion-oriented workflow එකක් ලබා දෙයි:
npx skills add Vincentwei1021/video-shotcraft
මෙහි local execution layer එක හසුරුවන්නේ ffmpeg-skill මගිනි:
npx ffmpeg-skill --project
npx ffmpeg-skill doctor
මෙහි ඇති විශේෂත්වය වන්නේ creative skill එක මගින් "කුමක් කළ යුතුද" යන්න තීරණය කිරීම සහ deterministic media skill එක මගින් එය "නිවැරදිව ක්‍රියාත්මක කිරීමයි". Planner සහ Tool එක එකක් විය යුතු නැත.
ඉක්මනින් ආරම්භ කිරීමට (Quick Start Guide)
ඔබ මෙය ඔබේ engineering team එකේ පරීක්ෂා කරන්නේ නම්, සියල්ල install කරනවා වෙනුවට මෙම ප්‍රධාන අංශ හතරෙන් ආරම්භ කරන්න:
1. Research:
npx skills add mvanhorn/last30days-skill
2. Engineering Context:
uv tool install graphifyy
graphify install --project --strict
3. Creation:
npm install -g ui-ux-pro-max-cli
uipro init --ai universal
4. Shipping / Media Verification:
npx ffmpeg-skill --project
npx ffmpeg-skill doctor
ඉන්පසු team එකට අදාළ ගැටලු මතු වූ විට, memory සහ audit behavior එකතු කරගන්න.
තවත් ප්‍රයෝජනවත් Skills කිහිපයක්
ඔබට ඔබේ workflow එක තවත් දියුණු කරගැනීමට පහත commands භාවිතා කළ හැකියි:
git clone https://github.com/blader/napkin.git ~/.claude/skills/napkin
mkdir -p .claude/skills/tech-debt-audit
curl -o .claude/skills/tech-debt-audit/SKILL.md \
https://raw.githubusercontent.com/ksimback/tech-debt-skill/main/SKILL.md
AI agent කෙනෙකුට සම්පූර්ණ නිදහස දෙනවාට වඩා, ක්‍රමවත් පියවර මාලාවක් (Workflow) අනුගමනය කිරීම වඩාත් සාර්ථකයි. උදාහරණයක් ලෙස:
- ගැටලුව සහ පවතින සාක්ෂි ගැන research කිරීම.
- Codebase එකේ map එකක් සාදා ගැනීම.
- සිදු කළ හැකි කුඩාම වෙනස (smallest viable change) agent ගෙන් විමසීම.
- එය implement කිරීම.
- Tests run කර diff එක පරීක්ෂා කිරීම.
- වැරදි සහ නිවැරදි කිරීම් record කර තබා ගැනීම.
- අවසාන ප්‍රතිඵලය හෝ පැහැදිලි කිරීමක් සකස් කිරීම.
- SEO සහ media checks සිදු කිරීම.
- Ship කිරීම.
- ලැබෙන ප්‍රතිඵල නැවත ඊළඟ run එක සඳහා input එකක් ලෙස ලබා දීම.
විවිධ අවශ්‍යතා සඳහා විශේෂිත Skills
සමහර skills ඉතා කුඩා වුවත්, ඒවායින් විශාල පරතරයක් පියවනවා:
- user-research: අන්තර්ජාලයේ ඇති තොරතුරු වෙනුවට, සැබෑ පරිශීලකයන්ගේ (users) අදහස්, surveys සහ interviews විශ්ලේෂණය කිරීමට උදවු වේ.
- qmd-search: Quick Markdown Search හරහා agent ට කලින් එකතු කරගත් local notes ඉක්මනින් සොයා ගැනීමට ඉඩ ලබා දෙයි.
- frontend-slides & scroll-world: මේවා මගින් web presentations සහ 3D landing pages වැනි නිශ්චිත output වර්ග ඉතා නිවැරදිව නිර්මාණය කරයි.
- auto-research-in-sleep: මෙය research, review සහ critique යන පියවරවල් ස්වයංක්‍රීයව සිදු කරන loop එකක් ලෙස ක්‍රියා කරයි.
මතක තබා ගන්න, සෑම skill එකකටම පැහැදිලි input එකක්, නිශ්චිත කාර්යයක් (bounded job) සහ පරීක්ෂා කළ හැකි output එකක් තිබිය යුතුය.
Skills හැසිරවිය යුත්තේ Code එකක් ලෙසයි
බොහෝ skills වලට shell commands run කිරීමට, local files කියවීමට සහ network services භාවිතා කිරීමට හැකියාව ඇත. එබැවින් SKILL.md ගොනුවක් යනු හුදු documentation එකක් පමණක් නොව, එය ඔබේ system එකේ execution policy එකක් වැනිය.
එබැවින් skills කළමනාකරණය කිරීමේදී මෙම කරුණු අනුගමනය කරන්න:
- මුලින්ම project-local installation එකක් භාවිතා කරන්න.
- Production workflows සඳහා version එක pin කරන්න.
- Tool access ලබා දීමට පෙර install scripts පරීක්ෂා කරන්න.
- Read-only research skills සහ mutation-capable (වෙනස්කම් කළ හැකි) skills වෙන් කර තබා ගන්න.
- පුළුවන් සෑම විටම doctor හෝ preflight commands run කරන්න.
- Skill එකට access කළ හැකි files සහ network calls මොනවාදැයි record කර තබා ගන්න.
විශාල, සියල්ල කළ හැකි "autonomous employee prompt" එකකට වඩා, එකම දෙයක් නිවැරදිව කරන කුඩා skills භාවිතා කිරීම පහසුය. එවැනි කුඩා skills පරීක්ෂා කිරීම (test), නිරීක්ෂණය කිරීම (observe) සහ අවශ්‍ය වූ විට ඉවත් කිරීම (revoke) ඉතා සරලයි.
AI agent කෙනෙකුට වැඩ පවරන විට, ඔහුට අසීමිත බලයක් දෙනවාට වඩා මෙලෙස කුඩා, පාලනය කළ හැකි skills එකතු කිරීමෙන් ඔබේ engineering process එක වඩාත් ආරක්ෂිත සහ නිවැරදි එකක් කරගත හැකියි.