Tau: Den «treenige» arkitekturen du bør stjele til din neste AI
Problemet med svarte bokser i AI-verktøy
Har du opplevd dette? Du bruker et AI-verktøy for koding, og plutselig skjer det noe rart. Verktøyet finner opp filstier, ignorerer konteksten din, eller setter seg fast i en uendelig løkke. Du prøver å undersøke hva som skjedde—og møter bare lag på lag med abstraksjon.
Det er frustrasjonen Tau tar sikte på å løse. Tau er en Python-basert kodeassistent bygget som en læreplan. Målet er at du skal kunne lese hele systemet som en godt kommentert lærebok. Ingen skjult mekanikk. Alt du trenger å vite ligger rett foran deg.
Tre Lag, Én Lærdom
Taus arkitektur hviler på et tilsynelatende enkelt prinsipp: skill hjernen, miljøet og ansiktet.
La meg forklare det slik:
Hjernen (Harness): Her lever selve agentløkken—håndtering av meldinger, verktøyforespørsler, tilstand i transkripsjoner, og sesjonshåndtering. Den har null avhengighet av terminaler, filsystemer eller skjermbiblioteker.
Miljøet: Her gjør agenten det faktiske arbeidet. Filer leses og skrives. Shell-kommandoer kjøres. Miljøet tilbyr verktøyene som hjernen bruker—men viktigst: hjernen vet og bryr seg ikke om hvordan disse verktøyene fungerer.
Ansiktet (UI): Dette er Textuals domene. Et terminalgrensesnitt, rik visning, slash-kommandoer—alt brukeren ser og samhandler med. Det pakker inn harness uten å noen gang bo inni den.
Denne oppdelingen er ikke bare pent kodemessig. Den er det som gjør Tau pedagogisk. Du kan studere provider-laget, harness og UI uavhengig av hverandre. Du kan kjøre agenten mens du leser koden bak den. Du kan eksportere sesjoner som JSONL eller HTML og inspisere akkurat hva som skjedde.
Hvorfor Dette Betyr Noe for AI-assistert Utvikling
Hos NameOcean er vi store tilhengere av AI-assistert utvikling (vi kaller det "vibe coding" med vår AI-drevne Vibe Hosting). Men vibe coding fungerer bare godt når du forstår hva verktøyene dine faktisk gjør.
Tau lærer deg:
- Hvordan agentløkker faktisk fungerer — ikke i teorien, men i kode du kan stige gjennom steg for steg
- Hvor verktøykall kommer fra — typet, lokalt, med klare grensesnitt
- Hvordan kontekstberegning skjer — komprimering, tenkekontroller og sesjonsvarighet
- Hvorfor streaming er viktig — provider-nøytrale grensesnitt som lar deg bytte modeller uten å omskrive agenten din
Dette er ikke bare akademiske spørsmål. De er de praktiske utfordringene hver utvikler møter når de integrerer AI i arbeidsflyten.
Det Pedagogiske Prinsippet som Slår Magi
Taus motto: "Små lag slår magi."
Én oppgave per pakke. Events flyter gjennom systemet i en strøm du kan rendre, teste og eksportere—ikke kontrollflyt begravd i callbacks der debugging betyr å slåss med printf.
Resultatet er en agent som er "realistisk nok til å bety noe". Det er ikke et leketøy. Du kan bruke den som din faktiske terminalkodeassistent samtidig som du leser kildekoden. Dokumentasjonen følger implementasjonen, bygget fase for fase, hver med notater om hva som ble lagt til, hvorfor, og hvordan det passer inn.
Et Kart for Din Egen Agent
Tau tilbyr en klar utviklingsvei:
- Start med events — Definer hva agenten din kan sende ut og ta imot
- Legg til en løkke — request-execute-syklusen som driver verktøybruken
- Pakk den inn i en harness — Abstraher bort avhengigheter
- Gi den verktøy — Les, skriv, rediger, bash—uansett hva miljøet ditt trenger
- Legg til et UI — Et ansikt mennesker kan samhandle med
Dette er ikke bare for å bygge kodeagenter. Disse prinsippene gjelder overalt der du integrerer AI i applikasjoner. Skill bekymringer. Gjør internals synlige. Bygg lag du kan teste uavhengig.
Konklusjonen
Tau er Pis arkitektoniske lærdom anvendt på Python: hold harness, miljø og UI atskilt. Det er ikke en linje-for-linje port—det er en pedagogisk tolkning av de samme kjerneidéene.
For utviklere som bygger på NameOceans Vibe Hosting eller integrerer AI i arbeidsflyten, tilbyr Tau noe verdifullt: et transparent system du kan lære av, utvide, og til slutt erstatte med din egen implementasjon.
For de beste AI-verktøyene er ikke svarte bokser du stoler blindt på. De er systemer du forstår dypt nok til å forbedre.
Sjekk det ut på twotimespi.dev og se hvordan en agent kan være en læreplan.