Så får du liv i dina domänmodeller – en ny approach med Modelith

Låt mig vara ärlig. De flesta projekt börjar med goda intentioner. Någon ritar upp domänmodellen på en whiteboard, alla nickar instämmande, och sen... så tystnar allt. Dokumentationen hamnar i Confluence och glöms bort.

Problemet är sällan själva konceptet med domänmodeller. Det är snarare så här:

• De skrivs en gång och glöms bort
• De underhålls separat från koden
• De går bara att läsa i specifika verktyg
• De är svåra att validera automatiskt

Modelith tar en annan väg. Här behandlas domänmodellen inte som en leverabel du producerar och arkiverar. Istället blir den en levande del av ditt repo, skapas genom konversation, och valideras automatiskt i CI.

Vad är en domänmodel egentligen?

Låt oss börja med grunden. En domänmodel är ditt systems konceptuella karta – entiteterna (substantiven), deras relationer, och de regler som styr dem. Det är inte ett databasschema eller en API-specifikation. Det är den kanoniska, plain language-expressonen av vad ditt system är.

Tänk på det som gemensam vokabulär för hela teamet. När alla läser från samma model blir diskussioner skarpare, onboarding snabbare, och att sätta igång nya tjänster eller funktioner mindre av en arkeologisk utgrävning genom legacy-kod.

Så fungerar Modelith: Beskriv, Skapa, Validera, Generera

Här blir det intressant. Med Modelith skriver du inte YAML direkt. Du behöver inte ens tänka på YAML. Istället beskriver du dina domänkoncept i vanlig svenska (eller engelska) till en AI-agent – specifikt en Claude Code-skill – som sedan skapar den underliggande YAML:en åt dig.

Processen ser ut så här:

1. Beskriv — Prata om din domän i vanligt språk. "Vi har kunder som kan lägga ordrar, och ordrar innehåller flera produkter, men kunder får max ha tre aktiva ordrar samtidigt."

2. Skapa — Claude Code-pluginet översätter din beskrivning till en modelith.yaml-fil, med validering underweg.

3. Validera — Kör modelith lint för att kontrollera fullständighet och konsistens. Detta blir din CI-grind.

4. Generera — Kör modelith render för att skapa Markdown med Mermaid-diagram. Committa denna bredvid YAML:en.

Den genererade Markdownen är läsbar för människor utan några verktyg. YAML:en är den maskinläsbara sanningen. Och CI säkerställer att de aldrig glider isär – tänk på det som en generated-code-check, fast för din domänmodel.

Varför detta fungerar

Vanligt språk sänker tröskeln

Inte alla i teamet känner sig bekväma med att läsa JSON Schema eller UML-diagram. Men alla kan läsa vanlig text. Genom att göra vanligt språk till ingångspunkten demokratiserar Modelith domänmodellering. Din product manager kan bidra. Din QA-ingenjör kan granska. Din juniorutvecklare kan faktiskt förstå helheten.

AI tar hand om det tråkiga

Att skriva YAML för hand är felbenigt och, ärligt talat, trist. Att låta en AI-agent hantera översättningen från din beskrivning till giltig YAML betyder att du får den kognitiva belastningen av axlarna samtidigt som precisionen behålls.

CI-validering förhindrar drift

Det här är killer feature för team. Din domänmodel blir en first-class citizen i er utvecklingsworkflow. Varje PR som ändrar domänen valideras automatiskt. Om någon uppdaterar YAML:en men glömmer att regenerera dokumentationen, så fångar CI det.

Modellen håller sig nära koden

När din domänmodel lever i samma repo som din kod, så håller den sig relevant. Den granskas i pull requests. Den uppdateras när features ändras. Den blir inte föråldrad dokumentation i något annat system som ingen minns att kolla.

Kom igång

Modelith är designat för att vara tillgängligt. Du behöver inte förstå hela schemat från start. Börja smått:

• Installera Claude Code-pluginet
• Beskriv några kärnkoncept från din domän
• Låt AI:n skapa YAML:en
• Kör modelith lint för att se vad som saknas
• Iterera

Projektet innehåller genomarbade exempel (deras parkeringsgarage-exempel är en bra startpunkt) som guidar dig genom att bygga en riktig model från grunden.

Den större bilden

Modelith representerar en bredare trend inom AI-assisterad utveckling: att använda naturligt språk som gränssnittslager medan man behåller maskinläsbara artifacts under huven. Du skriver vad du menar; verktygen säkerställer konsistens och validering.

För team som bygger komplexa system – speciellt i domäner där vokabulären spelar roll (fintech, sjukvård, logistik, allt med betydande affärsregler) – så could this approach be transformative. En delad, validerad, levande domänmodel betyder färre missförstånd, snabbare onboarding, och bättre designade system.

Verktyget utvecklas fortfarande, men kärnidén är solid. Din domänmodel borde inte vara en eftertanke eller en relik från projektkickoffen. Den borde vara ett levande dokument som evolverar med din kod, skapad genom konversation, och validerad automatiskt.

Om du kämpat med att hålla domänmodeller relevanta i dina projekt, så är Modelith värt att utforska. Ibland är det bästa verktyget inte det mest kraftfulla – det är det som gör rätt beteende till vägen av minst motstånd.

Läs mer på modelith.sh och kom igång.