Самоулучшающаяся продуктовая система, которая читает ежедневные отчёты, определяет приоритет #1 и автономно реализует его.

Концепция: Ваш продукт генерирует отчёты о своей эффективности. ИИ-агент анализирует эти отчёты, выбирает наиболее значимое решение, разрабатывает план и реализует его — всё это во время вашего сна. Вы просыпаетесь с PR, готовым к рассмотрению.

Основано на методологии Compound Engineering Кирана Клаассена, паттерне Ральфа Джеффри Хантли и реализации Райана Карсона.

Как это работает

Быстрый старт

Требования

• Усилитель CLI или код Клода
• агент-браузер для тестирования на базе браузера (npm install -g agent-browser)
• jq установлен (brew install jq на macOS)
• gh CLI установлен и аутентифицирован (brew install gh)
• Один из таких провайдеров LLM-программ был настроен:
• Антропические: export ANTHROPIC_API_KEY=sk-ant-...
• OpenRouter: export OPENROUTER_API_KEY=sk-or-...
• Шлюз ИИ: export AI_GATEWAY_URL=https://... AI_GATEWAY_API_KEY=...

Установка

Compound Product устанавливается в ваш существующий репозиторий проекта. Он добавляет скрипты и конфигурации, которые работают вместе с вашим кодом.

Или расскажите своему агенту ИИ (из вашего проекта):

Это создаёт:

Compound Product

A self-improving product system that reads daily reports, identifies the #1 actionable priority, and autonomously implements it.

The concept: Your product generates reports about its performance. An AI agent analyzes those reports, picks the most impactful fix, creates a plan, and implements it—all while you sleep. You wake up to a PR ready for review.

Built on Kieran Klaassen’s Compound Engineering methodology, Geoffrey Huntley’s Ralph pattern, and Ryan Carson’s implementation.

How It Works

flowchart TD
    subgraph "Phase 0: Your System"
        GEN[Generate Daily Reportyour code, cron, etc.]
        GEN --> R[📊 reports/*.mdmetrics, errors, feedback]
    end
    
    subgraph "Phase 1: Analysis"
        A[analyze-report.shLLM API]
        R --> A
        A --> J[analysis.jsonpriority + criteria]
    end
    
    subgraph "Phase 2: Planning"
        B[Create Branchcompound/feature-name]
        J --> B
        B --> PRD[AI AgentLoad prd skill]
        PRD --> MD[tasks/prd-feature.md]
        MD --> TASKS[AI AgentLoad tasks skill]
        TASKS --> JSON[prd.jsonexecutable tasks]
    end
    
    subgraph "Phase 3: Execution Loop"
        LOOP[loop.shmax N iterations]
        JSON --> LOOP
        LOOP --> PICK[Pick next taskwhere passes: false]
        PICK --> IMPL[AI AgentImplement task]
        IMPL --> CHECK{QualityChecks?}
        CHECK -->|Pass| COMMIT[Git Commit]
        CHECK -->|Fail| FIX[Fix & Retry]
        FIX --> CHECK
        COMMIT --> UPDATE[Update prd.jsonpasses: true]
        UPDATE --> DONE{All tasksdone?}
        DONE -->|No| PICK
        DONE -->|Yes| EXIT[Exit loop]
    end
    
    subgraph Output
        EXIT --> PUSH[Git Push]
        PUSH --> PR[🎉 Pull RequestReady for review]
    end
    
    click A "https://github.com/snarktank/compound-product/blob/main/scripts/analyze-report.sh" "View analyze-report.sh"
    click LOOP "https://github.com/snarktank/compound-product/blob/main/scripts/loop.sh" "View loop.sh"
    click PRD "https://github.com/snarktank/compound-product/blob/main/skills/prd/SKILL.md" "View PRD skill"
    click TASKS "https://github.com/snarktank/compound-product/blob/main/skills/tasks/SKILL.md" "View Tasks skill"

Quick Start

Prerequisites

• Amp CLI or Claude Code
• agent-browser for browser-based testing (npm install -g agent-browser)
• jq installed (brew install jq on macOS)
• gh CLI installed and authenticated (brew install gh)
• One of these LLM providers configured:
  • Anthropic: export ANTHROPIC_API_KEY=sk-ant-...