עבור הגדרות העבודה המקצועיות שלי, אני בונה כרגע את הסטאק הטכנולוגי של הסטארטאפ שלי מהיסוד. זה כולל ארכיטקטורת backend כבדה שמשלבת TypeScript, Bun, ו-Go, לצד מסדי נתונים של MongoDB ובוטים של Telegram. אבל פוקוס מרכזי הוא גם על קליינטי משחק Unity אמיתיים שמתחברים ל-backend הזה.
אני בהחלט לא יודע הכל, אבל בחודשים האחרונים הרכבתי סטאק טכנולוגי AI אוטומטי ומבוסס טרמינל לניהול הכאוס הזה.
זה מאוד מסע למידה עבורי, אבל רציתי לחלוק את ההגדרות המדויקות שאני משתמש בהן ומתנסה כרגע, שכבה אחר שכבה.
1. שלב ה-Pre-CLI: ה-Brain-Dump של 5 דקות
לפני שאני אפילו פותח טרמינל לכתוב קוד, הכל מתחיל בדפדפן. ניהול פלטפורמה בקנה מידה כזה דורש בהירות קיצונית, אבל הפסקתי לבזבז זמן בהקלדת מסמכי עיצוב נוקשים.
במקום זאת, הצעד הראשון האמיתי שלי הוא פרומפט קולי באמצעות Gemini.
מה שאני אוהב בזה: אני פשוט לוחץ על הקלטה ומדבר במשך כ-5 דקות ברציפות. אני מבצע brain-dump של כל מרחב הבעיה — האינטראקציות בין שירותים, מקרי קצה, ואיך אני רוצה שהמערכת הסופית תיראה. Gemini סופג את האודיו של זרימת התודעה הזו, חוקר את הפערים, ומחזיר לי בדיוק את הפרומפטים הטכניים המפורטים שאני צריך כדי להעביר לטרמינל.
2. המנוע המרכזי: Claude Code ו-Compound Engineering
ברגע שהעיצוב נעול, אני עובר לטרמינל שלי (אני משתמש ב-Warp). הכלי הראשי שלי כרגע כשאני יושב לכתוב קוד הוא שכבת ה-Claude Max הפרימיום של Anthropic שמריצה את ה-CLI של Claude Code.
אבל Claude לבד לא מספיק. אני מסתמך בכבדות על תוסף Compound Engineering (CE) כדי למנוע מה-AI להתנהג כמו מחולל קוד חד-פעמי.
הוא אוכף לולאה מחמירה שאני עוקב אחריה כמעט לכל פיצ'ר:
/ce:brainstorm: חוקר את הדרישות הספציפיות ומקרי הקצה בתוך ה-codebase האמיתי שלי./ce:plan: ממפה את שלבי הביצוע המדויקים על פני ה-codebase של Go ו-TypeScript./ce:work: מבצע את יצירת הקוד בבטחה./ce:compound: השלב הכי חשוב. בכל פעם שאנחנו מתקנים בעיית routing או מוזרות של runtime, CE מתעד באופן קבוע את הלמידה הזו בזיכרון הפרויקט. ה-AI ממש לומד את הפלטפורמה שלי ואף פעם לא עושה את אותה טעות פעמיים.
הרגל ההרצה המקבילה: כדי להתמודד עם הסקייל המסיבי של הפלטפורמה הזו, אני לא מריץ רק מופע אחד. אני פותח מספר טאבי טרמינל מקבילים ומריץ מופעי Claude Code מבודדים בו-זמנית. בזמן שסוכן אחד בונה את ה-UI של האדמין, סוכן אחר מטפל ב-pipelines של DevOps, שלישי מחווט את ה-backend של הצ'אט, ורביעי דוחף שינויי UI של Unity דרך MCP — הכל בו-זמנית. זה ממש צוות הנדסה וירטואלי שרץ בטרמינל שלי.
3. ארגז הכלים ההנדסי (תוספים ו-MCP)
כדי לשמור על הרצה אמינה של מופעי הטרמינל המקבילים האלה, אני מתנסה כרגע בסטאק ספציפי של תוספים ושרתי MCP:
- המעקות (
superpowers): התוסף הזה רץ לצד CE. הוא אוכף Test-Driven Development (TDD) קפדני ו-debugging שיטתי, ומאלץ את ה-AI לוודא את העבודה שלו במקום פשוט לנחש תיקונים. - גשר המנוע (
unity-mcp): גם כשאני עובד בכבדות על ה-backend, הפלטפורמות שלי בהכרח מתחברות לקליינטי משחק. אני משתמש ב-Unity MCP של Ivan Murzak כדי לאפשר ל-Claude להגיע ישירות לעורך Unity כדי לתזמר שינויים בצד הלקוח באופן עצמאי. - האוטומציה: אני גם משלב
playwrightלבדיקות דפדפן עצמאיות,commit-commandsלזרימות עבודה אוטומטיות של Git, ו-claude-hudכדי לקבל שורת סטטוס נקייה של מה שה-AI עושה.
4. Skills מותאמים: דפלוימנט, בדיקות, ו-Unity Headless
אי אפשר פשוט לשחרר AI על סביבת GCP בפרודקשן ולקוות לטוב. אני לומד כרגע איך ללמד את Claude את ה-workflows המדויקים שלי על ידי כתיבת AI skills מותאמים אישית משלי (שמורים כקבצי markdown ב-~/.claude/skills/).
אני מפריד את הבדיקות, הדפלוימנטים, ואוטומציית המנוע שלי לקבצים ייעודיים משלהם כדי שה-AI לא יוצף:
-
אוטומציה של דפלוימנטים: יש לי skills כמו
deploy.mdשמלמדים את Claude איך להפעיל את פקודות ה-CLI המותאמות שלי. למשל, אני יכול להקליד: "build prod, branch master, update minor version," ו-Claude מפעיל את סקריפט ה-PowerShell של 900 שורות שלי לבניית קונטיינרי Docker ודחיפתם ל-GCP Artifact Registry. ה-skill אפילו מתוכנת לעצור ולשאול אותי שאלות הבהרה אם אני שוכח פרמטר. -
בדיקות דינמיות: אני משתמש ב-skills כמו
global-test.mdכדי ללמד את Claude איך להקים סביבות בדיקה דינמיות ולהריץ את אוספי ה-API של Bruno שלי לפני שמאפשרים לדפלוימנט להמשיך. -
Unity Headless: Claude גם משתמש ב-skills האלה כדי להגיע ל-Unity ללא ראש. במקום ללחוץ ידנית בעורך, אני יכול לבקש מ-Claude "צור ScriptableObject חדש של InventoryData, הוסף 5 slots של נשק, וצרף אותו ל-Player prefab," והוא יבצע את שיטות ה-CLI המדויקות של C# Unity הנדרשות לעשות זאת ברקע.
5. ניתוב Multi-Model: AGENTS.md
הסתמכות מלאה על ספק ענן יחיד אומרת שאתם תלויים ב-uptime שלו.
כיוון שאני צריך אסטרטגיית fallback, אני שומר קובץ הקשר AGENTS.md בשורש סביבת העבודה שלי. הוא פועל כלוגיקת הניתוב של ה-pipeline שלי. הוא מכיל הוראות מפורשות ל-AI. למשל, כלל יכול להיראות כך:
"אם המשתמש מבקש לור ברמה גבוהה או בניית עולם, נתב את הפרומפט ל-Gemini. אם הפרומפט דורש הרצת סקריפט bash, השתמש ב-Claude. אם ה-API נכשל בזמן, חזור מיידית ל-Qwen מקומי."
אם API קורס, או אם יש לי משימה ספציפית שמתאימה יותר למודל אחר, הקובץ הזה נותן לטרמינל שלי את הכללים המדויקים הדרושים למעבר חלק. ה-workflow לא נעצר; הוא פשוט מנתב מחדש.
הצעדים הבאים במסע הזה
התחום הזה זז מהר. תוספים שהסתמכתי עליהם לפני שישה חודשים כבר הוחלפו בטובים יותר. workflows שחשבתי שהם יציבים היו צריכים להיחשב מחדש לחלוטין.
האתגר האמיתי הוא לא להקים את הכלים — הוא לעמוד בקצב. להישאר סקרן, לבנות מחדש הרגלים, ולשאול בלי הרף: האם יש דרך חכמה יותר לעשות את זה עכשיו?
אם אתם רוצים להישאר קדמתיים וללמוד איך לבנות מערכות פרודקשן עם workflow AI מבוסס-טרמינל כזה, בדקו את קורס Unity Intermediate.
הפוסט הזה נכתב בעזרת Claude, Gemini, ו-ChatGPT — אנחנו מתרגלים את מה שאנחנו מטיפים.