Ralph Wiggum Loop

Iteracyjnie doskonali kod lub tekst AI, wykrywając i naprawiając błędy, optymalizacje, bezpieczeństwo i styl w maksymalnie trzech krokach.

Ralph Wiggum - AI Loop Technique

Iteracyjny system doskonalenia kodu i outputów AI. Nazwany na cześć Ralpha Wigguma z Simpsons - bo "mówi jak dziecko, ale myśli jak krytyk".

Architektura

text

┌─────────────┐
│  Generator  │ → Tworzy początkowy output
└──────┬──────┘
       ▼
┌─────────────┐
│   Krytyk    │ → Szuka błędów, optymalizacji, problemów
└──────┬──────┘
       ▼
┌─────────────┐
│  Naprawiacz │ → Poprawia zgłoszone problemy
└──────┬──────┘
       ▼
┌─────────────┐
│ Weryfikator │ → Sprawdza czy poprawki działają
└──────┬──────┘
       │
       ├─ Problemy? → Wraca do Krytyka (max 3 iteracje)
       ▼
   [OUTPUT]

Wymagania

• LM Studio uruchomione na http://127.0.0.1:1234/v1
• Model preferowany: uncensored/liberated (np. dolphin, wizard-vicuna)
• Python 3.9+
• curl / wget

Instalacja

bash

# Skill jest gotowy do użycia po sklonowaniu
# Sprawdź czy LM Studio działa:
curl http://127.0.0.1:1234/v1/models

Użycie

Podstawowe

bash

# Ulepsz kod z pliku
ralph-loop.sh -f input.py -o output.py

# Ulepsz kod inline
ralph-loop.sh -c "def hello(): print('world')"

# Ulepsz z promptem kontekstowym
ralph-loop.sh -f input.py -p "Optymalizuj pod kątem wydajności"

Opcje

Flag	Opis
-f FILE	Plik wejściowy
-c CODE	Kod inline (zamiast pliku)
-o FILE	Plik wyjściowy (domyślnie: stdout)
-p PROMPT	Dodatkowy kontekst/prompt
-i N	Max iteracji (domyślnie: 3)
-m MODEL	Nazwa modelu w LM Studio
-v	Verbose - pokaż proces
--json	Output w formacie JSON

Przykłady

Przykład 1: Refaktoryzacja kodu

bash

ralph-loop.sh -f examples/bad_code.py -o fixed.py -v

Przykład 2: Generowanie od zera

bash

ralph-loop.sh -c "Napisz funkcję sortowania quicksort w Python" \
  -o quicksort.py -p "Dodaj type hints i docstrings"

Przykład 3: Analiza tekstu

bash

ralph-loop.sh -f examples/article.txt -o analysis.json --json

Jak to działa

1. Generator (generator.py)

   • Tworzy początkowy output używając LLM
   • Używa promptu systemowego z kontekstem zadania

2. Krytyk (critic.py)

   • Analizuje kod pod kątem:
     • Błędów składniowych i logicznych
     • OPTYMALIZACJI (złożoność, wydajność)
     • BEZPIECZEŃSTWA (podatności, injection)
     • STYLU (PEP8, czytelność, konwencje)
     • DOKUMENTACJI (docstrings, komentarze)
   • Zwraca listę problemów w formacie JSON

3. Naprawiacz (część ralph-loop.sh)

   • Wysyła kod + listę problemów do LLM
   • Prosi o poprawienie wszystkich zgłoszonych problemów

4. Weryfikator (część ralph-loop.sh)

   • Sprawdza czy poprawki faktycznie rozwiązują problemy
   • Ocenia czy kod jest gotowy czy potrzebna kolejna iteracja

5. Pętla

   • Jeśli weryfikator znajdzie nowe problemy → wraca do Krytyka
   • Max 3 iteracje (konfigurowalne)

Prompt Engineering

System używa specyficznych promptów dla każdej roli:

Prompt Generatora

text

Jesteś ekspertem programistą. Twoim zadaniem jest {task}.
Stwórz najlepszy możliwy kod/tekst. Używaj najnowszych praktyk.
{context}

Prompt Krytyka

text

Jesteś bezwzględnym code reviewerem. Twoim zadaniem jest znalezienie
WSZYSTKICH problemów w podanym kodzie. Sprawdź:
- Błędy składniowe i logiczne
- Optymalizację (czasowa i pamięciowa)
- Bezpieczeństwo (SQL injection, XSS, etc.)
- Styl kodu (PEP8, konwencje)
- Dokumentację

Zwróć listę problemów w formacie JSON:
{
  "issues": [
    {"severity": "high|medium|low", "category": "...", "description": "...", "suggestion": "..."}
  ]
}

Prompt Naprawiacza

text

Otrzymałeś kod i listę problemów do naprawy. Napraw KAŻDY problem
z listy. Nie dodawaj nowych funkcji - tylko napraw.

KOD:
{code}

PROBLEMY:
{issues}

Zwróć TYLKO poprawiony kod, bez dodatkowych komentarzy.

API (Python)

Możesz używać modułów bezpośrednio w Pythonie:

python

from ralph_loop import Generator, Critic, Verifier

gen = Generator(model="qwen2.5-coder-32b")
code = gen.generate("Napisz funkcję FizzBuzz", context="Użyj list comprehension")

critic = Critic()
issues = critic.analyze(code)

verifier = Verifier()
result = verifier.verify(code, issues)

Debugowanie

bash

# Sprawdź czy LM Studio działa
curl http://127.0.0.1:1234/v1/models | jq .

# Testuj pojedynczy komponent
python scripts/generator.py -t "Napisz hello world"
python scripts/critic.py -f test.py

# Verbose mode
ralph-loop.sh -f input.py -vvv

Troubleshooting

"Connection refused"

• Upewnij się że LM Studio jest uruchomione
• Sprawdź czy API jest włączone w ustawieniach LM Studio
• Domyślny port: 1234

"Model not found"

• Sprawdź dostępne modele: curl http://127.0.0.1:1234/v1/models
• Użyj flagi -m aby wskazać konkretny model

Słaba jakość outputu

• Użyj lepszego modelu (min. 7B parametrów)
• Zwiększ max iteracji: -i 5
• Dodaj szczegółowy kontekst: -p "Szczegółowe wymagania"

Autor

Stworzone jako narzędzie OpenClaw. Nazwa inspirowana Ralphem Wiggumem - "I'm helping!"