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
┌─────────────┐
│ 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
# Skill jest gotowy do użycia po sklonowaniu
# Sprawdź czy LM Studio działa:
curl http://127.0.0.1:1234/v1/models
Użycie
Podstawowe
# 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
ralph-loop.sh -f examples/bad_code.py -o fixed.py -v
Przykład 2: Generowanie od zera
ralph-loop.sh -c "Napisz funkcję sortowania quicksort w Python" \
-o quicksort.py -p "Dodaj type hints i docstrings"
Przykład 3: Analiza tekstu
ralph-loop.sh -f examples/article.txt -o analysis.json --json
Jak to działa
-
Generator (generator.py)
- Tworzy początkowy output używając LLM
- Używa promptu systemowego z kontekstem zadania
-
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
-
Naprawiacz (część ralph-loop.sh)
- Wysyła kod + listę problemów do LLM
- Prosi o poprawienie wszystkich zgłoszonych problemów
-
Weryfikator (część ralph-loop.sh)
- Sprawdza czy poprawki faktycznie rozwiązują problemy
- Ocenia czy kod jest gotowy czy potrzebna kolejna iteracja
-
Pętla
- Jeśli weryfikator znajdzie nowe problemy → wraca do Krytyka
- Max 3 iteracje (konfigurowalne)
Prompt Engineering
System używa specyficznych promptów dla każdej roli:
Prompt Generatora
Jesteś ekspertem programistą. Twoim zadaniem jest {task}.
Stwórz najlepszy możliwy kod/tekst. Używaj najnowszych praktyk.
{context}
Prompt Krytyka
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
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:
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
# 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!"
