Все посты /

Evoidea: меметический алгоритм для идей

Как применить эволюционный подход к генерации стартап-идей с помощью AI-агентов

#context-engineering #ai-agents #ideation

Проблема

Брейншторминг стартап-идей хаотичен. Идеи теряются, забываются. Нет систематического способа оценить и сравнить их. Трудно улучшать слабые места, не теряя того, что работает. Ограничения — бюджет, сроки, навыки — часто игнорируются.

Обычно это выглядит так: записал 20 идей на салфетке, выбрал “самую интересную” интуитивно, через неделю понял, что она не учитывает твои реальные ресурсы.

Контекст

Меметические алгоритмы — это эволюционные алгоритмы для идей. Как генетические алгоритмы работают с генами, меметические работают с мемами — единицами культурной информации.

Принцип простой:

  1. Генерация — создаём разнообразную популяцию идей
  2. Критика — оцениваем каждую по нескольким критериям
  3. Отбор — лучшие выживают, слабые в архив
  4. Улучшение — дорабатываем победителей, устраняя слабые места

LLM отлично подходят для каждого этапа. Они могут генерировать идеи, критиковать их по заданным критериям, и предлагать улучшения. Осталось связать это в цикл.

Решение

Evoidea — это Claude Code skill + Rust CLI, реализующий меметический цикл:

GENERATE → CRITIQUE → SELECT → REFINE → repeat

Запуск через Claude Code:

/evoidea "Build developer productivity tools" --rounds 3 --population 6

С ограничениями:

/evoidea "SaaS for freelancers" --budget 1000 --timeline 4 --solo --no crypto,hardware

Каждая идея оценивается по 8 критериям:

  • feasibility (реализуемость)
  • speed_to_value (скорость до первой ценности)
  • differentiation (отличие от конкурентов)
  • market_size (размер рынка)
  • distribution (каналы дистрибуции)
  • moats (защита от копирования)
  • risk (риски)
  • clarity (понятность)

Ограничения работают как жёсткие фильтры — идея, нарушающая хотя бы одно, получает score = 0 и статус “eliminated”.

На выходе — структурированный JSON с полной историей эволюции:

runs/<run_id>/
├── config.json    # параметры запуска
├── state.json     # популяция + оценки
├── history.ndjson # лог событий
└── final.json     # победитель + причина остановки

Можно экспортировать победителя в формат landing page:

evoidea export --run-id run-20260123-181141

Инсайт

Эволюционный подход к идеям работает, потому что устраняет две главные проблемы брейншторма:

Привязанность к первой идее. Когда ты сам придумал идею, ты её защищаешь. Алгоритм безэмоционален — слабая идея уходит в архив, сильная развивается.

Игнорирование ограничений. Легко мечтать о стартапе на $10M, когда у тебя бюджет $500 и 4 недели. Жёсткие фильтры возвращают в реальность до того, как потратишь время на проработку нежизнеспособной идеи.

Context engineering здесь в том, что LLM получает не просто “придумай идею”, а полный контекст: текущую популяцию, историю оценок, критерии, ограничения. Это позволяет модели принимать осмысленные решения на каждом этапе.

Источники