Iskreno, Claude Code + GLM-5.1 je najjači domaći Agent.

Nešto me je nateralo da se pokrenem.

GLM-5.1 je objavljen — na testu programiranja osvojio je 45,3 poena, što je blizu Claude Opus 4.6 i njegovih 47,9.

Nije dovoljno samo gledati rezultate testova, moram i sam da probam.

Zato sam mu dao stvarni zahtev za projektom: izgraditi od nule onlajn editor biografija — Pai Biografija. 9 dokumenata sa zahtevima, kompletan front-end i back-end razvoj, automatizovano testiranje — bez zaustavljanja.

Rezultat je, iskreno, prevazišao očekivanja.

01. Prvo, konfigurišimo okruženje

Da bismo dobro obavili posao, prvo moramo konfigurisati okruženje.

Dovoljno je samo izmeniti konfiguracionu datoteku i prebaciti model.

Konkretno, to je vrlo jednostavno: otvorite konfiguraciju Claude Code-a, zamenite ANTHROPIC_AUTH_TOKEN API ključem Zhipu-a, a zatim postavite ANTHROPIC_BASE_URL na adresu interfejsa Zhipu-a.

Nakon što sačuvate i ponovo pokrenete, otkucajte /status da proverite da li je veza uspostavljena sa BigModel.cn. Kada vidite Zhipu, znači da je sve spremno.

Claude Code je zaista sjajan lokalni Agent okvir — pozivanje alata, orkestracija zadataka i obrada grešaka besprekorno su urađeni. Ako ispod menjamo osnovni model na GLM-5.1, to je kao da smo domaćem modelu dali vrhunski okvir za izvršavanje.

Samo tako možemo zaista testirati sposobnost modela za zadatke dugog dometa, umesto da prosto poredimo dopunu koda.

02. Neka pregryze dokumente sa zahtevima

Okruženje je spremno, pređimo na glavno jelo.

Zadatak koji sam dao je razvoj Pai Biografije — onlajn editora biografija. Dokumenti sa zahtevima razasuti su po Yuque bazi znanja — ukupno njih 9, obuhvataju korisničke tokove, module biografija, integraciju plaćanja, AI optimizaciju, obaveštenja i slično.

Prompt nisam pisao previše komplikovano: uđi u plan režim, otvori Chrome-om ovaj Yuque dokument i pažljivo ga pročitaj — adresa i lozinka su ovde.

GLM-5.1 je, po prijemu zadatka, odmah aktivirao Chrome Devtools MCP, otvorio pregledač i počeo da radi. Ceo proces je neverovatno glatak, bez potrebe da stojim iznad njega.

Dokument je zaštićen lozinkom, a nakon što sam je uneo, počeo je da čita stranicu po stranicu. Listanje, izdvajanje, organizovanje — sve automatski.

Jedan detalj me je iznenadio. Mnogi modeli pri čitanju dugih dokumenata lako propuštaju strukturirani sadržaj kao što su tabele i blokovi koda. Ali GLM-5.1 je u potpunosti izvukao dizajn tabela baze podataka — tipove polja, uslove, dizajn indeksa — ništa nije propustio.

Ovo je osnovna sposobnost za zadatke dugog dometa. Ako ne pročitate sve zahteve, kod koji kasnije napišete sigurno će skrenuti.

03. Čitanje dokumenata paralelno sa više Agenta

Jedan dokument je pročitan, još osam preostaje.

Čitanje jedan po jedan je presporo, pa sam aktivirao Skill web-access i pustio ga da otvori više pod-Agenta koji rade istovremeno. Ovaj Skill je specijalizovan za paralelno prikupljanje veb-stranica, već sam ranije delio iskustvo korišćenja.

GLM-5.1 je nakon prijema uputstava odmah pokrenuo više pod-Agenta. Dokument sa pregledom funkcija, AI optimizacija biografija, izmene biografija, funkcija obaveštenja — za svaki dokument postoji Agent koji radi.

Svaki Agent radi u nezavisnom tabu, bez međusobnog ometanja. Ovde se testira sposobnost modela za koordinaciju paralelnih procesa.

Možete menjati prikaz statusa svakog Agenta pomoću strelica gore-dole, a možete pritisnuti Enter da uđete u detaljnu sesiju određenog Agenta. Gledajte onog koga želite — interakcija je veoma pažljivo dizajnirana.

Nakon završetka zadatka, potrošeni tabovi se automatski zatvaraju. Ovaj detalj je veliki plus — ne ostavljaju se otpadni tabovi koji zauzimaju resurse.

Nakon što je pročitao svih devet dokumenata, GLM-5.1 je dao izveštaj sažetka.

Puni pregled korisničkog toka: Prijava → Početna stranica → Generisanje biografije → Moja biografija → Optimizacija biografije → Obaveštenja. Raščlanjivanje u četiri glavna funkcionalna modula. Šema autentifikacije: registracija e-poštom + JWT + Redis keš. Red poruka: Kafka, teme visokog i niskog prioriteta, red mrtvih pisama. Modul plaćanja: Alipay H5/PC na obe strane. Skladište biografija: modularni JSON + glavna tabela resume + podtabela resume_module. AI optimizacija: Deepseek model + STAR metod Prompt.

Kada sam video ovaj rezime, bilo mi je jasno. Ima šanse da završi i preostale zadatke.

04. Dizajn rešenja odjednom

Dokumenti su pročitani, sledi tehničko rešenje.

GLM-5.1 je ušao u plan režim i proizveo kompletan dokument dizajna. Izbor tehnologija, struktura direktorijuma, upravljanje zavisnostima, dizajn baze podataka, definicije interfejsa — sve je tu.

Ovo rešenje nije prosto prepričavanje dokumenta sa zahtevima, već je preoblikovano u inženjerski dizajn koji se može implementirati.

Pritiskom na ctrl+o možete videti detaljan proces zaključivanja. Preporučujem vam da pogledate — mnogo toga možete naučiti o inženjerskom razmišljanju.

Slojevita arhitektura je veoma klasična: kontroler sloj obrađuje zahteve, servisni sloj obrađuje biznis, mapper sloj obrađuje pristup podacima, entitet sloj definiše modele podataka. Standardno, ali dovoljno.

Lista izbora tehnologija: Spring Boot 3.x + MyBatis Plus + JWT + Redis + Kafka. Nema kićenja, sve su zrele opcije.

Takođe je inicijativno izdvojio konfiguracije za tri okruženja: razvoj, testiranje i produkciju. Ovaj detalj većina modela ne bi uzela u obzir.

Dizajn struktura tabela baze podataka je kompletan: tabela korisnika, tabela biografija, tabela modula biografije, tabela narudžbina plaćanja, tabela dnevnika plaćanja, tabela obaveštenja. Svaka tabela ima jasno navedene tipove polja i indekse.

Dokumentacija interfejsa prati RESTful stil, sa objedinjenim formatom odgovora. Svaki interfejs ima jasno definisane ulazne i izlazne parametre, pa kolege sa front-enda mogu odmah da ih koriste.

Obuhvaćen je i sigurnosni plan: JWT autentifikacija, kontrola prava pristupa interfejsima, šifrovanje osetljivih polja.

Čak je nacrtao i dijagram poslovnog toka. Od prijave korisnika, preko generisanja biografije, do plaćanja i obaveštenja — cela lančana struktura je tu.

Čitavo rešenje je podeljeno na 12 koraka, pri čemu svaki korak ima kriterijume prijema. Nije u pitanju nejasno "završi razvoj", već stvarno izvršiva lista zadataka.

05. Faza kodiranja bez kočenja

Rešenje je potvrđeno — krećemo.

Prompt je jednostavan: "Započni pisanje koda direktno, MySQL i Redis su mi već pokrenuti."

Radio je 21 minut, bez grešaka, bez skretanja, bez traženja moje pomoći. Šta je radio tokom tih 21 minut?

Prvi korak, izgradnja kostura back-end projekta. Kreira Maven projekat, konfiguriše pom.xml, postavlja hijerarhiju direktorijuma.

Drugi korak, kreiranje tabela + pisanje klasa entiteta + pisanje mapera. Prema prethodno dizajniranoj strukturi tabela, jedno za drugim.

Treći korak, implementacija JWT modula za autentifikaciju. Prijava, registracija, osvežavanje tokena — generisanje ključeva i mehanizam isteka su sve obuhvaćeni.

Četvrti korak, pisanje CRUD interfejsa. Dodavanje, brisanje, izmena i pretraga biografija, operacije nad modulima — validacija parametara, biznis logika i obrada izuzetaka su prisutni.

Nakon ove faze back-enda, kreirano je više od 30 Java datoteka.

Jednom me je pitao: "Da li da potvrdim back-end kod pre nego što nastavim?"

Rekao sam ne, nastavi.

Zatim je nastavio sa front-endom. Instalacija zavisnosti, konfiguracija rutiranja, pisanje stranice za autentifikaciju, izgradnja API klijenta.

Stranica za prijavu, stranica za registraciju, početna stranica, stranica za uređivanje biografije, stranica za plaćanje — UI i logika interakcije za svaku stranicu su napisani.

Kvalitet koda sam preleteo pregledom: struktura jasna, imenovanje uredno, postoji osnovna obrada grešaka. Nije onaj kod koji samo mora da radi.

06. Pokretanje i debagovanje potpuno samostalno

Kod je napisan, vreme je za pokretanje.

U promptu sam dodao zahtev: "Možeš li da staviš back-end konfiguraciju u .env datoteku, jer bi bez toga lako slučajno poslali osetljive podatke pri komitu."

Vrlo glatko je obradio oba zahteva: izdvojio je konfiguraciju u .env, a istovremeno učinio da back-end pri pokretanju automatski izvršava naredbe za kreiranje tabela.

Tokom rada pojavila se greška: niz za povezivanje sa bazom koristio je utf8mb4, a trebalo bi UTF-8.

Neko će reći da ovakve osnovne greške ne bi trebalo da se prave.

Ali iskreno, ove greške u konfiguraciji okruženja će se pojaviti kod svakog modela. I GPT i Claude će tu pogrešiti. Važno je da ju je sam otkrio i sam ispravio, bez čekanja da ga podsetim.

Prvo, kreiranje baze podataka.

Pokretanje back-enda.

Nakon ispravke veze sa bazom, back-end se uspešno pokrenuo.

Zatim otvorite novi terminal za pokretanje front-enda. Greške pri kompajliranju je takođe sam otkrio i popravio.

Front-end je uspešno pokrenut.

07. Automatizovano testiranje preuzima pregledač

Poslednji korak — neka se sam testira.

Prompt: "Direktno kontroliši pregledač za testiranje."

Preuzeo je pregledač i testirao jednu po jednu stranicu i granične slučajeve. Tokom celog procesa nije tražio moju saradnju — sam je klikao i sam proveravao.

Na kraju je dao izveštaj o testiranju.

08. Tehnički highlighti projekta Pai Biografija

Ukratko o projektu Pai Biografija.

Ovo je onlajn editor biografija, a ključne funkcije obuhvataju modularno uređivanje, pregled u realnom vremenu, AI optimizaciju i izvoz u PDF.

AI optimizacija je posebno zanimljiva. Nakon što korisnik napiše biografiju, može pozvati AI da je optimizuje. Ispod se koristi Deepseek model, a Prompt prati STAR metod. Šta je STAR metod? Situation (situacija), Task (zadatak), Action (akcija), Result (rezultat). Ovo je klasična metodologija pisanja biografija, a AI će na osnovu ovog okvira doterati vaš sadržaj.

Modul plaćanja integrisan je sa Alipay-om, uz podršku za H5 i PC okruženja. Tabele narudžbina plaćanja i tabele dnevnika plaćanja su odvojene, radi lakšeg poravnanja i rešavanja problema.

Obaveštenja koriste Kafka. Tema visokog prioriteta obrađuje hitna obaveštenja, a tema niskog prioriteta obradjuje grupna slanja. Red mrtvih pisama je za rezervu, obezbeđujući da se poruke ne izgube.

Arhitektura celog projekta nije previše kompleksna, ali ima sve što je potrebno. Za projekat koji je generisao AI, ova završenost je prilično visoka.

09. Ključna konkurentnost GLM-5.1

Nakon testiranja projekta Pai Biografija, želim da porazgovaram o tome gde zapravo leži ključna konkurentnost GLM-5.1.

Prvo, prozor konteksta. Prozor konteksta GLM-5.1 je na nivou od oko 200K. Šta to znači? Tipičan dokument sa zahtevima ima oko 5000 reči, a 9 dokumenata zajedno iznosi oko 45000 reči. Prozor od 200K je sasvim dovoljan, bez potrebe za sečenjem sadržaja.

Zatim, sposobnost programiranja. SWE-bench Verified rezultat je 77,8%, što je već blizu nivou zatvorenih modela. Šta je SWE-bench? To je trenutno najautoritativniji benchmark za generisanje koda, koji ispituje sposobnost modela da reši stvarne GitHub issue-e. Rezultat od 77,8 pokazuje da nije igrač koji zna samo da rešava LeetCode zadatke.

10. Kako ovo upisati u biografiju

Ako ste pratili ovaj članak, ovaj projekat možete u potpunosti upisati u biografiju.

Naziv projekta: Pai Biografija — pametni onlajn editor biografija

Kratak opis: Onlajn platforma za generisanje biografija koja podržava modularno uređivanje, AI optimizaciju i izvoz u PDF, pomažući onima koji traže posao da brzo kreiraju profesionalnu biografiju.

Tehnički stek: Spring Boot 3.3, React 18, TypeScript, MySQL, Redis, Kafka, JWT, Alipay plaćanje

Ključne odgovornosti:

• Dizajn i implementacija modularnog skladišta biografija, upotrebom strukture glavna tabela + podtabela, JSON format za čuvanje sadržaja modula, uz podršku za fleksibilno proširenje
• Integracija Deepseek modela za AI optimizaciju biografija, upotrebom STAR metoda za konstrukciju Prompta, čime se povećava profesionalnost biografije
• Implementacija sistema obaveštenja zasnovanog na Kafka-i, sa odvojenim temama visokog i niskog prioriteta, dok red mrtvih pisama osigurava pouzdanost poruka
• Integracija sa Alipay H5/PC plaćanjem na obe strane, kompletan tok od kreiranja narudžbine, preko obrade povratnog poziva, do vođenja dnevnika
• Korišćenje JWT + Redis za autentifikaciju korisnika, uz podršku za osvežavanje tokena i upravljanje sesijama

ending

Nakon što je završio čitav proces, želim da razgovaram o ključnom pitanju.

Gde se zapravo nalazi sposobnost domaćih otvorenih modela za zadatke dugog dometa?

Neka ovaj test odgovori: GLM-5.1 se u zadacima dugog dometa pokazao znatno bolje nego što sam očekivao.

U ovom projektu video sam trend. Domaći otvoreni modeli više nisu samo igračke koje mogu da napišu mali demo — počinju da mogu da preuzmu stvarne inženjerske zadatke. Razumevanje zahteva, dizajn rešenja, implementacija koda, debagovanje i primena, automatizovano testiranje — ovaj kompletan zatvoreni krug GLM-5.1 može samostalno da provede.

Ulaganje Zhipu-a u Coding na ovom putu je vidljivo. Od GLM-4, preko GLM-4.5 i GLM-4.7, do sadašnjeg GLM-5.1 — svaka generacija donosi napredak. Ovakav ritam kontinuiranog iteriranja čini me sigurnijim u budućnost domaćih modela.

Naravno, GLM-5.1 nije savršen. Ima još prostora za poboljšanje u obradi nekih graničnih slučajeva, na primer u složenoj logici interakcije na front-endu ili u konzistentnosti podataka između modula. Ali ovi problemi će se, sa evolucijom sposobnosti modela, verovatno postepeno rešavati.

[Sposobnost dugog dometa domaćih otvorenih modela konačno je dostigla kritičnu tačku upotrebljivosti. To nije prazna reč, već zaključak do kog sam došao nakon dva sata testiranja.]

Projekat Pai Biografija nije prevelik, ali je prošao kompletan tok: razumevanje zahteva, dizajn rešenja, implementacija koda, debagovanje i primena, automatizovano testiranje. Sposobnost da samostalno provede ovaj zatvoreni krug pokazuje da su osnovne kvalitete modela na potrebnom nivou.

Zadržite radoznalost, ostanite u stanju učenja i nećete zaostati u ovo doba brzih promena. Tehnologija se stalno menja, ali sposobnost da je savladate uvek je vaša najpouzdanija ključna prednost.

vidimo se u sledećem!