„Nie potrzebujemy już FAANG” – deklaruje autor projektu RAE FAANG, który trafił na Hacker News. Pod tą prowokacyjną tezą kryje się całkiem konkretne narzędzie: katalog produktów należących do Meta, Amazona, Apple, Netflixa i Google, połączony z interfejsem wiersza poleceń dla agentów kodujących. Zamiast czekać na kolejną funkcję od giganta, użytkownik wybiera produkt z listy i zleca jego zbudowanie we własnym projekcie.
Każdy wpis w katalogu to nie sam opis funkcji, lecz pakiet kontekstu. Znajdziemy tam materiały badawcze dotyczące danego produktu, wskazanie kandydujących projektów open source, które mogą posłużyć jako fundament, oraz instrukcje budowy dopasowane do konkretnego przypadku. Repozytorium zawiera osobne katalogi na produkty, badania nad firmami, szanse rynkowe i system projektowy, a także katalog umiejętności dla agentów (pliki w stylu AGENTS.md oraz katalogi .claude/skills i .agents/skills), co sugeruje, że autor myśli o narzędziu jako o zestawie „skilli” wpinanych do istniejących asystentów, a nie o kolejnej platformie.
Warto podkreślić, że RAE FAANG nie obiecuje gotowych zamienników. W README zaznaczono wprost, że wpisy są punktami startowymi, a nie ograniczeniem tego, co można zbudować. Projekt jest wydany na licencji MIT, ale implementacja użytkownika i jej zależności rządzą się własnymi licencjami – to istotne zastrzeżenie, bo wskazywane projekty open source mogą mieć warunki dalece bardziej restrykcyjne niż sam katalog.
Z technicznego punktu widzenia to pakiet npm (dostępny jako rae-faang) wymagający Node.js w wersji 20 lub nowszej, z dojrzałym jak na świeży projekt zapleczem: konfiguracją CI, testami, skryptami, dokumentacją projektową i plikiem changelog. Repozytorium ma 24 commity, ale zerową liczbę gwiazdek i fork-ów – to dopiero początek drogi, a publikacja na Hacker News z jednym punktem i bez komentarzy pokazuje, że projekt nie zdobył jeszcze rozgłosu.
Pomysł wpisuje się w szerszy nurt „vibe engineering”, w którym agent nie tyle pisze pojedyncze funkcje, ile odtwarza całe produkty na podstawie dostarczonego kontekstu. Najciekawszym elementem jest tu nie sam katalog, lecz sposób myślenia o zadaniu dla modelu: zamiast ogólnego promptu dostaje on research, listę bibliotek i plan działania. To zarazem największe ryzyko – jakość wyniku zależy od tego, jak rzetelnie przygotowano materiały wejściowe, a nie od samego narzędzia.
Podsumowanie: RAE FAANG to lekki, otwarty zestaw katalogu i CLI, który porządkuje pracę z agentami kodującymi nad klonami znanych produktów. Warto go obserwować jako sygnał trendu, choć na razie bardziej jako szkielet metodyki niż sprawdzoną alternatywę dla czegokolwiek z portfolio FAANG.