Лондонський стартап tldraw, відомий як безплатна онлайн-дошка та SDK для вбудованих канвасів, за останні три роки пройшов помітну еволюцію: від перших експериментів із перетворення намальованих інтерфейсів на працюючі прототипи до багатoагентної системи «фей», які буквально бігають по полотну, координують одна одну й виконують складні завдання.
Засновник tldraw Стів Руїз на прикладі кількох проєктів показує, як змінюється сама модель взаємодії людини з AI: від «чорної скриньки» в сайдбарі до прозорих, видимих агентів, чия логіка, стан і дії розгортаються прямо на канвасі.
Make Real: коли намальований макет стає працюючим прототипом
Поворотним моментом для tldraw став 2023 рік, коли з’явилися перші масові візійні моделі. Саме тоді команда показала Make Real — застосунок, що дозволяв користувачам намалювати інтерфейс на канвасі, надіслати цей малюнок моделі й отримати у відповідь працюючий прототип.
Сценарій виглядав майже наївно простим: людина креслить на дошці приблизний макет сайту чи застосунку — кнопки, поля, блоки, кольорові позначки. Потім одним кліком надсилає зображення моделі з короткою інструкцією на кшталт «зроби це інтерактивним». У відповідь приходить HTML‑прототип, який можна клікати, тестувати й навіть далі анотувати на тому ж канвасі.
Ключовий ефект Make Real полягав не стільки в технічній новизні, скільки в зміні аудиторії. Це був один із перших проєктів, де нетехнічні користувачі могли створювати робоче програмне забезпечення, не пишучи жодного рядка коду й навіть не дивлячись на нього. Вони працювали в звичній для себе парадигмі — малювали, підписували, виправляли — а модель брала на себе трансляцію цього в код.
Сьогодні, у 2026‑му, подібні можливості вже не виглядають революційними. Але в 2023‑му ще не існувало ані популяризованого терміну «vibe coding», ані масових інструментів, які б дозволяли «накинути вайб» застосунку й отримати працюючу версію. Make Real став одним із ранніх прикладів того, як AI може зняти бар’єр між ідеєю й прототипом для людей без технічного бекграунду.
Важливо й те, що Make Real був побудований на канвасі tldraw, який сам по собі є «хакованим» рантаймом на React‑компонентах. Це означало, що будь-яка дія моделі — від розпізнавання намальованого до генерації коду — могла бути інтегрована безпосередньо в середовище, де працює користувач. Саме ця гнучкість згодом дозволила перейти від одноразової генерації до більш складних агентних сценаріїв.
Від «намалюй кота» до агентного циклу: AI як співробітник на канвасі
Після Make Real команда tldraw почала експериментувати з іншою роллю штучного інтелекту — не як «компілятора» намальованого в код, а як активного співробітника на самій дошці.
Перший крок був відносно простим: користувач міг дати текстову команду на кшталт «намалюй кота», «побудуй діаграму», «доповни цей графік» — і AI, замість того щоб генерувати зображення, створював на канвасі структуровані об’єкти: кола, прямокутники, стрілки, підписи. Модель не малювала піксельну картинку, а користувалася тими ж інструментами, що й людина, — формально описуючи об’єкти через текстовий структурований вивід.
Цей підхід вирішував кілька проблем, характерних для візійних моделей, коли йдеться про структуровані дані. По‑перше, якісних датасетів для навчання візійних моделей значно менше, ніж текстових. По‑друге, візуальні й текстові уявлення про структуру часто конфліктують. Класичний приклад — вісь Y: у математичному графіку значення зростають угору, тоді як у веб‑координатах Y збільшується вниз від верхнього лівого кута. Додаємо сюди різні системи відліку «ліворуч‑праворуч», «stage left» тощо — і стає зрозуміло, чому моделі важко стабільно відтворювати складні діаграми лише з картинки.
У tldraw пішли іншим шляхом: замість того щоб навчати модель «бачити» й «малювати» як людина, її навчили описувати структуру сцени текстом, який потім перетворюється на об’єкти канваса. Це дозволило досягти передбачуванішої поведінки, особливо коли йдеться про діаграми, схеми, графіки.
Однак навіть такий режим залишався по суті «одноразовим пострілом»: користувач дає команду, модель малює, на цьому цикл закінчується. Щоб перейти до справжньої співпраці, tldraw побудувала агентний цикл — loop, у якому AI не просто видає результат, а й сам себе перевіряє, коригує й повторює дії, доки не вирішить, що завдання виконано.
У цьому циклі модель спочатку генерує об’єкти на канвасі, потім «оглядає» результат, порівнює його з початковою інструкцією, виявляє прогалини чи помилки й запускає ще одну ітерацію. Такий підхід наслідує патерни, які вже стали стандартними для кодових агентів: проміжні кроки, самоперевірка, відхилення невдалих варіантів.
Цей агентний loop виявився корисним не лише в експериментах tldraw, а й у сторонніх продуктах, побудованих на їхньому SDK. У дизайні його використали, зокрема, застосунки Love Art і Magic Path, де AI допомагає будувати композиції, структурувати контент і допрацьовувати макети. В освіті агентний цикл став основою для сценаріїв «тютора на канвасі»: модель може допомагати з домашніми завданнями, заповнювати форми чи, наприклад, автоматично завершувати аркуш персонажа для настільної гри на кшталт Dungeons & Dragons, орієнтуючись на вже внесені дані.
Попри це, взаємодія все ще нагадувала передачу клавіатури іншому «користувачу», який сидить десь у сайдбарі. Людина бачила результат, але не бачила процес. Наступний крок полягав у тому, щоб буквально «витягнути» агента на полотно.
Феї на канвасі: коли агент стає персонажем
Радикальніша зміна відбулася, коли tldraw перетворила абстрактних агентів на візуальних персонажів — маленьких фей, які живуть безпосередньо на канвасі. Цей експеримент отримав окремий майданчик fairies.tldraw.com і став демонстрацією того, як може виглядати багатoагентна співпраця в середовищі, де все видно й людині, й самим агентам.
Феї — це невеликі анімовані об’єкти, яких можна брати мишкою, перетягувати, «кидати» в різні частини полотна. Вони реагують на дії користувача, «не люблять» довго бути в руках і починають «нервувати», якщо їх утримувати. Але за цією ігровою оболонкою ховається цілком серйозна модель агентної роботи.
Кожна фея має видимий стан: користувач може спостерігати, що саме вона зараз робить, над якою частиною проєкту працює, які кроки виконує. Це не абстрактний лог у консолі, а конкретна присутність на полотні. У термінах розробки це нагадує кілька термінальних вікон або вкладок у Composer, але перенесених у візуальний простір, де всі «вікна» — це персонажі, що рухаються й взаємодіють.
Феї можуть виконувати ті ж завдання, що й попередні агенти: наприклад, намалювати кота, додати до нього свічку, а потім змусити кота «задмухати» свічку. Важливо, що застосунок сам по собі не «знає», що таке свічка чи як кіт може з нею взаємодіяти. Це все — інтерпретація моделі, яка через структурований текст описує, які об’єкти треба створити й як їх розташувати.
Коли на канвасі кілька фей, вони можуть працювати паралельно над різними частинами малюнка. Одна фея отримує завдання «намалюй капелюх на коті», інша — «домалюй шию кота». Обидві бачать спільний простір, можуть орієнтуватися на вже створені об’єкти й змінювати їх. Це не ізольовані сесії: агенти мають спільний контекст і здатні модифікувати роботу один одного.
Такий підхід робить процес роботи AI не лише прозорим, а й інтуїтивно зрозумілим для людини. Користувач бачить не просто «магічну появу» результату, а послідовність дій: куди перемістилася фея, що вона намалювала, як відреагувала на зміни інших агентів. Це важливо і з точки зору довіри, і з точки зору навчання — особливо в освітніх сценаріях, де учень може буквально спостерігати, як «тютор‑фея» заповнює форму чи пояснює структуру діаграми.
Лідер і команда: як працює багатoагентна координація
Найцікавіша частина експерименту з феями — це не окремі агенти, а їхня взаємодія як команди. У tldraw реалізували просту, але показову модель лідерства й делегування.
Коли користувач виділяє кілька фей і дає їм спільне завдання, наприклад «намалюйте ще тварин» або «зробіть вайрфрейми для цього застосунку», система обирає одну фею лідером. Лідер не займається безпосереднім «малюванням». Його роль — оглянути канвас, зрозуміти поточний стан проєкту, сформувати список завдань і розподілити їх між іншими агентами.
Фактично лідер створює to‑do‑лист: які об’єкти потрібно додати, які частини сцени допрацювати, що перевірити. Потім ці підзадачі делегуються іншим феям, які вже безпосередньо працюють на полотні — малюють, переміщують, змінюють об’єкти. Лідер натомість зосереджується на спостереженні й оцінці: чи виконано завдання, чи відповідає результат інструкції, чи не дублюють агенти роботу один одного.
Ця модель народжувалася приблизно в період із жовтня по грудень попереднього року — в той самий час, коли багато команд у галузі експериментували з оркестрацією агентів: спільним станом, ролями «лідер‑виконавець», уникненням конфліктів у спільному середовищі. У випадку tldraw додатковою складністю було те, що агенти працюють у візуальному просторі, де легко «наступити один одному на ноги», буквально перекриваючи об’єкти.
Феї мають спільний огляд канваса й можуть бачити зміни, які вносять інші агенти. Це дозволяє їм не лише уникати конфліктів, а й будувати на роботі один одного. Наприклад, одна фея може створити базову структуру вайрфрейму, інша — додати деталі інтерфейсу, третя — розставити текстові блоки. Лідер у цей час стежить за тим, щоб усі частини складалися в цілісну картину.
На fairies.tldraw.com цей підхід демонструється на реалістичних завданнях. Один із прикладів — великий текстовий опис застосунку, схожий на бриф для e‑book чи сервісу. Користувач виділяє фей, дає інструкцію «зробіть вайрфрейми для цього застосунку» й відпускає їх «у роботу». Далі можна спостерігати, як агенти розкладають опис на частини, створюють екрани, розміщують елементи інтерфейсу, узгоджуючи свої дії через лідера.
Це вже не просто демонстрація можливостей моделі, а робочий сценарій, де кілька агентів виконують складне завдання, розбитe на підзадачі, у спільному візуальному просторі. Для tldraw це ще й спосіб пояснити користувачам, що таке багатoагентні системи, без необхідності читати документацію з оркестрації: усе видно на власні очі.
Освіта, дизайн і межі безпеки: де агентам можна дати більше влади
Агентний цикл, який tldraw спершу відпрацював у «невидимому» режимі, а потім переніс у формат фей, уже знайшов застосування в кількох напрямах.
У дизайні, як уже згадувалося, його використовують застосунки на кшталт Love Art і Magic Path. Там AI допомагає структурувати композиції, будувати складні сцени, доповнювати макети, працюючи в тому ж середовищі, що й дизайнер. Агент може, наприклад, завершити діаграму, яку людина почала вручну, або запропонувати варіанти розміщення елементів.
В освіті агентний цикл став основою для інтерактивних сценаріїв: AI‑тютор на канвасі може пояснювати концепції через діаграми, допомагати розв’язувати задачі, заповнювати форми й таблиці. Приклад із D&D‑анкетою показує, як модель може «підхопити» частково заповнений документ і логічно завершити його, орієнтуючись на контекст. У форматі фей це перетворюється на візуальну історію: учень бачить, як «персонаж‑агент» крок за кроком заповнює поля, роблячи процес менш абстрактним.
Однак наступний логічний крок — дати агентам більше доступу до можливостей канваса — упирається в питання безпеки. Рантайм tldraw — це повноцінний API, до якого можна писати код. А сучасні моделі добре вміють програмувати. Якщо агентам відкрити повний доступ до цього API, вони зможуть не лише малювати фігури, а й змінювати логіку самої програми, створювати складні інтеракції, потенційно виходячи за межі очікуваної поведінки.
Для tldraw це означає необхідність чітко визначити, що в такому середовищі вважається безпечним. Де проходить межа між корисною автоматизацією й ризиком для користувача? Які дії агент може виконувати автономно, а які потребують явного підтвердження людини? Як запобігти ситуаціям, коли агент, маючи доступ до «хакованого» рантайму, робить щось небажане — навіть якщо формально виконує інструкцію?
Поки що феї залишаються переважно демонстраційним експериментом, який показує потенціал багатoагентних систем на візуальному канвасі. Але саме на таких експериментах відпрацьовуються моделі довіри, прозорості й контролю, без яких важко уявити масове впровадження агентів у робочі інструменти.
Висновок: від магії до механіки співпраці з AI
Історія tldraw від Make Real до фей — це не лише про нові фічі в онлайн‑дошці. Це про зміну парадигми взаємодії з AI.
Спочатку модель була «чарівною кнопкою», яка перетворює намальований макет на код. Потім — невидимим співробітником у сайдбарі, що в циклі генерує, перевіряє й виправляє результат. Сьогодні в експериментах tldraw агенти стають видимими персонажами, які працюють поруч із людиною, мають ролі, стан, взаємодіють один з одним і з середовищем.
Цей рух від невидимого до видимого, від одноразового запиту до тривалого агентного процесу, від одиночного асистента до команди з лідером і виконавцями задає тон тому, як можуть виглядати інструменти наступного покоління. Особливо в середовищах, де візуальна структура й спільна робота — ключові елементи, як у дизайні, освіті чи розробці інтерфейсів.
Fairies.tldraw.com сьогодні — це радше лабораторія, ніж продукт масового використання. Але саме в таких лабораторіях формується відповідь на запитання, яке стає все актуальнішим: як зробити так, щоб AI‑агенти були не «чорною скринькою», а зрозумілими, керованими й передбачуваними співробітниками — і щоб людина залишалася в центрі цього процесу.