Doop появился на Product Hunt как инструмент для дизайна, в котором AI-агенты работают не как внешний чат-помощник, а как участники общего canvas. В описании запуска заявлены курсоры агентов, потоковая отрисовка дизайнов по кадрам, взаимное ревью и единая память решений проекта. Пока основным подтверждённым источником остаётся страница Product Hunt, поэтому заявления о статусе open source и деталях реализации стоит проверять по репозиторию и документации, когда они доступны напрямую.
Что показали на Product Hunt
Публикация Doop датирована 2 сентября 2026 года. В карточке продукт описан как open source-альтернатива Claude Design и Paper Design, построенная вокруг бесконечного canvas. Главная идея — дать Claude Code, Codex, Cursor, OpenClaw и другим MCP-агентам общее рабочее пространство, где они могут не только отвечать текстом, но и вносить видимые изменения в дизайн-сценарий.
Автор публикации пишет, что Doop возник из проблемы синхронизации памяти между агентами: разные ассистенты забывают принятые дизайн-решения, стиль и ограничения проекта. В Doop это пытаются решить через общий контекст canvas и отдельный слой памяти.
Важная деталь для практиков: сервис заявляет подход bring your own AI. По описанию, пользователь может подключить уже оплаченные подписки Claude или ChatGPT, без внутренних токенов платформы и без наценки на модельный доступ. Для команд, которые уже платят за несколько AI-инструментов, это может быть заметным отличием от продуктов, где стоимость модели спрятана внутри тарифа.
Ключевые факты
| Пункт | Что известно из источника |
|---|---|
| Источник запуска | Страница Doop на Product Hunt, опубликована 2 сентября 2026 года |
| Основной сценарий | Бесконечный canvas для дизайна с AI-агентами как видимыми соавторами |
| Подключения | Заявлена работа с Claude, ChatGPT и MCP-агентами вроде Claude Code, Codex, Cursor, OpenClaw |
| Память | Упомянуты редактируемый markdown-файл с правилами и knowledge graph на базе Cognee |
Чем это отличается от обычного AI-дизайн-чата
Большинство AI-функций в дизайн-инструментах сегодня выглядят как боковая панель: пользователь пишет запрос, модель возвращает вариант, а дальше человек переносит результат в макет или код. Doop описывает другую модель — агент находится на том же canvas, где происходит работа, и его действия видны как процесс, а не только как итоговый ответ.
Для команд это меняет точку контроля. Если агент «рисует» по кадрам и оставляет видимый след, дизайнер или продакт может раньше вмешаться: остановить неудачное направление, уточнить правило, попросить другого агента проверить результат. В теории это ближе к совместной работе в Figma или FigJam, но с участниками, которые управляются через LLM и MCP.
Пока неясно, насколько стабильно это работает в реальных проектах: источник не даёт бенчмарков, сравнений скорости, данных о совместимости с конкретными форматами дизайна или ссылок на техническую документацию. Поэтому Doop лучше рассматривать как ранний продуктовый сигнал: рынок ищет интерфейс, где агенты становятся не отдельными чатами, а наблюдаемыми исполнителями внутри рабочего пространства.
Как устроена память агентов
Самая интересная часть запуска — не генерация дизайна сама по себе, а заявленная общая память. В обсуждении автор уточняет, что Doop хранит «жёсткие» дизайн-правила в редактируемом markdown-файле, похожем по роли на DESIGN.md. Такой файл может фиксировать цвета, запреты, предпочтения по компонентам, тон визуального языка и другие правила, которые команда хочет видеть в явном виде.
Второй слой — knowledge graph, где сохраняются сведения о проекте, дизайн-решения и стилевые предпочтения. По словам автора в обсуждении Product Hunt, для memory database используется Cognee. Это важная архитектурная подсказка: Doop пытается разделить правила, которые человек может прочитать и изменить, и более гибкую память, которую система собирает в процессе работы.
Для разработчиков AI-агентов это направление знакомо: проблема не в том, чтобы один раз сгенерировать красивый экран, а в том, чтобы агент не ломал ранее согласованные решения через десять итераций. Если Doop действительно делает память общей для Claude, Codex, Cursor и других MCP-агентов, то продукт попадает в более широкий тренд agent workspace — рабочих сред, где контекст и история важнее отдельного промпта.
Что проверить перед использованием
Первый вопрос — где фактически хранится проектная память и кто контролирует доступ к ней. В обсуждении упоминаются markdown-файл и knowledge graph, но из доступного описания не следует, как устроены экспорт, удаление данных, локальный режим, права команды и аудит изменений. Для компаний с чувствительными макетами или клиентскими данными это не второстепенная деталь.
Второй вопрос — реальный open source-статус. На Product Hunt Doop назван open source, но для редакционной проверки этого недостаточно: нужен репозиторий, лицензия, история коммитов и понятное разделение между открытой частью, десктопным приложением, веб-приложением и возможной hosted-инфраструктурой. До проверки репозитория корректнее говорить о заявленном open source-подходе, а не о подтверждённой лицензии и модели развития.
Третий вопрос — MCP-совместимость. В публикации говорится, что к canvas может подключаться любой MCP-агент, включая Claude, Codex, Cursor и OpenClaw. На практике командам стоит проверять, какие именно MCP-серверы нужны, какие действия агент получает внутри canvas, можно ли ограничить права и как система предотвращает конфликтующие изменения от нескольких агентов.
Почему это важно для AI-инструментов
Doop интересен не как ещё один генератор макетов, а как пример перехода от «AI как кнопка» к «AI как участник интерфейса». Если агенту дают курсор, видимые действия, общую память и возможность ревью, у команды появляется больше точек для наблюдения и управления. Это особенно важно в сценариях, где результат субъективен: дизайн рекламы, лендинги, продуктовые флоу, визуальные концепции.
Для пользователей, выбирающих инструменты, Doop стоит оценивать не по промо-формулировкам, а по нескольким практическим тестам: насколько легко подключить существующие Claude или ChatGPT-подписки, сохраняются ли правила проекта между сессиями, можно ли проследить, почему агент принял конкретное дизайн-решение, и не превращается ли работа нескольких агентов в хаотичный canvas.
Пока это ранний запуск с ограниченным набором проверяемых данных. Следующие полезные источники для проверки — официальный сайт или репозиторий Doop, документация по MCP-подключениям, лицензия, описание хранения памяти и демонстрации на реальных дизайн-задачах, а не только обсуждение на Product Hunt.