LLM-Schizophrenie: Ein Kochbuch für Vibe-Coder
Anthropic
Ein erfahrener Entwickler teilt einen Workflow für den Einsatz von KI-Agenten zum Schreiben großer Produktionscodes. Durch die Erstellung spezialisierter Unteragenten mit unterschiedlichen Rollen, sauberen Kontexten und eingeschränkten Werkzeugen verhindert der Autor Kontextverschlechterung und verbessert die Codequalität. Der Ansatz umfasst Fähigkeiten (Prozessdateien), Planung, Regeln und automatisierte Prüfungen.
Der Autor, ein Programmierer mit über 20 Jahren Erfahrung, beschreibt eine Methode, um KI-Agenten für große Produktionsprojekte einzusetzen. Er argumentiert, dass große Aufgaben nicht am Modell scheitern, sondern daran, dass eine einzige Sitzung versucht, alles auf einmal zu sein. Die Lösung besteht darin, Subagenten zu erstellen – Markdown-Dateien, die eine Rolle, ein Modell und erlaubte Werkzeuge definieren – die mit sauberen Kontexten arbeiten und nach Abschluss ihrer Aufgabe enden. Die "Truppe" des Autors umfasst einen Architekten, einen Entwickler, einen Reviewer (nur lesend), einen Tester, der überprüft, ob Tests "tödlich" sind, indem er Code absichtlich bricht, einen Sicherheitsexperten und einen Datenbankadministrator. Eine entscheidende Erkenntnis ist, ein günstigeres Modell für die Ausführung und ein teureres für die Überprüfung zu verwenden, denn ein Fehler des Reviewers bleibt unbemerkt. Der Prozess ist in "Skills" kodifiziert – Dateien mit einer Beschreibung, einem Körper und Details – die aus Vorfällen wachsen, wie die Regel, Fakten zu überprüfen, nicht Berichte. Planung ist unerlässlich: Menschen überprüfen den Plan, um kostspielige Fehler früh zu erkennen, und Pläne müssen von einem Architekten vor großen Arbeiten aktualisiert werden. Der Autor betont, dass Zustand in Dateien festgehalten werden muss, da Agenten kein Gedächtnis zwischen Sitzungen haben. Projektregeln (CLAUDE.md) und ein einziges Prüfskript mit einem ehrlichen Exit-Code dienen als Bindeglied; Regeln sind datumsgestützte Präzedenzfälle, und Prüfungen können nicht umgangen werden. Beginnen Sie, indem Sie das Modell bitten, einen Reviewer-Subagenten zu erstellen, dann machen Sie wiederholte Anweisungen zu einem Skill und lassen Sie die Truppe organisch wachsen. Die Kosten: deutlich mehr Tokens, menschliche Zeit verschiebt sich auf das Überprüfen von Berichten und das Lösen von Streitigkeiten, und Regeln werden gebrochen – aber das ist normal. Der Ansatz zahlt sich nur für Aufgaben aus, die nicht in einen einzigen Kontext passen.
Quelle: Habr — хаб ИИ —
Original
