LLM-schizofrenie: een kookboek voor vibe-coders

De auteur, een programmeur met meer dan 20 jaar ervaring, beschrijft een methode om AI-agenten in te zetten voor het schrijven van grote productieprojecten. Hij stelt dat grote taken niet mislukken vanwege het model, maar omdat een enkele sessie alles tegelijk probeert te zijn. De oplossing is het creëren van subagenten: Markdown-bestanden die een rol, een model en toegestane tools definiëren, die met schone contexten werken en sterven na het voltooien van hun taak. De 'troupe' van de auteur omvat een architect, een ontwikkelaar, een reviewer (alleen-lezen), een tester die verifieert dat tests 'dodelijk' zijn door code te breken, een security-expert en een databasebeheerder. Een cruciaal inzicht is om een goedkoper model te gebruiken voor uitvoering en een duurder model voor review, omdat een fout van een reviewer onopgemerkt blijft. Het proces is vastgelegd in 'skills' - bestanden met een beschrijving, body en details - die groeien uit incidenten, zoals de regel om feiten te controleren, niet rapporten. Planning is essentieel: mensen beoordelen het plan om kostbare fouten vroeg te ontdekken, en plannen moeten door een architect worden ververst voordat er groot werk wordt verricht. De auteur benadrukt dat de status in bestanden moet worden vastgelegd, omdat agenten geen geheugen hebben tussen sessies. Projectregels (CLAUDE.md) en een enkel checkscript met een eerlijke exitcode dienen als lijm; regels zijn gedateerde precedenten, en checks kunnen niet worden omzeild. Begin door het model te vragen een reviewer-subagent te creëren, verander vervolgens herhaalde instructies in een skill, en laat de troupe organisch groeien. De kosten: aanzienlijk meer tokens, menselijke tijd verschuift naar het beoordelen van rapporten en het oplossen van geschillen, en regels zullen worden gebroken - maar dat is normaal. De aanpak betaalt zich alleen uit voor taken die niet in één context passen.