Wanneer de maker van ’s werelds meest geavanceerde encryptieagent spreekt, luistert Silicon Valley niet alleen, maar maakt het ook aantekeningen.
De afgelopen week heeft de technische gemeenschap een discussie over X van Boris Chernyde schepper en hoofd van Code Claudio NAAR Antropisch. Wat begon als het terloops delen van zijn persoonlijke terminalconfiguratie, groeide uit tot een viraal manifest over de toekomst van softwareontwikkeling, waarbij insiders uit de industrie het een keerpunt voor de startup noemden.
“Als je de best practices van Code Claude niet rechtstreeks van de maker ervan leest, loop je als programmeur achter”, schreef hij Jeff Tangeen leidende stem in de ontwikkelaarsgemeenschap. Kyle McNeaseeen andere waarnemer uit de industrie ging nog verder en verklaarde dat Anthropic met Cherny’s “game-changing updates” “in vuur en vlam staat”, en mogelijk een “ChatGPT-moment” tegemoet gaat.
De opwinding komt voort uit een paradox: de workflow van Cherny is verrassend eenvoudig, maar laat toch één mens toe om te werken met de productiecapaciteit van een kleine technische afdeling. Zoals een gebruiker op X opmerkte na het implementeren van Cherny’s installatie, was de ervaring “Het voelt meer als Starcraft“Vergeleken met traditioneel coderen: de overgang van het typen van syntaxis naar het besturen van autonome eenheden.
Hier is een workflowanalyse die de manier waarop software wordt gebouwd opnieuw vormgeeft, rechtstreeks van de architect zelf.
Door vijf AI-agenten tegelijk te beheren, wordt programmeren een realtime strategiespel
De meest verrassende onthulling over Cherny’s onthulling is dat hij niet lineair codeert. Op de traditionele”binnenring“van de ontwikkeling schrijft een programmeur een functie, test deze en gaat verder met de volgende. Cherny treedt echter op als vlootcommandant.
“Ik laat vijf Claudes parallel draaien in mijn terminal”, schreef Cherny. “Ik nummer mijn tabbladen van 1 tot en met 5 en gebruik systeemmeldingen om te weten wanneer een Claude input nodig heeft.”
Met behulp van iTerm2-systeemmeldingen beheert Cherny effectief vijf gelijktijdige workflows. Terwijl de ene agent een testsuite uitvoert, herstructureert een andere een oudere module en schrijft een derde documentatie. Ook draait “5-10 Claudes op claude.ai” in zijn browser, met behulp van een “teleport” -opdracht om sessies over te dragen tussen internet en zijn lokale machine.
Dit bevestigt de “doe meer met minder“strategie die Anthropic-president Daniela Amodei eerder deze week verwoordde. Terwijl concurrenten zoals OpenAI streven naar infrastructuurbouw ter waarde van biljoenen dollars, demonstreert Anthropic dat superieure orkestratie van bestaande modellen exponentiële productiviteitswinsten kan opleveren.
Het contra-intuïtieve argument om het langzaamste, slimste model te kiezen
In een verrassende zet voor een industrie die geobsedeerd is door latentie, onthulde Cherny dat het uitsluitend het zwaardere, langzamere model van Anthropic gebruikt: Werk 4.5.
“Ik gebruik Opus 4.5 en denk aan alles”, Cherny uitgelegd. “Het is het beste codeermodel dat ik ooit heb gebruikt, en hoewel het groter en langzamer is dan de Sonnet, omdat je er minder mee hoeft te sturen en beter in het gebruik van tools, is het uiteindelijk bijna altijd sneller dan het gebruik van een kleiner model.”
Voor leiders op het gebied van bedrijfstechnologie is dit een cruciaal inzicht. Het knelpunt in de moderne AI-ontwikkeling is niet de snelheid van het genereren van tokens; het is de menselijke tijd die wordt besteed aan het corrigeren van AI-fouten. De workflow van Cherny suggereert dat het vooraf betalen van de ‘computerkosten’ voor een slimmer model de ‘correctiekosten’ later elimineert.
Een gedeeld bestand maakt van elke AI-fout een levenslange les
Cherny legde ook uit hoe zijn team het AI-geheugenverliesprobleem oplost. Grote standaardtaalmodellen ‘onthouden’ de specifieke codeerstijl of architecturale beslissingen van een bedrijf niet van de ene sessie naar de volgende.
Om dit probleem op te lossen, onderhoudt het team van Cherny één enkel bestand met de naam CLAUDE.md in hun git-repository. “Elke keer dat we Claude iets verkeerd zien doen, voegen we het toe aan CLAUDE.md, zodat Claude weet dat het de volgende keer niet moet doen”, schreef hij.
Deze praktijk transformeert de codebasis in een zelfcorrigerend organisme. Wanneer een menselijke ontwikkelaar een pull-verzoek onderzoekt en een fout ontdekt, repareert hij niet alleen de code; ze taggen de AI om hun instructies bij te werken. “Elke fout wordt een regel”, merkte hij op Akash Guptaeen productleider die de draad analyseert. Hoe langer het team samenwerkt, hoe slimmer de agent wordt.
Slash-opdrachten en subagenten automatiseren de meest vervelende delen van de ontwikkeling
De ‘vanille’-workflow die door één waarnemer wordt geprezen, wordt mogelijk gemaakt door rigoureuze automatisering van repetitieve taken. Cherny gebruikt slash-opdrachten (aangepaste snelkoppelingen opgeslagen in de projectrepository) om complexe bewerkingen met één toets uit te voeren.
Een commando gemarkeerd dat wordt genoemd /commit-push-prdie hij tientallen keren per dag aanroept. In plaats van handmatig git-opdrachten te typen, een commit-bericht te schrijven en een pull-verzoek te openen, handelt de agent de versiebeheerbureaucratie zelf af.
Cherny maakt ook gebruik van subagenten, gespecialiseerde AI-personages, om specifieke fasen van de ontwikkelingslevenscyclus te beheren. Het maakt gebruik van een codevereenvoudiger om de architectuur op te schonen nadat het kernwerk is gedaan, en een app-testagent om end-to-end tests uit te voeren voordat er iets wordt verzonden.
Omdat verificatiecycli de echte ontgrendeling zijn voor door AI gegenereerde code
Als er maar één reden is waarom Claude Code naar verluidt toesloeg $1 miljard aan jaarlijkse terugkerende inkomsten zo snel dat de verificatiecyclus waarschijnlijk zal plaatsvinden. AI is niet alleen een tekstgenerator; het is een tester.
“Claude test elke wijziging die ik aanbreng in claude.ai/code met behulp van de Claude Chrome-extensie”, schreef Cherny. “Opent een browser, test de gebruikersinterface en herhaalt totdat de code werkt en de UX goed aanvoelt.”
Hij beweert dat het geven van een manier aan de AI om zijn werk te verifiëren, hetzij door middel van browserautomatisering, het uitvoeren van bash-opdrachten of het uitvoeren van testsuites, de kwaliteit van het eindresultaat met “2-3 keer” verbetert. De agent schrijft niet alleen code; bewijst dat de code werkt.
Wat de workflow van Cherny aangeeft over de toekomst van software-engineering
De reactie op Cherny’s draad suggereert een fundamentele verschuiving in de manier waarop ontwikkelaars over hun vak denken. Jarenlang betekende ‘AI-codering’ een functie voor automatisch aanvullen in een teksteditor, een snellere manier om te typen. Cherny heeft aangetoond dat het nu kan functioneren als besturingssysteem voor het werk zelf.
“Lees dit als je al een ingenieur bent… en meer kracht wilt”, Jeff Tang samengevat in X.
De instrumenten om de menselijke productie met een factor vijf te vermenigvuldigen zijn al beschikbaar. Ze vereisen alleen de bereidheid om AI niet langer als een assistent te beschouwen, maar het als een arbeidskracht te gaan behandelen. Programmeurs die deze mentale sprong als eerste maken, zullen niet alleen productiever zijn. Ze spelen een heel ander spel en alle anderen blijven schrijven.
