Ga naar inhoud

Het AI-Native Engineering Protocol: Een Lossless Overzicht

1. Fundamentele Filosofie: AI als Software

  • Agenten zijn Software: AI-agenten moeten niet worden gezien als "magische wezens", maar als deterministische softwarecomponenten. Ze zijn stateless functies (tokens in, tokens out).
  • Geen Antropomorfisme: Behandel een agent als een capabel gereedschap, zoals een vorkheftruck of een spreadsheet, niet als een schepsel met een bewustzijn.
  • Eigenaarschap: Ontwikkelaars moeten eigenaar zijn van de control flow, de prompts en de context window van hun agenten.

2. Context Engineering & De Context Window

  • De Smart Zone vs. De Dumb Zone: Betrouwbaarheid is het hoogst in de eerste 40% van de context window (de "Smart Zone"). Boven de 40% treden verminderde resultaten op en faalt tool-calling vaker (de "Dumb Zone").
  • Instruction Budget: Een LLM heeft een realistisch budget van 300 tot 500 instructies voordat de prestaties afnemen.
  • Intentional Compaction: Het proces van het actief comprimeren van de huidige context naar een markdown-bestand om een schone sessie te starten en in de "Smart Zone" te blijven.
  • Progressive Disclosure: Informatie alleen aan de agent tonen wanneer deze relevant is (sharding van context) om de context window schoon te houden.

3. De RPI-Workflow (Research, Plan, Implement)

Een gestructureerde aanpak voor complexe problemen in bestaande codebases. * Research (Compressie van Waarheid): Onderzoek hoe het systeem feitelijk werkt op basis van de code (de enige bron van waarheid), niet op basis van documentatie die kan "liegen". * Plan (Compressie van Intentie): Het opstellen van een expliciet stappenplan inclusief code-snippets en teststrategieën. Dit zorgt voor mentale alignment tussen mens en AI. * Implement (Betrouwbare Executie): De uitvoering van het plan in een schone context om fouten door "noise" te minimaliseren.

4. Agent-Management & Sub-Agenten

  • De Ontwikkelaar als Manager: De rol verschuift van code schrijven naar het managen van "savvye stagiaires". De kernvaardigheid is context switching tussen agenten.
  • Sub-Agenten voor Context Control: Sub-agenten moeten worden gebruikt om context te isoleren, niet om rollen na te bootsen. Een sub-agent voert een "verticale slice" van onderzoek uit en rapporteert een beknopte samenvatting aan de orchestrator.
  • Stapsgewijze Opbouw: Voeg agenten pas toe wanneer je vertrouwen hebt in de individuele workflows; begin piece-meal.

5. Bouwen van een Agent-Friendly Codebase

  • Tests als Contracten: Agenten hebben expliciete contracten nodig om correctheid te verifiëren. Zonder goede test-coverage kan een agent niet betrouwbaar opereren.
  • Radicale Consistentie: Gebruik consistente design- en programmapatronen. Ambiguïteit in de codebase verwart agenten (en mensen).
  • Lieg tegen de Agent: Gebruik strategische "misleiding" (bijv. "dit is een greenfield project") om de agent weg te sturen van onnodige complexiteit zoals backfilling van data.

6. Skills & MCP-Architectuur

  • Capability Uplift vs. Encoded Preference:
    • Capability Uplift: Maakt de agent inherent beter in een taak (bijv. cinematic frontend design).
    • Encoded Preference: Legt specifieke werkmethoden of SOP's vast (bijv. LinkedIn content pipelines).
  • Skill Creator 2.0: Maakt gebruik van parallelle agenten voor AB-testing en blinde beoordeling om te verifiëren of een skill daadwerkelijk beter is dan het basismodel.
  • MCP Servers: Gebruik MCP's voor het beheren van de "inner loop" en het serialiseren van context naar een database voor pause-and-resume functionaliteit.

7. Deterministiche Feedback & Hooks

  • Stop met claude _init: Het automatisch genereren van grote CLAUDE.md bestanden leidt tot tokensverspilling en verouderde informatie.
  • Deterministic Hooks: Gebruik bash-scripts in settings.json (bijv. pre-tool-use) om ongewenste acties te blokkeren.
    • Exit Code 2: Signaal om een toolcall deterministisch te blokkeren en de agent te hersturen.
  • Linting als Steering: Gebruik ESLint-regels om de agent in het juiste spoor te houden zonder instructiebudget te verbruiken.

8. Zelfverbeterende Memory-Systemen

Drielagig systeem voor persistentie over sessies heen: 1. Layer 1 (Global): Persoonlijke voorkeuren en rol (max 5-6 regels). 2. Layer 2 (Mission): CLAUDE.md of AGENT.md specifiek voor een map; bevat doel, boomstructuur en regels. 3. Layer 3 (Context/Training): Voorbeelden van "hoe goed eruitziet". * Note-taking Loop: De agent legt correcties en patronen vast aan het einde van een taak. Bij ≥3 vergelijkbare lessen wordt een nieuw contextbestand aangemaakt.