Wanneer de maker van ’s werelds meest geavanceerde codeerbureau spreekt, luistert Silicon Valley niet alleen, maar maakt het ook aantekeningen.
De afgelopen week heeft de technische gemeenschap een draad op X van Boris Chernyschepper en hoofd CodeClaude op Antropisch. Wat begon met het simpelweg delen van zijn persoonlijke terminalconfiguratie, is uitgegroeid tot een viraal manifest over de toekomst van softwareontwikkeling, en insiders uit de industrie noemen het een keerpunt voor de startup.
“Als je de best practices van Claude Code niet rechtstreeks van de maker ervan leest, raak je als programmeur achterop”, schreef hij Jeff Tangeen prominente stem in de ontwikkelaarsgemeenschap. Kyle McNeaseEen andere waarnemer uit de industrie ging verder en stelde dat Anthropic met Cherny’s “baanbrekende update” “in vuur en vlam stond”, mogelijk geconfronteerd met “hun ChatGPT-moment”.
Deze 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 toepassen van de instellingen van Cherny, is de ervaring “voelt meer als Starcraft” in plaats van traditionele codering – een verschuiving van het typen van syntaxis naar autonome eenheidsopdrachten.
Hier is een analyse van de workflows die de manier veranderen waarop software wordt gebouwd, rechtstreeks van de architecten zelf.
Door vijf AI-agenten tegelijk aan te sturen, wordt coderen een realtime strategiespel
De meest opvallende onthulling uit Cherny’s onthullingen is dat hij niet lineair codeert. Op traditionele wijze”binnenste cirkel“Tijdens de ontwikkeling schreef een programmeur een functie, testte deze en ging door naar de volgende functie. Cherny trad echter op als vlootcommandant.
“Ik gebruik vijf Claudes parallel op mijn terminal”, schreef Cherny. “Ik nummer mijn tabbladen 1-5 en gebruik systeemmeldingen om te weten wanneer Claude input nodig heeft.”
Door gebruik te maken van iTerm2-systeemmeldingen beheerde Cherny effectief vijf werkstromen tegelijk. Terwijl één agent een testsuite uitvoert, herstructureert een andere agent oudere modules en stelt een derde agent documentatie samen. Hij liep ook “5-10 Claudes claude.ai‘ in zijn browser, waarbij hij het commando ’teleport’ gebruikt om de sessie tussen het internet en zijn lokale machine over te dragen.
Dit valideert”doe meer met minderEen strategie die Anthropic-president Daniela Amodei eerder deze week verwoordde. Terwijl concurrenten als OpenAI streven naar infrastructuurprojecten ter waarde van biljoenen dollars, bewijst Anthropic dat superieure orkestratie van bestaande modellen exponentiële productiviteitswinsten kan opleveren.
Een contra-intuïtief geval van kiezen voor het langzaamste en slimste model
In een verrassende zet voor een industrie die geobsedeerd is door latentie, onthulde Cherny dat hij uitsluitend de zwaarste en langzaamste antropische modellen gebruikt: Werk 4.5.
“Ik ging Opus 4.5 in met alles in gedachten”, Cherny uitleggen. “Dit is het beste codeermodel dat ik ooit heb gebruikt, en hoewel het groter en langzamer is dan Sonnet, omdat je er minder doorheen hoeft te navigeren en beter wordt in het gebruik van tools, is het uiteindelijk bijna altijd sneller dan het gebruik van een kleiner model.”
Voor leiders op het gebied van zakelijke technologie is dit een belangrijk inzicht. Het knelpunt in de moderne AI-ontwikkeling is niet de snelheid waarmee tokens worden gegenereerd; dit is de tijd die mensen besteden aan het corrigeren van AI-fouten. Uit Cherny’s workflow blijkt dat het vooraf betalen van een ‘berekeningsbelasting’ voor slimmere modellen de ‘correctiebelasting’ later elimineert.
Eén gedeeld bestand maakt van elke AI-fout een permanente les
Cherny legde ook uit hoe zijn team het AI-geheugenverliesprobleem aanpakte. Grote standaardtaalmodellen ‘onthouden’ geen bedrijfsspecifieke codeerstijlen of architecturale beslissingen van de ene sessie naar de volgende.
Om dit te ondervangen hield het team van Cherny één enkel bestand bij CLAUDE.md in hun git-repository. “Elke keer dat we Claude een fout zien maken, voegen we deze toe aan CLAUDE.md, zodat Claude weet dat hij het de volgende keer niet moet doen”, schreef hij.
Deze praktijk verandert de codebasis in een zelfcorrigerend organisme. Wanneer menselijke ontwikkelaars pull-aanvragen beoordelen en fouten ontdekken, repareren ze niet alleen de code; ze geven de AI het signaal om zijn eigen instructies bij te werken. “Elke fout wordt een regel”, merkte op Akasha Guptaproductleiders die het onderwerp analyseren. Hoe langer het team samenwerkt, hoe slimmer de agenten worden.
Slash-opdrachten en subagenten automatiseren de meest vervelende delen van de ontwikkeling
De ‘vanille’-workflow die door een waarnemer wordt geprezen, wordt ondersteund door strikte automatisering van repetitieve taken. Cherny gebruikt slash-opdrachten (aangepaste snelkoppelingen ingebakken in de projectrepository) om complexe bewerkingen met één enkele toetsaanslag uit te voeren.
Hij benadrukte het opgeroepen commando /commit-push-prdie hij dagelijks tientallen keren belt. In plaats van handmatig git-opdrachten te typen, implementatieberichten te schrijven en pull-aanvragen te openen, behandelen agenten de versiebeheerbureaucratie autonoom.
Cherny zet ook subagenten – op maat gemaakte AI-persona’s – in om specifieke fasen van de ontwikkelingscyclus af te handelen. Hij gebruikt een codevereenvoudiger om de architectuur op te schonen nadat het belangrijkste werk is gedaan en een verificatietoepassingsagent om grondige tests uit te voeren voordat alles wordt verzonden.
Waarom de verificatieronde de echte ontgrendeling is voor door AI gegenereerde code
Als er één reden is waarom Claude Code naar verluidt aanvalt Jaarlijkse terugkerende omzet van $1 miljard zo snel dat het hoogstwaarschijnlijk een verificatieronde was. AI is niet alleen een tekstgenerator; het is de tester.
“Claude testte elke wijziging die ik aanbracht in claude.ai/code met behulp van de Claude Chrome-extensie”, schreef Cherny. “Het opent een browser, test de gebruikersinterface en herhaalt totdat de code werkt en de UX goed aanvoelt.”
Hij stelt dat het geven van AI een manier om zijn eigen werk te verifiëren – of het nu gaat om browserautomatisering, het uitvoeren van bash-opdrachten of het uitvoeren van testsuites – de kwaliteit van de uiteindelijke uitvoer met “2-3x” zou verbeteren. Agenten schrijven niet alleen code; het bewijst dat de code werkt.
Cherny’s workflow laat de toekomst van software-engineering zien
De reactie op Cherny’s draad laat een belangrijke verschuiving zien in de manier waarop ontwikkelaars over hun werk denken. Jarenlang betekende ‘AI-codering’ automatisch aanvullen van functies in teksteditors – een snellere manier om te typen. Cherny heeft laten zien dat het nu kan functioneren als een besturingssysteem voor de arbeid zelf.
“Lees dit als je al een ingenieur bent… en meer kracht wilt”, Jeff Tang samengevat in X.
De instrumenten om de menselijke output te vervijfvoudigen zijn er al. Ze hebben alleen de wil nodig om AI niet langer als een assistent te behandelen, maar om het als een arbeidsproduct te gaan beschouwen. Programmeurs die als eerste de mentale sprong maken, zullen niet alleen productiever zijn. Ze spelen een heel ander spel – en iedereen zal nog steeds aan het typen zijn.
