Claude Code-ontwikkelaar onthult zijn workflow, waardoor ontwikkelaars in de ban raken

Verenigde Staten - Ekhbary Nieuwsagentschap

Claude Code-ontwikkelaar onthult zijn workflow, waardoor ontwikkelaars in de ban raken

Wanneer de maker van 's werelds meest geavanceerde codeeragent spreekt, luistert Silicon Valley niet alleen — het maakt aantekeningen. De afgelopen week heeft de technische gemeenschap een thread op X (voorheen Twitter) van Boris Cherny, de maker en hoofd van Claude Code bij Anthropic, ontleed. Wat begon als een informele deling van zijn persoonlijke terminal-setup, is uitgegroeid tot een viraal manifest over de toekomst van softwareontwikkeling, door branche-insiders bestempeld als een keerpunt voor de startup.

"Als je de best practices van Claude Code niet rechtstreeks van de maker leest, loop je achter als programmeur", schreef Jeff Tang, een prominente stem in de ontwikkelaarsgemeenschap. Kyle McNease, een andere branche-observator, ging verder en verklaarde dat Anthropic met Cherny's "game-changing updates" "in vuur en vlam staat" en mogelijk "hun ChatGPT-moment" beleeft.

De opwinding komt voort uit een paradox: Cherny's workflow is verrassend eenvoudig, maar stelt een enkel individu in staat om te opereren met de outputcapaciteit van een kleine ingenieursafdeling. Zoals een gebruiker op X opmerkte na het implementeren van Cherny's setup, voelt de ervaring "meer als Starcraft" dan traditioneel coderen — een verschuiving van het typen van syntax naar het aansturen van autonome eenheden. Dit vertegenwoordigt een aanzienlijke afwijking van conventionele ontwikkelingsmethodologieën.

Van Solitaire Coder tot Digitale Vlootcommandant

Cherny's aanpak herdefinieert de rol van de ontwikkelaar radicaal. In plaats van de traditionele "interne lus" van codering, waarbij een programmeur één functie schrijft, test en itereert, fungeert Cherny als een dirigent die meerdere AI-agenten orkestreert. Zijn onthulling dat hij "5 Claude's parallel in mijn terminal draait", de tabbladen nummert van 1 tot 5 en systeemmeldingen gebruikt om input te beheren, heeft de technologiewereld gefascineerd.

Door gebruik te maken van iTerm2-systeemmeldingen, beheert Cherny effectief vijf gelijktijdige werkstromen. Terwijl de ene AI-agent een testsuite uitvoert, refactort een andere een legacy module en een derde stelt documentatie op, overziet Cherny het hele proces. Hij breidt deze capaciteit verder uit door "5-10 Claude's op claude.ai" in zijn browser te draaien, en gebruikt een "teleport"-commando om sessies naadloos over te dragen tussen de webinterface en zijn lokale machine. Deze multi-agent, multi-platform strategie is de sleutel tot zijn verhoogde productiviteit.

Dit operationele model valideert sterk de "doe meer met minder"-strategie die eerder deze week werd gearticuleerd door Anthropic President Daniela Amodei. Terwijl concurrenten zoals OpenAI zich richten op enorme infrastructuurinvesteringen, toont Anthropic, via Cherny's workflow, aan dat superieure orkestratie en intelligent gebruik van bestaande AI-modellen exponentiële productiviteitswinsten kunnen opleveren. Dit benadrukt een strategische divergentie in hoe toonaangevende AI-bedrijven groei en innovatie benaderen.

De Contraintuïtieve Keuze: Opus 4.5, het Langzaamste, Slimste Model

In een zet die de obsessie van de branche met snelheid tart, onthulde Cherny zijn exclusieve afhankelijkheid van het krachtigste, zij het langzaamste, model van Anthropic: Opus 4.5. "Ik gebruik Opus 4.5 met 'denken' voor alles", legde Cherny uit. "Het is het beste codeer model dat ik ooit heb gebruikt, en hoewel het groter en langzamer is dan Sonnet, omdat je het minder hoeft te sturen en het beter is in het gebruik van tools, is het uiteindelijk bijna altijd sneller dan het gebruik van een kleiner model."

Dit inzicht is cruciaal voor leiders van bedrijfstechnologie. De belangrijkste knelpunt in moderne AI-ontwikkeling is niet de snelheid van token-generatie, maar de menselijke tijd die wordt besteed aan het corrigeren van AI-fouten. Cherny's workflow suggereert dat het betalen van de "compute tax" voor een capabeler model vooraf de daaropvolgende "correctie tax" aanzienlijk vermindert. Deze paradigmaverschuiving moedigt een heroverweging aan van kosten-batenanalyses bij de adoptie van AI, waarbij cognitieve capaciteit boven ruwe verwerkingssnelheid wordt geprioriteerd.

Eén Gedeeld Bestand Maakt Elke AI-fout een Permanente Les

Cherny beschreef ook de aanhoudende uitdaging van "AI-geheugenverlies" – het onvermogen van standaard grote taalmodellen om bedrijfsspecifieke codeerstijlen of architecturale beslissingen tussen sessies te onthouden. De oplossing van zijn team is elegant eenvoudig: één enkel bestand genaamd CLAUDE.md binnen hun Git-repository.

"Elke keer dat we Claude iets verkeerd zien doen, voegen we het toe aan CLAUDE.md, zodat Claude weet dat hij het de volgende keer niet moet doen", schreef hij. Deze praktijk transformeert de codebase in een zelfverbeterend organisme. Wanneer een menselijke ontwikkelaar een pull-verzoek beoordeelt en een fout ontdekt, corrigeert hij niet alleen de code, maar werkt ook het CLAUDE.md-bestand bij, waardoor de AI effectief opnieuw wordt getraind. Zoals productleider Aakash Gupta opmerkte: "Elke fout wordt een regel." Hoe langer het team samenwerkt, hoe verfijnder en intelligenter de AI-agent wordt.

Slash-commando's en Sub-Agenten: Automatiseer de Meest Vervelende Taken

De efficiëntie van Cherny's "standaard" workflow wordt aangedreven door rigoureuze automatisering. Hij gebruikt slash-commando's—aangepaste snelkoppelingen die in de repository van het project zijn geïntegreerd—om complexe bewerkingen met één toetsaanslag uit te voeren. Een commando zoals `/commit-push-pr`, dat tientallen keren per dag wordt aangeroepen, handelt autonoom de bureaucratie van versiebeheer af, waardoor handmatige Git-commando's, het schrijven van commit-berichten en het aanmaken van pull-verzoeken overbodig worden.

Bovendien implementeert Cherny sub-agenten, gespecialiseerde AI-persona's, voor specifieke fasen van de ontwikkelingscyclus. Een "code-simplifier" verfijnt de architectuur nadat het hoofdwerk is voltooid, terwijl een "verify-app"-agent end-to-end tests uitvoert voordat iets wordt verzonden.

Verificatie-loops: De Ware Ontgrendeling voor AI-gegenereerde Code

Het opmerkelijke succes van Claude Code, dat naar verluidt snel 1 miljard dollar aan jaarlijkse terugkerende inkomsten heeft bereikt, is waarschijnlijk toe te schrijven aan zijn robuuste verificatielussen. De AI functioneert niet alleen als een code-generator, maar als een geïntegreerde tester.

Cherny schreef: "Claude test elke wijziging die ik in claude.ai/code plaats met behulp van de Claude Chrome-extensie. Het opent een browser, test de gebruikersinterface en itereert totdat de code werkt en de gebruikerservaring goed aanvoelt." Hij stelt dat het geven van de AI de mogelijkheid om zijn eigen werk te verifiëren — of het nu via browserautomatisering, het uitvoeren van bash-commando's of het uitvoeren van testsuites is — de kwaliteit van het eindresultaat met "2-3x" verbetert. De agent schrijft niet alleen code; hij valideert deze rigoureus.

Een Paradigmaverschuiving in Software Engineering

De reactie van de branche op Cherny's workflow signaleert een cruciale verschuiving. "AI-codering" is geëvolueerd van een simpele auto-aanvulfunctie in een teksteditor tot een uitgebreid besturingssysteem voor arbeid. Zoals Jeff Tang samenvatte op X: "Lees dit als je al een ingenieur bent... en meer kracht wilt." De tools om de menselijke output aanzienlijk te vermenigvuldigen zijn al aanwezig. De sleutel ligt in het herdenken van AI niet als een assistent, maar als een capabele beroepsbevolking. De programmeurs die deze mentale sprong als eerste maken, zullen niet alleen productiever zijn, maar zullen ook hun rol in de toekomst van software-engineering fundamenteel herdefiniëren.