Als de maker van ’s werelds meest geavanceerde codeermiddel spreekt, luistert Silicon Valley niet alleen maar, maar maakt het ook aantekeningen.
De afgelopen week heeft de technische gemeenschap een draad op X van Boris Chernyde schepper en hoofd van Claude Code bij Antropisch. Wat begon als een informeel delen van zijn persoonlijke terminalopstelling is uitgegroeid tot een viraal manifest over de toekomst van softwareontwikkeling, waarbij insiders uit de industrie het een keerpunt voor de startup noemen.
“Als je de best practices van Claude Code niet rechtstreeks van de maker leest, loop je achter als programmeur”, schreef Jeff Tangeen prominente stem in de ontwikkelaarsgemeenschap. Kyle McNeaseeen andere waarnemer uit de sector, ging nog verder en verklaarde dat Anthropic met Cherny’s “game-changing updates” “in vuur en vlam staat”, en mogelijk geconfronteerd wordt met “hun ChatGPT-moment”.
De opwinding komt voort uit een paradox: de workflow van Cherny is verrassend eenvoudig, maar stelt één mens in staat om te werken met de productiecapaciteit van een kleine technische afdeling. Zoals een gebruiker op X opmerkte na het implementeren van de configuratie van Cherny, was de ervaring “voelt meer als Starcraft” dan traditionele codering – een verschuiving van het typen van syntaxis naar het besturen van autonome eenheden.
Hier is een analyse van de workflow die de manier waarop software wordt gebouwd opnieuw vormgeeft, rechtstreeks van de architect zelf.
Hoe het tegelijk runnen van vijf AI-agenten coderen verandert in een realtime strategiespel
De meest opvallende onthulling uit de onthulling van Cherny is dat hij niet lineair codeert. Op traditionele wijze”binnenste lus“van de ontwikkeling schrijft een programmeur een functie, test deze en gaat naar de volgende. Cherny treedt echter op als vlootcommandant.
“Ik gebruik vijf Claudes parallel in mijn terminal”, schreef Cherny. “Ik nummer mijn tabbladen 1-5 en gebruik systeemmeldingen om te weten wanneer een Claude input nodig heeft.”
Door iTerm2-systeemmeldingen te gebruiken, beheert Cherny effectief vijf gelijktijdige werkstromen. Terwijl de ene agent een testpakket uitvoert, reconstrueert een andere een verouderde module en stelt een derde de documentatie op. Ook loopt hij ‘5-10 Claudes op claude.ai” in zijn browser, met behulp van een “teleport” -commando om sessies tussen het web en zijn lokale machine over te dragen.
Dit bevestigt de “doe meer met minder“strategie die Anthropic-president Daniela Amodei eerder deze week verwoordde. Terwijl concurrenten als OpenAI infrastructuuruitbreidingen van biljoenen dollars nastreven, bewijst 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 hij uitsluitend het zwaarste en langzaamste model van Anthropic gebruikt: Opus 4.5.
“Ik gebruik Opus 4.5 en denk voor alles”, Cherny uitgelegd. “Het is het beste codeermodel dat ik ooit heb gebruikt, en ook al is het groter en langzamer dan Sonnet, omdat je er minder mee 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.”
Voor leiders op het gebied van zakelijke technologie is dit een cruciaal inzicht. Het knelpunt in de moderne AI-ontwikkeling is niet de generatiesnelheid van het token; het is de menselijke tijd die wordt besteed aan het corrigeren van de fouten van de AI. De workflow van Cherny suggereert dat het vooraf betalen van de ‘rekenbelasting’ voor een slimmer model de ‘correctiebelasting’ later elimineert.
Eén gedeeld bestand maakt van elke AI-fout een permanente les
Cherny legde ook uit hoe zijn team het probleem van AI-geheugenverlies oplost. Standaard grote taalmodellen ‘onthouden’ de specifieke codeerstijl of architecturale beslissingen van een bedrijf niet van de ene sessie naar de volgende.
Om dit aan te pakken houdt het team van Cherny één bestand bij 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 codebase in een zelfcorrigerend organisme. Wanneer een menselijke ontwikkelaar een pull-verzoek beoordeelt en een fout ontdekt, repareren ze niet alleen de code; ze taggen de AI om zijn eigen instructies bij te werken. “Elke fout wordt een regel”, merkte 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 werd geprezen, wordt mogelijk gemaakt door rigoureuze automatisering van repetitieve taken. Cherny gebruikt slash-opdrachten (aangepaste snelkoppelingen die zijn ingecheckt in de repository van het project) om complexe bewerkingen met één enkele toetsaanslag uit te voeren.
Hij benadrukte een commando genaamd /commit-push-prwaar hij dagelijks tientallen keren een beroep op doet. In plaats van handmatig git-opdrachten te typen, een commit-bericht te schrijven en een pull-verzoek te openen, handelt de agent autonoom de bureaucratie van versiebeheer af.
Cherny zet ook subagenten – gespecialiseerde AI-persona’s – in om specifieke fasen van de ontwikkelingslevenscyclus af te handelen. Hij gebruikt een codevereenvoudiger om de architectuur op te schonen nadat het belangrijkste werk is gedaan, en een verificatie-app-agent om end-to-end-tests uit te voeren voordat er iets wordt verzonden.
Waarom verificatielussen de echte ontgrendeling zijn voor door AI gegenereerde code
Als er één enkele reden is waarom Claude Code naar verluidt heeft toegeslagen $1 miljard aan jaarlijkse terugkerende inkomsten zo snel is het waarschijnlijk de verificatielus. De AI is niet alleen een tekstgenerator; het is een tester.
“Claude test elke wijziging die ik in claude.ai/code doorvoer 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 een manier aan de AI om zijn eigen werk te verifiëren – of dit nu via browserautomatisering, het uitvoeren van bash-opdrachten of het uitvoeren van testsuites is – de kwaliteit van het eindresultaat met “2-3x” verbetert. De agent schrijft niet alleen code; het 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 cruciale 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 een besturingssysteem voor de arbeid zelf.
“Lees dit als je al een ingenieur bent… en meer kracht wilt”, Jeff Tang samengevat op X.
De instrumenten om de menselijke output met een factor vijf te vermenigvuldigen zijn er al. Ze vereisen alleen de bereidheid om AI niet langer als een assistent te beschouwen, maar het als een arbeidskracht te gaan beschouwen. De programmeurs die als eerste die mentale sprong maken, zullen niet alleen productiever zijn. Ze spelen een heel ander spel, en alle anderen zullen nog steeds aan het typen zijn.
