Twórca Claude Code: pętle agentów to kolejny wielki krok w programowaniu

👁 345 przeczytań

Pierwsze pytanie z sali na piątkowym wystąpieniu Borisa Cherny’ego na konferencji Meta @Scale nie dotyczyło ani modeli, ani kosztów. Dotyczyło pętli. „Czy pętle to kolejny hype, czy coś realnego?” - zapytał ktoś z publiczności twórcę Claude Code. Odpowiedź była natychmiastowa: „Tak, są realne”.

Cherny rozwinął tę myśl w sposób, który dla części programistów brzmi jeszcze jak science fiction.

„Dwa lata temu pisaliśmy kod ręcznie. Potem przeszliśmy do tego, że kod piszą agenci. A teraz przechodzimy do momentu, w którym agenci promptują agentów, którzy piszą kod. Tak duży, jak był krok od kodu źródłowego do agentów, tak samo ważnym i dużym krokiem są pętle”.

- Boris Cherny, twórca Claude Code

Około 32. minuty nagrania Cherny opisał konkretnie, jak wygląda to u niego. Jeden agent nieustannie szuka sposobów na poprawę architektury kodu, drugi wyłapuje zduplikowane abstrakcje, które można scalić. Obaj zgłaszają pull requesty jak każdy inny programista. A ponieważ kod zmienia się bez przerwy, oni nigdy nie kończą pracy.

Stary pomysł w nowym wydaniu

Pętle nie są niczym nowym. Rekurencja - funkcja wywołująca samą siebie, z warunkiem zatrzymania - to podstawa wstępnych kursów informatyki. Różnica polega na logice: tutaj o zatrzymaniu decyduje nie jasny warunek, lecz subagent. Logika jest niedeterministyczna, ale mechanizm ten sam.

Najprostsza wersja tego podejścia bywa wręcz banalna. Popularna sztuczka zwana Ralph Loop (od Ralpha Wigguma) sprowadza się do tego, że model podsumowuje całą wykonaną dotąd pracę i sam siebie pyta, czy osiągnął cel. To sposób na radzenie sobie z modelami, które przy zbyt długim działaniu gubią wątek - odbija się je w tę i z powrotem, aż zadanie zostanie domknięte.

Więcej mocy, aż się uda

Pętle wpisują się też w szerszy trend zwiększania test-time compute, czyli mocy obliczeniowej zużywanej w trakcie rozwiązywania zadania. Jak zauważył w tym miesiącu badacz OpenAI Noam Brown, współczesne modele potrafią rozwiązać niemal każdy problem, jeśli dorzucić im wystarczająco dużo mocy. W praktyce oznacza to prostą receptę: dosypywać compute, aż problem zniknie.

Sprawdza się to szczególnie przy zadaniach typu „wspinaczka pod górę”, jak poprawianie bazy kodu, gdzie model może wprowadzać kolejne drobne usprawnienia aż do osiągnięcia progu. Albo, jak w przykładzie Cherny’ego, tak długo, jak jest dostępna moc obliczeniowa.

To duży kredyt zaufania wobec AI - autoryzacja roju agentów, które w tle pracują bez końca, bez nadzoru przy każdym kroku. Dotychczas użytkownicy uczyli się trzymać agentów krótko: jasny cel, sprawdzanie postępów, pilnowanie, by nie odbiegały od promptu. Pętla odwraca tę logikę.

A skoro modele poprawiają się tak szybko, pytanie nie brzmi już, czy puścimy agentów luzem, lecz kiedy przestaniemy nad nimi czuwać.

// czytaj dalejCzy Claude działa w Polsce? Tak. Ale Fable 5 już niePremiumVibe coding - programowanie przez dyktowanie. Przewodnik dla sceptykaArtykułyDeepSeek V4 Pro - recenzja. 80% możliwości Claude za 2% cenyRecenzje