যখন Toolmaker Blueprint প্রকাশ করে

মাসের পর মাস ধরে, Claude Code ব্যবহারকারী developers পরীক্ষা এবং ত্রুটি, blog posts এবং community forums এর মাধ্যমে best practices একত্রিত করেছেন। তারপর tool এর প্রতিষ্ঠাতা তার নীরবতা ভাঙলেন। Boris Cherny, যিনি Anthropic এ Claude Code নেতৃত্ব দেন, X এ একটি thread এ তার ব্যক্তিগত development workflow শেয়ার করেছেন যা engineering community এর মধ্যে অবিলম্বে viral হয়েছিল।

"যদি আপনি Claude Code এর best practices সরাসরি এর creator এর থেকে পড়ছেন না, তাহলে আপনি একজন programmer হিসাবে পিছিয়ে আছেন," জেফ ট্যাং, একজন বিখ্যাত developer কণ্ঠস্বর লিখেছেন। Kyle McNease এটিকে Anthropic এর "ChatGPT moment" বলেছেন — সেই মোড়যখন প্রযুক্তি আকর্ষণীয় হওয়া বন্ধ করে এবং অপরিহার্য হয়ে যায়।

এক সাথে পাঁচটি Agents: The Fleet Commander Model

Cherny এর পদ্ধতির কেন্দ্রবিন্দু হল parallelism। একটি development task এর মাধ্যমে linear ভাবে কাজ করার পরিবর্তে, Cherny আলাদা terminal tabs এ পাঁচটি Claude instances একসাথে চালায়, যেভাবে একজন commander field এ units পরিচালনা করে।

"আমি আমার terminal এ 5 Claudes কে parallel এ চালাই," Cherny লিখেছেন। "আমি আমার tabs কে 1-5 সংখ্যা দিই, এবং যখন Claude ইনপুট প্রয়োজন তা জানতে system notifications ব্যবহার করি।" তিনি browser এ অতিরিক্ত sessions ও চালান, web এবং local machine contexts এর মধ্যে কাজ hand off করতে একটি custom teleport command ব্যবহার করে।

একটি agent test suite চালায় যখন অন্যটি legacy code refactor করে, একটি তৃতীয় documentation draft করে এবং দুটি independent feature work পরিচালনা করে। human এর ভূমিকা code লেখা থেকে agents নির্দেশ করা এবং blockers সমাধান করা পরিবর্তিত হয় — একটি মৌলিকভাবে ভিন্ন cognitive mode যা Cherny syntax type করার পরিবর্তে real-time strategy game খেলার সাথে তুলনা করেন।

সবচেয়ে ধীর Model এর জন্য Case

Cherny এর সবচেয়ে counterintuitive revelations এর মধ্যে একটি তার model choice ছিল। inference speed নিয়ে obsessed একটি industry এ, তিনি exclusively সবকিছুর জন্য Opus 4.5 — Anthropic এর বৃহত্তম, ধীরতম মডেল — ব্যবহার করেন।

"আমি সবকিছুর জন্য Opus 4.5 with thinking ব্যবহার করি," তিনি লিখেছেন। "এটি আমার এখন পর্যন্ত সেরা coding মডেল, এবং যদিও এটি Sonnet এর চেয়ে বড় এবং ধীর, কারণ আপনাকে এটি কম direct করতে হয় এবং এটি tool use এ উন্নত, এটি প্রায়ই শেষে একটি ছোট মডেল ব্যবহার করার চেয়ে দ্রুত।"

reasoning শক্ত। AI-assisted development এ latency bottleneck token generation speed নয় — এটি human correction time। একটি দ্রুত কিন্তু কম সক্ষম মডেল দ্রুত tasks complete করে কিন্তু errors সঠিক করতে frequent intervention প্রয়োজন। একটি ধীর কিন্তু আরো সঠিক মডেল compute cost front-load করে correction cost eliminate করার সময়, এবং যখন পাঁচটি instances parallel এ চলে, wall-clock advantage significantly compounds।

CLAUDE.md: প্রতিটি Mistake কে Rule এ রূপান্তরিত করা

Standard LLMs এর sessions জুড়ে persistent memory নেই। Cherny এর team project এর git repository এ checked CLAUDE.md নামক একটি file দিয়ে এটি সম্বোধন করে। "যখনই আমরা দেখি Claude কিছু ভুলভাবে করছে আমরা এটি CLAUDE.md এ যোগ করি, যাতে Claude পরবর্তী সময় এটি না করে," তিনি ব্যাখ্যা করেছেন।

File প্রতিটি session এর context এ prepended একটি growing rulebook হিসাবে কাজ করে। একজন human reviewer একটি pull request এ একটি mistake spot করে, Claude কে error কে একটি rule হিসাবে document করতে tag করে, এবং প্রতিটি ভবিষ্যত session উপকৃত হয়। সময়ের সাথে সাথে, CLAUDE.md একটি precision instrument হয়ে যায় প্রতিটি codebase এর specific conventions এবং pitfalls এর জন্য tuned।

Verification as the True Multiplier

Cherny এর workflow agent কে browser automation, bash command execution এবং test suite runs এর মাধ্যমে নিজের কাজ verify করার ability দেয়। "Claude প্রতিটি change verify করে যা আমি claude.ai/code এ land করি Claude Chrome extension ব্যবহার করে," তিনি লিখেছেন। "এটি একটি browser খোলে, UI verify করে, এবং code কাজ করে এবং UX ভাল মনে হয় না হওয়া পর্যন্ত iterate করে।" তিনি অনুমান করেন যে এই verification loop output quality কে 2 থেকে 3x improve করে verification ছাড়া generation এর তুলনায় — একটি multiplicative effect যা underlying মডেল এর capability নির্বিশেষে apply হয়।

এই article VentureBeat দ্বারা reporting এর উপর ভিত্তি করে। Original article পড়ুন।