Claude Code Creator का 5-Agent Workflow विकास पुनर्परिभाषित करत आहे

जेव्हा Toolmaker Blueprint प्रकट करतो

अनेक महिन्यांपासून, Claude Code वापरणारे developers चाचणी आणि त्रुटी, blog posts आणि community forums द्वारे best practices एकत्र केले होते. नंतर साधनाच्या निर्माताने त्याचा मौन तोडला. Boris Cherny, जे Anthropic मध्ये Claude Code च्या नेतृत्वाखाली आहेत, यांनी X वर एक thread मध्ये आपला व्यक्तिगत development workflow साझा केला जो लगेच engineering community मध्ये viral झाला.

"जर तुम्ही Claude Code च्या सर्वोत्तम practices सरळ त्याच्या निर्माताकडून वाचत नसाल तर तुम्ही एक programmer म्हणून मागास आहात," यांनी Jeff Tang, एक प्रमुख developer आवाज लिहिले. Kyle McNease यांनी यास Anthropic चा "ChatGPT moment" म्हटले — वह मोड जिथे technology प्रभावशाली होणे बंद करून अपरिहार्य होते.

एकदा मध्ये पाच Agents: The Fleet Commander Model

Cherny च्या approach च्या केंद्रबिंदु मध्ये parallelism आहे. development task मध्ये linear मार्गाने काम करण्याऐवजी, Cherny अलग अलग terminal tabs मध्ये पाच Claude instances एकाचवेळी चलवतो, ज्या प्रकारे एक commander field मध्ये units चाचणी करतो.

"मी माझ्या terminal मध्ये 5 Claudes parallel मध्ये चलवतो," Cherny लिहिले. "मी माझ्या tabs ला 1-5 नंबर देतो, आणि system notifications वापरून कधी Claude ला input आवश्यक आहे हे जाणतो." तो browser मध्ये अतिरिक्त sessions देखील चलवतो, web आणि local machine contexts दरम्यान काम हस्तांतरित करण्यासाठी custom teleport command वापरून.

एक agent test suite चलवतो तर दुसरा legacy code refactor करतो, तिसरा documentation draft करतो आणि दोघे independent feature work हाताळतात. human च्या भूमिका code लिहिल्या जाण्यापासून agents direct करण्यात आणि blockers resolve करण्यात बदलते — एक fundamentally different cognitive mode ज्याची Cherny syntax टाइप करण्याऐवजी real-time strategy game खेळण्याशी तुलना करतात.

सर्वात हळू Model साठी Case

Cherny च्या सर्वात counterintuitive revelations मध्ये एक होती त्यांची model choice. inference speed साठी obsessed असलेल्या industry मध्ये, तो exclusively प्रत्येक गोष्टीसाठी Opus 4.5 — Anthropic च्या largest, slowest model — वापरतो.

"मी प्रत्येक गोष्टीसाठी Opus 4.5 with thinking वापरतो," तिने लिहिले. "हा माझ्या अजून पर्यंत सर्वोत्तम coding model आहे, आणि हरकत Sonnet पेक्षा मोठा आणि slower असला तरी, कारण तुम्हाला यास कमी steer करावे लागते आणि हे tool use मध्ये उत्तम आहे, हे लक्षणीयता मध्ये छोटे model वापरण्याच्या तुलनेत almost always faster आहे."

reasoning योग्य आहे. AI-assisted development मध्ये latency bottleneck token generation speed नाही — हे human correction time आहे. एक faster पण कमी capable model tasks जलद complete करतो पण errors दुरुस्त करण्यासाठी frequent intervention आवश्यक करतो. एक slower पण अधिक accurate model compute cost front-load करतो तर correction cost eliminate करतो, आणि जेव्हा पाच instances parallel मध्ये चलतात, तर wall-clock advantage significantly compounds होते.

CLAUDE.md: प्रत्येक Mistake ला Rule मध्ये रूपांतरित करणे

Standard LLMs कडे sessions मध्ये कोणती persistent memory नाही. Cherny च्या team ला हे project च्या git repository मध्ये checked CLAUDE.md नामक file मधून पते होते. "जेव्हा आमच्या लक्षात आले की Claude काहीतरी चुकीचे करत आहे तेव्हा आम्ही यास CLAUDE.md मध्ये add करतो, जेणेकरून Claude पुढील वेळी यास न करेल," त्यांनी स्पष्ट केले.

हीफाइल एक growing rulebook म्हणून प्रत्येक session च्या context मध्ये prepended असते. एक human reviewer एक pull request मध्ये एक mistake spot करतो, Claude ला error ला rule म्हणून document करण्यासाठी tag करतो, आणि प्रत्येक भविष्य session ला लाभ होतो. वेळेत, CLAUDE.md एक precision instrument बनते जो प्रत्येक codebase च्या specific conventions आणि pitfalls साठी tuned असतो.

Verification as the True Multiplier

Cherny च्या workflow agent ला browser automation, bash command execution आणि test suite runs द्वारा स्वतःचे काम verify करण्याची ability देतो. "Claude हर एक change verify करतो जो मी claude.ai/code वर land करतो, Claude Chrome extension वापरून," तिने लिहिले. "हे एक browser उघडते, UI verify करते, आणि code कार्य करण्यापर्यंत आणि UX चांगले लागत नेहमी iterate करते." तो यास estimated करते की हे verification loop output quality ला 2 ते 3x improve करते verification शिवाय generation च्या तुलनेत — एक multiplicative effect जो underlying model च्या capability कडे दुर्लक्ष करून apply होते.

हा article VentureBeat द्वारा reporting वर आधारित आहे. मूल article वाचा.