Toolmaker Blueprint ను బహిర్గతం చేసినప్పుడు

నెలల నుండి, Claude Code ను ఉపయోగించే developers చేసిన ప్రయత్నాలు మరియు లోపాల ద్వారా, blog posts మరియు community forums ద్వారా best practices ను సమీకరణ చేసారు. అప్పుడు సాధనం యొక్క సృష్టికర్త తన నిశ్చలతను విచ్ఛిన్నం చేసారు. Boris Cherny, Anthropic వద్ద Claude Code ను నడిపిస్తున్న, X పై ఒక thread లో తన వ్యక్తిగత development workflow ను భాగస్వామ్యం చేసారు, ఇది engineering community లో వెంటనే viral అయింది.

"మీరు Claude Code యొక్క best practices లను సరిగ్గా దాని సృష్టికర్త నుండి చదువుకోకపోతే, మీరు ప్రోగ్రామర్‌గా వెనుకపడ్డారు," Jeff Tang, ఒక ఖ్యాతిమంతమైన developer వాయిస్ రాశారు. Kyle McNease దీనిని Anthropic యొక్క "ChatGPT moment" అని పిలిచారు — సాంకేతికత చేపటూ ఆశ్చర్యం పూర్తవుతుందో మరియు అనివార్యం కాబోతుంది ఆ inflection point..

ఒకసారిలో ఐదు Agents: The Fleet Commander Model

Cherny యొక్క approach యొక్క కేంద్రబిందువు అనుమతి parallelism. ఒక development task ని linear గా నిర్వహించడం కంటే, Cherny అలగ terminal tabs లో ఐదు Claude instances ను ఏకకాలంలో నడుస్తుంది, field లో units ను నిర్వహించే commander వలె.

"నేను నా terminal లో 5 Claudes ను parallel లో నడుపుతాను," Cherny రాశారు. "నేను నా tabs లను 1-5 సంఖ్యలు ఇస్తాను, మరియు ఎప్పుడు Claude ఇన్‌పుట్ అవసరమైనప్పుడు తెలుసుకోవడానికి system notifications ను ఉపయోగిస్తాను." అతను browser లో అదనపు sessions ను కూడా నడుస్తాడు, web మరియు local machine contexts మధ్య కార్యాన్ని hand off చేయడానికి custom teleport command ను ఉపయోగిస్తూ.

ఒక agent test suite ని నడుస్తుంది, మరొకటి legacy code ను refactor చేస్తుంది, మూడవది documentation ను draft చేస్తుంది, మరియు రెండు నిరపేక్ష feature work ను పరిష్కరిస్తాయి. human యొక్క పాత్ర కోడ్ రాయడం నుండి agents లను నిర్దేశిస్తూ మరియు blockers ను పరిష్కరిస్తూ బదులుతుంది — ఒక fundamentally different cognitive mode ఇది syntax type చేయడం కంటే real-time strategy game ని ఆడటం సారూప్యం Cherny..

Slowest Model యొక్క Case

Cherny యొక్క చాలా counterintuitive revelations లో ఒకటి అతని model choice. inference speed పట్ల obsessed ఒక industry లో, అతను exclusively ప్రతిదానికి Opus 4.5 — Anthropic యొక్క largest, slowest model — ను ఉపయోగిస్తాడు.

"నేను ప్రతిదానికి Opus 4.5 with thinking ను ఉపయోగిస్తాను," అతను రాశారు. "ఇది నా అబ్బట్టిలో ఉత్తమ coding model, మరియు అది Sonnet కంటే పెద్దదైనా మరియు నెమ్మదిైనా ఉన్నప్పటికీ, మీరు దానిని తక్కువ steer చేయవలసి ఉందని మరియు అది tool use లో ఉత్తమమైనందున, ఇది చిన్న model ను చివరిలో ఉపయోగించడం కంటే దాదాపు always faster."

Reasoning మంచిది. AI-assisted development లో latency bottleneck token generation speed కాదు — ఇది human correction time. ఒక faster కానీ తక్కువ capable model tasks ని quickly complete చేస్తుంది కానీ errors ను ఠీక చేయడానికి frequent intervention అవసరం. ఒక slower కానీ మరింత accurate model compute cost ను front-load చేస్తుంది correction cost ని eliminate చేస్తున్నప్పుడు, మరియు ఐదు instances parallel లో నడుస్తున్నప్పుడు, wall-clock advantage significantly compounds జరుగుతుంది.

CLAUDE.md: ప్రతిటి Mistake ను Rule గా మార్చడం

Standard LLMs sessions మధ్య persistent memory ఉండవు. Cherny యొక్క team దీనిని project యొక్క git repository లో checked CLAUDE.md అనే ఫైల్ ద్వారా సంబోధిస్తుంది. "Claude ఏదైనా సరిగ్గా చేయనప్పుడు, మేము దానిని CLAUDE.md కు చేర్చుకుంటాము, తద్వారా Claude తదుపరిసారి దానిని చేయకుండా ఉంటుంది," అతను వివరించారు.

ఫైల్ ప్రతిటి session యొక్క context కు prepended ఒక growing rulebook గా పనిచేస్తుంది. ఒక human reviewer pull request లో mistake ని spot చేస్తుంది, error ను rule గా document చేయడానికి Claude ని tag చేస్తుంది, మరియు ప్రతిటి భవిష్యత్ session లాభపడుతుంది. సమయ ఆధారంగా, CLAUDE.md precision instrument గా మారిపోతుంది, ప్రతిటి codebase యొక్క specific conventions మరియు pitfalls కు tuned.

Verification as the True Multiplier

Cherny యొక్క workflow agent కు browser automation, bash command execution మరియు test suite runs ద్వారా దాని స్వంత కార్యాన్ని verify చేయడానికి ability ఇస్తుంది. "Claude ప్రతిటి change ని verify చేస్తుంది నేను claude.ai/code కు land చేసినది Claude Chrome extension ను ఉపయోగించి," అతను రాశారు. "ఇది browser ని తెరుస్తుంది, UI ని verify చేస్తుంది, మరియు code works మరియు UX good అనిపించే వరకు iterate చేస్తుంది." అతను ఈ verification loop ని estimated చేస్తాడు output quality ని 2 నుండి 3x improve చేస్తుంది verification లేకుండా generation ఓపెన్ కంటే — ఒక multiplicative effect ఇది underlying model యొక్క capability కు regardless apply జరుగుతుంది.

ఈ article VentureBeat ద్వారా reporting వ పర్యవసానంగా. ఓరిజనల్ article ని చదవండి.