Gervigreindarstudd hugbúnaðarþróun
Ráð og punktar varðandi vinnu með erindrekna þróun (agentic development).
Undirbúningur og skipulag
- Nýttu gervigreind í öllu þróunarferlinu (SDLC), ekki bara á kóðunina sjálfa.
- Eyddu meiri tíma í að rannsaka og skilgreina vandamálið áður en þú byrjar að forrita. Treystu mér, það sparar tíma til lengri tíma litið.
- Innleiddu "Spec-driven development" - þar sem skilgreining vandamálsins er jafnmikilvæg og forritunin.
- Nýttu /plugins og /skills fyrir vinnu sem krefst sérþekkingar.
- Biddu Claude um að búa til skill eftir að þú klára að gera eitthvað sem þarf að gera oft.
- Haltu utan um verkefni, hugmyndir og metadata í kerfum eins og Notion eða sambærilegu.
- Tengdu erindreka (agents) við miðakerfi (ticketing) eða GitHub issues til að stýra vinnu.
- Nálgastu gervigreindarforritun eins og kerfishönnun (system design).
- Útgáfustýrðu (version control) algjörlega öllu sem þú gerir (duh).
Stjórnun á samhengi (Context Management)
- Ekki gefa of mikið samhengi í einu; finndu "sweet spot" til að forðast að módelið verði latt (lost in the middle).
- Búðu til
AGENTS.md(í þeirr möppu sem þú ert að vinna í) sem lýsir mikilvægustu hlutunum sem Claude code/Codex/Gemini þarf að vita - það tryggir að það sé alltaf í contexti. - Ekki láta AI búa til
SPEC.mdeðaAGENTS.mdskjalið þitt frá grunni, það verður of þungt og étur upp context gluggann. - Hafðu
AGENTS.mdundir 100 línum. - Búðu til og viðhaltu hnitmiðuðum
SPEC.mdogAGENTS.mdskjölum, en uppfærðu þau um leið og forsendur breytast. - Settu inn skýrar leiðbeiningar um að agentinn eigi að spyrja þig spurninga til að skýra mál.
- Haltu token fjöldanum helst (context) undir 300-400k. Meira samhengi er ekki alltaf betra, þegar farið er yfir ákveðin mörk.
- Hættu að nota "takk" og "vinsamlegast" í löngum samtölum, því færri samskipti (turns), því betra.
Vinnuflæði og Erindrekar (Agents & Workflow)
- Settu upp vinnuflæði þar sem aðal-agentinn virkar sem "Team-lead" sem býr til verkefni fyrir aðra sérhæfða agents.
- Notaðu ferskan eða annars konar agent (t.d. Codex) til að gera code review, aldrei þann sama og skrifaði kóðann.
- Notaðu skipunina "spawn a subagent" fyrir hliðarrannsóknir (tangents) til að halda aðalsamhenginu hreinu.
- Ekki treysta á almenna þekkingu módelsins (model weights) fyrir sérhæfða hluti; notaðu sérbúna agents eða tól (skills).
- Notaðu
/skillsfyrir afmörkuð ferli og djúpar (niche) greiningar. - Notaðu tól (t.d. vefleit, git, skjalaleit) í stað þess að hlaða öllum kóðabasanum inn í einu til að spara tokens.
Kóðun og Villuleit
- Notaðu Pydantic gagnalíkön (datamodels) til að tryggja að úttak sé rétt og kóðinn sé self-documenting.
- Ef agentinn fer af leið: Byrjaðu upp á nýtt með nýtt session í stað þess að reyna að leiðrétta hann (til að forðast context leka).
- Lokaðu og endurræstu agentinn reglulega -Notaðu
/clearog/compactoft í byrjun eða þegar hlutir byrja að flækjast. - Hættu að "væba" (vibe coding) og notaðu ítrað og skipulagt vinnuferli.
Leslisti
Foundations
- Anthropic, Building Effective Agents — https://www.anthropic.com/research/building-effective-agents
- Anthropic, Effective Context Engineering for AI Agents — https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- Simon Wilson, Agentic Engineering Patterns — https://simonwillison.net/guides/agentic-engineering-patterns/
Harness engineering
- OpenAI, Harness Engineering: Leveraging Codex in an Agent-First World — https://openai.com/index/harness-engineering/
- Birgitta Böckeler (Thoughtworks), Harness Engineering for Coding Agent Users — https://martinfowler.com/articles/harness-engineering.html
- Anthropic, Harness Design for Long-Running Application Development — https://www.anthropic.com/engineering/harness-design-long-running-apps
Skills and tools
- Anthropic, Equipping Agents for the Real World with Agent Skills — https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
- Anthropic, Code Execution with MCP — https://www.anthropic.com/engineering/code-execution-with-mcp
Multi-agent and review patterns
- Anthropic, How We Built Our Multi-Agent Research System — https://www.anthropic.com/engineering/multi-agent-research-system