Nový spôsob písania kódu podľa Mitchella Hashimota

Ako Mitchell Hashimoto udržiava agenta v chode po celý čas

Mitchell Hashimoto — spoluzakladateľ HashiCorpu, tvorca Terraformu a v súčasnosti staviteľ Ghostty — sa úasťuje podcastu The Pragmatic Engineer s Gergely Oroszom a delí sa o starostlivo premyslené metódy pre vývoj s podporou AI. Toto nie je hype ani rýchle názory. Je to praktik s 20-ročnými skúsenosťami, ktorý opisuje, ako fundamentálne prestrukturoval svoj denný pracovný postup okolo AI agentov.

Základná disciplína: “I endeavor to always have an agent doing something at all times. I want an agent if I’m coding, I want an agent planning. If they’re coding, I want to be reviewing. There should always be an agent doing something.” (Snažím sa vždy mať agenta, ktorý niečo robí. Chcem agenta, ak programujem, chcem agenta na plánovanie. Ak oni programujú, chcem prezerať. Vždy by mal byť agent, ktorý niečo robí.)

Pred každou prestávkou — odchodom von, cestou niekam, ukončením pracovného dňa — Mitchell venuje 30 minút otázke: “Čo je to pomalá úloha, ktorú by mohol robiť môj agent ďalej?” Agentom zadáva výskumné úlohy, vyhodnotenie knižníc a analýzu hraničných prípadov, ktoré nepotrebujú real-time pozornosť. Kriticky je dôležité, že vypína všetky notifikácie agentov: “Ja rozhodnem, kedy prerušim agenta. On ma nemôže prerušiť.”

Čo AI skutočne ponúka: “It’s really allowed me to choose what I want to actually think about. I always felt limited — I’m going to have to spend the next two hours doing this boilerplate. But now I don’t have to learn about it.” (Naozaj mi to umožňuje zvoliť si, na čo chcem skutočne myslieť. Vždy som sa cítil limitovaný — budem musieť stráviť ďalšie dve hodiny robiť tento boilerplate. Ale teraz sa to nemusím učiť.) Nejde o to produkovať viac kódu. Ide o presmerovanie kognitívnej energie na prácu, na ktorej záleží.

Harness Engineering: Stratégia kumulujúcej sa kvality

Mitchellov najoriginálnejší príspevok k diskurzu o AI programovaní je harness engineering — jeho termín pre budovanie nástrojov, ktoré môžu agenti volať aby zabránili opakovaným chybám.

Vzor: Keď agent urobí chybu, namiesto toho, aby ste ju len opravili, vybudujte testovaciu sadu, validačný skript alebo pravidlo lintu, ktoré agent môže vyvolať na sebakontrolu. Pridajte pravidlo do vášho CLAUDE.md alebo agents.md súboru. Agent už nikdy neurobí tú istú chybu.

Toto sa v čase kumuluje. Každá relácia zlepšuje harness. Každé zlepšenie harnessu robí následné relácie agenta spoľahlivejšími. Mitchell to nazýva jedným zo svojich kľúčových cieľov na rok 2026 a považuje to za kritickú infraštruktúru pre tímy používajúce AI agentov.

Rozšírená požiadavka na testovanie: AI je “orientované na cieľ” — prelomí veci mimo svojej súčasnej oblasti úloh, aby dosiahlo svoj bezprostredný cieľ. To znamená, že pokrytie testami musí byť oveľa rozsiahlejšie, ako bolo dostatočné pre vývoj len s ľuďmi. Každá chyba AI by mala viesť k zlepšeniu harnessu, nie len k oprave.

Kvalita závislá od kontextu: Od nula recenzie po každý riadok

Mitchell aplikuje úplne rôzne normy kvality v závislosti od projektu:

• Ghostty (open-source terminál, dlhodobý): Prezerá každý riadok AI-generovaného kódu. Výkon do 9 mikrosekúnd na snímok záleží.
• Dočasné projekty (webová stránka na svadobu rodiny): Nula kontrol kódu. “Renderovalo sa to správne v troch prehliadačoch? Publikuj. Je online len 2 mesiace.”

Táto pragmatičnosť sa vzťahuje aj na konkurenčné spustenia agentov. Pre ťažké úlohy, kde je dôvera nízka, spúšťa dvoch agentov paralelne — Claude Code vs. Codex — a vyberie si lepší výsledok. Opisuje seba ako “starostu” spravujúceho najviac dvoch agentov naraz.

Prečo Git nemusí prežiť éru agentov

Najprovokativnejšia predikcia: “This is the first time in like 12 to 15 years that anyone is even asking that question — will Git be around? — without laughing.” (Toto je prvýkrát za posledných 12 až 15 rokov, čo niekto položí otázku — bude Git okolo? — bez smiechu.)

Mitchell tvrdí, že Git a GitHub forges “nefungujú s agentickou infraštruktúrou dnes.” Keď sú zmeny agenta 10-100x viac ako zmeny ľudí, fronty zlúčení sa stanú nemožnými, miesto na disku exploduje a ľudskí recenzenti si nebudú vedieť počínať. Odporúča tajnej spoločnosti, ktorá pracuje špecificky na tomto probléme.

Mitchellova vízna budúcnosti správy verzií: uchovávať oveľa viac vetiev, neúspešných experimentov a histórie — nikdy nemazať. Toto je “Gmail moment pre správu verzií.” Ale vyžaduje fundamentálne lepšie nástroje na nájdenie relevantného kontextu v masívnych repozitároch.

AI-generované príspevky v open source ničia signál

Ghostty dostáva 2-3 nízko-kvalitné AI-generované PR denne. Mitchell ich teraz zatvára bez čítania, ak nemajú asociované číslo problému. “AI makes it trivial to create plausible looking but incorrect and low-quality contributions. Open source has always been a system of trust. Before we had default trust. Now it’s default deny.” (AI umožňuje triviálne vytvárať zdanlivý, ale nesprávny a nízko-kvalitný príspevky. Open source vždy bol systém dôvery. Predtým sme mali predvolenú dôveru. Teraz je to predvolená neprijatá.)

Želá si, aby agentní nástroje “dali pauzu otváraniu PR” — trenie, ktoré spôsobujú správcom, prevyšuje výhody pre prispievateľov. Dokonca identifikuje Claudeov štýl: otvorenie draft PR bez tela, úprava tela, potom opätovné otvorenie — vzor, ktorý žiadny človek nepoužíva.

6 princípov z AI pracovného postupu Mitchella Hashimota

• Vždy mať spusteného agenta — Použite prestávky (jazdy, prestávky, koniec dňa) na zaraďovanie pomalých agentských úloh. Agenti by nikdy nemali byť nečinní počas pracovných hodín
• Oddeliť plánovanie od vykonávania — Dedicated plánovací krok pred agentským programovaním dramaticky zlepšuje kvalitu výstupu
• Budovať harnessy, nie len opravy — Každá chyba agenta by mala produkovať nástroje, ktoré zabránia opakovanému výskytu, nie len opravy
• Zvoliť si, na čo myslíte — Hodnota AI nie je viac kódu za hodinu, ale presmerovanie vnímania na architektúru, dizajn a potreby používateľov
• Kontextovo závislá prísnosť recenzie — Produkčný kód dostane recenziu každého riadku; dočasné prototypy dostanú nula recenzií. Prispôsobte úsilie podľa Stakes
• Investovať do krivky učenia — “Je to, ako keby sa niekto pokúsil Git na hodinu a rozhodol sa, že to nie je produktívne. Trvá sústredená úsilie, aby ste sa stali zruční”

Čo to znamená pre inžinierske organizácie

Mitchell charakterizuje hodnotu AI nie ako čisté zisky produktivity, ale ako rozšírenú kapacitu na experimenty. Dôkazy koncepcie, ktoré trvali týždeň, sa teraz dajú urobiť za deň. Ale je pozoruhodne opatrný: “I hesitate to say more productive. There’s an expectation they could do more. You should be able to build a full demo, design, everything — you don’t need a team to do that anymore.” (Váham povedať produktívnejší. Je tam očakávanie, že by mohli robiť viac. Mal by si byť schopný vybudovať úplný demo, dizajn, všetko — na to už netreba tím.)

Pre organizácie sú dôsledky konkrétne: vyžadujú kompetenciu v AI nástrojoch pri nábore, zaobchádzajú s konfiguračnými súbormi agentov (CLAUDE.md) ako s prvotriednymi infraštruktúrou, investujú do harness engineeringu a prijímajú, že CI/CD potrubia potrebujú fundamentálne premyslenie na zvládnutie rozšíreného testovania, ktoré AI-generovaný kód vyžaduje. Všetko v inžinierskej infraštruktúre — editory, forges, CI/CD, testovanie, pozorovateľnosť, sandboxing — je v hre na zmenu naraz. Ako Mitchell to vyslovuje: “Toto je prvýkrát v mojej 20-ročnej profesionálnej kariére, že tak veľa je v hre na zmenu naraz.”