Prompts are suggestions. Hooks are hard stops.

For months, I treated Claude Code like a junior developer who simply needed clear ground rules. My project instructions were explicit: never force-push, never delete branches, never run destructive commands. Most evenings, that worked. The agent wrote tests, refactored functions, and kept its hands off the git history. Then one rebase went sideways.

The context window filled with git error output. Conflict markers, detached HEAD messages, and branch divergence warnings stacked up, token by token. Buried under that noise was my polite instruction to avoid force-pushing. To the model, the most recent and salient text in the thread was the error stream. Statistical attention won over policy. The agent executed a command that wiped two hours of uncommitted local changes. It was not malicious; it was distracted. That distinction matters. An LLM does not break rules out of spite. It breaks them because a louder pattern in the context window temporarily overrides an earlier instruction.

That incident changed how I think about agent safety. A guardrail that works ninety-nine percent of the time is a liability. If the failure mode costs you time, money, or production data, you cannot leave it inside the prompt. You need enforcement outside the model’s reasoning loop.

Claude Code hooks solve exactly this. They are small scripts that intercept tool calls at three specific moments: before a tool executes (PreToolUse), after a tool finishes (PostToolUse), and when the agent decides it is done (Stop). Because they run as external code, they do not depend on the model’s memory, mood, or context pressure. The model can forget every instruction you ever gave it; the hook will still say no.

Here is the harness I built after that lost evening.

The Guard Hook: Intercept Before Damage

My PreToolUse hook inspects every Bash command before the shell touches it. I keep a tight denylist of destructive patterns. If the command string matches something dangerous, the hook aborts execution and returns an error directly back to the agent.

The patterns I block are simple and unambiguous:

  • git push --force or any force-with-lease variant I do not trust yet
  • git reset --hard
  • rm -rf

This is not sophisticated security research. It is a seatbelt. But the critical detail is what happens after the block.

I never return a blunt “Blocked.” A flat refusal confuses the agent and can trap it in a loop where it tries variations of the same destructive command. Instead, the error message includes an escape route. When the hook catches a hard reset, it tells the agent: “This command is blocked to protect uncommitted work. Commit a checkpoint first, then reassess.” That extra sentence changes the agent’s behavior completely. It pivots from attempting damage control to creating safety. The hook is not just a wall; it is traffic control.

I also chose a denylist over an allowlist for shell commands. At first, I considered allowing only an explicit set of safe git subcommands. That failed quickly. Agents are creatively literal. They run legitimate but unexpected commands like git stash push -m "wip" or git branch --show-current to check state. An allowlist breaks normal workflow the moment the model invents a valid but unlisted command. A short, curated denylist of genuinely destructive patterns gives the agent room to move while protecting the borders.

The Formatter Hook: Automate the Busywork

I used to waste prompt tokens telling the agent to “always run the formatter after editing a file.” It forgot half the time. The other half, it would pause and ask whether to format, burning a tool call on a decision that had only one right answer.

Now I handle that with a PostToolUse hook. After the agent edits a file, the hook checks the file extension. If it is Python, it runs Ruff. If it is JavaScript or TypeScript, it runs Prettier. If it is Go, it runs gofmt. The agent does not know the formatter exists. It does not need to.

Moving this out of the prompt had two effects. First, the code is consistently clean without adding cognitive load to the model. Second, my project instructions got shorter. Every “always” and “never” you remove from a prompt is a token the model can spend on actual problem-solving. The hook owns the invariant; the prompt owns the intent.

The Quality Gate: Redefining “Done”

يعمل خطاف الإيقاف (Stop hook) عندما يقرر الوكيل أنه أنهى المهمة ويحاول إنهاء الجلسة. أنا لا أسمح له بذلك. بدلاً من ذلك، يقوم الخطاف بتشغيل مجموعة الاختبارات الكاملة. إذا فشل أي اختبار، يقوم الخطاف بحظر أمر الإيقاف وإعادة مخرجات الفشل إلى الوكيل.

هذا يغير تعريف الإنجاز. لم يعد "الانتهاء" مجرد شعور لدى النموذج، بل أصبح بوابة قابلة للقياس. لا يمكن للوكيل أن ينتهي إلا عندما يؤكد نظام التحكم (harness) أن الكود يعمل. من الناحية العملية، يخلق هذا حلقة تغذية راجعة محكمة. يكتب الوكيل الكود، ويعتقد أنه انتهى، ثم يضغط على زر الإيقاف، ليظهر له فوراً تتبع الخطأ (traceback) الخاص بـ pytest. بعد ذلك، يقوم بتصحيح نفسه، ويصلح خطأ الاستيراد (import error) أو التوكيد المكسور (broken assertion)، ثم يحاول الإيقاف مرة أخرى. لقد شاهدت وكلاء يكررون العملية ثلاث أو أربع مرات داخل هذه الحلقة دون تدخل بشري. يقوم نظام التحكم بفرض الجودة، بينما يوفر النموذج الإصلاحات (patches).

ما يعلمه هذا عن هندسة الوكلاء

يتطلب بناء أنظمة ذاتية القيادة وموثوقة تحولاً في العقلية. فأنت تنتقل من كتابة مطالبات (prompts) أطول إلى بناء أنظمة تحكم (harnesses) أكثر إحكاماً.

استخدم الخطافات (hooks) للفرض، والمطالبات (prompts) للسياسات. إذا كانت القاعدة يجب أن تُطبق بنسبة مائة بالمائة من الوقت، فيجب أن تكون في الكود، وليس في اللغة الطبيعية. تتفوق المطالبات في التعامل مع الغموض، والذوق، والهيكلية، لكنها سيئة للغاية في التعامل مع الثوابت (invariants). إذا كان الخطأ سيكلفك فترة استرداد تستغرق ظهيرة كاملة، أو والأسوأ من ذلك، وقت تشغيل الإنتاج (production uptime)، فقم بكتابة خطاف.

المطالبات الأقصر تنتج نتائج أفضل. عندما تنقل القواعد الميكانيكية إلى سكربتات، يقل ما يجب على النموذج تذكره ويقل ما قد يتعارض معه. نافذة السياق (context window) الخاصة بالوكيل هي مورد نادر، فلا تملأها بتذكيرات التنسيق.

أخيراً، تقبل أن دورك يتغير. مع اكتساب الوكلاء للاستقلالية، ينتقل عمل الإنسان من توليد المحتوى إلى تصميم الحواجز الواقية (guardrails). أنت تبني نظام التحكم الذي يقرر ما يمكن للنموذج لمسه، ومتى يمكنه الانتهاء، وكيف يجب أن يتصرف عندما تسوء الأمور. هذه هي الهندسة، وليست مجرد كتابة مطالبات.

يمكن العثور على المصدر الذي ألهم هذا النهج وتفاصيل التنفيذ الإضافية هنا.

إذا كنت تبني باستخدام وكلاء الذكاء الاصطناعي وترغب في تبادل الملاحظات مع ممارسين آخرين، يمكنك العثور على مجتمع تعلم GyaanSetu هنا.