𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗔𝗻 𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗔𝗴𝗲𝗻𝘁 𝗧𝗲𝗮𝗺
Ich habe ein kleines Agenten-Team gebaut, um meinen Engineering-Workflow zu replizieren. Es übernimmt alles – vom Lesen einer Aufgabe bis hin zum Pushen eines reviewbaren Branches.
Der Workflow folgt diesen Schritten:
- Clarifier: Prüft, ob die Aufgabe spezifisch genug ist.
- Planner: Durchsucht die Codebasis und erstellt einen Implementierungsplan.
- Implementer: Führt den Plan aus und committet den Code in Chunks.
- Reviewer: Findet Bugs und Stilprobleme.
- Tester: Führt Tests und Linter aus, um die Stabilität sicherzustellen.
Das eigentliche Geheimnis ist die strukturierte Kommunikation.
Agenten chatten nicht miteinander. Sie geben strukturierte Token wie PLAN_WRITTEN oder REVIEW_RESULT aus. Der Orchestrator parst diese Token, um den nächsten Schritt zu routen. Das macht das System schneller, günstiger und verhindert Halluzinationen.
Jeder Agent hat eine spezifische Rolle und ein spezifisches Modell:
• Planner (Opus): Tiefgreifendes Reasoning, um Dateipfade und exakte Codeänderungen zu planen. • Implementer (Sonnet): Folgt dem Plan oder behebt spezifische Review-Blocker. • Reviewer (Sonnet): Vergleicht den Code mit dem Base-Branch. Er verwendet einen Konfidenzschwellenwert von 80 %, um Rauschen zu vermeiden. • Tester (Haiku): Führt Go-Befehle wie vet, test und lint aus.
Wichtige Designentscheidungen für die Zuverlässigkeit:
- Ein Job pro Agent: Das hält die Logik einfach.
- Feste Output-Verträge: Dies macht zusätzliche LLM-Aufrufe zur Extraktion der Intention überflüssig.
- Review-Retry-Schleife: Das System erlaubt bis zu zwei Versuche, um Blocker zu beheben.
- Modell-Optimierung: Ich verwende teure Modelle für die Planung und günstigere Modelle für das Testen, um Kosten zu sparen.
Du kannst deine repetitiven Schleifen automatisieren. Du musst sie nur aufschreiben.
Optional learning community: https://t.me/GyaanSetuAi