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”

Хук Stop запускается, когда агент решает, что завершил задачу, и пытается завершить сессию. Я этого не позволяю. Вместо этого хук запускает полный набор тестов. Если какой-либо тест проваливается, хук блокирует команду остановки и возвращает агенту вывод об ошибке.

Это меняет само определение завершения. «Готово» — это больше не ощущение модели. Это измеримый барьер. Агент может закончить работу только тогда, когда harness подтвердит, что код работает. На практике это создает плотную петлю обратной связи. Агент пишет код, считает, что закончил, нажимает кнопку остановки и тут же видит traceback от pytest. Затем он самокорректируется, исправляет ошибку импорта или неверный assertion и пытается остановиться снова. Я наблюдал, как агенты проходят через этот цикл три или четыре раза без вмешательства человека. Harness обеспечивает качество, а модель предоставляет патчи.

Чему это учит в проектировании агентов

Создание надежных автономных систем требует смены мышления. Вы переходите от написания длинных промптов к созданию более строгих harness-систем.

Используйте хуки для принудительного исполнения, а промпты — для определения политики. Если правило должно соблюдаться в стопроцентных случаях, оно должно быть в коде, а не в естественном языке. Промпты отлично справляются с неоднозначностью, вкусом и архитектурой. Но они ужасны в соблюдении инвариантов. Если ошибка может стоить вам половины рабочего дня на восстановление или, что еще хуже, времени аптайма продакшена, напишите хук.

Короткие промпты дают лучшие результаты. Когда вы переносите механические правила в скрипты, модели нужно меньше запоминать и меньше противоречить самой себе. Контекстное окно агента — это дефицитный ресурс. Не забивайте его напоминаниями о форматировании.

Наконец, примите тот факт, что ваша роль меняется. По мере того как агенты обретают автономию, задача человека смещается от генерации контента к проектированию guardrails. Вы строите harness, который решает, к чему модель может прикасаться, когда она может закончить и как она должна вести себя, если что-то идет не так. Это инженерная работа, а не промпт-инжиниринг.

Источник, вдохновивший этот подход, и дополнительные детали реализации можно найти здесь.

Если вы создаете что-то с помощью ИИ-агентов и хотите обменяться опытом с другими практиками, вы можете найти обучающее сообщество GyaanSetu здесь.