Default
Door Remote - 22 Jun 2026
Vrijdag verscheen Boris Cherny, de maker van Claude Code, op de @Scale-conferentie van Meta en verrassend genoeg ging de eerste vraag van het publiek over loops.
“Zijn loops de volgende hype-cyclus,” vroeg de vraagsteller, “of zijn ze echt?”
Cherny’s antwoord was nadrukkelijk: “Ja, ze zijn echt.”
"Twee jaar geleden schreven we de broncode met de hand. We zijn begonnen met de transitie, zodat agenten de code schrijven. En nu zijn we op het punt aangekomen waarop agenten agenten vragen om vervolgens de code te schrijven", vervolgde hij. “Hoe groot de stap van broncode naar agents ook was, loops zijn net zo belangrijk en een even grote stap.”
Later in de lezing (rond 32.00 uur in de hierboven geplaatste YouTube-video) werd Cherny specifiek over de loops die hij in zijn eigen werk blijft uitvoeren. De ene agent is voortdurend op zoek naar manieren om de codearchitectuur te verbeteren, terwijl de andere zoekt naar gedupliceerde abstracties die kunnen worden verenigd. Ze dienen pull-requests in zoals elke andere programmeur, en omdat de code voortdurend verandert, stoppen ze nooit met draaien.
Het is een krachtig idee, vooral met een figuur die zo belangrijk is als Cherny erachter. Met de verschuiving naar agentische AI ligt de focus voor de meeste gebruikers op het zo goed mogelijk beheren van hun agenten: stel duidelijke doelen vast, controleer afzonderlijke voortgangseenheden en laat ze niet te ver buiten de prompt afdwalen. De lus gaat nog een stap verder door een zwerm agenten te autoriseren om continu en eindeloos op de achtergrond te werken. Er is veel vertrouwen nodig in AI, maar nu modellen snel beter worden, zou dit de volgende stap kunnen zijn om AI het echte werk te laten doen.
Het eerste dat je moet beseffen is dat dit niet geheel nieuw is. Recursieve lussen – functies die zichzelf aanroepen om een actie te herhalen, samen met een voorwaarde die de lus stopt – vormen een steunpilaar van introcursussen informatica. Deze lussen volgen een niet-deterministische logica – dat wil zeggen, het is een subagent die kiest wanneer de lus moet worden gestopt in plaats van een duidelijke voorwaarde – maar dezelfde basisaanpak is aan het werk. Zodra programmeurs AI begonnen te gebruiken om taken uit te voeren, moest er ongetwijfeld een versie van de recursieve lus verschijnen, waarbij AI toezicht hield op AI.
In tegenstelling tot klassiek computergebruik kunnen agentische lussen waanzinnig eenvoudig zijn. Een van de meest populaire trucs is de Ralph Loop (genoemd naar Ralph Wiggum), die in feite al het werk dat het model heeft gedaan opsomt en vraagt of het zijn doel heeft bereikt. Het is een manier om om te gaan met AI-modellen die verloren gaan als ze te lang draaien – waarbij het model in feite heen en weer wordt gestuurd totdat de taak is voltooid.
Een andere manier om aan lussen te denken is als onderdeel van de algemene drang naar meer rekenkracht tijdens de test. Zoals OpenAI-onderzoeker Noam Brown eerder deze maand opmerkte, kunnen hedendaagse modellen vrijwel elk probleem oplossen, als je er maar genoeg rekenkracht op toelegt. Dat betekent dat een manier om ervoor te zorgen dat een probleem wordt opgelost, is door er gewoon rekenkracht op te blijven inzetten totdat het klaar is. Dat geldt met name voor problemen bij het bergbeklimmen, zoals het verbeteren van een codebasis, waarbij het model incrementele verbeteringen kan blijven aanbrengen totdat het een bepaalde drempel bereikt. Of, zoals in het voorbeeld van Cherny, het kan gewoon incrementele verbeteringen blijven aanbrengen zolang er rekenkracht is om eraan te besteden.
Als dat duur klinkt, zou dat ook zo moeten zijn. Net als de voorgaande AI-loops branden AI-loops veel sneller door tokens dan eenvoudige vraag- en antwoordchatbots – en omdat het de bedoeling is om de lus de hele tijd draaiende te houden, is er geen plafond aan hoeveel u kunt uitgeven. Dat is prima voor Anthropic, dat zich uiteindelijk bezighoudt met de tokenverkoop, maar voor alle anderen kan het een dure manier van werken zijn.
Toch kunnen de voordelen, afhankelijk van het probleem dat de agentische lus probeert op te lossen, en de juiste opzet die toezicht houdt op tokenuitgaven, drift en andere klassieke AI-problemen, enorm genoeg zijn om de kosten te overstijgen.
“Zijn loops de volgende hype-cyclus,” vroeg de vraagsteller, “of zijn ze echt?”
Cherny’s antwoord was nadrukkelijk: “Ja, ze zijn echt.”
"Twee jaar geleden schreven we de broncode met de hand. We zijn begonnen met de transitie, zodat agenten de code schrijven. En nu zijn we op het punt aangekomen waarop agenten agenten vragen om vervolgens de code te schrijven", vervolgde hij. “Hoe groot de stap van broncode naar agents ook was, loops zijn net zo belangrijk en een even grote stap.”
Later in de lezing (rond 32.00 uur in de hierboven geplaatste YouTube-video) werd Cherny specifiek over de loops die hij in zijn eigen werk blijft uitvoeren. De ene agent is voortdurend op zoek naar manieren om de codearchitectuur te verbeteren, terwijl de andere zoekt naar gedupliceerde abstracties die kunnen worden verenigd. Ze dienen pull-requests in zoals elke andere programmeur, en omdat de code voortdurend verandert, stoppen ze nooit met draaien.
Het is een krachtig idee, vooral met een figuur die zo belangrijk is als Cherny erachter. Met de verschuiving naar agentische AI ligt de focus voor de meeste gebruikers op het zo goed mogelijk beheren van hun agenten: stel duidelijke doelen vast, controleer afzonderlijke voortgangseenheden en laat ze niet te ver buiten de prompt afdwalen. De lus gaat nog een stap verder door een zwerm agenten te autoriseren om continu en eindeloos op de achtergrond te werken. Er is veel vertrouwen nodig in AI, maar nu modellen snel beter worden, zou dit de volgende stap kunnen zijn om AI het echte werk te laten doen.
Het eerste dat je moet beseffen is dat dit niet geheel nieuw is. Recursieve lussen – functies die zichzelf aanroepen om een actie te herhalen, samen met een voorwaarde die de lus stopt – vormen een steunpilaar van introcursussen informatica. Deze lussen volgen een niet-deterministische logica – dat wil zeggen, het is een subagent die kiest wanneer de lus moet worden gestopt in plaats van een duidelijke voorwaarde – maar dezelfde basisaanpak is aan het werk. Zodra programmeurs AI begonnen te gebruiken om taken uit te voeren, moest er ongetwijfeld een versie van de recursieve lus verschijnen, waarbij AI toezicht hield op AI.
In tegenstelling tot klassiek computergebruik kunnen agentische lussen waanzinnig eenvoudig zijn. Een van de meest populaire trucs is de Ralph Loop (genoemd naar Ralph Wiggum), die in feite al het werk dat het model heeft gedaan opsomt en vraagt of het zijn doel heeft bereikt. Het is een manier om om te gaan met AI-modellen die verloren gaan als ze te lang draaien – waarbij het model in feite heen en weer wordt gestuurd totdat de taak is voltooid.
Een andere manier om aan lussen te denken is als onderdeel van de algemene drang naar meer rekenkracht tijdens de test. Zoals OpenAI-onderzoeker Noam Brown eerder deze maand opmerkte, kunnen hedendaagse modellen vrijwel elk probleem oplossen, als je er maar genoeg rekenkracht op toelegt. Dat betekent dat een manier om ervoor te zorgen dat een probleem wordt opgelost, is door er gewoon rekenkracht op te blijven inzetten totdat het klaar is. Dat geldt met name voor problemen bij het bergbeklimmen, zoals het verbeteren van een codebasis, waarbij het model incrementele verbeteringen kan blijven aanbrengen totdat het een bepaalde drempel bereikt. Of, zoals in het voorbeeld van Cherny, het kan gewoon incrementele verbeteringen blijven aanbrengen zolang er rekenkracht is om eraan te besteden.
Als dat duur klinkt, zou dat ook zo moeten zijn. Net als de voorgaande AI-loops branden AI-loops veel sneller door tokens dan eenvoudige vraag- en antwoordchatbots – en omdat het de bedoeling is om de lus de hele tijd draaiende te houden, is er geen plafond aan hoeveel u kunt uitgeven. Dat is prima voor Anthropic, dat zich uiteindelijk bezighoudt met de tokenverkoop, maar voor alle anderen kan het een dure manier van werken zijn.
Toch kunnen de voordelen, afhankelijk van het probleem dat de agentische lus probeert op te lossen, en de juiste opzet die toezicht houdt op tokenuitgaven, drift en andere klassieke AI-problemen, enorm genoeg zijn om de kosten te overstijgen.