Ludzie ciągle pytają, jak zarządzam agentami kodującymi. Oto rzeczywisty system. Główna myśl: jedna długa sesja kodowania AI jest krucha. Akumuluje kontekst, halucynuje, zatrzymuje się. Zamiast więc jednej maratonu, przeprowadzam wiele sprintów. Każda sesja agenta zaczyna się na nowo i kontynuuje tam, gdzie ostatnia się zatrzymała, korzystając z historii git i stanu plików. Nazywa się to „pętlą Ralpha”. Skrypt opakowujący wielokrotnie uruchamia agenta kodującego z tym samym poleceniem, aż praca zostanie zakończona. Jeśli się zatrzyma lub zawiedzie — nie ma problemu. Następna iteracja zaczyna się czysto, bez obciążeń. Używam Opus 4.6 do planowania — pisania PRD, rozkładania architektury, definiowania specyfikacji zadań. Następnie Codex 5.3 zajmuje się rzeczywistą realizacją kodowania. Odkryliśmy, że to podział produkuje najbardziej niezawodny, wysokiej jakości kod z najmniejszą ilością poprawek błędów lub problemów do rozwiązania. Piszę PRD jako checklistę w markdownie. Pętla weryfikuje zakończenie, sprawdzając, czy wszystkie pola są zaznaczone. Agent twierdzi, że skończył, ale 12/47 zadań pozostaje? Zrestartowane. Nie ma negocjacji z zdezorientowanym modelem. Agenci działają w sesjach tmux, więc przetrwają restarty. Monitoruję je na podstawie sygnału — jeśli jeden umarł, automatycznie go restartuję. Jeśli jeden się zatrzymał (ten sam wynik przez dwa kolejne sprawdzenia), zabijam i restartuję. Każda sesja tmux zawiera hak budzenia na końcu: gdy agent kończy, uruchamia zdarzenie, które natychmiast mnie powiadamia. Żadnych cichych zakończeń. Wiem w momencie, gdy praca jest zakończona, niezależnie od tego, czy monitoruję, czy nie. W dobry dzień uruchomię 3-4 agentów równolegle w osobnych projektach, każdy w swoim własnym drzewie roboczym git. W zeszłym tygodniu uruchomiłem 108 zadań w 3 projektach jednocześnie w około 4 godziny. Inny klucz: test-driven prompts. Mówię agentowi, aby najpierw napisał testy, które nie przechodzą, a potem wdrożył. Testy są deterministycznymi kryteriami akceptacji dla niedeterministycznego pracownika. Drastycznie zmniejsza to błędy po scaleniu. To nie magia. To inżynieria procesów zastosowana do pracy AI. Jasne specyfikacje, automatyczna weryfikacja, restart, gdy utknie, weryfikacja wyniku. To jedno z najczęstszych pytań, które otrzymuję, więc zamierzam to odpowiednio opisać i dodać jako nowy rozdział do Jak zatrudnić AI. Każdy, kto już kupił, otrzyma zaktualizowaną wersję.