Hogyan bontsd darabokra a hatalmas kódfeladatokat: Így skálázódnak az AI ügynökök anélkül, hogy elveszítenék a fonalat

Ismerős a helyzet? Bedobod az AI-nak, hogy alakítsa át a hitelesítési rendszert, és fél óra múlva már javítgatod, mert elfelejtette a kiindulási pontot. A modell feltételezéseket gyárt, és kaotikus lesz a végeredmény.

Van okosabb módszer. Nem kell mindent kézzel megírnod vagy folyton belenyúlnod.

A kontextusablak csapdája, amiről senki sem beszél

Az AI ügynökök brilliánsak kis, éles feladatoknál. Refaktorozd ezt a függvényt, optimalizáld azt a lekérdezést – megcsinálják tökéletesen. De ha az egész kódbázist kell átalakítani? Ott jön a gond.

Még egy 200K tokenes kontextusablakban is küzdés. A modell telepakolódik kódrészletekkel, döntésekkel, jegyzetekkel – végül ez maga lesz a probléma. Mintha valaki minden korábbi beszélgetést fejben tartana kódolás közben.

Itt jön a koordinátor minta

Képzeld el ezt:

• Egy koordinátor ügynök, ami látja a nagy képet és tervet alkot
• Több szakosodott munkás ügynök, mindegyik csak egy darabot kap
• Külső ellenőr, ami kulcspillanatokban belenéz

Ez régi sztori a feladatkezelésben, de LLM-mel párosítva új szintre lép.

A koordinátor feladata egyszerű:

1. Felbontja a nagy feladatot fázisokra, függőségekkel
2. Nyomon követi, mi kész, mi vár
3. Csak a magas szintű tervet tartja memóriában (nem a kódot)
4. Indít új fázisokat, ha az előzőek megvannak

Minden munkás külön környezetben dolgozik – pl. külön git worktree-ben. Kap egy pontos utasítást: "Csináld át ezt a modult dependency injectionre. Itt a kód, itt a célarchitektúra."

Nincs kontextus-duzzanat. Nem kalandozik feleslegesen. Nem találgat üzleti logikát.

A közös ellenőrzés ereje

A csavar: mielőtt bármi indul, és utána is, egy külső ellenőr (más modell vagy friss kontextus) átnézi.

A koordinátor javasol fázisokat – pl. "válaszd el a hitelesítést az autorizációtól", aztán "emeld ki a szerep-logikát", végül "gyorsítsd permission cachinggel". Az ellenőr szólhat: "Várj, a harmadik fázisnak kell a második, de mi van a DB migrációval?"

Ez biztonsági háló. Nem tökéletes, de elkapja a hibákat, mielőtt azok szétterjednek. Mint egy tech lead, aki jóváhagyja a tervet építés előtt.

Utána a diffet nézi: teljesült a fázis? Van-e mellékhatás? Megfelel a minőség?

Mikor éri meg (és mikor ne)

Ez bombasztikus nagy refaktoroknál:

• Egyértelmű siker: A kód ugyanúgy működik, csak szebb.
• Kevesebb találgatás: Refaktor nem igényel új üzleti logikát.
• Több szem jobb: Különböző ügynökök ötletei erősebb végeredményt hoznak.

De egy hárommezes űrlapnál? Túlzás. Hagyd a 50 fájlos, egyhetes melóra.

Mit változtat a fejlesztési munkafolyamatodon

A lényeg: átadhatod a nagy munkát az AI-nak, és bízol benne anélkül, hogy szüntelenül felügyelnéd. A koordinátor-munkás minta skálázódik olyan projektekre, amik раньше babysittinget igényeltek.

NameOceannél, ahol a Vibe Hosting AI fejlesztéseit építjük, ez a kulcs:

• Infrastruktúra refaktor: Monolit Terraformból moduláris IaC-ba
• Legacy frissítés: Régi mintákból modern best practice-ekre fokozatosan
• API átstrukturálás: Szétbontod a coupled endpointokat service határokra

A titok nem a toolok, hanem a felbontás és elszigetelés – ez akadályozza meg a kontextus-zuhantot. AI-knál vagy embereknél egyaránt működik.

A gyakorlatban

Nem kell fancy cucc:

1. Külön munkakörnyezetek (git worktree ideális)
2. Koordinátor (ügynök, script vagy prompt-sorozat)
3. Beépített review lépés
4. Pontos specifikációk,无关 logika nélkül

NameOceannél ez skálázza az AI-t éles produkcióra a Vibe Hostingnál. Ne dobj be mindent egyszerre. Bontsd. Koordináld. Nézesd át. Hagyd a munkásokat a specialitásukra: éles, korlátozott változásokra.

A kontextusablakod (és az eszed) meghálálja.