Monsteroppgaver i kode: Slik skalerer AI-agenter uten å miste oversikten

Du kjenner det. Du ber en AI-agent om å rydde opp i autentiseringslogikken din. Tjue minutter senere har den glemt de opprinnelige kravene midt i filer og kontekst-oppdateringer. Agenten fyller på med antakelser, og plutselig må du styre den tilbake på rett spor.

Det finnes en smartere løsning. Uten at du trenger å skrive hver detalj selv eller gripe inn hele tiden.

Kontekstvinduet som ødelegger alt

AI-agenter excellerer på smale oppgaver. Gi dem én funksjon å refactorere, en query å optimalisere, eller tester å legge til – de leverer. Men be dem håndtere en massiv kodeoverhaling over hele repoet? Da kjemper de mot kontekstvinduet sitt.

Selv med 200K tokens fylles det raskt opp med historikk, valg, notater og kodebiter. Kognitiv belastning blir problemet. Som å kreve at noen husker hver samtale noensinne mens de skriver kode.

Koordinator-mønsteret endrer spillet

Forestilling en oppsett med:

• Én koordinator-agent som ser det store bildet og lager hovedplanen
• Flere spesialiserte arbeider-agenter som tar én bit hver
• En ekstern reviewer som sjekker på kritiske punkter

Dette er gammel vane fra distribuert oppgestyring. Men med dagens LLM-er blir det kraftfullt.

Koordinatoren har en lett jobb:

1. Del opp hovedoppgaven i faser med klare avhengigheter
2. Følg med på hva som er ferdig og hva som blokkeres
3. Hold hovedplanen i minnet (ikke implementasjonsdetaljer)
4. Kickstart nye arbeider når forutsetningene er på plass

Hver arbeider kjører i egen boble – en separat git worktree, isolert fra resten. Prompten er skarp: "Refactor denne modulen til dependency injection. Her er koden nå, her er målet."

Ingen unødvendig kontekst. Ingen avvik til irrelevant kode. Ingen gjetninger om business logic.

Kraften i ekstern gjennomgang

Triksingen skjer her: Før arbeidet starter, og etter at det er ferdig, hopper en ekstern reviewer inn. Ny modell eller frisk kontekst.

Koordinatoren foreslår faser – "skill autentisering fra autorisasjon", deretter "trekk ut rollelogikk", så "legg til caching for tillatelser". Reviewer stopper opp: "Fase tre krever fase to, men hva med DB-migreringen?"

Denne utsiden-vinkelen er railings. Ikke perfekt kode, men fanger feil før de sprer seg. Som en tech lead som godkjenner planen før teamet setter i gang.

Etterpå sjekker reviewer diffen mot planen. Ble fasen levert som lovet? Uventede bivirkninger? Kodekvalitet i orden?

Når passer dette – og når ikke

Bruk det på store refaktoringer. Fordelene er klare:

• Enkle sukses-kriterier: Refaktoring lykkes når koden oppfører seg likt, bare ryddigere
• Lite nye antakelser: Ikke som feature-utvikling med business logic fra bunnen
• Flere vinkler styrker resultatet: Ulike agenter eller modeller gir bedre løsninger

Men for en tre-felts skjemaendring? Overkill. Spar det til 50-fils monsteret som tar en uke manuelt.

Hva det betyr for din kodehverdag

Her er gevinsten: Du kan delegere store biter til AI og stole på utførelsen uten å passe på fingrene. Koordinator-arbeider-mønsteret skalerer til prosjekter som ellers krever konstant tilsyn.

For oss på NameOcean – enten det er cloud-infrastruktur, deployments eller legacy-kode – åpner det dører:

• Infra-refaktoring: Fra monolittisk Terraform til modulbasert IaC
• Legacy-oppgradering: Stegvis fra gamle mønstre til moderne praksis
• API-rydding: Skill tettknyttede endpoints til rene service-grenser

Poenget er ikke verktøyene. Det er dekomponering og isolasjon som stopper kontekst-kollaps. Fungerer like godt med AI som med mennesker.

Så enkelt i praksis

Du trenger ikke fancy greier:

1. Midler for isolerte miljøer (git worktrees rocks)
2. Koordinator-mekanisme (agent, script eller strukturert prompting)
3. Innebygd review-trinn
4. Klare spesifikasjoner uten irrelevant kontekst

På NameOcean driver vi Vibe Hosting med AI-drevet utvikling. Denne orkestreringen lar AI takle produksjonsnivå. I stedet for å slåss mot begrensninger, utnytter du dem.

Neste gang du stirrer på en kodehaug: Ikke prompt alt på én gang. Del opp. Koordiner. Reviewer. La AI-arbeiderne gjøre det de er best på – presise, avgrensede endringer.

Kontekstvinduet ditt (og hodet ditt) vil elske det.