Tips for bruk av Claude Code

Claude Code er et agentisk kodeverktøy. Det betyr at det kan utføre oppgaver på egenhånd og kobles til verktøy som du gir det tilgang til.

Generelt har vi tre tips til hvordan man skal bruke agentiske verktøy:

1. Gi verktøyet nok tilgang til å løse oppgaven uten at det må spørre om lov.
2. Del din kontekst med verktøyet slik at verktøyet forstår hva du ønsker å oppnå og hvordan prosjektet ditt er satt opp.
3. Sett opp automatiserte tilbakemeldingssløyfer slik at verktøyet selv kan teste løsningene det lager.

La oss utforske disse punktene.

1. Gi nok tilgang

Du vil raskt erfare at Claude Code spør om tillatelser til å gjøre ting på kommandolinjen, til å lese filer eller bruke verktøy. Dette blir veldig fort slitsomt og du får ikke den fulle verdien av verktøyet fordi det blir stående å vente på en godkjenning fra deg. Vår anbefaling er derfor at du gir Claude Code nok tilganger til at det kan løse oppgaven uten å måtte spørre om lov.

Det kan være skummelt å gi KI styringen. I teorien så kan Claude Code gjøre hva som helst på din maskin. Du kan begrense dette med allow og deny i innstillingene dine, men det er en kronglete løsning. Vår anbefaling er derfor at du bruker Claude Code i en utviklingscontainer (se Claude Code - Devcontainer). Da kan du gi Claude Code de tilganger det trenger uten å bekymre deg for sikkerheten på din egen maskin. Målet er å kunne kjøre Claude Code med --permission-mode bypassPermissions slik at den aldri trenger å spørre om lov.

2. Del din kontekst

Modellen som ligger back Claude Code (for oss Sonnet 4) er trent på store mengder data. Den forstår derfor godt syntax til kode, men den forstår dårlig din kontekst. Den vil gjøre dumme feil dersom du ikke gir den nok kontekst som å dra inn biblioteker du ikke vil ha eller forsøke seg på store omstruktureringer. Derfor er det viktig at modellen for nok informasjon til å forstå hva du ønsker å oppnå og hvordan prosjektet ditt er satt opp.

Konkret gjør du dette ved å:

1. Alltid start med å la agenten utforsøke prosjektet ditt med "/explore" kommandoen. Da får den en oversikt over filene i prosjektet ditt.
2. Be agenten å lage en plan for større endringer. Dette gjør to ting. Først så tvinger du modellen til å bruke mer tid til å vurdere ulike alternative tilnærminger. For det andre så for du muligheten til å vurdere om agenten er på rett vei eller om den har misforstått oppgaven.
3. Feil som skjer ofte kan korrigeres i AGENTS.md. Dette er en fil som Claude Code leser for å forstå hvordan den skal oppføre seg. Du kan for eksempel skrive hvilke verktøy den skal bruke eller hvordan den skal teste løsningene den lager. Bygg opp denne filen for ditt prosjekt gradvis over tid.

3. Sett opp automatiserte tilbakemeldingssløyfer

Dette er punktet som få snakker om men som er helt avgjørende for at agenten skal greie å levere verdi. Store språkmodeller er prediktive. De prøver å forutsi riktig svar. Det gjør de gode på å fylle inn. Det kan diskuteres om de er gode på å ekstrapolere, men de kan korrigere dersom de får konkrete tilbakemeldinger. Når man gjør påfølgende prediksjoner der en er avhengig av den forrige og det er en usikkerhet i prediksjonen så vil usikkerheten øke. Usikkerheten akkumuleres og over tid vil den kunne divergere veldig fra det som du hadde sett for deg som ønsket resultat. Dette er en av de større kritikkene som er reist mot språkmodeller som et argument for at de ikke kan oppnå generell intelligens.

For å håndtere akkumulerende usikkerhet må vi modellen eksterne uavhengige referanser som den ikke kan påvirke og som gir den tilbakmeldinger. Dette kan være bl.a:

1. Tester som verifiserer at koden fungerer som forventet.
2. Kommandoer som kjører koden
3. Mulighet til å ta skjermbilde av resultatet (Playwright MCP)

Når vi gir agenten mulighet til å få feedback på arbeidet sitt så lukker vi tilbakekoblingsløyfen. Det gjør at modellen ikke lenger oppererer i det som beskrives som en åpen sløyfe (der den bare predikerer uten å få tilbakemeldinger). Det gjør at vi kan styre modellen mot et ønsket resultat. Det er viktig forstå at tilbakemelding kan være hva som helst, men modellen er god på å forstå tekst og mindre god på å forstå bilder. Tilbakemeldingen bør så langt det er mulig være i tekstform og ikke være mulig for agenten å påvirke.