A Claude Code már nemcsak az Anthropic felhasználóinak ír kódot: a cég saját alkalmazásainak napi karbantartásába is bevonták. A The Decoder beszámolója szerint Boris Cherny, a Claude Code készítője arról számolt be, hogy az ügynök néhány hét alatt 388 pull requestet készített, ezek közül 180-at pedig emberi ellenőrzés után be is olvasztottak.
A nagyjából 46 százalékos arány elsőre nem tűnik elsöprőnek, de nem is ez a kísérlet legérdekesebb része. A Claude Code-ot nem egy különálló demóprojekten futtatják, hanem az Anthropic több platformját érintő, ismétlődő karbantartási feladatokra engedték rá. A cél az, hogy a fejlesztők ne ugyanazokat a hibakeresési, takarítási és tesztelési köröket végezzék el minden nap.
Tizenkét rutin dolgozik a háttérben
Cherny szerint a rendszer egy dedikált Slack-csatornán keresztül indítja el a napi rutinokat az Anthropic iOS-, Android-, asztali, webes és parancssoros alkalmazásain, valamint az Agent SDK-n. A munkát több kisebb, célzott feladatra bontották. Van külön rutin a szimulátorokban előidézett összeomlások felderítésére, a duplikált kód összevonására, az elérhetetlen kódrészletek eltávolítására és a hibás tesztek javítására.
A listán szerepel logikaegyszerűsítő, hibajavító, instabil teszteket kezelő és a már kiadott funkciók mögötti kapcsolókat eltávolító folyamat is. Ezek nem látványos, új funkciók, mégis sok időt visznek el egy nagy szoftvercsapatnál. Pont ezért lehet érdekes az ügynöki megközelítés: ha a feladat jól körülhatárolható, a modellnek nem kell minden alkalommal új termékötletet kitalálnia, csak végig kell mennie egy ellenőrizhető folyamaton.
Nem fekete doboz, hanem felügyelt műszak
A rendszer működésében az a legfontosabb, hogy a Claude nem kapott szabad kezet a kód fölött. A rutinok pull requesteket hoznak létre, amelyeket a Claude Code saját ellenőrzése és emberi review követ. Csak ezután kerülhet be a változtatás a kódbázisba. A 388 létrehozott és 180 egyesített kérelem közötti különbség pontosan megmutatja, miért marad szükség emberi döntésre.
A beszámoló szerint a csapat sokszor egyszerű, természetes nyelvű Slack-utasításokkal indítja a munkát. A fejlesztők nem minden rutin mellé írnak hosszú, bonyolult promptot; inkább a feladat célját, a tesztelési feltételeket és a kívánt eredményt rögzítik. Ha egy rutin hibás vagy túl sok rossz javaslatot készít, a beállításain finomítanak, majd másnap újra lefuttatják.
A 46 százalék egyszerre eredmény és korlát
Az Anthropic saját adatairól van szó, nem független teljesítménytesztről, ezért a 46 százalékot nem érdemes általános iparági mérceként kezelni. A szám mégis hasznos, mert nem egy laborfeladatról, hanem valódi termékek karbantartásáról beszél. A rendszer a mechanikusabb javítások egy részét már most képes előkészíteni, miközben a nehezebb eseteknél a fejlesztőknek kell eldönteniük, hogy a javaslat valóban biztonságos és indokolt-e.
Ez a modell valószínűleg közelebb áll a következő évek szoftverfejlesztéséhez, mint az a kép, amelyben egy ügynök egyetlen paranccsal komplett alkalmazást épít fel felügyelet nélkül. A Claude Code itt inkább egy éjszakai műszakot visz: összegyűjti az ismétlődő problémákat, elkészíti a javítási javaslatokat, a végső döntés pedig továbbra is a csapaté.
