Feedback Loops

AI agenti prirodno optimizuju za brzo završavanje zadatka. Bez ograničenja, oni slepo kopiraju postojeće obrasce, koriste prečice koje prolaze lint, i proizvode kod koji "radi" dok tiho šteti održivosti.

Cilj nije da agenti budu produktivni. Cilj je da dosledno proizvode izmene visokog kvaliteta — a mehanizam koji to omogućava je feedback.

Feedback loops are the core mechanism

Centralna ideja je jednostavna:

Agents improve when they continuously receive feedback about the code they generate.

Ovo odražava način na koji iskusni inženjeri zaista rade. Dobri inženjeri ne veruju svojoj intuiciji, svom pamćenju, ni svojoj prvoj implementaciji. Oslanjaju se na sisteme koji validiraju njihov rad — tipove, testove, review-ere, CI. AI agenti treba da rade na isti način.

Strong feedback loops

Dva obrasca su u temelju svakog AI-asistiranog workflow-a.

Type systems

Snažni tipovi daju agentu trenutne signale za korekciju. TypeScript hvata pogrešne tipove, typo greške, neispravne interfejse i opasne pretpostavke — svaki od njih je besplatan feedback na koji agent može da reaguje bez ljudskog mešanja.

U poređenju sa slabo-tipiziranim sistemima, razlika u kvalitetu AI izlaza je dramatična. tsc greška je precizna, deterministička, mašinski čitljiva instrukcija koja kaže "radi ovo drugačije".

Automated tests

Testovi pružaju validaciju ponašanja. Verifikuju business logiku, edge case-ove, regresije i ispravnost integracija. Princip:

The better the test suite, the better the AI-generated code.

AI postaje značajno pouzdaniji kada može da:

1. Napravi izmenu
2. Pokrene testove
3. Posmatra padove
4. Samokoriguje
5. Ponovo pokrene

Ta petlja pretvara autoregresivni generator tokena u nešto što se mnogo bliže ponaša kao inženjer.

The "do-work" pattern

Umesto izmišljanja workflow-a svake sesije ("implementiraj ovaj feature" i nada se najboljem), korisno je formalizovati jedan. Skill za workflow koji se koristi više puta kao što je do-work standardizuje način na koji agent doprinosi repository-ju.

Sam workflow je jednostavna petlja:

1. Understand the task

Agent čita PRD, istražuje repository, prikuplja kontekst i identifikuje pogođene sisteme. (Vidite Tackling Big Tasks za podešavanje PRD + plana.)

2. Plan the work

Opcionalno za male zadatke. Za veće: razbij rad u faze, definiši implementacijske korake, identifikuj dependencies, smanji dvosmislenost pre pisanja koda.

Planning is often more valuable than implementation speed.

3. Implement the change

Tek nakon konteksta i planiranja. Agent menja feature-e, servise, UI ili infrastrukturu — ali implementacija sama nije ciljna linija.

4. Validate through feedback loops

Ovo je najvažnija faza. Agent pokreće validator-e koji su mu na raspolaganju:

pnpm run typecheck
pnpm run test

Petlja postaje:

write code → receive feedback → fix issues → repeat

To je ono što pretvara AI iz code generator-a u self-correcting engineering system.

5. Commit the work

Kada validacija prođe, agent stage-uje izmene i finalizuje jedinicu rada.

AI committing code is not dangerous if strong feedback loops exist. Commits are reversible. The real danger is unvalidated code.

Skills should be concise

Iznenađujuće važna lekcija: skills should not be verbose. Veliki skupovi instrukcija stvaraju šum, smanjuju fleksibilnost i takmiče se sa repository-jem za pažnju agenta.

Najefikasniji skill-ovi obično sadrže:

• Jednostavan workflow
• Nekoliko jasnih pravila
• Snažne feedback loops

Lagano vođenje, ne mikromenadžment. Repository — ne skill fajl — je ono što oblikuje ponašanje agenta na velikoj skali.

The repository is still the source of truth

Čak i sa najboljim skill-om na mestu, codebase dominira ponašanjem AI-ja (detaljno pokriveno u Software Quality in the AI Era). Ako repository sadrži lošu arhitekturu, nedosledne obrasce, slabo testiranje ili loše apstrakcije, agent će ih replicirati.

Skill-ovi pomažu da se vodi ponašanje. Ne nadjačavaju kvalitet repository-ja.

AI works best in structured environments

Glavni zaključak iz rada sa agentima na skali:

AI coding quality is highly dependent on engineering infrastructure.

Visoko-performansna AI okruženja obično imaju:

• Snažno tipiziranje
• Automatizovane testove
• CI pipeline-e
• Modularnu arhitekturu
• Jasne konvencije
• Male feedback cikluse

AI ne zamenjuje inženjersku disciplinu. Pojačava njen značaj.

The bigger shift

Tradicionalni razvoj je grubo izgledao ovako:

human writes code → QA finds bugs later

AI-asistirani razvoj kreće ka:

AI writes code → automated systems validate instantly → AI self-corrects

Pomak proizvodi uže petlje, bržu iteraciju i dramatično veći inženjerski leverage. Buduća vrednost nije u generisanju više koda — u dizajniranju sistema u kojima ljudi, agenti, testovi i alati formiraju kontinuirani sistem feedback-a za kvalitet.

Core takeaways

• AI bez feedback loops-a ubrzava entropy.
• Snažni testovi i snažno tipiziranje dramatično poboljšavaju AI izlaz.
• Skill-ovi prave ponovljive inženjerske workflow-e — držite ih sažetim.
• Najbolji AI workflow-i imitiraju disciplinovane ljudske inženjerske navike.
• Repository quality matters more than prompts.
• AI najbolje radi kada je kontinuirano validiran.
• Budućnost inženjeringa je feedback-driven system design, ne samo generisanje koda.

Further reading

• Building Effective Agents — Anthropic-ov inženjerski tekst o samokorektivnim petljama agenata (evaluator-optimizer obrazac iza okvira ovog članka).
• The TypeScript Handbook — kanonska referenca za sistem tipova koji tsc grešku pretvara u besplatan, mašinski čitljiv feedback.
• Advanced Context Engineering for Coding Agents — HumanLayer-ov "planiraj pa verifikuj" workflow koji pokazuje zašto kvalitet repository-ja vodi izlaz agenta.

Sledeće: kako učiniti ove validacione korake obaveznim umesto opcionim — vidite Deterministic Feedback Loops.