Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures
Dit artikel presenteert een broncode-taxonemie voor LLM-gedreven coderingsagenten, gebaseerd op de analyse van 13 open-source scaffolds, die twaalf architecturale dimensies in drie lagen in kaart brengt om te laten zien dat deze systemen uit samengestelde loopprimitieven bestaan en zich onderscheiden door variaties in besturing, tooling en contextbeheer.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een superintelligente robot hebt die code kan schrijven, bugs kan vinden en programma's kan testen. We noemen deze robots "AI-coders". Maar hier is het geheim: die robot is niet alleen de grote brein (het grote taalmodel, of LLM). Die robot zit ingebouwd in een enorm, complex skelet van software dat we de "scaffold" (steiger) noemen.
Deze paper van Benjamin Rombaut is als het ware een architectenplan van die steigers. Hij kijkt niet naar hoe slim de robot zelf is, maar naar hoe het huis eromheen is gebouwd.
Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:
1. Het Probleem: We kijken alleen naar de motor, niet naar de auto
Vroeger zeiden onderzoekers: "Deze AI is goed omdat hij kan 'plannen' en 'gereedschappen gebruiken'." Dat is als zeggen dat een Ferrari en een vrachtwagen hetzelfde zijn omdat ze beide een motor hebben.
De auteur zegt: "Wacht even! De ene auto heeft een handgeschakelde versnellingsbak en een racestuur, de andere heeft een automaat en een sleepkabel. Dat maakt een enorm verschil voor hoe ze rijden!"
Deze paper kijkt niet naar wat de AI doet (de motor), maar naar hoe de code eromheen is opgebouwd (de chassis, de versnellingsbak, het stuur).
2. De Drie Verdiepingen van het Huis
De auteur heeft 13 verschillende AI-coders onder de loep genomen en ze ingedeeld in drie lagen, alsof je een huis bekijkt:
Verdieping 1: De Bestuurder (Control Architecture)
- Vraag: Wie zit er achter het stuur?
- De vergelijking: Sommige AI's rijden als een trein op een vast spoor (een strakke lijn van stappen). Andere rijden als een racepiloot die constant om de hoek kijkt en nieuwe routes probeert (zoals Monte Carlo Tree Search, een ingewikkelde manier om alle mogelijke routes te testen).
- De ontdekking: Er is geen "beste" manier. Sommige AI's laten de mens sturen (de gebruiker kiest de bestemming), andere sturen zichzelf volledig. De slimste systemen combineren verschillende stijlen: eerst een treinritje, dan een sprong in het onbekende.
Verdieping 2: De Gereedschapskist (Tools & Environment)
- Vraag: Wat mag de robot aanraken?
- De vergelijking: Stel je een timmerman voor. Sommige AI's hebben maar één hamer (ze kunnen alleen bestanden openen). Andere hebben een gigantische gereedschapskist met 37 verschillende gereedschappen, van een boormachine tot een lasapparaat.
- De ontdekking: Of je nu 1 of 37 gereedschappen hebt, je hebt ze allemaal nodig om hetzelfde werk te doen: lezen, zoeken, wijzigen en uitvoeren. Maar hoe je die gereedschappen presenteert aan de AI, maakt het verschil tussen een slordige timmerman en een meester.
Verdieping 3: Het Geheugen en de Energie (Resource Management)
- Vraag: Hoe onthoudt de robot wat er gebeurd is, en wat als het geheugen vol raakt?
- De vergelijking: AI's hebben een beperkt geheugen (zoals een werktafel die maar tot een bepaalde grootte kan). Als je te veel spullen oplegt, moet je iets weggooien.
- De strategieën:
- De Vergetel: Sommige AI's gooien gewoon de oudste spullen weg (soms belangrijke details).
- De Samenvatter: Andere AI's schrijven een samenvatting van de oude spullen op een briefje.
- De Archivarist: De slimste systemen bouwen een digitaal archief waar ze alles perfect kunnen terugvinden, zelfs als de werktafel vol zit.
3. De Grote Ontdekkingen: Het is geen "A of B", maar "A tot B"
De belangrijkste les van dit papier is dat er geen vaste categorieën zijn. Het is geen "rode auto" of "blauwe auto". Het is een kleurenspectrum.
- Geen losse blokken, maar Lego: De auteurs ontdekten dat deze AI's niet uit één groot blok bestaan. Ze zijn gebouwd uit kleine, bouwbaar blokken (zoals een "probeer-en-fout" blokje, of een "plan-en-voer-uit" blokje). De slimste systemen stapelen deze blokken op elkaar in verschillende combinaties.
- Waar we het eens zijn en waar niet:
- Eens: Bij de basisdingen (zoals hoe je een bestand aanpast) zijn de meeste systemen het nu eens. Dat is als het standaardformaat van een schroef: iedereen gebruikt M6.
- Niet eens: Bij de moeilijke dingen (zoals hoe je het geheugen beheert of hoe je zoekt in code) is er nog veel chaos. Iedereen probeert iets anders. Dat is goed! Het betekent dat we nog aan het experimenteren zijn en dat er ruimte is voor verbetering.
4. Waarom is dit belangrijk voor jou?
Als je een ontwikkelaar bent of gewoon geïnteresseerd in AI:
- Voor onderzoekers: Het helpt om te begrijpen waarom iets werkt of faalt. Is het de AI zelf die dom is, of is het de "steiger" eromheen die slecht is ontworpen?
- Voor bouwers: Het geeft een blauwdruk. Je kunt nu zien welke blokken andere succesvolle AI's gebruiken en die zelf combineren, in plaats van alles opnieuw uit te vinden.
- Voor de toekomst: Het helpt ons om betere tests te maken. In plaats van alleen te kijken "wie heeft de meeste punten gescoord?", kunnen we kijken "wie heeft de slimste architectuur gebruikt?".
Kortom: Deze paper zegt: "Stop met kijken naar de motor alleen. Kijk naar de hele auto. De manier waarop we de AI omringen met code (de scaffold) is net zo belangrijk als de AI zelf."
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.