PodcastsHear the voice. See the shape of the thought.

Lex Fridman sits down with Jean-Baptiste Kempf, president of VideoLAN and lead developer of VLC, and Kieran Kunhya, longtime FFmpeg contributor and the voice behind the infamous FFmpeg account on X, for a four-hour deep dive into the invisible machinery behind virtually all video on the internet. Together they trace the full arc from raw bytes and container formats through hand-written assembly and codec reverse-engineering, confronting the open-source sustainability crisis along the way. The conversation is both a technical masterclass and a meditation on why brilliant volunteers—many of them teenagers—quietly build infrastructure that powers billions of devices every day. ## [00:00] Episode highlight The episode opens with a rapid-fire highlight reel that captures the spirit of what follows. Kempf distills the FFmpeg community's core value: code quality is the only credential that matters—"Maybe you're a dog. I don't care. I need to look at your code." Kunhya adds the scale: FFmpeg is running on roughly 100 million CPUs at any moment, with three billion devices continuously decoding video, and FFmpeg's x86 assembly hand-optimization runs 62 times faster than equivalent C. The segment also previews the CIA-VLC spy story, the intelligence-agency backdoor request Kempf flatly refused, and Kieran's "no regrets" Twitter philosophy. > *"We care about excellent code. We don't care who you are. Like maybe you're a dog. I don't care, right? I need to look at your code."* — Jean-Baptiste Kempf ## [02:17] Introduction Lex sets the scene: FFmpeg is the invisible backbone behind YouTube, Netflix, Chrome, VLC, Discord, and nearly every platform that touches video or audio. VLC has been downloaded more than 6.5 billion times. Both projects are built entirely by volunteers. Lex frames the episode not merely as a technical discussion but as a tribute to engineers who work for the craft rather than for fame or money—"one of the great examples of human beings quietly collaborating across borders to build something useful, durable, and elegant." > *"It is one of the most incredible software systems ever developed, and it's all done by volunteers."* — Lex Fridman ## [05:35] Weirdest things VLC opens The conversation lightens up with playful examples of VLC's legendary tolerance for exotic formats. Kempf describes users capturing VHS tapes via capture cards, support for DVD-Audio with custom encryption, and the Lucasfilm Star Wars game codec that FFmpeg implemented for a single 10-second opening sequence. At a VideoLAN conference, a competition to create the most broken file ever—an MKV where every frame changed resolution, aspect ratio, and rotation—ended with VLC playing it perfectly. The orange traffic-cone logo is discussed: so recognizable that 25% of VLC's website traffic arrives from people searching "cone player." > *"There was a file that's a valid ZIP and a valid MP3 at the same time or something like that—and VLC opened all of the stupid files."* — Kieran Kunhya ## [09:59] How video playback works Kempf and Kunhya walk through what happens the moment you press play: the player fetches a byte stream from a URL, the demuxer separates audio, video, and subtitle tracks, entropy decoding removes mathematical compression, intra prediction reconstructs still-image frames (I-frames), motion-compensation handles temporal redundancy (P- and B-frames), and the final raw pixels are handed to the GPU or audio card. Video compression achieves 100x to 200x reduction by exploiting how human eyes perceive luminance versus color—working in YUV space rather than RGB—and by reusing unchanged background regions across frames. Kunhya warns that every single sentence in this pipeline represents someone's lifetime of work. > *"Everything we've just said in the past couple of minutes, every sentence is someone's lifetime's work. There are books about every sentence."* — Kieran Kunhya ## [19:20] Video codecs and containers The hosts clarify the often-confused distinction between containers and codecs. A container (MP4, MKV, MOV) multiplexes audio, video, and subtitle tracks; the codec (H.264, AV1) compresses the content inside. VLC and FFmpeg deliberately ignore the file extension and probe the actual bytes—because in the real world, extensions lie. The segment covers how AVI was Microsoft's format, MOV became MP4 via Apple, and the Matroska/MKV format emerged from the open-source community. Modern codecs like AV1 are not single algorithms but collections of tools that adapt to content type—screen share, animation, live video—each requiring different coding strategies. > *"We discard the file format. We look into the file to understand what's in it because so many people say, 'Oh, it's a video, it must be MP4,' but technically it's an MOV or maybe it's a MKV."* — Jean-Baptiste Kempf ## [30:07] FFmpeg explained FFmpeg is described as a low-level library suite—libavcodec, libavformat, libavfilter—plus a command-line tool so expressive that Kempf calls it a full programming language. Every person watching a YouTube video, recording with OBS, or editing in a professional broadcast box is likely touching FFmpeg. Kunhya notes that trillion-dollar corporations and grandmothers with home videos operate on exactly the same technology stack. The segment dives into open-source licensing—MIT, GPL, LGPL, AGPL—as "social contracts" that define community norms. Kempf recounts the painstaking process of re-licensing VLC's core from GPL to LGPL, requiring him to track down more than 350 contributors, including visiting the factory-worker father of a deceased contributor to obtain permission for two lines of code. > *"From a philosophical level, it's incredible that your grandmother's home videos and trillion-dollar corporations are on a level playing field using the same technology stack."* — Kieran Kunhya ## [51:07] Linus Torvalds Kempf offers a nuanced defense of Linus Torvalds's legendary harshness. The Linux kernel's core community is tiny—as is FFmpeg's (10–15 active maintainers)—and those few people must maintain every line of code forever. "We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code." Kunhya adds that terseness is often simply fatigue: volunteers arrive home after a full day of work and review patches without the bandwidth to hand-hold. Kempf also points out that most community members are non-native English speakers, and cultural misreadings amplify perceived hostility. > *"We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code."* — Jean-Baptiste Kempf ## [55:46] Turning down millions to keep VLC ad-free Kempf traces VLC's unlikely origin: a French engineering school (École Centrale Paris) whose student-run campus built a satellite video-streaming system in 1995—a decade before YouTube—just to enable faster networks for video games. From that Network 2000 project grew VideoLAN, and VLC emerged as its client. Kempf joined in 2003 when the project had nearly died, grew it from hundreds of thousands to billions of installs, and along the way repeatedly refused "obscene" offers to bundle toolbars, change search engines, or insert advertisements. His reasoning: "I need to go to bed at night and be happy about what I've done. If I had sold out, I would have betrayed so many other people who work here." > *"I refuse dozens of millions of dollars, yes, several times. Yes, I could be a multimillionaire and be somewhere on the beach. But I did not do it because I thought it was not moral and it was not the right thing to do."* — Jean-Baptiste Kempf ## [70:04] FFmpeg & Google drama Kunhya recounts a public controversy in which Google's security team used AI to auto-generate bug reports for FFmpeg, filing them under tight 90-day deadlines—with some vulnerability reports going to the press before patches could be written—without contributing corresponding fixes or meaningful funding. Kunhya compares it to "a denial of service by AI-generated bug reports" on obscure 1990s game codecs. The saga escalated via spicy FFmpeg tweets (a "rap battle" in Kunhya's words), but produced concrete results: Google began sending patches and established a financial reward system for fixes. A parallel incident saw Microsoft Teams engineers file a high-priority bug on the volunteer tracker, name-dropping their product's scale, and offering a one-time payment of a few thousand dollars in response to a request for a long-term support contract. > *"Google uses FFmpeg at a scale probably you or I couldn't even contemplate—millions of CPU cores. And yes, they contribute in areas mostly regarding their own products. But in a wider sense, there's a disproportionate level of contribution."* — Kieran Kunhya ## [89:18] FFmpeg developers What motivates FFmpeg's volunteer engineers? Kempf identifies three drivers: passion for the subject matter (many contributors arrived because they loved anime), excellence of the craft ("this is the best school ever of programming"), and pride in impact ("you can tell your grandma: I do this so you can play video on your laptop"). Kunhya adds that Andrew Kelley, creator of the Zig programming language, was an FFmpeg developer who credits his time there as his real-world education. Teenagers have written thousands of lines of hand-optimized assembly for FFmpeg. Kieran's favorite quote, from John Collison: "The world is a museum of passion projects." > *"If you're good in C, if you know how to write assembly in FFmpeg, I assure you you're going to be one of the best programmers ever—even if you're working on writing TypeScript."* — Jean-Baptiste Kempf ## [95:55] VLC and FFmpeg Kunhya frames the FFmpeg-VLC relationship as a "binary star system": VLC is to FFmpeg as Android is to Linux—they depend on each other and succeed because of each other. Roughly 80% of FFmpeg pipelines depend on at least one VideoLAN project (most often x264). VLC gives FFmpeg exposure to a vast zoo of real-world broken files. When compiled for Windows, VLC links against about 16 million lines of code, of which only 1 million live in the VLC repository itself. The two projects share many developers and collectively demonstrate that complex software ecosystems can be built entirely from interdependent open-source components. > *"VLC is to FFmpeg as Android is to Linux. They depend on each other, but they coexist because of each other."* — Kieran Kunhya ## [100:29] History of FFmpeg The "eras tour" of FFmpeg begins with Fabrice Bellard creating the initial concept, followed by the Michael Niedermayer era of the early 2000s—exhaustive support for DivX, Xvid, Windows Media, and RealMedia, eliminating the need for bloated, spyware-ridden codec packs. The late 2000s brought H.264 maturity and the rise of high-definition video. Throughout, VLC served as FFmpeg's field test: millions of users exposing edge cases that no lab could anticipate. > *"At the time you needed a new player to play every different type of file format. Having a single library that was fast and open source—that was a massive achievement."* — Kieran Kunhya ## [103:46] Reverse engineering codecs The segment showcases the art of reverse engineering proprietary codecs. Kostya Shishkov—described as "borderline genius"—reverse-engineered 20–30 megabyte binary blobs (each megabyte representing roughly a month of normal work) for fun, producing decoders for Windows Media, RealMedia, and GoToMeeting formats. Kunhya explains the methodology: hook into the proprietary player to dump raw YUV data, open a disassembler, step through machine code instruction by instruction to infer the entropy coding, prediction, and IDCT stages, then validate bit-exactness against sample files. For months, the work produces no visible output—pure debugging in memory. > *"He looked at the world as a binary specification. He didn't need documentation or anything. He would go away and come back and do interesting stuff."* — Kieran Kunhya ## [117:01] FFmpeg testing FFmpeg's FATE (FFmpeg Automated Testing Environment) system runs a pivot table of test combinations: dozens of compilers (GCC, Clang, MSVC, Apple Clang, Intel Compiler), operating systems (Linux, macOS, Windows, BSD, Solaris), and CPU architectures (x86, ARM, RISC-V, PowerPC). All test machines are volunteer-hosted. The system catches compiler miscompilations—rare but devastating, since even a single wrong bit in a frame dependency chain can cascade into major visual corruption. Kunhya notes that the Macs at the top of the FATE dashboard are hosted in his own office. > *"It's not just a matrix at this point. It's like a pivot table of different combinations—all run by volunteers."* — Kieran Kunhya ## [121:08] Assembly code (handwritten) This extended chapter is the technical heart of the episode. Handwritten x86/ARM SIMD assembly in FFmpeg and x264 runs up to 62 times faster than equivalent C—a gap that modern compilers and auto-vectorization cannot close despite years of trying. VLC still supports Windows XP through Windows 11, macOS 10.7 through macOS 26, iOS 9 through the latest, BSD, Solaris, and even OS/2. Understanding assembly forces programmers to internalize CPU pipeline stages, SIMD registers, L1/L2/L3 cache, and memory bus constraints. Kempf and Kunhya introduce the x86inc framework built by Loren Merritt for x264 and JB's Assembly Lessons tutorial series, which have attracted contributions from teenagers learning directly from the source. > *"I believe it's necessary to understand assembly language, even if you don't do it much, to understand what's going on inside your computer. That will make you a better programmer."* — Jean-Baptiste Kempf ## [145:26] Rust programming language Kempf and Kunhya hold divergent opinions on Rust. Kunhya respects the memory-safety goal but finds the community self-important—"It has a very big Esperanto vibe"—and argues that Rust rewrites reaching only 85–90% of required feature coverage are insufficient; "the last 1% takes 99% of the time." Kempf has written Rust VLC modules and sees genuine value, but notes that the lack of training data for low-level SIMD work means AI tools cannot yet assist meaningfully. The discussion broadens to the two assembly wizards of the community: Henrik Gramner, whose knowledge of Intel x86 cycle counts exceeds Intel's own engineers, and Martin Storsjö, who writes ARM Neon assembly on a virtual keyboard while watching his kids play in the playground. > *"Rust reminds me of the Sinclair C5. In order to get people to move, you have to build something as good as, if not better than, what you have now."* — Kieran Kunhya ## [154:42] FFmpeg and Libav fork In 2011, FFmpeg split into FFmpeg and Libav, primarily over governance and leadership style rather than technical disagreements. Several Linux distributions temporarily shipped Libav instead of FFmpeg. Kempf describes open-source forks as healthy—they force projects to confront structural weaknesses. Eventually most of Libav's developers returned to FFmpeg, and the projects merged back. Kempf draws a parallel to the XZ Utils attack, where a lone maintainer, exhausted by coordinated social engineering, granted commit access to an attacker—highlighting how burnout creates the very single-point-of-failure vulnerabilities that make critical open-source infrastructure fragile. > *"Forks are important because they change the status quo of a community. FFmpeg today is better than it was before the fork."* — Jean-Baptiste Kempf ## [163:04] Open source burnout Kempf and Kunhya confront the mental health crisis among open-source maintainers. Kempf has received physical death threats—including a letter containing powder—over decisions such as dropping PowerPC support. The security community's habit of filing alarming CVEs for hobby-project edge cases adds psychological load without providing patches. Kempf now maintains several libraries whose original maintainers burned out. The conversation broadens to the systemic problem: critical infrastructure like libxml and XZ is maintained by one or two people, unknown to the trillion-dollar enterprises that depend on them. > *"The mental health of the open source maintainers is something that large corporations don't care or don't see."* — Jean-Baptiste Kempf ## [170:51] x264 and internet video H.264 transformed internet video by arriving exactly when Intel Core 2/Nehalem CPUs made real-time software decoding practical. The key innovation of x264 was psychovisual rate-distortion optimization—encoding decisions driven by visual quality metrics rather than mean squared error, producing sharper, more natural-looking video. This was driven by the anime community's high standards for perceived sharpness. AV1 offers 40–60% bandwidth savings over H.264 at the same quality, but encoding costs two orders of magnitude more CPU. YouTube therefore re-encodes only popular videos in AV1, making the extra compute worthwhile by amortizing it over millions of viewers. > *"Thirty percent of the video from Netflix is now in AV1, fifty percent of YouTube."* — Jean-Baptiste Kempf ## [184:07] Video compression basics The chapter clarifies I/P/B frame structure: I-frames are complete still images, P-frames reference only previous frames, and B-frames can reference both past and future frames. ProRes is an intra-only codec designed for nonlinear editing—no temporal dependencies, fast seeking. The segment also covers constant-bitrate versus constant-quality encoding, group-of-pictures length, and the thousands of engineers at Netflix, YouTube, and Meta whose entire job is tuning FFmpeg parameters for specific content types. A historical curiosity: Google Video originally used VLC as an ActiveX plugin inside Internet Explorer; today VLC is compiled to WebAssembly to run inside browser JavaScript engines. > *"You have I-frames that are complete frames, P-frames that depend only on I-frames, and B-frames that can depend on frames in front."* — Jean-Baptiste Kempf ## [191:04] CIA and fake VLC WikiLeaks' Vault 7 release revealed that the CIA built a modified version of VLC with an additional DLL (psapi.dll) that silently encrypted and exfiltrated documents while the victim watched a movie, using the expected high CPU load of video playback as cover. VideoLAN issued a press release directing users to download only from the official website. A separate incident involved Chinese state hackers distributing a fake VLC using legitimate signed VideoLAN DLLs to target Indian users, causing India to ban VLC until Kempf fought a successful legal battle to reverse the ban. The segment also surfaces a hidden feature: VLC can render movies as ASCII art in a terminal, useful for diagnosing multicast network paths via SSH. > *"If we had to compromise our software, we would shut it down. This is clear."* — Jean-Baptiste Kempf ## [201:39] Ultra low latency streaming Kempf explains adaptive streaming (HLS, DASH): the player downloads segments, times the download, and adjusts quality tier accordingly. The real engineering frontier is live broadcasting with strict CBR constraints—satellite uplinks cannot burst even for one second. Kempf describes his company Kyber, an open-source (AGPL dual-licensed) ultra-low-latency streaming stack targeting robotics and XR, streaming compressed video feeds to devices without onboard compute. The segment ends with a discussion of teleop for robots, where latency directly determines safety. > *"Kyber is open source. Everything on Kyber is open source. If you want to use it in your product and not open source it, you pay the commercial license."* — Jean-Baptiste Kempf ## [219:07] AV2 codec and video patents AV2, the successor to AV1 within the Alliance for Open Media (of which VideoLAN is a member), promises a further 30% bandwidth reduction. VideoLAN's dav1d decoder will be followed by "dav2d." The Alliance exists specifically to escape the HEVC/H.265 patent thicket: HEVC's three separate patent pools demanded fees so large that HP removed HEVC support from new laptops, and streaming giants calculated they could build a new royalty-free codec for less than the annual licensing cost. France's rejection of software patents means Kempf has never paid codec licensing fees—if he had to, the bill would exceed 200 euros per user. > *"At a hundred million per year, you know, I could create my own codec—and this is what they did."* — Jean-Baptiste Kempf ## [228:59] VLC backdoors Intelligence agencies from two different countries approached Kempf asking him to insert backdoors into VLC. He declined both, in terms he describes as "a lot less polite" than a simple no. The chapter broadens into a discussion of European entrepreneurship: Kempf argues that French startup culture has transformed over 15 years—failure stigma has fallen, AI companies are proliferating—while acknowledging that over-regulation remains a real drag. He closes by reflecting on his strategy for remaining calm under legal and political pressure: always ask "am I dying? Am I hurting someone?" If not, move on. > *"If we had to compromise our software, we would shut it down. Also because what we do is good and it's done for everyone."* — Jean-Baptiste Kempf ## [239:14] Video archiving Kieran profiles the archiving preservation community, led in part by Dave Rice of CUNY, which relies on FFmpeg as a "Rosetta Stone" for playing future-proof multimedia. The community funded FFV1, FFmpeg's lossless codec, to guarantee that archived footage loses no information—critical because lossy compression could destroy forensic or historical details visible only on close inspection. A famous cautionary tale: the BBC's 1986 New Domesday Book project archived content on BBC Micros, and within 20 years no one had working software to read it. There are now more historical video tapes in archives than functional tape heads in the world to digitize them, forcing painful triage decisions about what human history to preserve. > *"C will be like Latin. It will be a thing you learn from the past, but it will still be usable in certain contexts."* — Kieran Kunhya ## [245:51] Future of FFmpeg and VLC The closing chapter surveys where multimedia is heading: volumetric video, point-cloud codecs for robotics, RGBD depth streams, XR/VR streaming, and—speculatively—neural interfaces that may one day require codecs for compressed brain data. Kempf is confident FFmpeg will exist in 100 years; VLC he rates as "maybe." He closes with his personal philosophy: "Regrets are a tax on your mind. Learn from your mistakes, but don't regret." The episode ends with Lex reading Linus Torvalds: "Most good programmers do programming not because they expect to get paid or get adulation by the public, but because it is fun to program." > *"Regrets are a tax on your mind. Learn from your mistakes, but don't regret. Because you've done it, so unless you have a time machine, don't regret."* — Jean-Baptiste Kempf ## Entities - **Jean-Baptiste Kempf** (Person): President of VideoLAN, primary maintainer of VLC, founder of Kyber and several other companies; declined tens of millions of dollars to keep VLC ad-free. - **Kieran Kunhya** (Person): Veteran FFmpeg contributor, codec engineer, founder of Open Broadcast Systems, the voice behind the FFmpeg account on X. - **Lex Fridman** (Person): Host of the Lex Fridman Podcast, AI researcher, longtime VLC and FFmpeg advocate. - **Fabrice Bellard** (Person): Creator of FFmpeg, QEMU, and tcc; foundational figure of the project. - **Michael Niedermayer** (Person): Long-time FFmpeg maintainer who drove exhaustive codec support through the 2000s. - **Kostya Shishkov** (Person): Legendary FFmpeg reverse engineer who decoded proprietary binary blobs for Windows Media, RealMedia, and GoToMeeting codecs. - **Henrik Gramner** (Person): Assembly wizard with deeper knowledge of Intel x86 cycle counts than Intel's own engineers. - **Linus Torvalds** (Person): Creator of Linux and Git; referenced as a model of uncompromising code quality standards in open-source communities. - **FFmpeg** (Software): Open-source multimedia framework providing codecs, muxers, filters, and command-line tools; the invisible backbone of nearly all internet video. - **VLC** (Software): Open-source media player with 6.5+ billion downloads, built on libVLC and FFmpeg; plays virtually any format on any platform. - **x264** (Software): VideoLAN's open-source H.264 encoder; the dominant software encoder for internet video, famous for psychovisual optimizations. - **dav1d** (Software): VideoLAN's fast open-source AV1 decoder; widely deployed in browsers and streaming clients. - **VideoLAN** (Organization): French nonprofit that stewards VLC, x264, dav1d, and related open-source multimedia libraries. - **Alliance for Open Media** (Organization): Industry consortium including Google, Netflix, Apple, Amazon, and VideoLAN that created AV1 and is developing AV2 as royalty-free codec standards. - **FATE** (Software): FFmpeg Automated Testing Environment; volunteer-hosted CI grid testing hundreds of compiler/OS/architecture combinations. - **Kyber** (Organization): JB Kempf's startup building an ultra-low-latency open-source streaming stack for robotics and XR, dual-licensed AGPL/commercial. - **H.264 / AVC** (Concept): The dominant internet video codec standard; open-source implementation is x264; basis of Blu-ray and most MP4 files. - **AV1 / AV2** (Concept): Royalty-free next-generation video codec standards from the Alliance for Open Media; AV1 saves 40-60% bandwidth vs H.264; AV2 adds another 30%.

De officiële introductie van Anthropic over Claude Code — wat het is, hoe het verschilt van Claude.ai en de drie dingen die u moet weten voordat u een LLM opdrachten laat uitvoeren op uw codebase. Gericht op ontwikkelaars die de terminaltool voor het eerst willen installeren. ## [00:04] Wat Claude Code is en waar het draait Claude Code is gepositioneerd als een agentische coderingstool: het begrijpt uw codebase, bewerkt bestanden, voert opdrachten uit en integreert met de ontwikkeltools die u al gebruikt. Het is beschikbaar op meerdere platforms — terminal, VS Code, JetBrains IDEs, de Claude-desktopapp en het web — maar deze walkthrough gebruikt de terminal als de referentie-ervaring. > *Claude Code is an agentic coding tool that understands your code base, edits your files, run commands, and integrates with your existing developer tools to help you get things done faster.* ## [00:34] Hoe het verschilt van Claude.ai Het cruciale verschil zit niet in de modelcapaciteit maar in de toegang: Claude Code heeft rechtstreeks toegang tot uw terminal en uw volledige codebase, waardoor de cyclus van kopiëren en plakken in de chat verdwijnt — de tool doet het werk ter plekke. Het "een AI-agent" noemen is een samenvattende term voor dat directe uitvoeringsoppervlak. > *Unlike Claude AI, Claude Code has direct access to your files in your terminal and your entire code base.* ## [00:51] AI-agenten en wat Claude Code kan doen Een AI-agent betekent hier software die met zijn omgeving interacteert en acties onderneemt om een gedefinieerd doel te bereiken — in de meest basale vorm een LLM in een realtime lus met toegang tot tools, externe diensten en andere agenten. Voor Claude Code vertaalt dit zich in concrete mogelijkheden: uw codebase lezen en uitleggen, bugs over bestanden heen traceren, build-scripts en tests uitvoeren, pakketten installeren en actuele API-documentatie van het web ophalen om te beslissen wat er daarna moet gebeuren. > *An AI agent is a software that can interact with its environment and perform actions to complete a defined goal.* ## [01:45] Drie concepten om te kennen voor je begint De verteller benoemt drie eigenschappen die het dagelijks gebruik bepalen. Ten eerste is het **contextvenster** het werkgeheugen van Claude — groot maar eindig — daarom moet de agent strategisch door een codebase navigeren in plaats van alles te laden. Ten tweede **vraagt Claude Code om toestemming** voordat het opdrachten uitvoert of bestanden wijzigt; u behoudt de controle, of u nu elke stap wilt aansturen of het grotendeels zelfstandig wilt laten werken. Ten derde **kan het fout gaan**: de bedoeling verkeerd interpreteren, bugs introduceren of een oplossing overentgineerden. Behandel de uitvoer zoals u die van elk ander tool zou behandelen, niet als evangelie. > *By default, Claude Code will ask you before running commands or making changes to your code base.* ## [02:34] Samenvatting Claude Code is een agentische coderingstool die uw codebase leest, bestanden bewerkt, opdrachten uitvoert en verbinding maakt met externe tools om u te helpen sneller op te leveren — vandaag beschikbaar in terminal, VS Code, JetBrains en de Claude-desktopapp. > *Claude Code is an agentic coding tool. It reads your code base, edits your files, runs commands, and connects to external tools to help you ship faster.* ## Entiteiten - **Anthropic Tutorial Narrator** (Person): De officiële voice-over-verteller van Anthropic voor de Claude Code 101-tutorialserie. - **Claude Code** (Software): Anthropic's agentische, terminalgebaseerde codeerassistent die direct op uw codebase werkt. - **Claude.ai** (Software): Het chatgebaseerde Claude-product — in contrast met de in-omgeving uitvoering van Claude Code. - **AI agent** (Concept): Een LLM dat in een realtime lus draait met toegang tot tools, externe diensten en andere agenten om een gedefinieerd doel na te streven. - **Context window** (Concept): Het werkgeheugen van Claude — eindig, waardoor de agent strategisch navigeert in plaats van de volledige codebase te laden. - **VS Code / JetBrains IDEs** (Software): Editorintegraties waarnaar Claude Code wordt geleverd, naast de terminal en de Claude-desktopapp.

Alex Lupsasca — 2024 New Horizons Breakthrough Prize winner and OpenAI resident scientist — recounts how GPT-5 resolved a year-long open problem in quantum field theory: proving that single-minus gluon tree amplitudes are non-zero and finding their compact closed form. He then describes how the publicly available GPT Pro, given the gluon paper as a seed, independently generalized the result to graviton amplitudes in under three days of human clock time. Throughout the conversation, Lupsasca reflects on what this trajectory means for how physics is done, how the next generation of physicists will be trained, and where the remaining bottlenecks — verification, creativity, and publishing infrastructure — still lie. ## [00:00] Introduction to AI's impact on physics research Lupsasca opens in medias res, framing the episode's central claim before the formal introduction: AI has crossed a threshold where it can resolve questions that stumped human experts for over a year. He describes this not as a curiosity for theoretical physicists but as a profound, if underappreciated, change in the nature of scientific discovery itself. > *"That's a certain milestone that we've passed, and I think maybe for the average person on the street who doesn't care about theoretical physics, this is not very noticeable, but I think it's a very profound change and we've really passed some kind of a threshold."* ## [00:43] Guest introduction: Alex Luposka The hosts — Brandon (Atomic AI) and RJ Honicky (Miro Omix) — introduce Lupsasca as a Vanderbilt professor and OpenAI fellow who holds both the 2024 New Horizons in Physics Breakthrough Prize (often called the "Oscars for science") and the IUPAP Young Scientist Award. Lupsasca immediately sets the narrative arc: a year ago, AI was useful for email but not for his work; ChatGPT o3 was the first model that genuinely helped with research math; then GPT-5 reproduced one of his hardest published results in 30 minutes. > *"When GPT-5 came out it was able to reproduce one of my best papers that took me a very long time to come up with in like 30 minutes. And that's when I really became AI pilled."* ## [02:49] Alex joining OpenAI and the shift in physics research After GPT-5's release, Lupsasca began evangelizing the shift to colleagues who were skeptical. Finding OpenAI equally excited, and being on sabbatical, he joined as resident scientist — the person physicists around the world now email when something astonishing happens. He describes receiving an inbound that week about Codex simulating the Sachdev-Ye-Kitaev (SYK) model in 10 minutes, a feat that many research groups had struggled to achieve due to the narrow Venn diagram of physicists with strong coding skills. > *"I talked to OpenAI. They were also really excited and I thought I have to get in on this and to understand that this is happening and not be a part of it is a huge mistake so I have to go to OpenAI."* ## [04:08] The release of GPT-5 and the shift in capabilities Lupsasca contrasts the lukewarm Twitter reception of GPT-5 (complaints that it was not better at writing email) with what he observed at the science frontier. He notes GPT-5.4 is another significant jump, and describes how AI capabilities for physics have been accelerating rapidly since o3, the first reasoning model strong enough for research-grade mathematics. He uses this as a bridge to the central technical story of the episode: a pair of new papers on gluon and graviton scattering amplitudes. > *"At the science frontier the capabilities were really taking off."* ## [10:05] Explaining Quantum Field Theory and amplitude calculations Lupsasca gives an accessible primer on quantum field theory (QFT), the framework that reconciles special relativity and quantum mechanics. The key objects in QFT are scattering amplitudes — complex-valued functions that encode the quantum probability for a set of incoming particles (with given energies, momenta, and polarizations) to scatter into a set of outgoing particles. These amplitudes are computed at particle colliders like the LHC, and knowing the n-point amplitude (for any number n of particles) encodes essentially the full content of the theory. > *"If you have a particular force and you're able to compute the n-point amplitudes... you know everything about the theory."* ## [14:20] Overview of gluons and the strong force Gluons are the force-carrying particles of the strong nuclear force — the force that, despite like-charge repulsion between protons, holds the atomic nucleus together. They are the QFT analog of photons for electromagnetism and gravitons for gravity. Like photons, gluons carry a polarization (helicity): positive (right-handed) or negative (left-handed). This helicity structure is central to the paper discussed next. > *"The strong force is mediated by the exchange of the particles of the strong force, which are called gluons, because they're what glues together the nucleus of the atom."* ## [14:38] Discussing the first research paper on single-minus gluon tree amplitudes Lupsasca unpacks the paper's title — "Single-Minus Gluon Tree Amplitudes Are Non-Zero" — piece by piece. Tree amplitudes are the leading-order (no-loop) contributions to scattering. All-plus-helicity amplitudes are exactly zero by a symmetry argument. Single-minus amplitudes — where all but one gluon have positive helicity — were assumed in textbooks to also be zero by the same argument. The paper proves they are not. The result involves collaboration with Alfredo Guevara (IAS), David Skinner (Cambridge), Andrew Strominger (Harvard), and Kevin Wheel. > *"If you look at the lecture notes and textbooks that have been written on this, the same argument that rules out the all-plus amplitudes also appears to rule out the single-minus amplitudes."* ## [20:56] How ChatGPT helped solve a year-long physics puzzle Strominger, Guevara, and Skinner had understood for about a year that the textbook argument has a loophole: when particles are collinear (exactly aligned in momentum), the standard dimensional-analysis reasoning fails, and single-minus amplitudes can be non-zero. But computing what those non-zero amplitudes equal had eluded them. Lupsasca invited Strominger to visit OpenAI and work on it with AI. The week before Strominger's flight, Lupsasca began using ChatGPT Pro. By the time Strominger landed, they had the answer. > *"Using ChatGPT we solved the problem before he even got off the plane."* ## [23:02] Complexity of manual calculations in physics Lupsasca shows the audience a concrete illustration of the difficulty: the six-point single-minus amplitude, worked out by hand by Alfredo Guevara, is a sum of 32 terms each of which is itself a product of four complicated factors. The number of terms grows factorially with the number of particles n — super-exponential growth. This is the messy representation that the group had been staring at for a year, seeking the analog of the elegant Parke-Taylor formula. > *"By the time you get to six terms, it explodes in your face."* ## [26:12] The history and mechanics of Feynman diagrams Feynman diagrams are a visual language introduced by Richard Feynman to organize perturbative QFT calculations: diagrams represent possible intermediate histories of a scattering process, and the full amplitude is a sum over all of them. Diagrams are organized by number of vertices (interaction points); each additional vertex is suppressed by the coupling constant, so tree diagrams (fewest vertices) dominate. Loop diagrams — where intermediate particles are created and annihilated — contribute smaller corrections. The combinatorial explosion of tree diagrams is the root cause of factorial growth. > *"In principle, there are infinitely many pictures to sum over."* ## [27:44] The Parke-Taylor formula and the quest for simplification In the 1980s, Parke and Taylor computed the "maximally helicity violating" (MHV, or double-minus) gluon amplitudes through a heroic Feynman diagram expansion. Despite the factorial number of terms, everything canceled to leave a single compact formula — the Parke-Taylor formula — that fits in half a line. Strominger, Guevara, and Skinner spent a year looking for the analogous compact formula for the single-minus case. Their search stalled at the level of the messy Feynman representation. > *"Andy, Alfredo and David spent the last year chasing the analog of the Parke-Taylor formula, the very simple answer that was obtained in the '80s for the double minus amplitudes."* ## [31:26] Using ChatGPT to find the simplification in the special phase space region When the five-point single-minus amplitude was fed to ChatGPT Pro, the model identified a special subregion of phase space (where one particle's frequency has opposite sign) in which the amplitude simplifies from eight terms to a product of just three. This appears not to have been a known fact; the model wrote Python code and tested thousands of possibilities to deduce it. Moving to the six-point amplitude (Guevara's hand calculation), ChatGPT simplified 32 terms to a product of 4. It then conjectured the general n-point formula — with only linear growth in the number of terms, the best possible behavior. GPT-5.2 Pro guessed the formula but could not prove it. > *"The formula that it proposed, instead of having this factorial growth... here it's actually linear. So if you double the number of particles, you only double the number of terms."* ## [38:07] Proving the formula from scratch to ensure validity To obtain a proof, Lupsasca used an internal OpenAI model with extended reasoning. He gave it the problem cold — without the conjectured formula — and asked it to find the general answer in the special phase-space region. After 12 hours of computation, the model independently rediscovered the same formula and produced a complete three-step proof. The proof constitutes the bulk of the published paper. The team kept the AI attribution to one paragraph, framing the paper as a physics result that stands on its own merits. > *"We gave it the whole problem from scratch... and it came back with the same formula which we had not given it. So it rediscovered the correct formula. But this time it also found the proof."* ## [41:00] Determining the scientific impact and future research Asked to compare the result to the Parke-Taylor formula, Lupsasca is candid that scientific impact is only assessable decades later, but argues the result is genuinely surprising and should open a line of attack toward deeper questions in quantum gravity. The conversation pivots naturally to the second paper. > *"I think the true value of a paper can only be assessed decades into the future based on how much future work it leads to and what developments it opens up."* ## [42:27] Introduction to the second paper on graviton amplitudes Gravitons are the hypothetical quanta of gravity — the spin-2 force carrier analogous to the spin-1 photon (electromagnetism) and gluon (strong force). Unlike gluons, gravitons have never been directly detected, but they are central to quantum gravity theory. The second paper, "Single-Minus Graviton Tree Amplitudes Are Non-Zero," shows the same loophole applies to gravity and that a compact formula extends there too — despite gravitons being mathematically more complex than gluons. > *"We wrote this paper which is called single minus graviton tree amplitudes are non-zero. So it's the same title almost, except with graviton instead of gluon."* ## [45:41] Defining particles, irreducible representations, and symmetry Lupsasca sketches the modern QFT definition of a particle (an irreducible representation of the Poincaré group, classified by Wigner according to mass, spin, and charge) and explains why gravitons are spin-2 while gluons and photons are spin-1, making graviton polarization data twice as rich. Crucially, the second paper was complete within three days of the first going public — most elapsed time was spent verifying correctness, not computing. > *"Most of the time was spent verifying the answer, not writing, which is insane, actually, if you take a step back."* ## [47:46] How GPT Pro generalized the research to gravity For the graviton paper, no internal model was needed — the publicly available ChatGPT GPT-5.2 Pro sufficed. Lupsasca provided the gluon paper as context plus two paragraphs describing the key mathematical changes, then said "Good luck. You're a brilliant theoretical physicist." Over a 110-page exchange, the model worked through the graviton calculation — applying the directed matrix tree theorem, a piece of known combinatorics that neither Lupsasca nor collaborators had thought to invoke — produced correct intermediate results, and wrote a draft paper very close to the final arXiv version from section 3 onward. > *"It's a real solid result in quantum gravity that was done pretty much completely by an AI with human steering it and asking kind of the right questions."* ## [53:57] The epistemological shift: Is this a new way of doing physics? The hosts raise the central epistemological question: if an undergraduate with domain knowledge and good prompting could have done this, what does graduate training mean now? Lupsasca agrees this is the hardest open question facing academia. He notes that arduous calculation trains not just skill but self-confidence, that the gap between coursework and the research frontier is growing, and that many "easy" problems professors once assigned to students are now solvable by AI in minutes. He offers two concrete ways AI has already changed his own workflow: dramatically reducing time spent confused between steps, and enabling parallel AI scouts that explore multiple research directions simultaneously. > *"With AI, actually, you can launch 10 instances of chat and have each one try a different route and send it as a scout that moves very fast into the unknown."* ## [59:27] The use of AI as a 'scout' for research directions Lupsasca elaborates on the scout metaphor: rather than carefully mapping a route from A to C before committing to it, a researcher can now dispatch many AI "scouts" in parallel, get rapid feedback on which directions are promising, and redirect human attention accordingly. Even when a scout makes errors, its signposts reduce orientation cost for the human following. This constitutes a qualitatively new mode of research — one where the bottleneck shifts from calculation to judgment about which directions matter. > *"Even if ChatGPT doesn't always get everything right, just kind of having a scout that signposts some key steps along the way that you can use to anchor your own movement is extremely helpful."* ## [61:44] The role of 'taste' and collaboration with AI The hosts push on the problem of "taste" — the ability to identify which questions are at the productive edge of knowledge. Lupsasca argues that working effectively with ChatGPT requires the same skill a professor develops advising students: knowing what question to give, at what level of detail. "Taste" — knowing where the frontier is and which questions there are tractable — is the last skill to develop and the one AI currently lacks. AI is, he says, like an extremely technically skilled graduate student: given a sharp, well-posed question, it can do incredibly hard computations correctly, but it does not yet know which question to ask. > *"The difference between a good physicist and a great physicist is knowing what is the right question to ask — that is actually the hardest part of being a scientist."* ## [70:23] Personal evolution from AI skeptic to resident scientist Lupsasca recapitulates his personal arc: skeptic → converted by o3 (which solved in 11 minutes a calculation that would have taken him days) → "AI-pilled" by GPT-5 (which reproduced, in 30 minutes, his best published result on black hole Love numbers and tidal symmetries — a paper whose training cutoff predated its arXiv release) → now resident scientist at OpenAI. He notes that no competing model at the time could match GPT Pro on that calculation. > *"In under 30 minutes, with one hint... it completely solved this problem, which is one of the nicest calculations that I've ever done."* ## [72:46] Solving a black hole perturbation problem with GPT-5 Lupsasca details the "Move 37" moment that converted him: his paper "Why Is There No Love in Black Holes?" establishes new symmetry generators for perturbations of a Kerr black hole (explaining why black hole Love numbers — tidal response coefficients, named after mathematician Augustus Love — are exactly zero). When GPT-5 Pro was first given the full problem cold, it failed. But after being primed with the simpler flat-space warm-up (a 200-year-old known result), it then solved the full Kerr black hole problem in 18 minutes. > *"GPT-5 was able to reproduce one of my hardest calculations, which I think the number of people in the world that could do that you could count on your hands."* ## [76:34] Discussing whether AI can make original, conceptual leaps The hosts ask whether AI is doing genuine recombination versus true creative leaps. Lupsasca cites Terry Tao, who has not yet seen an AI proof that cannot be traced to an obscure reference. But Lupsasca has been impressed and frames the distinction as one of degree rather than kind — humans may also be recombination machines. He believes continued scaling will produce feats of insight that look like creativity, and notes OpenAI is actively working on enabling models to take bigger, more out-of-distribution leaps suited to scientific discovery. > *"I'm not sure there's a qualitative difference. I think it's just a matter of degree — as we continue scaling the capabilities, I don't see why it's going to stop."* ## [80:09] Challenges of 'AI slop' and the future of academic publishing With models now capable of turning out a physics paper in 30 minutes when properly steered, the arXiv preprint server is being flooded with submissions. Lupsasca distinguishes legitimate use (expert steering + careful verification) from "AI slop" — poorly prompted outputs submitted without adequate checking. His proposed response: raise the bar rather than increase volume. The single-minus amplitude papers open a clear line of attack toward genuine quantum gravity questions; the goal should be to pursue harder problems, not to publish incrementally. > *"Instead, I think now that we have this new tool that gives us AI superpowers, I think we should just raise the bar for what it means to write a good paper."* ## [83:13] The bottleneck of writing academic papers Asked what single bottleneck he would remove, Lupsasca nominates the paper-writing process itself — finding it increasingly strange that researchers use AI to do calculations, compress results into a static paper, and then readers feed that paper back into AI to understand it. He envisions interactive, LLM-embedded papers as a plausible future. He also identifies two missing capabilities in current models: (1) the spark of creativity to identify the next important question, and (2) reliable self-verification, so that the onus of checking long AI-generated proofs does not fall entirely on humans. > *"Maybe some kind of interactive paper which lives in some LLM. Maybe your whole paper is some ChatGPT page... I think we're going to head in that direction."* ## [90:19] Final takeaways and looking ahead to the next year Lupsasca's closing message: pay attention. The trajectory from "useful for email" to "solves open problems in quantum gravity" has taken roughly 18 months. Models are solving open problems that expert communities spent years on. Extrapolating forward, with more scaling already in the pipeline, the next 6 to 12 months should bring further surprises. The right posture is excitement, careful verification, and a commitment to pursuing harder problems. > *"If you just extrapolate that into the future, imagine where we're going to be in 6 months or a year — I think it's kind of surreal to live through this time, but it's really happening."* ## Entities - **Alex Lupsasca** (Person): Theoretical physicist, Vanderbilt University professor and OpenAI resident scientist; 2024 New Horizons Breakthrough Prize and IUPAP Young Scientist Award winner; expert in black hole physics and scattering amplitudes. - **Andrew Strominger** (Person): Harvard professor and Lupsasca's former PhD advisor; pioneer of celestial holography; co-author of both single-minus amplitude papers. - **Alfredo Guevara** (Person): Postdoctoral researcher at the Institute for Advanced Study (IAS); performed the foundational hand calculations underpinning the AI-assisted breakthrough. - **David Skinner** (Person): Professor at Cambridge University; co-author of the single-minus gluon amplitude paper. - **Terry Tao** (Person): Fields Medal-winning mathematician at UCLA; referenced regarding the question of whether AI proofs involve genuine creativity. - **Scattering Amplitudes** (Concept): Complex-valued functions in quantum field theory encoding probabilities for particles to scatter; the central mathematical objects of both papers discussed. - **Single-Minus Gluon/Graviton Amplitudes** (Concept): Tree-level scattering amplitudes where all but one particle have positive helicity; previously assumed zero in textbooks but shown non-zero in a collinear phase-space region. - **Parke-Taylor Formula** (Concept): Compact closed-form result for maximally helicity violating (MHV, double-minus) gluon amplitudes derived in the 1980s; the template whose analog was sought for single-minus amplitudes. - **Feynman Diagrams** (Concept): Diagrammatic technique to organize perturbative QFT calculations; individual diagrams represent distinct intermediate-particle histories whose amplitudes are summed. - **Love Numbers** (Concept): Coefficients encoding tidal deformability; famously vanish for black holes, a fact connected to hidden symmetries studied in Lupsasca's "Why Is There No Love in Black Holes?" paper. - **Celestial Holography** (Concept): Research program exploring symmetries of quantum gravity via scattering amplitude structure; motivates studying graviton amplitudes. - **OpenAI** (Organization): AI research company where Lupsasca serves as resident scientist; developer of GPT-5 and the internal extended-reasoning model used for the amplitude proof. - **arXiv** (Organization): Open-access physics and mathematics preprint server; mentioned in the context of AI-generated "slop" flooding submissions. - **GPT-5 / ChatGPT Pro** (Software): OpenAI's frontier language model used as the primary AI tool in both amplitude papers; capable of extended reasoning steps of 20-34 minutes per prompt.

NYU Stern professor and serial entrepreneur Scott Galloway delivers a two-hour reality check on artificial intelligence: the doom-and-gloom predictions from AI CEOs are largely fundraising theatre, yet the technology poses a genuinely insidious risk that almost nobody is discussing — an epidemic of loneliness. Galloway argues that AI primarily benefits the already-wealthy, that tech leaders should not be trusted to self-regulate, and that the most valuable human skill in the AI era is not coding or Mandarin — it is the ability to endure rejection. The conversation weaves through geopolitics, investing, the masculinity crisis, and what it means to find purpose, closing with a raw reflection on grief and fatherhood. ## [00:00] Intro Host Stephen introduces Scott Galloway against a backdrop of rapid AI development and unsettling quotes from tech CEOs predicting total job replacement. Galloway opens with his central thesis: the two greatest brand collapses of the past 18 months are the United States' global reputation and artificial intelligence itself — both victims of overpromising and poor trust management. He signals that he is an AI optimist at the macro level, but insists the people building it do not have the public's best interests at heart. > *"These techs, they do not have our best interests at heart."* ## [02:45] What's Actually True About AI Galloway reveals a striking data point: approval of AI is directly correlated with income. Only households earning over $200,000 per year hold a net-positive view of the technology, because they benefit through rising portfolios and are the heaviest users. Everyone else sees higher electricity bills, no equity stake in the companies, and dismissive comments from leaders like Sam Altman telling people to stop complaining about energy costs. The AI brand, he argues, has shifted in 18 months from "scary but optimistic" to "scary and only good for the already rich." > *"Your view of AI is directly correlated to your wealth. The only cohort that has a positive rating of AI is people making over $200,000."* ## [05:00] Are AI CEOs Exaggerating The Future To Raise Billions? Galloway lays out the economic logic behind AI catastrophizing. These companies sit on astronomical valuations that can only be justified if either (a) a trillion dollars in incremental revenue materialises from AI-powered products, or (b) there is a massive wave of labour cost savings. Because option (a) is not yet visible — he sees no AI-driven products at meaningful scale — the CEOs amplify option (b), painting vivid pictures of job destruction to justify the efficiency gains enterprises need to believe in. He calls some of the doom talk "thinly veiled fundraising," noting that founders catastrophize and then take secondaries and leave for Santorini. > *"The catastrophizing is nothing more than a thinly veiled attempt to say my technology is so devastating that it's going to shift society and you should invest at this crazy valuation."* ## [09:00] What Would Prove The AI Skeptics Wrong? Asked where he could be wrong, Galloway is specific: if unemployment rises to 20% even temporarily, history shows civil unrest follows regardless of eventual job recovery. He points to radiologists and coders as cases where AI has augmented rather than eliminated roles — new coder job listings are up 11% year-on-year. His benchmark for being wrong is sustained destruction outpacing creation fast enough that the recovery "V" triggers social breakdown before the other side is reached. > *"At 20% unemployment, especially among youth, especially young men tend to get very angry and take to the streets."* ## [11:05] Could AI Move Too Fast For Society To Handle? The conversation turns to pace of change. Galloway uses the host's own media empire — 220 hires in 24 months — as a live counter-example to the apocalypse narrative. He notes a structural inversion: for the first time in decades, unemployment among non-college graduates is lower than among college graduates because AI data centres are driving a boom in trades. He praises the entrepreneurial wave unlocked by AI tools and flags Denmark's 2% GDP commitment to retraining versus America's inadequate equivalent as the real policy failure. > *"AI is not going to take your job. Someone who understands AI is going to take your job."* ## [16:05] What Happens When AI Combines With Robots? Galloway addresses Elon Musk's Optimus robot predictions and the convergence of physical automation with AI cognition. His 2026 stock pick is Amazon, which already holds more industrialised robots than the rest of the US combined and plans to double its retail operation by 2032 without additional headcount. He is sceptical of domestic humanoid robots but takes seriously the military application of weaponised autonomous systems as a genuinely dark unknown frontier. > *"Amazon is saying they're going to double their largest business, which is their retail business by 2032 without an incremental hire using robotics, industrialised robots."* ## [19:05] Is Elon Musk Selling Vision or Reality? Galloway separates Musk the innovator from Musk the stock promoter. He calls Starlink the best tech product of the past several years and credits Musk with inspiring the EV race. But Tesla should trade at 30x earnings, not 150x, and capital will migrate to SpaceX when it IPOs at a projected 90–110x revenues. The core insight: the modern CEO's job has inverted from underpromise-and-overdeliver to overpromise-and-underdel in order to access cheap capital and pull the future forward. > *"The key attribute of an innovator right now is storytelling — to make sure the promise is way ahead of the performance such you can access cheap capital and pull the future forward."* ## [24:05] Which Jobs Are First To Disappear In The AI Shift? Long-haul trucking is Galloway's clearest near-term casualty: autonomous trucks can run the 10 pm to 4 am window and trucking is the largest single employer of non-high-school-graduate males in America. Legal work at the junior associate level is already being displaced — he now routes contracts through two competing LLMs rather than a $400–$2,000 law firm review, projecting a third reduction in his annual legal spend. The pattern he observes is multiplication: one AI-fluent analyst replaces five, yet the resulting EBITDA funds expansion that creates new jobs elsewhere in the ecosystem. > *"AI is not going to take your job. Someone who understands AI is going to take your job. So have a second screen — always have a second screen open that has nothing but AI on it."* ## [30:05] What Skills Will Actually Matter In The Future? Storytelling tops Galloway's list — the ability to look at data, construct a narrative arc, and communicate it compellingly across every medium. He holds up Jeff Bezos's 1997 shareholder letter, Jensen Huang's stadium keynotes, and Alex Karp's walk-and-talk earnings calls as models. Relationships are the second pillar: as technology converges and products commoditise, the differentiator is whether people want to work with you. He is honest that predicting specific skills is unreliable — private schools doubled down on computer science and Mandarin a decade ago, and neither bet has paid off as expected. > *"The enduring skill is storytelling — your ability to look at data, create a narrative arc and then communicate that story in a compelling way via all the different mediums."* ## [33:45] Are Young People Losing The Ability To Handle Rejection? Galloway identifies the erosion of rejection-tolerance as the most underrated threat facing young people, especially young men. Frictionless online relationships offer a simulacrum of connection without the emotional labour of real-world risk. He mentors young men by assigning deliberate rejection exercises: approach a stranger for friendship, ask someone out for coffee. The goal is not the yes; it is learning that a no is survivable. He argues his own superpower is simply the willingness to mourn failure and try again. > *"The secret to my success is rejection. I ran for sophomore, junior, and senior class president of my high school. I lost all three times."* ## [39:55] Can You Trust The People Building AI? A sharp cultural critique: America has replaced declining religious institutions with tech idolatry, crowning each new CEO as a secular Jesus Christ. Steve Jobs, then Zuckerberg, then Sam Altman, now Dario Amodei — each is briefly positioned as the good guy before completing the villain's journey. Galloway's argument is not that these people are evil but that they are doing exactly what capitalism demands: maximising earnings regardless of wider harm. The answer is not more trustworthy tech founders; it is competent elected officials who regulate them. > *"Can we trust Sam Altman? No. But we shouldn't need to trust him. We should be able to trust that we have smart elected officials that will regulate these companies."* ## [44:50] Are Tech Leaders Quietly Preparing For The End? Galloway reveals that roughly one in three billionaires maintain a "go bag" — a fully funded escape plan, typically a private jet to Auckland and a fortified New Zealand bunker. He calls this nihilism: the ultra-wealthy have sequestered themselves so completely from ordinary infrastructure — private aviation, concierge medicine, private security, elite schools — that they are no longer invested in the health of society. Their disproportionate political donations are therefore not directed at making the system work for everyone. > *"The problem is the 0.1% are not invested in the health of America. They don't have to put up with TSA lines. They fly private."* ## [52:00] Do Some AI Leaders Believe The Risk Is Worth It? A secondhand but chilling account: a source with direct access to an AI CEO described someone who genuinely believes there is a roughly 7–10% chance their work ends in catastrophe, but considers being the person who summoned this new intelligence consequential enough to proceed regardless. Galloway connects this to widening inequality — the delta between middle-class and ultra-wealthy life has expanded so dramatically across healthcare, travel, and security that the incentives of the 0.1% are structurally misaligned with the rest of society. > *"The bottom 99% of Western societies are essentially being optimised and monetised to make the life of the 1% just unbelievable."* ## [58:04] Ads Sponsored segments for LinkedIn Hiring Pro and Function Health. ## [60:05] Could AI Make Us More Human? Galloway offers a surprising positive: unlike social media algorithms that push users toward political extremes, AI models appear to moderate views by seeking statistical medians. He sees genuine value in AI companionship for isolated elderly users. But he returns to his central fear: the biggest downside of AI is not weapons, not election contamination, not even income inequality — it is loneliness. Men aged 20 to 30 are spending less time outdoors than prison inmates, and 42% of men aged 18 to 24 have never asked a woman out in person. > *"The biggest downside of AI in my view is loneliness. AI is convincing people they can have a reasonable facsimile of life on a screen with an algorithm."* ## [65:00] What Happens When AI Becomes Your Closest Companion The conversation shifts to the Iran conflict as a case study in what happens when strategic incompetence meets operational excellence. Galloway credits the initial military strike as tactically credible but argues the absence of Congressional briefing, Gulf ally coordination, and clear exit objectives has produced a quagmire — and notes Iran's IRGC-produced propaganda is outperforming US information operations in the global war of memes. > *"The problem with wars is that the enemy has a say. And all the enemy needs to do — whether it's the Viet Cong or the Taliban or the IRGC — is survive, and they win."* ## [70:00] The Hidden Trade-Off Between Convenience And Real Relationships Galloway diagnoses America's Iran strategy as a product of a gutted diplomatic corps. When senior officials fly to Islamabad expecting a deal, 97% of the preparatory work that career diplomats would normally complete simply has not happened. The IRGC understands the game better: all they need to do is survive, and every day the conflict continues they look like the underdog who stood up to the superpower. His most optimistic scenario is a multinational force enforcing freedom of navigation through the Strait of Hormuz. > *"Do you know what we have done in the US to our diplomatic corps? We've absolutely gutted it."* ## [75:00] Why Loneliness Could Explode US stock markets hit an all-time high during active Middle East conflict — a sign that the wealthy are so insulated from geopolitical risk that war no longer registers in asset prices. The top 10% account for 50% of consumer spending, and that cohort does not care if gasoline hits six dollars a gallon. The pain is outsourced to lower-income households and oil-dependent nations. Galloway frames this dissociation from shared risk as one of the most dangerous structural features of contemporary inequality. > *"We've outsourced the downside of war to less wealthy nations who are very oil dependent, to the Gulf, which is incurring damage here."* ## [79:26] The Real Reason Human Connection Might Become More Valuable Extended discussion of AI market valuations and the historical pattern of infrastructure overbuild. Every great infrastructure boom — railroads, electrification, the internet — ended in a crash, and AI capex now constitutes a significant share of US GDP growth. Galloway argues there is a one-in-three chance AI ends up like jet aviation or vaccines: transformative for humanity but impossible to monetise exclusively for a small group of companies, because open-weight Chinese models could commoditise the entire stack through "AI dumping." > *"AI puts AI out of business. And that is if you look at the convergence of the technologies, all the models are converging."* ## [85:00] What This Means For The Next Generation Galloway argues that a market correction might actually benefit younger generations by making assets affordable again. He flags GLP-1 drugs as his technology pick over AI in terms of real-world human impact. His personal investment philosophy at age 61: aggressive diversification, no single position above 3% of net worth, rotation out of overheated US markets into Europe and Latin America. For young people, the only wealth-building path he trusts is compound interest through low-cost index funds, with money automatically invested before it can be spent. > *"The only answer I have is slowly — find out a way to start saving when you're a teenager, 25 bucks a month, then in your 20s 100, then 500."* ## [90:00] How Power, Politics, And AI Are Becoming Intertwined Drawing on his experience losing 70% of New York Times ad revenue in 60 days during 2008, Galloway warns that younger entrepreneurs have never experienced a true recession. He argues that the political class has systematically bailed out asset-owning baby boomers — COVID relief, corporate bailouts, perpetual market support — while denying younger generations the chance to buy assets at distressed prices. Recessions historically created entry points; that mechanism is now deliberately suppressed. > *"Your generation really doesn't know what a recession looks like. Like, everything stops."* ## [95:00] The Dangerous Gap Between Technology And Regulation Personal finance advice combined with a reflection on the limits of prediction. Galloway's investment rule for young people: put money in yourself first, then in relationships, then in diversified index funds. He is honest that picking winning sectors is largely futile, and that anyone claiming certainty does not know. His own investment in Pokemon cards with his son illustrates that the best investments compound in non-financial ways — relationships and shared experience accrue value that conventional ROI cannot measure. > *"The only answer I have is slowly and it requires some discipline. Save money, diversify, compound interest, invest in relationships early."* ## [100:00] What Happens If Governments Can't Keep Up With AI Asked what a 33-year-old should know that a 61-year-old has learned, Galloway offers three lessons: be humble in success because much of it is luck; forgive yourself in failure because much of it is also circumstance; and invest aggressively in relationships in your 30s, because he spent his prime years professionally focused and nearly ended up isolated. He frames every major disappointment as something people later regret not the thing itself but how upset they allowed themselves to be. > *"Nothing's ever as good or as bad as it seems. Be humble when you're successful. And forgive yourself and realise this will pass."* ## [105:00] The Future Of Work, Power, And Who Really Wins Fatherhood as purpose. Galloway confesses he did not want children and did not fall in love with his sons immediately after birth. What changed his view was discovering that fatherhood is the one investment where a positive financial return is structurally impossible — and that is precisely what makes it purposeful. The same logic applies to any cause large enough to demand more than you can ever get back: veterans, activism, caregiving. He closes with frank advice on partnership, timing, and the liberation of having no choice but to lean into your children's interests. > *"Finding your purpose is finding that thing that you can never get a real positive return on. I will never get a positive return for my children."* ## [110:00] Why The Biggest AI Risks Aren't What You've Been Told The final chapter opens with Galloway's emotional description of his sons' contrasting personalities — one a mirror of himself, one a "different species" he observes with fascination. He discusses his book *Notes on Being a Man*, framing it as letters he hopes his boys will read in 30 years. The closing question — the biggest setback and its lesson — draws the most emotionally raw answer of the episode: his mother's death. He says he has not gotten over it and does not want to, because grief is the receipt for love, and he hopes his sons will one day feel the same about losing him. > *"My mother dying. And you can never tell your parents how much you love them too much. The reverse of love is grief."* ## Entities - **Scott Galloway** (Person): NYU Stern Professor of Marketing, serial entrepreneur, author of *The Four*, *The Algebra of Happiness*, and *Notes on Being a Man*; host of the Prof G Pod and Pivot podcast - **Sam Altman** (Person): CEO of OpenAI; used as the primary case study in the recurring tech-leader idolisation and disillusionment cycle - **Elon Musk** (Person): CEO of Tesla, SpaceX, and xAI; discussed as visionary storyteller whose real products (Starlink, SpaceX) are transformative but whose timelines consistently overshoot - **Dario Amodei** (Person): CEO of Anthropic; cited as the current tech industry "good guy" before the inevitable villain turn - **Jensen Huang** (Person): CEO of Nvidia; held up as a model of storytelling-driven CEO performance via stadium keynotes - **OpenAI** (Organization): Developer of ChatGPT; primary subject of fundraising-hype and overvaluation critique - **Anthropic** (Organization): AI safety company; referenced as beneficiary of the "latest hero" investor narrative - **SpaceX** (Organization): Musk's rocket company; flagged as likely destination for capital migrating away from Tesla at IPO - **Amazon** (Organization): Galloway's top large-cap stock pick for 2026 due to robotics leadership and warehouse automation scale - **Tesla** (Organization): Great car company trading at an unjustifiable multiple that will correct when SpaceX IPOs - **GLP-1 drugs** (Concept): Weight-loss and metabolic medications (Ozempic/Wegovy class) that Galloway argues will create more real-world human impact and shareholder value than AI - **AI dumping** (Concept): Galloway's term for China flooding the US with cheap open-weight AI models to undermine American AI valuations and destabilise the economy - **Go bag / billionaire nihilism** (Concept): The practice among roughly one-in-three billionaires of maintaining funded escape plans as a symptom of disengagement from shared societal wellbeing - **Rejection tolerance** (Concept): Galloway's candidate for the most underrated skill of the AI era — the willingness to hear no, mourn briefly, and try again

Jim Fan, lead of Nvidia's embodied AI research, outlines the transition from language-centric models to World Action Models (WAM) that simulate physical reality. He details a roadmap toward the 'Physical Turing Test' and autonomous factories by 2040, driven by video pre-training and human egocentric data scaling. ## [00:00] Introduction Host Sonya Huang introduces Jim Fan, who leads Nvidia's embodied autonomous research group. Fan reflects on his early days as an intern and the excitement surrounding the future of robotics. > *robots are just one of the most thrilling things that's going to happen.* > *[0, 12]* ## [00:30] DGX One Origin Story Jim Fan recounts the 2016 delivery of the first DGX-1 by Jensen Huang to Elon Musk and the OpenAI team. He highlights how this moment catalyzed the deep learning revolution that led to current AI breakthroughs. > *If you believe in deep learning, deep learning will believe in you.* > *[1, 26]* ## [01:42] The Great Parallel Fan proposes 'The Great Parallel,' applying the successful LLM scaling playbook to robotics. Instead of predicting the next token in a string, the goal is to predict the next physical world state through simulation and alignment. > *instead of simulating strings can we simulate next physical world state?* > *[2, 56]* ## [03:31] Robotics Endgame Setup The strategy for achieving the robotics end game is divided into two primary pillars: model strategy and data strategy. Fan notes that while LLMs are in their final 'boss fight,' robotics is just beginning its scaling journey. > *It boils down to two things, model strategy and data strategy.* > *[3, 32]* ## [03:39] Why VLA Falls Short Visual Language Action (VLA) models are criticized for being 'head-heavy' on language while lacking a fundamental grasp of physics and verbs. Fan argues they are better at encoding static knowledge than dynamic physical interaction. > *VLAs are great at encoding knowledge and nouns, but not so much at physics and verbs.* > *[4, 8]* ## [04:32] Video World Models Fan explains how video models like VEO3 learn internal physics—such as gravity and buoyancy—simply by predicting pixels at scale. These models act as simulators that can solve mazes and plan visual sequences internally. > *Physics emerge by predicting the next blob of pixels at scale.* > *[5, 15]* ## [06:09] DreamZero World Action Nvidia introduces 'Dreamer' and World Action Models (WAM), which jointly decode future world states and motor actions. This allows robots to perform zero-shot tasks by 'dreaming' the correct motion sequence before executing it. > *Dreamer jointly decodes the next world states and next actions.* > *[6, 29]* ## [07:46] Scaling Data Collection To overcome the physical limits of teleoperation, Fan discusses Universal Manipulation Interfaces (UMI) and exoskeletons like Dex-UMI. These tools allow humans to collect high-dexterity data directly without the robot being in the loop. > *we're able to break the curse of 24 hours per robot per day* > *[10, 6]* ## [11:06] EgoScale And Scaling Laws Fan introduces Ego-Exo, a policy trained on 21,000 hours of human egocentric video. This research uncovered a neural scaling law for dexterity, showing a mathematical relationship between pre-training volume and robot performance. > *we discovered this neural scaling law for dexterity.* > *[12, 39]* ## [15:39] DreamDojo And The Roadmap Fan outlines the roadmap to 2040, including the Physical Turing Test and 'lights-out' factories. He introduces Dream Dojo, a neural simulator that replaces classical physics engines with data-driven world models. > *I can say with 95% certainty that we'll get to the end of the end game... by 2040.* > *[19, 19]* ## Entities - **Jim Fan** (person): Lead of the embodied autonomous research group at Nvidia. - **Nvidia** (organization): The technology company developing the hardware and software for the robotics end game. - **Jensen Huang** (person): CEO of Nvidia, mentioned for delivering the first DGX-1 to OpenAI. - **OpenAI** (organization): The research lab that received the first DGX-1 for deep learning development. - **DGX-1** (product): The world's first deep learning supercomputer delivered in 2016. - **VEO3** (model): A video world model capable of simulating physics and visual planning. - **Dreamer** (model): A policy model that predicts future world states and actions simultaneously. - **Ego-Exo** (project): A robotics pre-training framework using large-scale human egocentric video data.

Andrej Karpathy explores the paradigm shift from traditional programming to Software 3.0, where LLMs act as programmable computers driven by context. He details the transition from 'vibe coding' to 'agentic engineering,' emphasizing that while AI handles execution, human taste and understanding remain the ultimate bottlenecks. ## [00:00] Introduction Stephanie Zhan introduces Andrej Karpathy, highlighting his foundational work at OpenAI and Tesla. She notes his unique ability to simplify complex AI shifts and introduces the concept of vibe coding. > *He has a rare gift of making the most complex technical shifts feel both accessible and inevitable. [00:22]* ## [00:44] Feeling Behind as a Coder Karpathy describes a turning point in December 2023 when agentic tools began producing perfect code without manual intervention. This shift led him to adopt vibe coding, trusting the AI to handle complex workflows autonomously. > *I just start to notice that with the latest models the chunks just came out fine. [01:29]* ## [02:28] Software 3.0 Explained Karpathy defines Software 3.0 as a paradigm where the LLM acts as a programmable computer and the context window serves as the primary programming lever. This follows Software 1.0's manual rules and Software 2.0's data-driven weight training. > *Software 3.0 is kind of about your programming now turns to prompting and what's in the context window is your lever. [03:20]* ## [03:44] Agents as the Installer Using the installation of OpenClaw as an example, Karpathy explains how agents replace rigid bash scripts with intelligent, environment-aware execution. This approach allows the AI to debug and adapt to specific system requirements autonomously. > *The agent has its own intelligence that it packages up and then it kind of like follows the instructions. [04:29]* ## [04:49] Menu Gen vs Raw Prompts Karpathy contrasts his custom-coded MenuGen app with raw prompts to models like Gemini, concluding that many traditional software layers are now redundant. He emphasizes that AI can now perform general information processing that was previously impossible with structured code. > *The software 3.0 paradigm is a lot more kind of raw. It just your neural network is doing more and more of the work. [06:11]* ## [07:37] What’s Obvious by 2026 Looking toward 2026, Karpathy envisions neural computers that process raw video and audio directly. These systems would use diffusion models to generate dynamic user interfaces, potentially making traditional UI code obsolete. > *You could imagine completely neural computers... a device that takes raw videos or audio into basically what's a neural net. [08:22]* ## [09:41] Verifiability and Jagged Skills AI models develop 'jagged' capabilities, peaking in verifiable domains like math and code due to reinforcement learning rewards. Karpathy notes the paradox where a model can refactor a massive codebase yet fail simple logic. > *state-of-the-art models today will tell you to walk [to a car wash] because it's so close... This is insane. [11:36]* ## [13:39] Founder Advice and Automation Model performance is heavily dictated by the specific data distributions chosen by frontier labs. Karpathy advises founders to explore the 'circuits' of these models to understand their strengths or use fine-tuning to fill gaps. > *we are slightly at the mercy of whatever the labs are doing, whatever they happen to put into the mix. [12:57]* ## [15:46] From Vibe Coding to Agent Engineering While 'vibe coding' raises the accessibility floor, 'agentic engineering' focuses on maintaining professional quality. This discipline involves coordinating powerful but stochastic agents to accelerate development without sacrificing the engineering bar. > *agentic engineering is about preserving the quality bar of what existed before in professional software. [16:07]* ## [25:17] Agents Everywhere and Learning Karpathy advocates for agent-native infrastructure, expressing frustration with human-centric documentation. He argues that while thinking can be outsourced to AI, human understanding remains a critical bottleneck for directing agents. > *You can outsource your thinking, but you can't outsource your understanding. [28:10]* ## Entities - **Andrej Karpathy** (person): AI researcher and former Director of AI at Tesla and founding member of OpenAI. - **Stephanie Zhan** (person): Partner at Sequoia Capital and host of the discussion. - **Software 3.0** (concept): A paradigm where LLMs act as programmable computers via prompting and context. - **Agentic Engineering** (concept): The professional discipline of coordinating AI agents to maintain software quality. - **MenuGen** (project): An app Karpathy built to OCR and visualize restaurant menus, used as a case study. - **OpenAI** (organization): AI research company co-founded by Karpathy. - **Gemini** (ai-model): Google's LLM used in Karpathy's software comparison. - **Vercel** (organization): A cloud platform used by Karpathy to deploy projects.

Ivanka Trump biedt een openhartige blik op haar leven, van een unieke jeugd gevormd door beroemde ouders en intense media-aandacht tot haar invloedrijke carrière in het bedrijfsleven en de publieke dienst. Ze deelt lessen die ze van haar moeder leerde, de uitdagingen van het opbouwen van vertrouwen, en hoe ingrijpende ervaringen zoals de scheiding van haar ouders en de aanslag op haar vader haar veerkracht versterkten. Trump bespreekt ook haar filosofie over intentionaliteit, de kracht van onderschat worden, en haar persoonlijke groei door moederschap en therapie, uitmondend in haar missiegedreven werk met Planet Harvest. ## [00:00] Waarom vertrouwen niet vanzelfsprekend is en wat dat onthult Ivanka Trump leerde al vroeg, met name tijdens de breed uitgemeten scheiding van haar ouders op negenjarige leeftijd, om op haar hoede te zijn voor onoprechte relaties vanwege constante media-aandacht en opdringerige paparazzi. Haar moeder leerde haar de kracht van onderschat worden en het belang van het filteren van externe "ruis" onder druk. Hoewel ze aanvankelijk een sterk verdedigingsmechanisme tegen vertrouwen ontwikkelde, heeft ze sindsdien bewust een meer vertrouwende houding gecultiveerd voor diepere verbindingen, waarbij ze de inherente risico's accepteert. > *mijn moeder leerde me dat onderschat worden geen slechte zaak is. Het is eigenlijk heel krachtig [00:22]* > *Ik heb mezelf echt aangeleerd om meer vertrouwend te zijn. [05:48]* ## [03:32] Wanneer je beseft dat je anders bent en wat er dan gebeurt Ivanka Trump besefte al op jonge leeftijd dat haar leven atypisch was door de constante media-aandacht en publieke controle, een fenomeen dat ze contrasteert met de huidige versterkte blootstelling aan sociale media voor kinderen. Ze merkt op dat haar ouders moeite deden om haar en haar broers en zus te beschermen tegen deze intense publieke blikken. Ze geeft de voorkeur aan diepgaande gesprekken boven frequente interviews. > *Ik denk dat er altijd veel media-aandacht en controle was. Je ziet het, je ervaart het heel vroeg. [06:24]* > *niet iedereen denk ik de ervaring die onze kinderen hebben waar ze ook gaan mensen hebben een opnameapparaat in hun handen [06:40]* ## [05:44] Hoe haar moeder werkelijk was achter gesloten deuren Ivanka Trump beschrijft haar moeder, Ivana, als een gedisciplineerde voormalig nationaal skiester die de waarde van sport bijbracht, wat Ivanka naar ballet leidde. Ze herinnert zich een ongewone jeugdherinnering waarbij Michael Jackson haar Notenkraker-voorstelling bijwoonde. Ondanks deze buitengewone ervaringen werd haar dagelijks leven gegrond door haar grootmoeder van moederskant, "Bubby," die onvoorwaardelijke liefde gaf en deze uitte door te koken. > *mijn moeder was een ongelooflijke skiester... ze geloofde echt in het belang van sport voor het kweken van discipline [07:07]* > *Mijn grootmoeder... heeft ons echt grootgebracht... ze leerde me een soort onvoorwaardelijke liefde en tederheid [08:44]* ## [11:47] Het cruciale verschil dat bepaalde wie ze werd De opvoeding van Ivanka Trump werd diepgaand gevormd door zowel haar liefdevolle grootmoeder, "Bubby," die onvoorwaardelijke liefde en dagelijkse zorg bood, als haar moeder, Ivana, die als baanbrekend rolmodel fungeerde. Ivana belichaamde kracht, ambitie en veerkracht, en toonde hoe je professionele doelen kunt nastreven terwijl je een liefhebbende moeder bent. Ivanka verduidelijkt dat ondanks de drukke carrières van haar ouders, ze aanwezig waren en haar het gevoel gaven dat ze prioriteit had, waarbij haar grootmoeder de traditionele verzorgingsrol vervulde. > *Mijn moeder was een ongelooflijke pionier... een geweldig voorbeeld voor mij van kracht en veerkracht en glamour en vastberadenheid en ambitie. [11:57]* > *Er was nooit enige twijfel in mijn hoofd dat ik zijn hoogste prioriteit was en dat hij beschikbaar voor me was. [14:42]* ## [15:43] Wat de scheiding van Donald en Ivana Trump echt voor haar betekende De breed uitgemeten scheiding van Donald en Ivana Trump, waarover Ivanka op negenjarige leeftijd las in een krant, had een diepgaande impact op haar. Ze herinnert zich de angst door de intense media-aandacht en de normale angsten van een kind tijdens een scheiding. Deze uitdagende periode, die meer krantenkoppen genereerde dan het O.J. Simpson-proces, smeedde een unieke band tussen haar en haar broers en zus. Later in haar leven, na het overlijden van haar moeder, kreeg Ivanka een dieper begrip van Ivana's complexe karakter, gevormd door haar opvoeding in communistisch Tsjecho-Slowakije, en wenste ze dat ze meer vragen had gesteld toen haar moeder nog leefde. > *deze scheiding genereerde blijkbaar meer krantenkoppen dan het O.J. Simpson-proces. [20:04]* > *het positieve voor mij en mijn broers en zus was dat we echt op een andere manier een band kregen omdat we het samen doormaakten. [23:21]* ## [18:27] De realiteit van Trumps dochter zijn: wat mensen verkeerd begrijpen Als dochter van Donald Trump moest ze al op jonge leeftijd omgaan met intense publieke controle, vooral tijdens de scheiding van haar ouders, wat haar een noodzakelijke voorzichtigheid ten aanzien van vertrouwen bijbracht. Ze heeft sindsdien geleerd om "het signaal in de ruis te vinden" en vermijdt strijdlustige sociale media, waarbij ze innerlijke rust vooropstelt. Ivanka benadrukt de diepe authenticiteit van haar ouders, en hoewel ze zelf delicater communiceert, behoudt ze een sterk zelfbeeld, geleid door de stoïcijnse filosofie, om authentiek te leven en externe druk te weerstaan. > *Als ik die les niet had gehad, weet ik niet of ik zo sterk zou zijn. Het leerde me om niemand te vertrouwen. [18:53]* > *Ik sla niet terug omdat ik niet... geloof in het besteden van mijn tijd en aandacht aan strijdlustig zijn, aan het springen in die arena en de nare draaikolk van sociale media. [26:19]* ## [23:36] Hoe vind je jezelf te midden van macht en roem Te midden van macht en roem vond Ivanka Trump haar identiteit door bewuste persoonlijke groei en de transformerende ervaring van het moederschap, dat haar "openbrak" en haar vermogen tot liefde verdiepte. Ze benadrukt het cruciale belang van zelfbewustzijn om externe druk te weerstaan en jezelf te definiëren, in plaats van "de menigte te laten winnen." Ze past deze filosofie toe op haar opvoeding, bevordert individualiteit bij haar kinderen, en schrijft het aan haar eigen ouders toe dat ze respectvol verzet toestonden, waardoor ze zichzelf kon zijn. > *Als je niet weet wie je bent, wint de menigte. [29:55]* > *Ze creëerden een omgeving waarin afwijkende meningen oké waren. [32:44]* ## [30:57] Waarom onderschat worden haar grootste voordeel werd Ivanka Trump leerde van haar moeder dat onderschat worden een krachtig voordeel kan zijn. In haar vroege vastgoedcarrière werd ze vaak verkeerd beoordeeld als zowel het kind van succesvolle ouders als een jonge vrouw in een door mannen gedomineerde sector. Ze benuttte deze perceptie en gebruikte het als motivatie om harder te werken en overgoed voorbereid te zijn, en zette het uiteindelijk in haar voordeel in tegen degenen die haar onderschatten. > *mijn moeder leerde me dat onderschat worden geen slechte zaak is. Het is eigenlijk heel krachtig [00:22]* > *Ik heb die angst, dat gevoel, gebruikt om mezelf voort te stuwen. [35:06]* ## [32:59] Waar ze echt op let bij het aannemen van personeel en waarom dat ertoe doet Bij het aannemen van personeel geeft Ivanka Trump prioriteit aan mensen met een sterk zelfbeeld, daadkracht, goed beoordelingsvermogen en "straatslimheid," omdat deze aangeboren kwaliteiten moeilijk aan te leren zijn. Ze benadrukt het belang van werken met "goede mensen" die ze vertrouwt en respecteert, en beschouwt deze eigenschappen als fundamenteel voor succesvolle werkrelaties en de algehele teamdynamiek. > *Het is heel moeilijk om mensen te leren, je kunt een briljant persoon hebben, maar als ze geen goed beoordelingsvermogen hebben of geen zelfstarter zijn, is het heel moeilijk om ze dat te geven. [38:15]* > *Ik wil niet werken met mensen van wie ik niet geniet, van wie ik niet denk dat het goede mensen zijn, want ik wil mijn tijd niet besteden aan iemand die ik niet vertrouw of niet respecteer. [39:00]* ## [37:49] Waarom ze de mode verliet voor de overheid Ondanks een prestigieus baanaanbod van Anna Wintour bij Vogue na haar afstuderen aan Wharton, volgde Ivanka Trump haar levenslange passie voor vastgoed. Later bouwde ze een succesvol modemerk, Ivanka Trump.com, dat groeide tot bijna 800 miljoen dollar aan jaarlijkse omzet. Ze nam echter het weloverwogen besluit om dit bloeiende bedrijf te sluiten om te voldoen aan overheidsethiekregels toen ze het verzoek van haar vader aanvaardde om in zijn regering te dienen. Ze beschouwde deze kans als een onmiskenbaar voorrecht en plicht jegens haar land, ondanks de aanzienlijke persoonlijke en professionele offers. > *We deden bijna 800 miljoen dollar aan omzet per jaar toen ik het sloot toen ik bij de overheid ging. [42:30]* > *Ik voel me ongelooflijk bevoorrecht dat hij ons de kans gaf om een land te dienen waar we zoveel van houden. [43:30]* ## [41:06] Wat er echt gebeurde toen Trump besloot zich kandidaat te stellen Donald Trumps besluit om zich in 2015 kandidaat te stellen voor het presidentschap werd aangekondigd tijdens een familiebijeenkomst in Bedminster, wat Ivanka verraste door de snelheid ervan, ondanks zijn langdurige, maar niet uitgesproken, politieke ambities sinds de jaren tachtig. Ze herinnert zich een paniekmoment op haar zestiende, toen ze vreesde dat hij zich kandidaat zou stellen, maar gerustgesteld werd dat dit niet het geval was. Zijn intrede in de presidentiële politiek was een "radicale aanpassing" voor het gezin, die Ivanka's wereldbeeld ingrijpend verruimde voorbij haar New Yorkse "bubbel" en een "buitengewone rit" in de publieke dienst inluidde. > *Ik herinner me dat ik een keer dacht dat het echt was. Ik was 16 en zat op kostschool en ik belde hem op... 'Dit gaat mijn leven ruïneren.' [51:48]* > *zijn campagne scheurde het voor mij open en ik besefte de bubbel waarin ik zat [48:02]* ## [46:23] Trump als presidentskandidaat: wat alles veranderde Donald Trumps besluit om zich kandidaat te stellen voor het presidentschap veranderde fundamenteel alles voor Ivanka en markeerde een "radicale aanpassing" voor het hele gezin. Zijn onconventionele intrede in de politiek, waarbij hij de traditionele carrièrepaden omzeilde, was als "water drinken uit een brandslang." De campagne verbrijzelde Ivanka's vermeende "bubbel" in New York City, verruimde haar wereldbeeld ingrijpend en leidde ertoe dat ze het voorrecht omarmde om haar land te dienen. > *Het was water drinken uit een brandslang voor ons allemaal. [47:08]* > *zijn campagne scheurde het voor mij open en ik besefte de bubbel waarin ik zat [48:02]* ## [48:52] Ads Dit segment bevat een advertentie voor Shopify, een e-commerceplatform dat het opzetten van webwinkels, verkopen via sociale media en het beheren van activiteiten met AI-tools vereenvoudigt. Het promoot ook Pipe Drive, een intelligente CRM die door de presentator wordt gebruikt, met een visueel pijplijndashboard voor helder zicht op het verkoopproces. > *Shopify maakt het gemakkelijk om te beginnen, want je kunt je winkel bouwen, verkopen via socials, betalingen ontvangen, AI-tools gebruiken en alles op één plek beheren. [49:22]* > *Pipe Drive is een gebruiksvriendelijke intelligente CRM... het maakt je verkoopproces zichtbaar via één dashboard. [50:17]* ## [51:04] Dacht ze ooit dat haar vader het echt zou doen Hoewel Donald Trump sinds de jaren tachtig overwoog om zich kandidaat te stellen voor het presidentschap, stelt Ivanka dat deze ambitie niet expliciet werd besproken tijdens haar jeugd. Ze herinnert zich levendig een moment op haar zestiende toen ze in paniek raakte omdat ze dacht dat haar vader zich kandidaat stelde, maar gerustgesteld werd dat het niet zou gebeuren. Ze merkt op dat zijn standpunten over zaken als handelsbeleid decennialang onveranderd bleven. > *Ik herinner me dat ik een keer dacht dat het echt was. Ik was 16 en zat op kostschool en ik belde hem op... 'Dit gaat mijn leven ruïneren.' [51:48]* > *zijn standpunt bleef consistent in de loop der tijd en blijft tot op de dag van vandaag consistent over precies dat over handelsbeleid [52:35]* ## [54:26] Was het vertrek uit het Witte Huis een opluchting of iets anders Het vertrek uit het Witte Huis was geen opluchting in de zin van spijt, aangezien Ivanka Trump het gevoel heeft dat ze "alles heeft gegeven" en trots is op haar prestaties tijdens haar vier jaar publieke dienst. Ze beschouwt de kans om te dienen als een "geweldig voorrecht" maar heeft geen verlangen om terug te keren naar de politiek, waarbij ze haar kinderen prioriteit geeft en niet wil dat zij de prijs betalen van verder publiek leven. Ze is tevreden met haar bijdragen en vindt dat haar vader nu een sterk team heeft om hem te ondersteunen. > *Ik heb alles gegeven, weet je? Ik kijk niet terug en zeg... ik heb geen spijt. [53:33]* > *Mijn eerste verantwoordelijkheid is om hun moeder te zijn. [56:49]* ## [58:08] Was iemand echt voorbereid op het leven in het Witte Huis Ivanka Trump geeft toe dat niets iemand echt voorbereidt op de intense ervaring van de hoge politiek en het leven in het Witte Huis. Ze constateerde dat macht, net als rijkdom, de inherente eigenschappen van mensen versterkt. Haar ontmoetingen met wereldleiders, van vorsten tot gekozen functionarissen, ontraadselden hen en onthulden dat ze in de kern "gewoon mensen" zijn met alledaagse worstelingen, wat uiteindelijk elke intimidatie die ze mogelijk voelde wegnam. > *Niets bereidt je voor op de ervaring. [58:26]* > *Je beseft uiteindelijk dat mensen gewoon mensen zijn. [59:03]* ## [59:44] Wat de aanslag voorgoed veranderde De aanslag op haar vader in juli 2024 veranderde het leven van Ivanka Trump radicaal, verscherpte de beveiligingszorgen en maakte bescherming door de US Secret Service noodzakelijk. Terwijl ze het evenement in real-time meemaakte met haar kinderen, was haar eerste reactie om hen af te schermen, hoewel ze een intuïtief gevoel had dat haar vader in orde zou zijn. Deze aangrijpende ervaring, samen met andere gezondheidscrisissen in de familie, versterkte haar geloof in de kostbaarheid van het leven en haar toewijding aan positiviteit en het waarderen van elk moment, ondanks de verontrustende correlatie tussen publieke dienst en geweld. > *Mijn eerste reactie was om hen weg te draaien. [62:02]* > *In het leven heb je alleen een keuze in hoe je reageert. En ik kies ervoor om de positieve uitkomst te zien. [66:05]* ## [1:07:20] Hoe het leven eruitziet na het verlaten van de politiek Na het verlaten van de politiek in 2022 geeft het leven van Ivanka Trump nu prioriteit aan haar jonge kinderen en het privégezinsleven, aangezien ze de "duistere wereld" van de politiek in strijd vond met haar aard. Ze gaat om met publieke kritiek via de "adelaar en kraai"-metafoor, waarbij ze ervoor kiest boven negativiteit uit te stijgen in plaats van erin mee te gaan. Deze periode van intense publieke controle, inclusief de bijna-doodervaring van haar vader, is een "medicijn" geweest voor persoonlijke groei, dat haar leerde innerlijke rust en harmonie te zoeken binnen haar controle, en zich te richten op dankbaarheid voor de zegeningen van het leven. > *Politiek is een behoorlijk duistere wereld. Er is veel duisternis, veel negativiteit, en het is gewoon echt in strijd met wat goed voelt voor mij als mens. [67:45]* > *De reactie van de adelaar hierop... is niet om te draaien en te keren en de kraai eraf te slaan of zichzelf te verdedigen... Het is gewoon hoger vliegen. [69:28]* ## [1:11:04] Ads Dit hoofdstuk vertegenwoordigt een korte reclamepauze binnen de podcast. ## [1:14:24] Hoe therapie haar kijk op alles veranderde Ivanka Trump begon als volwassene aan therapie en beschouwde het als een instrument voor "interne inventarisatie," gedreven door haar "groeigerichte instelling" en het verlangen om ingrijpende levensgebeurtenissen te verwerken. Belangrijke aanleidingen waren de tweede diagnose van schildklierkanker bij haar man Jared, haar vertrek uit Washington en het onverwachte overlijden van haar moeder. Therapie hielp haar zichzelf te koesteren en emoties te verwerken in plaats van te compartimentaliseren, wat uiteindelijk haar perspectief op zelfbegrip en vooruitgang veranderde. > *Ik heb een heel groeigerichte instelling... Ik ben altijd op zoek om over mezelf en over de wereld te leren [74:35]* > *Jared werd voor de tweede keer gediagnosticeerd met schildklierkanker. En toen overleed mijn moeder [75:59]* ## [1:20:28] Het verlies van haar moeder en wat het haar leerde Ivanka Trump reflecteert op het plotselinge en tragische overlijden van haar moeder, Ivana Trump, in 2022 en benadrukt de unieke impact van een onverwacht ouderlijk verlies. Ze wijdde zich aan een goed rouwproces, confronteerde ongemak en verwerkte haar gevoelens. Als ouder streeft ze er nu naar haar kinderen bloot te stellen aan de positieve eigenschappen van haar moeder, terwijl ze bewust vermijdt haar uitdagingen door te geven, met een helderder volwassen perspectief op het leven van haar moeder. > *Ze heeft toch een goed leven gehad. [81:07]* > *Ik nam echt de tijd om over haar na te denken, niet door de ogen van het kind dat haar volledig aanbad, maar door de ogen van een volwassene die haar helder zag. [83:15]* ## [1:26:28] De 3 regels die volgens haar succes en geluk bepalen Ivanka Trump gelooft dat waar succes en geluk worden bepaald door drie kernprincipes, met name voor ondernemerschap, die ze zou delen met haar dochter Arabella. Ten eerste moet je oprecht houden van wat je doet, want passie is essentieel voor toewijding. Ten tweede is authenticiteit van het grootste belang; jezelf zijn en je eigen pad banen is cruciaal, want imitatie leidt tot verlies. Ten derde, en het meest fundamenteel, moet je zelfvertrouwen kweken voordat de wereld in je gelooft, want dit is het startpunt voor elke prestatie. Ze merkt ook op dat de traditionele "werk-privébalans" ongrijpbaar is en streeft in plaats daarvan naar afstemming op prioriteiten. > *Ik heb nog nooit iemand op de top van zijn kunnen gezien die niet absoluut houdt van wat hij doet. [92:46]* > *je zult in jezelf moeten geloven voordat de wereld in je gelooft. [94:48]* ## [1:28:37] Wat Planet Harvest is en waarom het belangrijker kan zijn dan je denkt Planet Harvest is de missiegedreven onderneming van Ivanka Trump gericht op het verminderen van voedselverspilling en het ondersteunen van Amerikaanse boeren. Het initiatief werd geïnspireerd tijdens de COVID-19-pandemie toen ze enorme hoeveelheden bederfelijke producten zag die werden weggegooid vanwege problemen in de toeleveringsketen. Planet Harvest pakt het aanhoudende probleem aan van perfect goed voedsel dat door retailers wordt afgewezen omdat het niet voldoet aan strenge cosmetische normen, en biedt zo extra inkomsten voor boeren en komt het milieu ten goede. > *Planet Harvest is ontstaan... om ervoor te zorgen dat wanneer mensen voedsel nodig hadden, het voedsel op de velden niet verloren ging door ondergeploegd te worden zoals we zagen in de vroege dagen van de pandemie. [89:18]* > *Elk jaar blijven er 400 miljoen pond aardbeien op de velden liggen... Niet omdat ze imperfect zijn. Ze voldoen gewoon niet aan een heel strikte cosmetische specificatie. [90:57]* ## Entiteiten - **Ivanka Trump** (Persoon): Dochter van Donald en Ivana Trump, zakenvrouw en voormalig overheidsfunctionaris. - **The Diary Of A CEO** (Organisatie): De podcast die het interview presenteert. - **Donald Trump** (Persoon): Vader van Ivanka Trump, voormalig president van de Verenigde Staten. - **Ivana Trump** (Persoon): Moeder van Ivanka Trump, voormalig skiester voor Tsjecho-Slowakije. - **Michael Jackson** (Persoon): Beroemde Amerikaanse zanger, songwriter en danser. - **O.J. Simpson** (Persoon): Voormalig Amerikaans footballspeler, presentator, acteur en veroordeeld misdadiger. - **Marcus Aurelius** (Persoon): Romeins keizer en stoïcijns filosoof. - **Shopify** (Organisatie): E-commerceplatform voor het bouwen van webwinkels. - **Pipe Drive** (Organisatie): Intelligente CRM-software (Customer Relationship Management). - **Anna Wintour** (Persoon): Hoofdredactrice van Vogue. - **Vogue** (Organisatie): Mode- en lifestylemagazine. - **Wharton School of Business** (Organisatie): Business school van de University of Pennsylvania. - **Office of Government Ethics** (Organisatie): Amerikaans overheidsorgaan verantwoordelijk voor het voorkomen van belangenconflicten. - **Jared Kushner** (Persoon): Echtgenoot van Ivanka Trump, die ook bij de overheid werkte. - **US Secret Service** (Organisatie): Overheidsdienst verantwoordelijk voor de bescherming van Ivanka Trump en haar familie. - **Planet Harvest** (Organisatie): Een bedrijf mede-opgericht door Ivanka Trump gericht op het verminderen van voedselverspilling en het ondersteunen van boeren. - **Arabella** (Persoon): Oudste dochter van Ivanka Trump. - **Stoïcisme** (Filosofie): Een oude Griekse filosofische stroming. - **Boeddhisme** (Filosofie): Een oosterse filosofie. - **Daoïsme** (Filosofie): Een oosterse filosofie. - **Tsjecho-Slowakije** (Locatie): Een voormalig land in Centraal-Europa. - **New York City** (Locatie): Grote stad in de Verenigde Staten. - **Bedminster, New Jersey** (Locatie): Locatie waar Ivanka Trump was toen ze hoorde over de aanslag op haar vader. - **Child Tax Credit** (Beleid): Amerikaans belastingkrediet voor gezinnen met kinderen. - **Great American Outdoors Act** (Beleid): Wetgeving gesteund door Ivanka Trump. - **Wetgeving tegen mensenhandel** (Beleid): Wetgeving waaraan Ivanka Trump werkte tijdens haar publieke dienst. - **Beroepsonderwijs en vaardigheidstraining** (Initiatief): Programma's gepromoot door Ivanka Trump om Amerikaanse werknemers op te leiden en bij te scholen. - **Overpeinzingen** (Boek): Een reeks persoonlijke geschriften van Marcus Aurelius.

Anthropics drieMinuten durende walkthrough van de lus die zij beschouwen als de belangrijkste gewoonte bij het werken met Claude Code: eerst onderzoeken in planmodus, bepalen wat "klaar" betekent voordat een bestand wordt aangeraakt, en vervolgens een subagent de diff laten beoordelen vóór het pushen. ## [00:03] Waarom verkennen-plannen-coderen-committen beter is dan meteen beginnen De opening is direct: als je maar één gewoonte uit de cursus overneemt, laat het dan deze workflow zijn. Het faalpatroon dat het bestrijdt is de reflex om een taak in Claude te plakken en te zien hoe er direct code wordt gegenereerd — dat geeft snelheid vooraf, maar verplaatst de correctiekosten naar achteren. > *Without this, most people jump straight to pasting in Claude to write code, which means more course correcting later on.* ## [00:21] Planmodus: alleen-lezen onderzoek vóór elke bewerking Planmodus comprimeert verkennen en plannen tot één beweging. Claude kan bestanden lezen en webzoekopdrachten uitvoeren, maar mag niet schrijven — Shift+Tab schakelt ernaar over vanuit de prompt. De verteller demonstreert met een echte vraag (WebP-conversie toevoegen aan een beelduploadpijplijn, uitzoeken waar het thuishoort, welke afhankelijkheden nodig zijn en hoe het aan te pakken). Claude geeft een plan terug; je leest het en vraagt om revisies als er iets ontbreekt. Dit is het goedkoopste moment in de hele cyclus om van richting te veranderen, omdat er nog niets geschreven is. > *With plan mode, Claude can't edit files. It just reads files to gather research on how to tackle this implementation.* ## [01:11] Het plan goedkeuren en bijsturen terwijl Claude codeert Zodra het plan er goed uitziet, geeft Goedkeuren de uitvoering terug aan Claude om de checklist af te werken. Je kiest of bestandsbewerkingen automatisch worden geaccepteerd of elke keer om bevestiging vragen. Claude lost problemen zelfstandig op, maar verwacht dat je moet ingrijpen — en de reden waarom planmodus hier loont, is dat de agent de onderzoekscontext meevoert die het plan heeft opgeleverd, zodat correcties midden in de vlucht op de juiste plek landen in plaats van opnieuw te beginnen. > *This is the benefit of working with plan mode because after the plan is finished, we also have the context of how it got to the results to help it guide its next decision.* ## [01:39] Succescriteria expliciet maken en Claude echte tools geven Een plan zonder definitie van "correct" laat Claude raden. Leg vast hoe succes eruitziet en rust de agent uit om het daadwerkelijk te verifiëren: de Claude+Chrome-extensie laat hem een browsertabblad besturen om een zojuist gebouwde UI te testen; een testsuite geeft hem iets om bij elke lus tegen te valideren, en Claude kan de tests ook zelf schrijven — maar alleen als je ze al als basiswaarheid hebt gecontroleerd. Een duurzaamheidstip: als Claude steeds tegen hetzelfde probleem aanloopt, laat hem de oplossing dan vastleggen in het CLAUDE.md-bestand zodat hij het niet steeds opnieuw hoeft te leren. > *In order for Claude to be confident in its results, it has to be clear on what it deems correct.* ## [02:24] Subagentreview, commit en samenvatting Vóór het pushen start je een subagent-codereviewer over de diff — een tweede blik zonder gehechtheid aan de implementatie. Vervolgens laat je Claude het commitbericht in jouw stijl opstellen en stuur je het weg. De samenvatting herformuleert elke stap: Verkennen levert context, Plannen definieert succes, Coderen is het heen-en-weer dat convergeert op het plan, Committen beoordeelt en pusht zodat je verder kunt. > *A tip before you commit, run a sub agent code reviewer to look at your code.* ## Entities - **Anthropic Tutorial Narrator** (Person): De officiële vertelstem van Anthropic voor de Claude Code 101-cursus. - **Claude Code** (Software): Agentisch terminal-coderingstool waarvan de aanbevolen dagelijkse lus het onderwerp van deze aflevering is. - **Plan mode** (Feature): Alleen-lezenmodus die wordt omgeschakeld met Shift+Tab — Claude onderzoekt en stelt een plan voor maar kan geen bestanden bewerken. - **Claude + Chrome extension** (Software): Stelt Claude Code in staat een Chrome-tabblad te besturen om UI-wijzigingen te verifiëren voordat een taak als voltooid wordt verklaard. - **CLAUDE.md** (File): Projectgeheugenbestand dat hier wordt gebruikt als persistentiedoel voor terugkerende oplossingen die Claude blijft heropleren. - **Subagent code reviewer** (Pattern): Pre-commit Claude-subagent die de diff beoordeelt voordat de mens pusht.

De Claude Code 101-walkthrough van Anthropic over context — wat het venster vult, wanneer automatische compactie start en de praktische knoppen (/compact, /clear, /context, claude.md, MCP-toggles, skills, sub-agenten) om een sessie efficiënt te houden. ## [00:03] Waarom context eindig is en waarom dat belangrijk is Context is Claudes werkgeheugen: elk prompt, elke bestandslezing, elk toolaanroepresultaat belandt in hetzelfde venster. Het venster is groot maar eindig, dus optimaliseren van wat erin gaat is onvermijdelijk zodra je meerstapssessies uitvoert. > *Every file it reads, every command it runs, every message you send, it all takes up space in the context window.* ## [00:39] Automatische compactie en het /compact-commando Wanneer de limiet nadert, compacteert Claude Code automatisch: het vat de belangrijkste punten samen en verwijdert ruizige toolaanroepresultaten om ruimte vrij te maken. Je kunt `/compact` ook handmatig activeren — handig als je ruimte wilt maar de werkcontext wilt behouden. Nadeel: compactie kan details uit eerdere beurten verliezen. > *Compaction will summarize important details and remove the unnecessary tool call results and free up a lot of space in your context window.* ## [01:11] /clear en /context: opnieuw beginnen en gebruik bekijken Voor een volledig reset zonder geheugen van de vorige sessie wist `/clear` alles. Om te zien waar ruimte werkelijk naartoe gaat, toont `/context` de totale omvang, de meest verbruikende categorieën en een grafisch overzicht — de diagnose voordat je kiest tussen compact en clear. > *To check the state of your context, run the /context command.* ## [01:35] De vuistregel: compact midden in een taak, clear tussen taken De verteller geeft een heldere vuistregel: nog bezig met een feature en de limiet bereiken? Compact — je wilt de relevante geschiedenis bewaren. Plan afgerond en overstappen op iets nieuws? Clear — het oude gesprek kan het nieuwe werk beïnvloeden. > *If you have finished the plan and want to start on a new feature, then clear. You don't want the previous conversation to present bias in anything new that you want to create.* ## [01:57] claude.md, promptprecisie en minder schrijven door meer te schrijven Alles wat Claude tussen sessies moet onthouden hoort in `claude.md` zodat het niet telkens dezelfde feiten opnieuw hoeft te ontdekken. En paradoxaal genoeg kosten korte prompts meer context: bij een vage vraag doorzoekt Claude de codebase met grep en redeneert meer, wat het venster vult. Een of twee zinnen extra specificiteit bespaart daarna veel ruimte. > *The irony behind writing a smaller prompt is that it in the long run, it will take up more context.* ## [02:26] MCP-servers, skills en sub-agenten als contexttools MCP-servers laden standaard alle blootgestelde tools in de context — prima als relevant, duur als niet, dus schakel de ongerelateerde uit. Skills gedragen zich als MCP-servers maar laden niet het volledige tooloppervlak in de context. Sub-agenten draaien parallel met een eigen apart venster; voor informatiezoektaken ("waar zijn de auth-endpoints?") kun je een sub-agent sturen en alleen het antwoord terugkrijgen in plaats van de hele zoektocht. > *Sub agents run in parallel with your main agent but has a complete separate context window.* ## [03:06] Samenvatting Contextbeheer in Claude Code is het verschil tussen een lange productieve sessie en een vastgelopen sessie. Gebruik `/compact` om lange sessies samen te vatten, `/clear` om opnieuw te starten, wees specifiek in prompts, controleer `/context` om te zien wat het venster opslokt en delegeer werk van het type puur-antwoord aan sub-agenten. > *Managing context within cloud code is crucial. Use slash compact to summarize long sessions and slashclear to start fresh.* ## Entiteiten - **Anthropic Tutorial Narrator** (Person): De officiële stem van Anthropic voor de Claude Code 101-tutorialserie. - **Claude Code** (Software): Anthropics agentische terminal-codeerassistent waarvan het contextvenster het onderwerp van deze aflevering is. - **Context window** (Concept): Claudes werkgeheugen — eindig, gevuld door prompts, bestandslezingen en toolaanroepresultaten. - **/compact** (Command): Slash-commando (en automatische trigger) dat de geschiedenis samenvat en toolaanroepgeluid verwijdert om ruimte vrij te maken. - **/clear** (Command): Slash-commando dat de sessie volledig wist voor een schone start bij nieuw werk. - **/context** (Command): Slash-commando dat de totale contextomvang en welke categorieën die verbruiken rapporteert. - **claude.md** (File): Projectbreed geheugenbestand dat Claude tussen sessies leest zodat het dezelfde feiten niet opnieuw ontdekt. - **MCP servers** (Software): Toolproviders die standaard alle blootgestelde tools in de context laden — uitschakelen wanneer niet relevant. - **Skills** (Feature): Lichtgewicht alternatief voor MCP-servers dat niet het volledige tooloppervlak in de context laadt. - **Sub agents** (Feature): Parallelle agenten met eigen contextvensters die gerichte vragen beantwoorden zonder het hoofdvenster te vervuilen.

Terence Tao bespreekt de veranderende rol van AI in de wiskunde en stelt dat AI weliswaar veel routineuze taken zal automatiseren, maar menselijke wiskundigen niet volledig zal vervangen; in plaats daarvan verschuift hun focus naar nieuwe grenzen. Hij benadrukt de toekomst van mens-AI-samenwerking en de onvoorspelbare aard van de langetermijnimpact van AI op wetenschappelijke ontdekkingen. ## [00:10] De huidige rol van AI in grenswiskunde Terence Tao legt uit dat AI al "grenswiskunde" uitvoert die mensen niet aankunnen, al is het een ander soort grens. Hij vergelijkt dit met de manier waarop rekenmachines vroeger de wiskundige mogelijkheden verruimden: ze namen taken op die de menselijke capaciteit te boven gingen, maar wel op een gespecialiseerde manier. > *In zekere zin doen ze al superintelligente grenswiskunde die mensen niet kunnen, maar het is een andere soort grens dan die we gewend zijn.* ## [00:52] AI als automatiseringsinstrument, geen vervanger Tao voorspelt dat AI binnen tien jaar veel routineuze taken die wiskundigen nu doen zal overnemen, zodat mensen zich op complexere, belangrijkere problemen kunnen richten. Hij trekt parallellen met historische verschuivingen: computers automatiseerden ooit werk van menselijke "rekenaars", en genoomsequencing werd geautomatiseerd, terwijl een vakgebied als genetica zich op nieuwe schalen bleef ontwikkelen. > *Binnen tien jaar zal veel van wat wiskundigen nu doen… door AI kunnen worden gedaan. Maar we zullen ontdekken dat dat eigenlijk niet het belangrijkste deel was van wat we doen.* ## [02:46] De toekomst van mens-AI-samenwerking in de wiskunde Dwarkesh Patel vraagt of AI de Millenniumprijsproblemen zelfstandig kan oplossen. Terence Tao gelooft dat de "hybride mens-plus-AI" de wiskunde nog veel langer zal domineren, omdat de huidige AI nog niet alle ingrediënten bezit om intellectuele taken volledig over te nemen — hij functioneert eerder als aanvullend gereedschap. > *Ik geloof echt dat die hybride mens-plus-AI de wiskunde nog veel langer zal domineren.* ## [03:43] Onvoorspelbare impact op wetenschappelijke ontdekking Tao erkent dat AI weliswaar wetenschap en nieuwe ontdekkingen zal versnellen, maar dat er ook een kans bestaat dat AI bepaalde vormen van vooruitgang afremt door "serendipiteit te vernietigen". Hij concludeert dat de toekomstige impact van AI op wetenschappelijke ontdekkingen zeer onvoorspelbaar is. > *Het is mogelijk dat we, door op een of andere manier serendipiteit te vernietigen, bepaalde vormen van vooruitgang daadwerkelijk afremmen.* ## Entiteiten - **Terence Tao** (Persoon): gast, een van de meest vooraanstaande wiskundigen van onze tijd. - **Dwarkesh Patel** (Persoon): host van de podcast. - **AI** (Concept): kunstmatige intelligentie, besproken in haar rol in de wiskunde en wetenschappelijke ontdekking. - **Mathematica / Wolfram Alpha** (Software): rekengereedschap dat wordt genoemd als voorbeeld van automatisering in de wiskunde. - **Millenniumprijsproblemen (Millennium Prize Problems)** (Concept): zeven onopgeloste wiskundige problemen met een prijs van één miljoen dollar per oplossing.

Subagenten zijn krachtig wanneer het tussenliggende werk niet in je hoofdthread thuishoort — maar klakkeloos delegeren maakt dingen alleen maar erger. Deze tutorial trekt de grens tussen nuttige delegatie (onderzoek, codereviews, domeinspecifieke systeemprompts) en veelgemaakte antipatronen (expertpersonaclaims, sequentiële pipelines, testrunners) die context opslurpen en precies de informatie weggooien die je nodig hebt. ## [00:03] Introductie: wanneer subagenten helpen en wanneer niet De serie behandelde tot nu toe het aanmaken en ontwerpen van subagenten. Dit laatste deel verschuift de focus naar de inzetbaarheid: welke taken profiteren echt van een apart agent, en bij welke gaat het mis? Het antwoord hangt af van één test: doet het tussenliggende werk ertoe voor je hoofdthread? Wanneer exploratie losstaat van uitvoering, verdienen subagenten zichzelf terug. Wanneer elke stap afhankelijk is van wat de vorige stap ontdekte, kost de overdracht je precies de details die je nodig hebt. > *"Simpel gezegd draait het verschil erom of het tussenliggende werk ertoe doet voor je hoofdthread."* ## [00:32] Onderzoekstaken: exploratie gescheiden houden Authenticatietracing is een concreet voorbeeld. Je hoofdthread wil weten waar JWT-validatie plaatsvindt — niet de tientallen bestanden die onderweg zijn gelezen. Een onderzoekssubagent kan de volledige codebase scannen, functieaanroepen door bestanden heen volgen en één precies antwoord teruggeven: JWT-validatie staat in middleware/auth.js op regel 42, aangeroepen vanuit route/api.js. Al die exploratie blijft opgesloten in de context van de subagent. De hoofdthread krijgt de conclusie en gaat verder zonder dat de zoekgeschiedenis zijn venster vervuilt. > *"Je hoofdthread ontvangt: JWT-validatie staat in middleware/auth.js op regel 42, aangeroepen door de Express-router en route/api.js, of zoiets."* ## [01:15] Codereview-subagenten: feedback met frisse ogen Claude die code reviewt die hij zelf heeft helpen schrijven, heeft een bevooroordeeld perspectief — het was bij elke beslissing aanwezig en kan moeilijk zien wat er van buitenaf raar uitziet. Een reviewer-subagent omzeilt dat volledig: die ziet alleen de diff en de gewijzigde bestanden, zonder enige voorgeschiedenis van hoe de code tot stand is gekomen. Die schone lei levert ook een tweede voordeel op. Projectspecifieke reviewcriteria — naamgevingsconventies, beveiligingspatronen, architectuurregels — kunnen eenmalig in de systeemprompt van de subagent worden vastgelegd en consistent worden toegepast, zonder dat de hoofdthread ze bij elke beurt opnieuw moet onthouden. > *"Een reviewer-subagent bekijkt de wijzigingen in een aparte context. Hij voert git diff uit, leest de gewijzigde bestanden en past zijn gespecialiseerde reviewcriteria toe — zonder de geschiedenis van hoe de code is geschreven."* ## [01:59] Aangepaste systeemprompts: copywriting en styling De standaardprompt van Claude Code is geoptimaliseerd voor beknopte, technische output — precies verkeerd voor een landingspagina of marketing-e-mail. Een copywriting-subagent krijgt volledig andere instructies over toon, doelgroep en structuur, en produceert output die de standaard van de hoofdthread nooit zou opleveren. Dezelfde redenering geldt voor CSS. Een styling-subagent die je designsysteembestanden noemt, laadt automatisch kleurvariabelen, spatiëringsconventies en componentpatronen in zijn context voordat hij ook maar één regel schrijft — zodat elke stijlkeuze het echte systeem weerspiegelt in plaats van redelijke vermoedens. > *"De standaardprompt van Claude Code neigt naar beknopt, technisch schrijven, wat echt niet is wat je wilt voor een landingspagina of e-mailcampagne — tenzij je je klanten in slaap wilt sussen."* ## [02:57] Antipatronen: expertclaims, pipelines, testrunners Drie patronen maken dingen consequent slechter. Ten eerste, personaprompts — "Jij bent een Python-expert" of "Jij bent een Kubernetes-specialist" — voegen niets toe, omdat Claude die kennis al heeft. Een subagent starten enkel om er een expertlabel op te plakken, verspilt de overhead van isolatie zonder iets te bieden wat de hoofdthread niet zelf kon. Ten tweede bezwijken sequentiële pipelines zodra stappen niet echt onafhankelijk zijn. Een driestaps-agentflow — bug reproduceren, debuggen, repareren — klinkt helder maar werkt in de praktijk niet: de debugagent heeft de live context van de reproduceragent nodig, niet een samengeperste samenvatting ervan. Ten derde verbergen testrunner-subagenten informatie actief. Als tests mislukken, heb je de ruwe output nodig om te begrijpen wat er mis ging. Een subagent die alleen "test gefaald" teruggeeft, dwingt je extra debugscripts te schrijven om details te achterhalen die directe output meteen had getoond. > *"Een subagent die 'test gefaald' teruggeeft, dwingt je extra debugscripts te schrijven voor details die in directe output zichtbaar waren geweest."* ## [04:10] Samenvatting van de serie en de centrale beslisregel Door de serie heen: subagenten zijn geïsoleerde threads die samenvattingen teruggeven, aangemaakt met /agents, ontworpen met gestructureerde output en specifieke beschrijvingen. Gebruik ze voor onderzoek, codereviews en taken die een aangepaste systeemprompt vereisen. Sla ze over bij expertpersonaclaims, meerstaps afhankelijke pipelines en testuitvoering. Het hele kader valt terug op één vraag: doet het tussenliggende werk ertoe? Als het antwoord nee is, delegeer het. > *"De kernvraag: doet het tussenliggende werk ertoe? Zo niet, delegeer het dan."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): presentator van de Claude Code-subagenten tutorialserie, Anthropic - **Claude Code** (Software): AI-codeerassistent van Anthropic; de omgeving waarin subagenten worden aangemaakt en geörkestreerd - **Subagent** (Concept): een geïsoleerde Claude-thread gestart vanuit de hoofdcontext, die een samengeperste samenvatting teruggeeft in plaats van zijn volledige werkcontext bloot te leggen - **JWT (JSON Web Token)** (Concept): gebruikt als praktijkvoorbeeld van een onderzoekssubagent die authenticatielogica door een codebase traceert - **System prompt** (Concept): per-subagent instructieset die domeinspecifiek gedrag mogelijk maakt, afwijkend van de standaardprompt van Claude Code - **Anthropic** (Organisatie): ontwikkelaar van Claude en de Claude Code-subagenten tutorialserie

Claude Code wordt geleverd met ingebouwde subagents, maar aangepaste exemplaren laten je gespecialiseerd gedrag instellen voor specifieke taken. Deze tutorial maakt een code-review-subagent vanaf nul — met het `/agents`-commando, toolselectie, modelkeuze en de velden in het configuratiebestand die bepalen wanneer en hoe Claude delegeert. ## [00:03] Wat aangepaste subagents zijn Claude Code bevat ingebouwde subagents, maar je kunt ook je eigen maken die gespecialiseerd zijn in bepaalde taken. Een aangepaste subagent is een markdown-bestand met YAML front matter: de front matter vertelt Claude wanneer naar die agent te routeren en welke mogelijkheden hij heeft, terwijl de markdown-body de systeemprompt is waaronder de subagent draait. > *"Custom sub aents are markdown files with YAML front matter. These markdown files contain configuration that helps claude understand when to use the sub aent and provides directions to the sub aent itself."* ## [00:28] Een subagent aanmaken met /agents Het `/agents`-commando opent het agentbeheerpaneel. "Nieuwe agent aanmaken" stelt twee vragen: scope (huidig project of gedeeld over alle projecten op de machine) en generatiemethode. De aanbevolen aanpak is om Claude de agent automatisch te laten genereren — de verteller typt een gewoon-taalverzoek voor een subagent die codekwaliteit en beveiligingsproblemen beoordeelt, en Claude doet de rest. > *"Now, the easiest way to create a sub agent is with the / agents command. Next, you can create a sub agent manually, but we recommend using claw code to automatically generate it for you."* ## [00:56] Tools, model en kleur instellen Voordat Claude het bestand schrijft, kies je welke tools de subagent mag gebruiken. Een code-review-agent heeft strikt genomen geen bewerkingstools nodig, maar uitvoering ingeschakeld laten maakt het makkelijker om wijzigingen te inspecteren. Na de tools kies je het model: haiku voor snelheid, opus voor diepgang, sonnet voor het midden. De laatste keuze is een kleur — die verschijnt in de UI zodat je de subagent in één oogopslag herkent. > *"Now, given that our sub agent is only responsible for reviewing code, you might decide to disallow tools for editing, but I'll leave an execution to allow the sub agent to more easily identify pending changes."* ## [01:43] Het configuratiebestand begrijpen Het gegenereerde bestand wordt opgeslagen in het project op het pad dat in het overzichtsvenster wordt getoond. Vier velden zijn het belangrijkst. `name` is de unieke identifier — je kunt er naar verwijzen door `@agent-code-quality-reviewer` in een bericht te typen. `description` is wat Claude leest om te beslissen of het delegeert; dit moet op één regel staan (escaped `\n`-tekens zijn letterlijk). "Proactively" toevoegen aan de description zorgt dat Claude vaker naar de agent grijpt; voorbeeldgesprekken toevoegen maakt de routering nauwkeuriger. `tools` weerspiegelt de toegang die tijdens de generatie is verleend, maar kan direct in het bestand worden bewerkt. > *"If you want Claude to use the sub agent automatically more often, add in the word proactively to the description."* ## [02:41] De systeemprompt en hoe Claude die gebruikt Het veld `model` accepteert `haiku`, `sonnet`, `opus` of `inherit` — `inherit` laat de subagent draaien op hetzelfde model als het bovenliggende gesprek. Alles onder de front matter is de systeemprompt: die begeleidt de subagent bij zijn taak en geeft aan hoe resultaten teruggestuurd moeten worden naar de hoofdagent. > *"The system prompt will provide guidance to the sub agent, helping it understand how to complete its task and how it should return information back to the main agent."* ## [03:15] Je subagent testen Na het opslaan van de configuratie maak je wat codewijzigingen en vraag je Claude om ze te beoordelen. Als de subagent niet triggert wanneer verwacht, is het veld `description` de eerste plek om aan te passen — specifiekere voorbeelden scherpen Claudes gevoel aan voor wanneer te delegeren. > *"If the sub agent isn't being used when you expect, check your description. Adding more specific examples helps Claude understand when to delegate."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): enige presentator van dit aflevering; vertelt de Claude Code-subagents-tutorialserie op het officiële YouTube-kanaal van Anthropic - **Claude Code** (Software): Anthropics AI-codeerassistent; ondersteunt zowel ingebouwde als door gebruikers gemaakte aangepaste subagents - **Aangepaste subagent** (Concept): een markdown-bestand met YAML front matter dat Claude Code configureert om specifieke taken te delegeren aan een gespecialiseerde agentinstantie - **/agents command** (Concept): Claude Code UI-toegangspunt voor het aanmaken en beheren van subagents; biedt project- of globale scope - **Systeemprompt** (Concept): de markdown-body van een subagent-configuratiebestand; biedt taakinstructies en uitvoerformaatinstructies aan de subagent tijdens runtime - **Anthropic** (Organisatie): maker van Claude en het Claude Code-platform

Deze tutorial uit de Claude Code-serie van Anthropic beschrijft vier concrete patronen die betrouwbare subagenten onderscheiden van subagenten die afdwalen, vastlopen of bestanden aanraken die ze niet zouden mogen aanraken. De verteller doorloopt elk patroon aan de hand van een code-reviewer en een webzoeksubagent als doorlopende voorbeelden, en laat precies zien welke instellingen je aanpast en waarom. ## [00:03] Subagentgedrag sturen via naam en beschrijving Elk bericht dat naar de hoofdagent wordt gestuurd, bevat in de systeemprompt de naam en beschrijving van elke geregistreerde subagent. De beschrijving vervult daarmee twee functies: ze vertelt de orchestrator *wanneer* de subagent te starten en dient als sjabloon voor het schrijven van de invoerprompt. De tutorial demonstreert dit met een code-reviewersubagent. In de oorspronkelijke configuratie schrijft de orchestrator een generieke prompt waarmee de subagent zelf `git diff` uitvoert. Door de beschrijving te wijzigen naar "je moet de agent exact vertellen welke bestanden je wilt laten reviewen", verschuift de bestandsselectie naar de orchestrator — de volgende keer is de invoerprompt merkbaar specifieker. Hetzelfde principe werkt voor webzoeksubagenten: "geef bronnen terug die geciteerd kunnen worden" aan de beschrijving toevoegen zorgt ervoor dat de hoofdagent die instructie automatisch meeneemt bij het delegeren. > *"Als je beter wilt bepalen wanneer de hoofdagent automatisch een subagent start, moet je de naam en beschrijving aanpassen."* ## [01:41] Uitvoerformaten definiëren De verteller wijst uitvoerformaat aan als de verbetering met de grootste individuele impact. Zonder formaat heeft een subagent geen duidelijk signaal dat hij klaar is — hij blijft doorlopen, bouwt context op en verbruikt tokens. Een gestructureerd uitvoerformaat creëert een natuurlijk stoppunt. De subagent weet dat hij klaar is zodra de verplichte velden zijn ingevuld. Concreet betekent dit een expliciet schema toevoegen — een samenvattingsblok, een lijst met bevindingen, een statusveld — rechtstreeks in de systeemprompt van de subagent. > *"Zonder een gedefinieerd uitvoerformaat worstelen subagenten om te bepalen wanneer er genoeg onderzoek is gedaan en lopen ze doorgaans veel langer door dan subagenten die wél een uitvoerformaat krijgen."* ## [02:04] Obstakels melden in de samenvatting Wanneer een subagent een probleem oplost — een afhankelijkheidsconflict, een commando dat onverwachte flags nodig heeft, een eigenaardigheid in de omgeving — heeft de hoofdagent die informatie nodig, anders loopt hij bij de volgende stap tegen dezelfde muur. De oplossing is obstakelmelding verplicht stellen in het uitvoerformaat zelf. De verteller somt de categorieën op die altijd naar boven moeten komen: tegengekomen obstakels, installatieproblemen, ontdekte workarounds, commando's die speciale flags of configuratie nodig hadden, en imports of afhankelijkheden die problemen veroorzaakten. Door deze in het verplichte uitvoerschema op te nemen, erft de hoofdagent de moeilijk verworven kennis van de subagent in plaats van die opnieuw te moeten ontdekken. > *"Anders moet de hoofdagent dezelfde oplossingen opnieuw ontdekken: tegengekomen obstakels, installatieproblemen, ontdekte workarounds of omgevingseigenaardigheden, commando's die speciale flags of configuratie nodig hadden, afhankelijkheden of imports die problemen veroorzaakten."* ## [02:42] Toegang tot tools beperken per rol Toegangscontrole voor tools is niet alleen een veiligheidsmaatregel — het is ook een helderheidsgereedschap. Een alleen-lezen subagent met uitsluitend `glob`, `grep` en `read` kan bestanden niet per ongeluk wijzigen, waardoor zijn rol ondubbelzinnig is voor iedereen die de configuratie leest. De verteller koppelt drie toegangsniveaus aan drie subagentrol: een onderzoekssubagent krijgt alleen-lezentoegang omdat verkennen van de codebase nooit schrijven vereist; een reviewer krijgt `bash` voor `git diff` maar nog steeds geen bestandsbewerkingstools; alleen subagenten die expliciet de taak hebben code te wijzigen — zoals een subagent die CSS-updates toepast — krijgen `edit` en `write`. Met meerdere subagenten in gebruik wordt de toollijst een machineleesbare samenvatting van wat elke subagent geacht wordt te doen. > *"Geef edit en write alleen aan subagenten die daadwerkelijk je code moeten aanpassen, zoals een stylingagent die CSS-updates toepast."* ## [03:27] Vier patronen voor effectieve subagenten De tutorial sluit af met een eénzin-samenvatting van alle vier patronen: gestructureerde uitvoer, obstakelmelding, specifieke beschrijvingen en beperkte toegang tot tools. Elk patroon versterkt de andere — nauwkeurige beschrijvingen verminderen ambiguïteit in invoerprompts, uitvoerformaten creëren stoppunten, obstakelmelding behoudt context over agentgrenzen heen, en minimale toegang tot tools voorkomt neveneffecten die eventuele resterende ambiguïteit zouden versterken. > *"Effectieve subagenten gebruiken dus gestructureerde uitvoer, melden obstakels, hebben specifieke beschrijvingen en beperken de toegang tot tools."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): presentator van de Claude Code-subagenten-tutorialserie, namens Anthropic - **Claude Code** (Software): het agentische coderingstool van Anthropic dat subagenten orkestreert voor meerstaps engineeringtaken - **Subagent** (Concept): een gespecialiseerde Claude-instantie gestart door een orchestratoragent, met een eigen systeemprompt, toegang tot tools en invoerprompt - **Output format** (Concept): een verplicht schema gedefinieerd in de systeemprompt van een subagent dat een stopconditie creëert en de informatie structureert die naar de hoofdagent wordt teruggegeven - **Obstacle reporting** (Concept): een patroon waarbij subagenten workarounds, afhankelijkheidsproblemen en omgevingseigenaardigheden in hun uitvoer rapporteren, zodat de orchestrator ze niet opnieuw hoeft te ontdekken - **Tool access scoping** (Concept): elke subagent beperken tot alleen de tools die zijn rol vereist — alleen-lezen voor onderzoek, bash voor review, edit/write alleen voor agenten die bestanden moeten wijzigen - **Anthropic** (Organisatie): maker van Claude en het Claude Code-agentische codeerplatform

Subagenten zijn gespecialiseerde assistenten waaraan Claude Code taken kan delegeren — elk draait in een eigen geïsoleerd contextvenster, voert het werk autonoom uit en geeft vervolgens een beknopte samenvatting terug, terwijl de volledige tussentijdse trace wordt weggegooid. Deze tutorial van twee minuten van Anthropic legt uit waarom die isolatie belangrijk is om het hoofdcontextvenster bruikbaar te houden, illustreert de afweging aan de hand van een concreet code-onderzoeksscenario en geeft een overzicht van de ingebouwde subagenten waarmee Claude Code vandaag al wordt geleverd. ## [00:03] Wat subagenten zijn Een subagent draait in zijn eigen aparte gesprekscontextvenster, geïnitialiseerd met een aangepaste systeemprompt die jij definieert. De bovenliggende agent (Claude Code in de hoofdthread) geeft de subagent een taakomschrijving op basis van wat jij hebt gevraagd. De subagent werkt dit autonoom af en stuurt een samenvatting terug naar de hoofdthread — terwijl al het tussenliggende werk geïsoleerd blijft. > *"Sub-agents are specialized assistants that Claude can delegate tasks to."* Het cruciale ontwerppunt: zodra de subagent klaar is, wordt zijn volledige gespreksthread volledig weggegooid. Alleen de teruggestuurde samenvatting komt terecht in het hoofdgesprek. ## [00:24] Het contextvenster beheren Elke tool-aanroep die Claude in de hoofdthread doet — bestandslezingen, zoekopdrachten, functietracés — stapelt zich op in het hoofdcontextvenster. Bij een lange sessie loopt dat snel vol. Subagenten bestaan juist om afzonderlijke onderzoeks- of actietaken af te laden, zodat de kosten niet in het hoofdvenster terechtkomen. > *"Each sub-agent runs in its own conversation contacts window with a custom system prompt that you define."* De afweging is expliciet: het hoofdvenster houdt een schone context, maar verliest zicht op hoe de subagent tot zijn conclusies is gekomen en wat hij onderweg heeft ontdekt. Je krijgt het antwoord, niet de redeneerTrace. ## [01:13] Een concreet voorbeeld: het betaalsysteem Stel dat je Claude Code gebruikt om te achterhalen welke service terugbetalingen afhandelt in een onbekende codebase. Zonder subagent zou Claude misschien 15 bestanden lezen, meerdere zoekopdrachten uitvoeren en door meerdere functie-aanroepen heengaan — en dat alles vult het hoofdcontextvenster, ook al had je maar één feit nodig. > *"With a sub-agent, you get the answer without the journey."* De subagent verkent de codebase, vindt het antwoord en geeft een gerichte samenvatting terug — je hoofdcontext blijft schoon. Het verlies aan zichtbaarheid is de prijs: je ziet niet welke bestanden hij heeft gelezen of welke tracés hij heeft gevolgd. ## [02:00] De ingebouwde subagenten van Claude Code Claude Code wordt geleverd met drie direct inzetbare ingebouwde subagenten: - **Algemene subagent** — voor meerstapstaken die zowel verkenning als actie vereisen. - **Explore-subagent** — snel zoeken door codebases zonder de overhead van een volledige taakloop. - **Plan-subagent** — wordt uitgevoerd tijdens de planmodus om de codebase te onderzoeken en te analyseren voordat een plan aan jou wordt gepresenteerd. > *"And you can also create your own sub-agents with custom system prompts and tool access."* Naast deze drie kun je eigen subagenten definiëren met hun eigen systeemprompts en toollijsten, afgestemd op specifieke workflows. ## [02:30] Wanneer subagenten inzetten Subagenten lonen wanneer je een afgebakende, op zichzelf staande vraag of taak hebt die anders veel tussenliggende context in je hoofdvenster zou dumpen. > *"Sub-agents like Claude Code break work into focused pieces, keep your main context window clean, and bring back just what you need, whether you're using the built-in ones or creating your own."* Ze zijn het waardevolst bij langere Claude Code-sessies waar contextvensterdruk zich opstapelt — een deeltaak naar een subagent uitbesteden in plaats van hem door de hoofdthread te laten uitwaaieren, verlengt direct hoe lang een sessie effectief blijft. ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): verteller van de "Claude Code subagents"-tutorialserie geproduceerd door Anthropic - **Claude Code** (Software): de agentische codeerassistent van Anthropic; de hostomgeving waarin subagenten opereren - **Claude** (Software): het onderliggende AI-model dat Claude Code en zijn subagenten aanstuurt - **Subagent** (Concept): een gespecialiseerde assistent waaraan Claude Code taken delegeert, draaiend in een geïsoleerd contextvenster met een eigen systeemprompt - **Contextvenster** (Concept): de eindige tokenbuffer die alle gespreksgeschiedenis, tool-aanroepen en resultaten bevat; subagenten voorkomen dat het volloopt met tussenliggende informatie - **Algemene subagent** (Software): ingebouwde Claude Code-subagent voor meerstaps verkennings-en-actietaken - **Explore-subagent** (Software): ingebouwde Claude Code-subagent geoptimaliseerd voor snel zoeken door codebases - **Plan-subagent** (Software): ingebouwde Claude Code-subagent die de codebase onderzoekt tijdens de planmodus voordat een plan wordt gepresenteerd - **Anthropic** (Organisatie): maker van Claude en Claude Code; producent van deze tutorialserie

Tao en Dwarkesh gebruiken Keplers ontdekking van de planetenbeweging als lens om te bekijken wat AI werkelijk verandert in de wetenschap. Tao stelt dat het genereren van hypothesen nu vrijwel gratis is, waardoor de knelpunten verschuiven naar evaluatie, peer review en de tand des tijds. Huidige AI's winnen op breedte — elke standaardtechniek uitproberen op elk probleem — terwijl mensen winnen op diepte, voortbouwend op deelresultaten. Hybride configuraties zullen de wiskunde daardoor nog minstens een decennium domineren. ## [00:00] Kepler was een hoge-temperatuur-LLM Tao vertelt hoe Kepler tot zijn drie wetten van de planetenbeweging kwam. Kepler begon met een verkeerde maar mooie theorie — Platonische lichamen ingeschreven tussen de planetenbanen — en liet die pas los na jarenlang zwoegen met Tycho Brahes gestolen blote-oogwaarnemingen. De ellipsen, het gelijkevlakkenwet en de wet van de periodekwadraten kwamen voort uit decennialange data-analyse; Newtons verklaring volgde een eeuw later. Dwarkesh framing: Kepler lijkt op een hoge-temperatuur-LLM die willekeurige verbanden test op een verifieerbare dataset. Tao is het eens met de mechanica maar plaatst vraagtekens bij het knelpunt. Ideeëngeneratie was al goedkoop — Kepler had geen tekort aan theorieën. Wat hij nodig had, was Brahes ordes-van-grootte betere data en het geduld om ideeën die de data weerlegde te verwerpen. > *Maar zoals je zegt, het moet worden aangevuld met een even grote hoeveelheid verificatie, anders is het rommel.* ## [11:44] Hoe herken je een nieuw unificerend concept te midden van bergen AI-rommel? Tao: als AI ideeëngeneratie vrijwel gratis heeft gemaakt, worden peer review en de tand des tijds de nieuwe beperking. Tijdschriften verdrinken al in AI-gegenereerde inzendingen. De status van een idee hangt af van wat latere wetenschap ermee doet — Copernicus was minder nauwkeurig dan Ptolemaeus totdat Kepler het plaatje compleet maakte — dus de beoordeling valt moeilijk te automatiseren vanuit het moment zelf. Dwarkesh vraagt hoe de wetenschap een Bell-Labs-achtig unificerend concept zou herkennen (Shannons bit, de transformer) verstopt in miljoenen middelmatige papers. Tao's antwoord wijst op het deel dat menselijk kan blijven: wetenschappers produceren niet alleen theorieën, ze vertellen verhalen die andere wetenschappers overtuigen jaren te investeren in vervolgwerk. Darwins proza deed het werk dat Newtons Latijnse vergelijkingen niet deden. > *AI heeft de kosten van ideeëngeneratie vrijwel naar nul gedrukt, op een manier die sterk lijkt op hoe het internet de communicatiekosten naar bijna nul heeft gebracht.* ## [26:10] De deductieve overhang Tao over het onderbenutte signaal in bestaande data. Astronomie is al eeuwen de discipline die maximale informatie uit minimale data haalt — ook de reden dat kwantitatieve hedgefondsen bij voorkeur astronomie-doctorandi aannemen. Als favoriet voorbeeld noemt hij onderzoekers die bijhielden hoe vaak wetenschappers de papers die ze citeren ook echt lezen, door te traceren welke typefouten zich door citatieketens verspreidden. Hij stelt voor om dezelfde sociologie-van-de-wetenschap-aanpak toe te passen op AI-vooruitgang zelf — door citatiepatronen, conferentieverwijzingen en andere voetafdrukken te analyseren om te detecteren of een resultaat werkelijk vooruitgang betekende, in plaats van de tand des tijds dat langzaam te laten doen. > *Een conclusie was dat de deductieve overhang in veel vakgebieden veel groter kan zijn dan mensen beseffen.* ## [30:31] Selectiebias in gerapporteerde AI-ontdekkingen AI heeft ongeveer 50 van de circa 1.100 Erdős-problemen opgelost, en plateaude daarna. Tao legt het selectie-effect uit: die 50 hadden vrijwel geen literatuur — één obscure techniek plus één bekend resultaat was genoeg, en AI-tools zijn uitstekend in "elke standaardcombinatie uitproberen." Wanneer het probleem voor 80% al gedaan is met bestaande methoden, ruimt AI het op. Wanneer het echt een nieuwe techniek vereist, stokt het, en het slagingspercentage bij systematisch afzoeken is 1-2% per probleem. Tao's metafoor: AI-tools zijn springrobots losgelaten in een berglandschap, in het donker. Ze kunnen korte muren nemen die mensen niet bereiken, maar ze kunnen geen steunpunt grijpen, daar blijven, en omhoog trekken vanuit gedeeltelijke vooruitgang. De bullish lezing — zodra AI's een bepaald niveau bereiken, kun je een miljoen parallelle kopieën op een miljoen problemen loslaten, wat geen menselijke gemeenschap kan — is ook de structurele reden waarom de wetenschap nieuwe paradigma's nodig heeft die breedte werkelijk benutten. > *Ze blinken uit in breedte, en mensen blinken uit in diepte, menselijke experts tenminste.* ## [46:43] AI maakt papers rijker en breder, maar niet dieper Tao over zijn eigen werkwijze: papers bevatten nu meer code, meer figuren en diepgaandere literatuuroverzichten, omdat de ondersteunende taken ongeveer 5 keer goedkoper zijn geworden. De eigenlijke kern — het hardste deel van een probleem oplossen — speelt zich nog steeds af met pen en papier. Hij zou zichzelf niet graag "2 keer productiever" noemen, omdat de maatstaf niet eendimensionaal is; wat veranderde is het type paper dat hij schrijft, niet de snelheid waarmee hij de vraag beantwoordt waarmee hij begon. Het onderscheid tussen slimheid en intelligentie komt op hetzelfde neer. Wanneer twee mensen samenwerken aan een wiskundig probleem, wordt elke mislukte poging een steunpunt voor de volgende. Met huidige AI's vergeet een nieuwe sessie wat de vorige had uitgewerkt. De cumulatieve optrek-stap ontbreekt — alleen brute trial-and-error en uiteindelijke absorptie in de volgende trainingsronde. > *Het heeft de papers rijker en breder gemaakt, maar niet noodzakelijkerwijs dieper.* ## [53:00] Als AI een probleem oplost, kunnen mensen er dan inzicht uit halen? Zou een AI de Riemann-hypothese in Lean kunnen bewijzen terwijl wij er niets van leren? Tao maakt zich geen zorgen. Lean heeft de eigenschap dat elk bewijs atomair kan worden ontleed — elk lemma kan afzonderlijk worden bekeken, verwijderd en getest. Zelfs een gegenereerd bewijs van 3.000 regels wordt zo ruw materiaal: andere AI's kunnen het herstructureren voor elegantie, andere mensen kunnen de conceptuele inhoud extraheren, en het artefact blijft nuttig ook al was de oorspronkelijke afleiding ondoorzichtig. Hij voorspelt een hele beroepsgroep van wiskundigen wier taak het is om grote Lean-gegenereerde bewijzen uit elkaar te halen en de ideeën erin te vinden — een soort bewijs-archeologie, met zowel menselijk oordeel als AI-ablatie-tools. > *Je haalt veel meer uit het samenspel van mensen die samenwerken met deze tools.* ## [59:20] We hebben een semi-formele taal nodig voor de manier waarop wetenschappers echt met elkaar praten Dwarkesh vraagt hoe een semi-formele taal voor wiskundige strategieën — in tegenstelling tot wiskundige bewijzen — eruit zou zien. Tao traceert de vraag via Gauss' priemgetalstelling — de eerste grote statistische veronderstelling in de wiskunde, afgeleid uit ruwe data voordat enig bewijs bestond — en via de tweelingepriemveronderstelling, die wiskundigen geloven omdat het stochastisch model van de priemgetallen het voorspelt. Wiskunde heeft zowel rigoureuze bewijzen als rigoureuze heuristieken; alleen de bewijskant is geformaliseerd tot iets wat Lean kan controleren. De reden waarom de heuristische kant nog niet geformaliseerd is: elke RL-controleerbare beoordelaar wordt een doelwit voor exploitatie, en het subjectieve aspect van "dit argument is overtuigend" laat geen hackbaar raamwerk toe. Tao zou graag een manier zien om conjecture-generatie en strategiekeuze op grote schaal te benchmarken, mogelijk door kleine AI's in speelgoed-wiskundige universa te laten opereren en te kijken welke strategieën naar voren komen. > *Er is een subjectief aspect van wetenschap dat we niet weten hoe we het kunnen vatten op een manier die AI er op een nuttige manier in kan invoegen.* ## [69:48] Hoe Terry zijn tijd besteedt Tao over hoe hij nieuwe deelgebieden absorbeert. Hij beschouwt zichzelf als een vos in de zin van Berlin — een beetje van alles, af en toe een egel wanneer nodig. De drijfveer is een completionistische obsessie: als een andere wiskundige een resultaat kan bewijzen met een techniek die hij niet kent, moet hij achterhalen wat de truc was. (Hij moest om dezelfde reden stoppen met videospelletjes.) Samenwerking met andere wiskundigen is het belangrijkste middel, en dingen opschrijven op zijn blog is de geheugensteun die hij ontwikkelde nadat hij herhaaldelijk argumenten was vergeten zes maanden nadat hij ze had afgeleid. In zijn agenda laat Tao bewust ruimte voor toeval. Hij zou het erg vinden zijn tijd zo strak te optimaliseren dat hij nooit in een vergadering belandt buiten zijn comfortzone. Het jaar dat hij doorbracht aan het Institute for Advanced Study bevestigde de val — twee weken puur onderzoek waren geweldig, daarna raakte hij door zijn inspiratie heen. De toevallige ontdekking op de volgende bibliotheekplank, het informele gangesprek en de vergadering die hij tegenzin bijwoonde, deden meer werk dan ze leken. > *Die toevallige interacties lijken misschien niet optimaal, maar ze zijn eigenlijk heel belangrijk.* ## [77:05] Menselijke-AI-hybriden zullen de wiskunde nog veel langer domineren Wanneer doet AI de wiskunde zelfstandig? Tao herformuleert — AI doet al wiskunde die mensen niet kunnen, met rekenmachines, alleen op een ander front. Binnen ongeveer een decennium verwacht hij dat veel van wat promovendi nu doen — standaardtechnieken toepassen, literatuur doorploegen — naar AI verschuift, maar het vakgebied zal een niveau omhoog gaan zoals het deed toen computeralgebrasystemen symbolische integratie overnamen. Genetica eindigde niet toen sequencing goedkoop werd; het schaalde op naar ecosystemen. Wiskunde zal hetzelfde doen. Zijn advies aan studenten die nu met wiskunde beginnen: ga uit van verandering, maar haal je diploma op de oude manier — er is voorlopig nog geen alternatief voor wiskunde leren via de traditionele weg. Blijf tegelijkertijd aanpasbaar genoeg om volledig nieuwe onderzoekswijzen te omarmen zodra ze verschijnen, inclusief die nog niet bestaan. Het bijzondere feit is dat een middelbare scholier met AI-tools en Lean vandaag al kan bijdragen aan echt wiskundig onderzoek, wat vijf jaar geleden niet mogelijk was. > *Ik geloof inderdaad dat menselijke-AI-hybriden de wiskunde nog veel langer zullen domineren.* ## Entiteiten - **Terence Tao** (Persoon): Veldsmederij-medaillist (2006), wiskundige aan UCLA, schrijft regelmatig over de rol van AI in wiskundig onderzoek. - **Dwarkesh Patel** (Persoon): Presentator van de Dwarkesh Podcast; uitgebreide interviews over AI, wetenschap en technologie. - **Johannes Kepler** (Persoon): Astronoom (1571-1630) die de drie wetten van de planetenbeweging afleidde uit de waarnemingen van Tycho Brahe. - **Tycho Brahe** (Persoon): Deense blote-oogastronoom wiens decennialange planetaire waarnemingen de dataset vormden die Kepler nodig had. - **Lean** (Software): Bewijs-assistent waarin wiskundige bewijzen worden geformaliseerd en atomair kunnen worden gecontroleerd, ontleed en getest. - **Erdős-problemen** (Concept): De circa 1.100 open problemen gesteld door Paul Erdős; AI heeft er ongeveer 50 opgelost, vrijwel allemaal met nauwelijks bestaande literatuur. - **De deductieve overhang** (Concept): Het idee dat bestaande data al veel meer afleidbare kennis bevat dan ooit is geëxtraheerd, met astronomie als modelgeval. - **Riemann-hypothese** (Concept): Onopgeloste veronderstelling over de verdeling van priemgetallen; het testgeval voor de vraag of een AI-bewijs de wiskundige kennis van mensen zou vergroten.

Claude Code skills zijn herbruikbare markdown-bestanden die gespecialiseerde kennis eenmalig vastleggen — Claude activeert ze daarna automatisch zodra een verzoek overeenkomt, zonder dat de gebruiker instructies hoeft te herhalen of een slash command hoeft te typen. Deze tutorial van drie minuten legt uit wat skills zijn, waar ze worden opgeslagen, hoe ze verschillen van CLAUDE.md-bestanden en het signaal dat aangeeft dat het tijd is om er een te schrijven. ## [00:03] Het herhalingsprobleem dat skills oplossen Elke keer dat je de codestandaarden van je team uitlegt, opnieuw beschrijft hoe je PR-feedback gestructureerd wilt hebben, of Claude herinnert aan je favoriete commit-berichtopmaak, herhaal je jezelf. De verteller opent met drie opeenvolgende voorbeelden om precies het wrijvingspunt te benoemen dat skills aanpakken. > *"Elke keer dat je de codestandaarden van je team aan Claude uitlegt, herhaal je jezelf."* ## [00:20] Wat een skill is en hoe Claude er een kiest Een skill is een markdown-bestand dat Claude eenmalig leert hoe iets gedaan moet worden. Claude slaat de instructie op en past die automatisch toe wanneer de situatie erom vraagt. In Claude Code is dat bestand SKILL.md. Het description-veld in dat bestand is het sleutelmechanisme: wanneer je Claude vraagt een PR te reviewen, vergelijkt hij jouw verzoek met alle beschikbare skill-beschrijvingen en activeert de bijpassende. > *"Claude leest jouw verzoek, vergelijkt het met alle beschikbare skill-beschrijvingen en activeert de overeenkomende."* ## [01:05] Waar je skills opslaat: persoonlijk versus project Skills leven op twee plaatsen, afhankelijk van wie ze nodig heeft. Persoonlijke skills gaan naar ~/.claude/skills en volgen je mee naar elk project: commit-berichtstijl, documentatieopmaak, hoe je code uitgelegd wilt hebben. Projectskills gaan naar .claude/skills in de root van de repository; iedereen die de repo kloont krijgt ze automatisch. Die tweede locatie is waar teamstandaarden leven: merkrichtlijnen, voorkeurslettertypen en kleuren voor webdesign. > *"Iedereen die de repository kloont krijgt deze skills automatisch."* ## [01:42] Skills versus CLAUDE.md: automatisch en context-efficiënt Claude Code biedt meerdere aanpassingslagen, en skills nemen een eigen niche in. CLAUDE.md-bestanden worden bij elk gesprek onvoorwaardelijk geladen — juist voor regels zoals altijd TypeScript strict mode gebruiken. Skills worden on demand geladen, alleen wanneer ze overeenkomen met het huidige verzoek, en alleen de naam en beschrijving komen op dat moment in de context. Het volledige skill-body laadt pas bij activatie. Zo blijft de PR-reviewchecklist buiten het contextvenster tijdens het debuggen en komt hij pas binnen wanneer je daadwerkelijk om een review vraagt. Slash commands moet je intypen; skills niet. > *"Skills zijn uniek omdat ze automatisch en taakspecifiek zijn."* ## [02:27] Wanneer je een skill schrijft Skills werken het best voor gespecialiseerde kennis gekoppeld aan specifieke taken: code-reviewstandaarden die je team hanteert, commit-berichtopmaak, merkrichtlijnen. De sluitende regel is direct en praktisch: als je jezelf betrapt op het steeds opnieuw uitleggen van hetzelfde aan Claude, is dat een skill die geschreven wil worden. > *"Als je jezelf betrapt op het steeds opnieuw uitleggen van hetzelfde aan Claude, nou, dat is een skill die geschreven wil worden."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): verteller en host van de Claude Code skills-tutorialserie - **Claude Code** (Software): AI-codeerassistent van Anthropic; de omgeving waar skills worden ontdekt en toegepast - **SKILL.md** (Concept): het markdown-bestand dat een skill definieert — bevat een naam, beschrijving en instructies voor Claude - **CLAUDE.md** (Concept): instructiebestand op project- of globaal niveau dat bij elk Claude Code-gesprek onvoorwaardelijk wordt geladen, in tegenstelling tot skills - **Anthropic** (Organisatie): maker van Claude en Claude Code

Een PR review skill die door één engineer wordt gebruikt is nuttig; diezelfde skill uitgerold over een heel team standaardiseert code reviews en zorgt voor een consistente ervaring door de hele organisatie. Deze tutorial doorloopt vier concrete distributiemethoden — repository-commits, plugins, enterprise managed settings en custom sub-agents — en legt precies uit wanneer elk van toepassing is. Het sub-agent-gedeelte bevat een niet voor de hand liggende kanttekening: sub-agents erven skills niet automatisch, en ingebouwde agents kunnen er helemaal niet bij. ## [00:01] Waarom delen de waarde van skills vergroot Een skill die bij één developer blijft doet zijn werk. Diezelfde skill naar een team uitrollen verankert standaarden, elimineert per-persoon variatie en zorgt dat elke review er hetzelfde uitziet en aanvoelt. De verteller opent met een direct contrast tussen individueel gebruik en gebruik op teamschaal, gevolgd door de vier deelmechanismen. > *"A PR review skill that only you use is helpful. The same skill shared across your team standardizes code review and provides a consistent experience amongst your organization which is much better."* ## [00:18] Skills vastleggen in je repository De methode met de minste wrijving: plaats skills in `.claude/skills` binnen de project-repo. Iedereen die de repository kloont krijgt die skills direct — geen installatiesstap, geen extra tooling. Updates komen via de gewone `git pull`-cyclus. Dit pad past bij teamcodeerstandaarden, projectspecifieke workflows en skills die verwijzen naar de eigen structuur van de codebase. > *"Anyone who clones the repository gets these skills automatically. No extra installation, it's just what you're doing already."* ## [00:45] Skills distribueren via plugins Plugins breiden Claude Code uit met aangepaste functionaliteit die verder reikt dan één project. Binnen het plugin-project weerspiegelt een `skills/`-map de structuur van `.claude/` — skillnaam, `SKILL.md`. Eenmaal gepubliceerd op een marketplace kan elke Claude Code-gebruiker de plugin downloaden en activeren. Dit kanaal is het beste voor skills die algemeen genoeg zijn om de bredere community te bedienen in plaats van de conventies van één team. > *"Think of plugins as ways to extend Claude Code with custom functionality, but designed to be shared across teams and projects."* ## [01:26] Organisatiebrede uitrol via managed settings Beheerders kunnen skills via managed settings naar elke developer in een organisatie pushen. Enterprise-skills krijgen de hoogste prioriteit: ze overschrijven persoonlijke, project- en plugin-skills met dezelfde naam. Het beoogde gebruik is voor verplichte standaarden — beveiligingsvereisten, compliance-workflows, codeerpraktijken die uniform moeten zijn. De verteller benadrukt het woord "moeten" expliciet: dit zijn geen suggesties. > *"This is for mandatory standards, security requirements, compliance workflows, or coding practices that must be consistent across the organization."* ## [01:52] Custom sub-agents en expliciet skills laden Sub-agents erven de skills van het hoofdgesprek niet. Ingebouwde agents (explorer, planner, verify) hebben helemaal geen toegang tot skills. Alleen custom sub-agents — gedefinieerd via een `agent.md`-bestand in `.claude/agents` — kunnen skills gebruiken, en dan alleen de skills die expliciet zijn opgesomd in het `skills:`-veld van dat bestand. Skills worden geladen wanneer de sub-agent start, niet op aanvraag, dus de lijst moet beknopt blijven: alleen skills die altijd relevant zijn voor het doel van de agent. De tutorial demonstreert het aanmaken van een sub-agent met de Claude Code sub-agent creator en het koppelen van skills aan een bestaand `agent.md`. > *"Built-in agents like the explorer, planner, and verify can't access skills at all. Only custom sub-agents you define can use them, and only when you explicitly list them."* ## [03:18] Samenvatting: de juiste distributiemethode kiezen De afsluiting koppelt elke methode aan zijn scenario: projectmappen voor teamtoegang, plugins voor cross-repository-deling, enterprise-uitrol voor organisatiebrede verplichte standaarden en expliciete sub-agent-skilllijsten voor geïsoleerde taakdelegatie. De sub-agent-herinnering klinkt opnieuw — vermeld alleen de skills die altijd relevant zijn voor het werk van een bepaalde agent, want ze worden bij opstarten geladen, niet lui. > *"Share skills through project directories for team access, plugins for cross-repository distribution, or enterprise deployment for organization-wide standards."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): enige presentator van de Claude Code skills-tutorialserie - **Claude Code** (Software): Anthropic's AI-codeerassistent; de runtime-omgeving waar skills worden gemaakt en uitgerold - **Skills** (Concept): herbruikbare instructiesets in `.claude/skills` die het gedrag van Claude Code uitbreiden - **Plugins** (Concept): distribueerbare pakketten die skills bundelen voor deling met teams en marketplace-gebruikers - **Managed settings** (Concept): enterprise-beheermechanisme om skills organisatiebreed met de hoogste prioriteitsoverschrijving te deployen - **Sub-agents** (Concept): aangepaste Claude Code-agents gedefinieerd via `agent.md` in `.claude/agents`; het enige agenttype dat skills kan laden, en alleen wanneer expliciet vermeld - **Anthropic** (Organisatie): bedrijf dat Claude Code heeft gebouwd en de Claude Code skills-tutorialserie produceert

Een tutorial van vier minuten uit de Claude Code skills-serie over de geavanceerde configuratievelden die een basisskill omzetten in een betrouwbaar, context-efficiënt gereedschap. De verteller doorloopt de volledige veldset van de agentskills.io-standaard — `name`, `description`, `allowed_tools`, `model` — en legt uit hoe je grotere skills structureert met progressive disclosure, zodat referentiemateriaal en scripts alleen geladen worden wanneer dat nodig is, niet bij elke aanroep. ## [00:02] Overzicht van geavanceerde skill-velden De agentskills.io open standaard definieert meerdere velden naast de verplichte `name` en `description`. `name` moet lowercase zijn met koppeltekens, maximaal 64 tekens, en moet overeenkomen met de mapnaam. `description` heeft een maximum van 1.024 tekens en is het primaire signaal dat Claude gebruikt voor skill-matching. Twee optionele velden ronden de configuratie af: `allowed_tools`, dat beperkt welke tools de skill kan aanroepen, en `model`, dat de skill koppelt aan een specifieke Claude-versie. > *"A basic skill works with just a name and description, but here are some other advanced tips that can make your skills really effective in Claude Code."* ## [00:39] Effectieve beschrijvingen schrijven Een vage beschrijving — "helpen met honden" — laat Claude raden naar scope en triggers. Een goede beschrijving beantwoordt precies twee vragen: wat doet deze skill, en wanneer moet Claude hem gebruiken? Zoekwoorden afstemmen op de natuurlijke formulering van gebruikersverzoeken is de manier om skills te repareren die niet triggeren. > *"A good description answers two questions. What does this skill do? And when should Claude use it?"* ## [01:20] Tools beperken met allowed_tools `allowed_tools` is het mechanisme om een skill te beperken tot een gedefinieerd oppervlak — bijvoorbeeld alleen-lezentoegang voor beveiligingsgevoelige workflows. Wanneer het veld is ingesteld, kan Claude alleen die tools aanroepen zonder toestemming te vragen; geen bewerken, schrijven of Bash. Het veld weglaten laat het normale rechtenmodel van Claude intact. > *"When this skill is active, Claude can only use those tools without asking permission. No editing, no writing, no bash commands."* ## [01:49] Progressive disclosure voor skills met meerdere bestanden Skills delen het contextvenster van Claude met het lopende gesprek. Alles in één `SKILL.md` van 20.000 regels proppen blaast de context bij elke aanroep op en maakt het bestand lastig te onderhouden. De oplossing: essentiële instructies in `SKILL.md` zetten en referentiemateriaal verplaatsen naar afzonderlijke bestanden die Claude alleen leest wanneer het verzoek van de gebruiker dat echt vereist. De standaard stelt drie ondersteunende mappen voor — `scripts/` voor uitvoerbare code, `references/` voor documentatie, en `assets/` voor afbeeldingen en templates. Een link in `SKILL.md` werkt als een inhoudsopgave-item; als het onderwerp nooit ter sprake komt, wordt het bestand nooit geladen. Scripts in de skill-map worden uitgevoerd zonder dat de broncode in de context geladen wordt — alleen hun uitvoer verbruikt tokens. De verteller raadt aan `SKILL.md` onder de 500 regels te houden; meer dan dat is een teken dat de skill gesplitst moet worden. > *"It's like having a table of contents in the context window rather than fitting the whole entire document in there."* ## [03:18] Terugblik: skill-metadata en best practices De tutorial sluit af met een herhaling van het volledige configuratie-oppervlak: `name` en `description` zijn verplicht; `allowed_tools` beperkt het tool-oppervlak; `model` fixeert de Claude-versie. Beschrijvingen hebben concrete werkwoorden en trigger-zinnen nodig om betrouwbaar te matchen. Voor grotere skills houdt progressive disclosure `SKILL.md` onder de 500 regels en stelt ondersteunende bestanden uit totdat ze echt nodig zijn. Scripts voeren uit zonder broncode te laden, wat de context slank houdt. > *"Scripts can execute without loading their contents, keeping context efficient."* ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): de enige host van deze tutorialserie, die de configuratie van Claude Code skills presenteert. - **Claude Code** (Software): de CLI-tool van Anthropic die skills laadt en uitvoert volgens de agentskills.io-standaard. - **agentskills.io** (Organisatie): open standaard die het skill-manifestschema definieert, inclusief `name`, `description`, `allowed_tools`, `model` en mapconventies. - **SKILL.md** (Concept): het primaire manifestbestand van een Claude Code skill; moet onder de 500 regels blijven met links naar ondersteunende bestanden. - **allowed_tools** (Concept): optioneel skill-veld dat specifieke Claude-tools op een whitelist zet, waarmee alleen-lezen- of sandbox-modi mogelijk worden. - **Progressive disclosure** (Concept): een skill met meerdere bestanden zo structureren dat referentiebestanden en scripts alleen in de context geladen worden wanneer het actieve verzoek dat vereist. - **Context window** (Concept): gedeeld tokenbudget tussen het gesprek en eventuele skill-bestanden die Claude laadt; de belangrijkste resource die progressive disclosure is ontworpen te besparen.

Deze tutorial van 3 minuten laat zien hoe je van nul af een persoonlijke Claude Code skill bouwt: maak een map aan met een SKILL.md-bestand, controleer of de skill bij het opstarten wordt geladen en zie hoe Claude hem toepast op een echte aanvraag. Het tweede deel legt uit hoe de skill-laadpipeline van Claude precies werkt — van de vier scanlocaties en de naamgerichte startpas tot de bevestigingspoort en de vierlaagsgewijze prioriteitsvolgorde die naamconflicten oplost. ## [00:03] Wat Dit Tutorial Bouwt De verteller begint met het concrete doel: een skill die Claude leert code uit te leggen met visuele diagrammen en analogieën. Na het bouwen laat de tutorial ook zien wat er intern gebeurt wanneer Claude een skill herkent en uitvoert. > *"Deze skill leert Claude hoe we willen dat hij code uitlegt met visuele diagrammen en analogieën."* ## [00:18] Het Skillbestand Aanmaken Persoonlijke skills staan in de homedirectory, niet in een project — dus de eerste stap is een nieuwe map aanmaken met de naam van de skill binnen `~/.claude/skills/`. Daarin gaat één enkel `SKILL.md`-bestand. Drie secties zijn essentieel: `name` (de identifier die Claude bij het opstarten opslaat), `description` (de matchcriteria die Claude gebruikt om te beslissen of de skill wordt aangeroepen) en alles na de tweede `---`-scheidingsteken (de instructies die Claude volgt wanneer de skill wordt geactiveerd). > *"Houd er rekening mee dat we een map aanmaken met de naam van de skill binnen de skills-directory."* ## [00:52] Je Skill Laden en Testen Claude Code scant skills bij het opstarten, niet op aanvraag — dus een sessieherstel is nodig nadat je het bestand hebt aangemaakt. Met `/skills` zou "PR description" (of welke skill je zojuist hebt gemaakt) in de lijst moeten staan. Om te testen maak je een branch aan met een paar wijzigingen en stuur je de gewone aanvraag "Write a PR description for my changes." Claude meldt dat hij de PR description-skill aanroept, leest de diff en schrijft telkens een beschrijving in hetzelfde formaat. > *"Claude laat je dan zien dat hij de PR description-skill gebruikt."* ## [01:25] Hoe Claude Skills Intern Laadt Bij het opstarten scant Claude Code vier locaties: enterprise beheerde instellingen, de persoonlijke `~/.claude/skills/`, de `.claude/`-directory van het project en geïnstalleerde plugins. Hij laadt alleen de `name` en `description` — niet de volledige inhoud. Wanneer een aanvraag binnenkomt, vergelijkt Claude die met de opgeslagen beschrijvingen; "leg uit wat deze functie doet" overlapt met "leg code uit met visuele diagrammen", dus de skill matcht. Vóórdat hij het volledige SKILL.md leest, vraagt Claude om bevestiging — zo weet de gebruiker welke context wordt geïnjecteerd. > *"Hij laadt alleen de naam en beschrijving van elke skill, niet de volledige inhoud. Dat is later belangrijk."* ## [02:02] Prioriteitsregels en Naamconflicten Een repository klonen die zelf skills meebrengt, kan naambotsingen veroorzaken. Claude lost dat op met een vaste prioriteitsvolgorde: enterprise (hoogste) → persoonlijk → project → plugins (laagste). Een enterprise `code-review`-skill wint het altijd van een persoonlijke `code-review`-skill. De praktische oplossing is beschrijvende namen: `security-review` of `frontend-pr-review` in plaats van het generieke `review`, zodat conflicten nooit ontstaan. > *"Als je bedrijf een enterprise code review-skill heeft en jij maakt een persoonlijke code review-skill, dan heeft de enterprise-versie voorrang."* ## [02:52] Skills Bijwerken en Verwijderen Een skill bijwerken is een directe bestandsbewerking: open de SKILL.md, pas aan wat nodig is en sla op. Een skill verwijderen betekent de map wissen. Beide handelingen vereisen een herstart van Claude Code voordat de wijziging van kracht wordt — de lijst met skills wordt eenmalig opgebouwd bij het starten van de sessie en wordt niet bewaakt op live wijzigingen. > *"Bewerk het skill.md-bestand om een skill bij te werken en herstart Claude Code voor de wijzigingen van kracht worden."* ## Entiteiten - **Anthropic Tutorial-verteller** (Persoon): de enige presentator die het skill-aanmaaktutorial voor de Claude Code skills-serie begeleidt - **Claude Code** (Software): Anthropic's CLI voor Claude; scant skills bij het opstarten en past ze toe wanneer gebruikersaanvragen overeenkomen met skill-beschrijvingen - **SKILL.md** (Concept): het enkele bestand dat een skill definieert — bevat YAML-frontmatter (name, description) en vrije instructietekst na de tweede `---`-scheidingsteken - **Skills** (Concept): herbruikbare, benoemde instructiereeksen die Claude een consistent gedragspatroon leren; opgeslagen als mappen met een SKILL.md-bestand - **Enterprise Skills** (Concept): door de organisatie beheerde skills die bovenaan de vierlaagsgewijze prioriteitsvolgorde staan en persoonlijke, project- en plugin-skills overschrijven - **Anthropic** (Organisatie): maker van Claude en Claude Code; produceert deze tutorialreeks op claude.com/resources/courses

Claude Code biedt ontwikkelaars vijf aparte aanpassingsopties — Skills, CLAUDE.md, subagents, hooks en MCP-servers — elk gebouwd voor een ander doel. Deze tutorial van drie minuten koppelt elke optie aan het juiste gebruik, zodat je niet naar Skills grijpt als CLAUDE.md voldoende is, of een hook instelt terwijl je eigenlijk een subagent nodig hebt. ## [00:02] Vijf aanpassingsopties, één beslissingsprobleem Claude Code heeft vijf manieren om het gedrag te sturen: Skills, CLAUDE.md, subagents, hooks en MCP-servers. De verteller noemt alle vijf in snelle volgorde en verschuift de vraag meteen van "wat zijn dit?" naar "welke hoort hier thuis?" > *"Ze lossen verschillende problemen op. Weten wanneer je elk gebruikt, voorkomt dat je het verkeerde bouwt."* De rest van de tutorial is in wezen een antwoord op die ene zin. ## [00:18] CLAUDE.md vs Skills: altijd actief vs op aanvraag CLAUDE.md is een bestand dat Claude aan het begin van elk gesprek leest, zonder activering. Het is de juiste plek voor projectbrede beperkingen die nooit vergeten mogen worden — frameworkkeuzes, codeerstijl, databaseregels. Skills laden daarentegen op aanvraag: je PR-reviewchecklist komt pas in de context als je daadwerkelijk om een review vraagt, niet terwijl je nieuwe code schrijft. > *"Gebruik Claude MD voor projectbrede standaarden die altijd gelden — beperkingen zoals het databaseschema nooit aanpassen, frameworkvoorkeuren en codeerstijl."* De scheidslijn is bestendigheid versus relevantie. Als de instructie voor elke prompt in het project moet gelden, hoort die in CLAUDE.md. Als die alleen soms nuttig is, hoort die in een Skill. ## [01:03] Skills vs Subagents: gedeelde context vs geïsoleerde uitvoering Skills injecteren kennis in het huidige gesprek — hun instructies sluiten aan bij de bestaande context. Subagents werken anders: ze ontvangen een taak, starten een aparte uitvoeringscontext, werken zelfstandig en leveren resultaten terug zonder het hoofdgesprek aan te raken. > *"Gebruik subagents wanneer je een taak wilt delegeren naar een aparte uitvoeringscontext. Je hebt andere tooltoegang nodig dan het hoofdgesprek biedt. Je wilt isolatie tussen gedelegeerd werk en je hoofdcontext."* Gebruik Skills als expertise de redenering van Claude gedurende een lopend gesprek moet sturen. Gebruik subagents als je een heldere grens wilt tussen de hoofdsessie en een gedelegeerde werkeenheid — andere tools, geen vermenging. ## [01:42] Hooks vs Skills: gebeurtenisgestuurd vs verzoekgestuurd Hooks vuren automatisch bij gebeurtenissen — een linter uitvoeren elke keer dat Claude een bestand opslaat, invoer valideren vóór een bepaalde toolaanroep. Ze worden niet geactiveerd door wat jij vraagt; ze worden geactiveerd door wat Claude doet. Skills zijn het tegenovergestelde: verzoekgestuurd, ze activeren wanneer een vraag bij hen past. > *"Een hook kan een linter uitvoeren elke keer dat Claude een bestand opslaat, of invoer valideren vóór bepaalde toolaanroepen. Ze zijn allemaal gebeurtenisgestuurd, terwijl skills verzoekgestuurd zijn. Ze activeren op basis van wat je vraagt."* Als het gedrag onvoorwaardelijk bij een systeemgebeurtenis moet plaatsvinden, is het een hook. Als het de manier waarop Claude denkt bij een vraag moet sturen, is het een Skill. ## [02:15] Alle vijf combineren voor uitgebreide aanpassing Een goed geconfigureerde Claude Code-omgeving gebruikt elk hulpmiddel voor zijn natuurlijke rol: CLAUDE.md voor altijd-actieve projectstandaarden, Skills voor taakspecifieke expertise die niet elke prompt moet vervuilen, hooks voor geautomatiseerde neveneffecten, subagents voor geïsoleerd gedelegeerd werk, en MCP-servers voor toegang tot externe tools. Het zijn geen alternatieven — ze vullen elkaar aan. > *"Dwing niet alles in skills als een andere optie beter past. Je kunt er meerdere tegelijk gebruiken."* Skills activeren automatisch wanneer een onderwerp relevant is; CLAUDE.md is altijd aanwezig; subagents draaien geïsoleerd; hooks vuren bij gebeurtenissen; MCP biedt externe tools. Kies de juiste laag voor elke behoefte en combineer ze vrij. ## Entiteiten - **Anthropic Tutorial Narrator** (Persoon): Presentator van deze Claude Code skills-tutorialserie, namens Anthropic. - **Claude Code** (Software): Anthropic's AI-gestuurde codeerassistent; het onderwerp van de tutorialserie. - **Skills** (Concept): Kennispakketten op aanvraag die activeren wanneer Claude een gebruikersverzoek herkent; injecteren instructies in de huidige gesprekscontext. - **CLAUDE.md** (Concept): Een configuratiebestand dat automatisch in elk Claude Code-gesprek laadt; gebruikt voor altijd-actieve projectbrede standaarden en beperkingen. - **Subagents** (Concept): Aparte uitvoeringscontexten die worden gestart om gedelegeerde taken geïsoleerd van het hoofdgesprek af te handelen. - **Hooks** (Concept): Gebeurtenisgestuurde automatisering die bij specifieke Claude-acties — zoals bestand opslaan of toolaanroepen — vuurt, onafhankelijk van gebruikersverzoeken. - **MCP Servers** (Software): Model Context Protocol-servers die externe tools leveren aan Claude Code-sessies. - **Anthropic** (Organisatie): Maker van Claude Code en uitgever van de Claude Code skills-tutorialserie.