Promptok diktálása párhuzamos agenteknek, lane-ről lane-re

Amikor először futtatsz két kódolóügynököt egymás mellett, valami nem stimmel, és eltart egy ideig, míg nevet adsz neki. Mindkét agent gyors. Külön-külön mindkettő egyértelmű nyereség lenne. Együtt kétszeres nyereségnek kellene lenniük. Ehelyett a nap darabosabbnak érződik, mint egy agenttel, és délutánra kevesebb készül el, mint amire számítottál.

Az ok nem az agentekben van, hanem abban, milyen formájú inputot igényelnek. Egy kódolóügynök prózán fut: „bontsd szét a handlert, hagyd meg a publikus szignatúrát, és írj tesztet a timeout-ágra”. A prózát olcsó kigondolni és drága kézbesíteni, mert a kézbesítés azt jelenti, hogy a kezed és a figyelmed a megfelelő ablakba kerül a megfelelő pillanatban. Egyetlen agentnél ez a pillanat egybeesik a saját ritmusoddal. Háromnál a pillanatok akkor jönnek, amikor jönnek, és mindegyik félbeszakítja azt, aminek épp a közepén vagy.

Ez a bejegyzés a kézbesítési problémáról szól, nem a gondolkodásiról. Gyakorlati munkafolyamat promptok diktálásához párhuzamos agent-lane-ekbe, Macen, az őszinte korlátokkal együtt. Ha még nem olvastad A Claude Code vezetése hanggal című írást, az az egy lane-es alapokat veszi végig; ez itt már feltételezi, hogy egynél többet futtatsz.

Miért éppen a gépelést bünteti a párhuzamos lane

Egy promptnak három költsége van: megfogalmazni, kézbesíteni és utána visszatalálni. A megfogalmazás elkerülhetetlen, és nagyrészt a fejedben zajlik. A kézbesítés gépeléskor azt jelenti, hogy átváltasz az agent termináljára, megkeresed a beviteli sort, begépelsz negyven-nyolcvan szót, és entert nyomsz. A visszatalálás azt, hogy visszakerülsz oda, ahol az agent kérdése előtt tartottál.

Egyetlen lane-nél a kézbesítés költsége kicsi, mert nagy eséllyel amúgy is azt a terminált nézted. Párhuzamos lane-eknél szinte soha. Az egyes lane kérdez, miközben a kettes diffjét olvasod. A kérdés könnyű, a válasz egyetlen mondat. De a megválaszolásához el kell hagynod a diffet, és amikor visszatérsz, újraolvasod az utolsó harminc sort, hogy megtaláld, hol tartottál.

Szorozd ezt fel minden irányváltással, minden „igen, folytasd”-dal, minden „nem, a másik fájl”-lal, és az overhead összeadódik. A párhuzamos lane-ek nem azért buknak el, mert az agentek lassúak. Azért, mert te leszel az üzenetbusz — és egy olyan üzenetbusznak, amelynek fizikailag kell ablakok között mozognia, borzalmas a késleltetése.

A hang a kézbesítési költség nagy részét kiveszi. A szemed a diffen marad, lenyomva tartasz egy billentyűt, kimondod a mondatot, elengeded. A szavak az agent beviteli mezőjébe kerülnek. Sosem mentél el.

A beállítás, ami működik

Íme a setup, szándékosan unalmasra hagyva.

Gyorsbillentyű, nem ablak. A Keebye a menüsorban él, és egy nyomva tartható vagy koppintható gyorsbillentyűre figyel (alapból a jobb Command; a Fn és a jobb Option a másik két lehetőség, az Escape pedig megszakítja a folyamatban lévő diktálást). Nincs megnyitandó ablak és nincs mód, amibe be kellene lépni. Nyomd, mondd, engedd el. Ez többet számít, mint amennyire hangzik: egy diktálóeszköz, amelynek saját ablak kell, csak még egy lane.

Beszúrás a fókuszban lévő mezőbe. Az átirat oda kerül, ahol a kurzorod van. Alapértelmezésben beillesztéssel, terminál-tudatos darabolással, hogy egy hosszú prompt ne borítsa fel a shellt. Ha tmuxban vagy SSH-n futtatod az agenteket, ahol a beillesztés rosszul viselkedik, van egy opcionális gépelési mód, amely Unicode-billentyűleütésekként injektálja a szöveget; a terminált is túlélő diktálás elmagyarázza, mikor érdemes átkapcsolni.

Batch, nem streaming. A Keebye a billentyű elengedésekor írja át a beszédet, egyetlen megnyilatkozásként. Nem fogod látni, ahogy beszéd közben megjelennek a szavak. Promptoláshoz ez a helyes kompromisszum: azt akarod, hogy a teljes mondat egyben, megtisztítva érkezzen meg, nem azt, hogy szóról szóra nézd a megjelenését, miközben az agent beviteli mezőjében már ott van egy fél gondolat.

Minden az eszközön. Az átírás helyben fut (egy angolra hangolt alapmodellel, vagy egy 25 nyelvű modellel, ha bekapcsolod). A modell letöltése után kikapcsolt Wi-Fivel is működik. Agentek promptolásánál ez kevésbé adatvédelmi színház kérdése, inkább késleltetésé: nincs oda-vissza út, így egy rövid prompt nagyjából a billentyű elengedésének pillanatában kész.

Lane-váltó ritmus

Az a munkafolyamat, amely végül megmaradt, három szokásból áll.

A szem azon a lane-en marad, amely ítéletet kíván. Bármely pillanatban egy lane az, ahová a figyelmed tartozik — általában egy diff vagy egy tesztkimenet. Azt olvasod. A többi csak rövid szóbeli utasításokat kap. Amikor a kettes lane döntést vár, ránézel, beleklikkelsz a beviteli mezőjébe, nyomva tartod a billentyűt, kimondod a döntést, elengeded, és visszakattintasz. A kattintás az egyetlen mechanikus költség; maga a mondat ingyen van.

A promptok teljes mondatként hangzanak el. Az agentek jobban kezelik a teljes mondatokat, mint a távirati töredékeket, a diktálás pedig természetes módon teljes mondatokat állít elő, mert az emberek így beszélnek. A „Vond vissza a sémaváltoztatást, de tartsd meg az API-átnevezést, majd futtasd újra a migrációt, és mutasd meg a kimenetet” jó kimondott prompt. Begépelve fárasztó.

A töltelékszavak eltűnnek, a jelentés nem. A Keebye tisztítása alapból szabályalapú: kiveszi a „hm”-et, az „ööö”-t, a megismételt szót, és békén hagyja a megfogalmazásodat. Van egy opcionális, eszközön futó lokális LLM-es csiszolás rendezettebb mondatokért, mögötte egy hűségőrrel, amely visszaesik a szó szerinti átiratra, ha a csiszolt változat súlyos tokenvesztést, felduzzadást vagy ismétlést mutat. Ez az őr heurisztika, nem szemantikai ellenőrzés: nem igazolja, hogy a csiszolt szöveg megőrizte a jelentésedet vagy egy tagadást. Agent promptolásához a legtöbben kikapcsolva hagyják a csiszolást; a szó szerinti átirat pontosan az, amit mondtál, és az agentnek pontosan ezt akarod futtatni.

Mire jó a hang, lane-ről lane-re

Nem minden prompt akar kimondott lenni. Néhány hónap után nagyjából így oszlik meg.

Irányváltások és folytatások: mindig hang. „Folytasd.” „Nem, a másik config.” „Írj tesztet az üres esetre, és futtasd újra.” Ezek a leggyakoribb promptok egy párhuzamos munkamenetben, és mind egy lélegzetnyiek.

Review-visszajelzés: többnyire hang. Egy diffet olvasni és elmondani, mi a baj vele, természetes. „A retry-hurok elnyeli a hibát, logold az alvás előtt, és maximáld öt próbálkozásban.” A diktálás beszédtempóban rögzíti ezt, miközben a szemed a kódon marad.

Kezdeti feladatleírások: vegyes. Egy hosszú, strukturált brief fájlútvonalakkal és megkötésekkel továbbra is jól jár a gépeléssel, vagy azzal, hogy diktálsz egy nyers változatot, és megszerkeszted. A prózához jó a hang; a pontos azonosítókat könnyebb begépelni. Az egyéni szótár itt segít: vedd fel egyszer a projekt modulneveit és a visszatérő szakzsargont, és többé nem a legközelebbi angol szóként íródnak át.

Bármi, amiben kód van: gépelve. Egy reguláris kifejezést diktálni kellemetlen. Az utasítást diktáld („írj egy regexet, amely illeszkedik a verzió-fejlécre”), ne a végterméket.

Őszinte korlátok

Ezek közül néhány a Keebye-é, néhány az egész kategóriáé.

Az első diktálás késleltetése. A mikrofon a munkamenet első diktálása után melegszik be, és onnantól 500 ms-os elő-puffert tart. A nap legelső nyomva tartása még fizethet a stream indításának költségével, és egy olyan szó, amelyet a puffer bekapcsolása előtt mondtál ki, levágódhat. A Miért eszik meg a diktálóappok az első szavadat elmagyarázza a mechanikát.

Pontosság az azonosítóknál. A snake_case változónevek és a belső rövidítések ott vannak, ahol bármelyik beszédmodell küzd. A szótár csökkenti ezt, de nem szünteti meg. Olvasd el a promptot, mielőtt entert nyomsz bármi visszafordíthatatlanon.

Biztonságos mezők. A Keebye megtagadja a beszúrást jelszó- és biztonságos beviteli mezőkbe. Ez szándékos, és időnként kényelmetlen, amikor egy terminál épp jelmondatot kér.

Nincsenek hangparancsok. Nincs „új sor” vagy „mindent kijelöl” szókincs. A Keebye diktálóeszköz, nem hangvezérlési réteg. A lane-ek közti navigáció továbbra is kattintás vagy billentyűparancs.

Csak macOS. A Windows-build nincs kiadva.

Merre tovább

Ha az agentjeid többnyire egyetlen szerkesztőben élnek, a Cursor és a Claude Code útmutató tartalmazza az eszközspecifikus részleteket. Ha diktálóappok között választasz ehhez a munkafolyamathoz, a Keebye vs Superwhisper őszinte összehasonlítás, amely azt is elmondja, hol illik jobban a Superwhisper.

Mindennek a rövid változata: a párhuzamos agenteknek nem arra van szükségük, hogy gyorsabban gépelj. Arra, hogy ne te legyél a leglassabb ugrás közöttük. Tartsd a szemed azon a lane-en, amely ítéletet kíván, és a többihez beszélj.