Dyktowanie promptów do równoległych agentów, tor po torze

Gdy pierwszy raz uruchamiasz dwóch agentów kodujących obok siebie, coś wydaje się nie tak, a nazwanie tego zajmuje chwilę. Każdy agent jest szybki. Każdy z osobna byłby wyraźnym zyskiem. Razem powinny dać podwójny zysk. Zamiast tego dzień wydaje się bardziej pofragmentowany niż przy jednym agencie, a popołudnie kończysz z mniejszą ilością zrobionej pracy, niż oczekiwałeś.

Powodem nie są agenci. Jest nim kształt wejścia, którego potrzebują. Agent kodujący działa na prozie: „rozdziel handler, zachowaj publiczną sygnaturę, dodaj test na ścieżkę timeoutu”. Prozę tanio się myśli, a drogo dostarcza, bo dostarczenie oznacza włożenie rąk i uwagi w odpowiednie okno w odpowiednim momencie. Przy jednym agencie ten moment pokrywa się z Twoim naturalnym rytmem. Przy trzech momenty przychodzą, kiedy przychodzą, i każdy z nich przerywa to, co akurat robiłeś.

Ten wpis dotyczy problemu dostarczania, a nie problemu myślenia. To praktyczny przepływ pracy do dyktowania promptów w równoległe tory agentów na Macu, z uczciwie wymienionymi ograniczeniami. Jeśli nie czytałeś Sterowania Claude Code głosem, tamten wpis omawia podstawy jednego toru; ten zakłada, że prowadzisz już więcej niż jeden.

Dlaczego równoległe tory karzą właśnie pisanie

Prompt ma trzy koszty: sformułowanie, dostarczenie i późniejszy powrót. Sformułowanie jest nieuniknione i dzieje się głównie w głowie. Dostarczenie, gdy piszesz, oznacza przełączenie uwagi na terminal agenta, znalezienie linii wejścia, napisanie czterdziestu do osiemdziesięciu słów i wciśnięcie Enter. Powrót oznacza wrócenie do tego, co robiłeś, zanim agent zapytał.

Przy jednym torze koszt dostarczenia jest mały, bo prawdopodobnie już patrzyłeś na ten terminal. Przy równoległych torach prawie nigdy nie patrzysz. Tor pierwszy zadaje pytanie, kiedy czytasz diffa z toru drugiego. Pytanie jest łatwe, odpowiedź to jedno zdanie. Ale odpowiedzenie na nie oznacza opuszczenie diffa, a gdy wracasz, czytasz ostatnie trzydzieści linii ponownie, żeby znaleźć miejsce, w którym byłeś.

Pomnóż to przez każde przekierowanie, każde „tak, kontynuuj”, każde „nie, ten drugi plik”, a narzut się kumuluje. Równoległe tory nie zawodzą dlatego, że agenci są wolni. Zawodzą dlatego, że to Ty stajesz się szyną komunikacyjną, a szyna, która musi fizycznie przemieszczać się między oknami, ma fatalne opóźnienia.

Głos usuwa większość kosztu dostarczenia. Oczy zostają na diffie, przytrzymujesz klawisz, mówisz zdanie, puszczasz. Słowa lądują w polu wejściowym agenta. Nigdzie nie wyszedłeś.

Konfiguracja, która działa

Oto konfiguracja, celowo nudna.

Skrót, nie okno. Keebye mieszka na pasku menu i nasłuchuje skrótu przytrzymywanego lub stukanego (domyślnie prawy Command; Fn i prawy Option to pozostałe opcje, a Escape przerywa trwające dyktowanie). Nie ma okna aplikacji do otwarcia ani trybu, w który trzeba wejść. Przytrzymaj, mów, puść. To znaczy więcej, niż brzmi: narzędzie do dyktowania, które potrzebuje własnego okna, jest po prostu kolejnym torem.

Wstawianie do pola z fokusem. Transkrypcja trafia tam, gdzie jest Twój kursor. Domyślnie to wklejenie, z dzieleniem świadomym terminala, żeby długi prompt nie zalał powłoki. Jeśli prowadzisz agentów w tmuxie albo przez SSH, gdzie wklejanie zachowuje się źle, jest opcjonalny tryb wpisywania, który wstrzykuje tekst jako naciśnięcia klawiszy Unicode; dyktowanie, które przetrwa terminal wyjaśnia, kiedy go włączyć.

Wsadowo, nie strumieniowo. Keebye transkrybuje po puszczeniu klawisza, jako jedną wypowiedź. Nie zobaczysz słów pojawiających się w trakcie mówienia. Przy promptowaniu to właściwy kompromis: chcesz, żeby całe zdanie wylądowało naraz, oczyszczone, a nie patrzeć, jak materializuje się słowo po słowie, gdy w polu wejściowym agenta leży już pół myśli.

Wszystko na urządzeniu. Transkrypcja działa lokalnie (domyślny model strojony pod angielski albo model 25-językowy, jeśli go włączysz). Po pobraniu modelu działa przy wyłączonym Wi-Fi. Przy promptowaniu agentów chodzi mniej o teatr prywatności, a bardziej o opóźnienie: nie ma podróży w obie strony, więc krótki prompt jest gotowy niemal w chwili, gdy puszczasz klawisz.

Rytm przełączania torów

Przepływ pracy, który się przyjął, ma trzy nawyki.

Oczy zostają na torze wymagającym osądu. W każdej chwili jeden tor jest tym, do którego należy Twoja uwaga — zwykle diff albo wynik testów. To ten tor czytasz. Pozostałe dostają tylko krótkie instrukcje głosowe. Gdy tor drugi potrzebuje decyzji, zerkasz, klikasz w jego pole wejściowe, przytrzymujesz klawisz, mówisz decyzję, puszczasz i klikasz z powrotem. Kliknięcie to jedyny mechaniczny koszt; samo zdanie jest darmowe.

Prompty wypowiadane są jako pełne zdania. Agenci radzą sobie z pełnymi zdaniami lepiej niż z telegraficznymi fragmentami, a dyktowanie naturalnie produkuje pełne zdania, bo tak mówią ludzie. „Cofnij zmianę schematu, ale zachowaj zmianę nazwy w API, potem uruchom migrację ponownie i pokaż mi wynik” to dobry wypowiedziany prompt. Napisany jest męczący.

Wypełniacze znikają, sens zostaje. Czyszczenie w Keebye jest domyślnie regułowe: usuwa „yyy”, „eee”, powtórzone słowo, a Twoje sformułowania zostawia w spokoju. Jest opcjonalny szlif lokalnego LLM na urządzeniu dla schludniejszych zdań, wsparty strażnikiem wierności, który wraca do dosłownej transkrypcji, gdy wersja wygładzona wykazuje poważną utratę tokenów, rozrost albo powtórzenia. Ten strażnik to heurystyka, a nie kontrola semantyczna: nie weryfikuje, czy wygładzony tekst zachował Twój sens ani zaprzeczenie. Przy promptowaniu agenta większość ludzi zostawia szlif wyłączony; dosłowna transkrypcja to dokładnie to, co powiedziałeś, i właśnie to chcesz, żeby agent wykonał.

W czym głos jest dobry, tor po torze

Nie każdy prompt chce być wypowiedziany. Po kilku miesiącach podział wygląda mniej więcej tak.

Przekierowania i kontynuacje: zawsze głosem. „Jedź dalej”. „Nie, ta druga konfiguracja”. „Dodaj test na pusty przypadek i uruchom ponownie”. To najliczniejsze prompty w sesji równoległej i wszystkie mieszczą się w jednym oddechu.

Uwagi z przeglądu: przeważnie głosem. Czytanie diffa i opowiadanie, co jest z nim nie tak, jest naturalne. „Pętla ponawiania połyka błąd, zaloguj go przed uśpieniem i ogranicz liczbę prób do pięciu”. Dyktowanie łapie to w tempie mowy, a Twoje oczy zostają na kodzie.

Wstępne opisy zadań: mieszanie. Długi, ustrukturyzowany opis ze ścieżkami plików i ograniczeniami wciąż zyskuje na pisaniu albo na podyktowaniu wersji zgrubnej i jej edycji. Głos jest w porządku do prozy; dokładne identyfikatory łatwiej się pisze. Pomaga tu własny słownik: dodaj raz nazwy modułów swojego projektu i powracający żargon, a przestaną być transkrybowane jako najbliższe angielskie słowo.

Cokolwiek z kodem: pisane. Dyktowanie wyrażenia regularnego to kiepska zabawa. Dyktuj instrukcję („napisz wyrażenie regularne dopasowujące nagłówek wersji”), a nie sam artefakt.

Uczciwe ograniczenia

Część z nich to ograniczenia Keebye, część całej kategorii.

Opóźnienie pierwszego dyktowania. Mikrofon rozgrzewa się po pierwszym dyktowaniu w sesji i od tego momentu utrzymuje bufor 500 ms. Pierwsze przytrzymanie danego dnia może zapłacić koszt startu strumienia, a słowo wypowiedziane, zanim bufor zadziałał, może zostać obcięte. Dlaczego aplikacje do dyktowania zjadają Twoje pierwsze słowo omawia mechanikę.

Dokładność na identyfikatorach. Nazwy zmiennych w snake_case i wewnętrzne skrótowce to miejsce, gdzie każdy model mowy się męczy. Słownik to redukuje, ale nie eliminuje. Przeczytaj prompt, zanim wciśniesz Enter przy czymkolwiek destrukcyjnym.

Pola bezpieczne. Keebye odmawia wstawiania do pól haseł i bezpiecznych pól wejściowych. To zamierzone i sporadycznie niewygodne, gdy terminal prosi o hasło.

Brak poleceń głosowych. Nie ma słownictwa typu „nowa linia” czy „zaznacz wszystko”. Keebye jest narzędziem do dyktowania, a nie warstwą sterowania głosem. Nawigacja między torami to nadal kliknięcie albo skrót klawiaturowy.

Tylko macOS. Wersja na Windows nie jest wydana.

Dokąd dalej

Jeśli Twoi agenci mieszkają głównie w jednym edytorze, przewodniki Cursor i Claude Code mają specyfikę każdego narzędzia. Jeśli wybierasz aplikację do dyktowania pod ten przepływ pracy, Keebye vs Superwhisper to uczciwe porównanie, które wskazuje też, gdzie Superwhisper pasuje lepiej.

Krótka wersja tego wszystkiego: równolegli agenci nie potrzebują, żebyś pisał szybciej. Potrzebują, żebyś przestał być najwolniejszym przeskokiem między nimi. Trzymaj oczy na torze, który wymaga osądu, a do reszty mów.