Zelfopgeleide software developer uit Nederland. Ik bouw back-end systemen, kwantitatieve tradingalgoritmes en af en toe een Mac-app. Hier schrijf ik over de dingen die ik onderweg leer.
Een nieuw agentic project van mij begint met een corpus markdown: één document voor wat het project moet doen, subfolders voor de modules en systemen erin. Die bestanden zijn wat een agent per taak leest, wat ze dichter bij een programma dan bij een essay maakt. Ik forkte een markdown-editor om hun structuur te zien tijdens het schrijven, en hij rendert de raw HTML die de engine eerst als tags afdrukte.
ta v2.0.0 brengt ta.js, ta.py en ta.go op hetzelfde versienummer, met dezelfde indicator-set end-to-end geaudit tegen leerboek-formules en een vergelijkende benchmark per taal. Pure-JS ta.js wint 66 van de 67 cross-library cases op 100k bars; pure-Go ta.go wint of speelt gelijk op alles in zijn veld. Het Python-verhaal is gecompliceerder, en de post is eerlijk over waarom.
De meeste agent frameworks roepen het model standaard nog een keer aan — elk uur, elke change check, elke field-extractie. De rekening schaalt lineair met hoe vaak de agent wakker werd. Dit project is gebouwd om eerst de andere vraag te stellen: moeten we het model deze keer eigenlijk wel aanroepen, en hoe structureren we het systeem zo dat het antwoord meestal nee is?
Twee maanden geleden heb ik al mijn projecten op één Dokploy-box gezet, de grootste van vijf servers, en de andere vier laten vallen. Deploys werden een Dockerfile in de repo, en het handmatige serverwerk dat ik deed, verdween. De setup houdt stand, met één gat: ik vertrouw de resourcemonitoring nog niet.
De volledige spec-and-review-ceremonie bij elke taak vertraagde de build tot een slakkengang, dus heb ik superpowers geforkt in twee snelheidsbanen. De audit plakte er een concreet getal op: 27 subagent-runs voor 11 taken, waarbij één fix-loop 22 procent daarvan opslokte. Upstream bracht een dag na mijn routing-aanpassing een eigen router uit, dus het probleem was reëel.
De afgelopen zes weken doet een machine die ik heb gebouwd een deel van mijn quant-onderzoek voor me. Het stelt een hypothese voor, schrijft zelf de strategie, backtest deze over twaalf out-of-sample-vensters en vertelt me welke ideeën dood zijn. Het heeft ongeveer 700 experimenten gedraaid en niets heeft de holdout overleefd. Dat leest als een oordeel over autoresearch, maar dat is het niet: het is een oordeel over mijn harness.
