De fleste forskningsteams, der bruger AI seriøst, ender med at vedligeholde en fil til den. Den starter som et par linjer om, hvordan teamet navngiver ting, og hvilke værktøjer der skal bruges. Inden længe rummer den driftsgrænser, foretrukne metoder, referenceværdier, advarsler om fejl, agenten engang har begået, og en mappe med prompts, der virkede godt for nogen.
Den vane er fornuftig. Dette indlæg ser på, hvorfor filen hjælper, hvor den holder op med at følge med forskningen, og hvad der ændrer sig, når AI'en lærer af bekræftede resultater i stedet for at vente på, at nogen redigerer en linje.
Hvorfor teams skriver ting ned til deres AI
En model starter hver session fra det, den vidste, da dens træning sluttede. Den har ikke set dit laboratoriums konventioner, din analysepipeline eller den grænse, din seniorforsker eller -ingeniør bekræftede i sidste måned. En instruktionsfil lukker en del af det hul næsten uden omkostninger. Assistenten læser den ved starten af hver session, og teamets vigtigste kontekst følger med.
En typisk fil for et forskningsteam rummer en blanding af disse:
- Konventioner: hvordan filer, prøver og kørsler navngives, hvilke enheder der skal rapporteres, og hvilket format et resumé skal have.
- Grænser: indstillinger, en metode ikke bør gå ud over, input, der skal kontrolleres før brug, trin, der kræver en person.
- Foretrukne metoder: den rækkefølge af trin, der giver en ren analyse, eller det værktøj, teamet stoler på til en given opgave.
- Referenceværdier: de tal, agenten skal bruge i stedet for at gætte.
- Advarsler: fejl, agenten engang har begået, skrevet ned, så den ikke begår dem igen.
- Prompts: formuleringer, der gav en god plan eller gennemgang for én person, gemt til resten af teamet.
Filen kan læses af alle, er let at ændre og er helt under teamets kontrol. Den virker med enhver model. Til stabile konventioner og husstil er den svær at slå, og teams bør beholde den.
Hvor filen holder op med at følge med
Problemet er, at forskning ikke står stille, og en fil ændrer sig kun, når nogen redigerer den. Efterhånden som arbejdet skrider frem, begynder den samme fil, der hjalp i den første måned, at koste teamet på mere stilfærdige måder.
- Den bliver lang. Hver hændelse tilføjer en linje, og få linjer bliver nogensinde fjernet, så modellen genlæser mere i hver session og selv må vurdere, hvilke dele der gælder.
- Den bliver forældet. Når en referenceværdi ændrer sig, bliver den gamle linje stående, til nogen sletter den. Hvis to personer redigerer filen, kan begge værdier stå side om side.
- Ingen ved, hvilken linje der stadig gælder. En linje siger sjældent, hvor den kom fra, hvornår den blev tilføjet, eller under hvilke betingelser den var sand. Et nyt teammedlem kan ikke skelne en bekræftet grænse fra én persons præference.
- Den har ingen forbindelse til resultater. Filen ved ikke, om dens råd virkede. En metode, der er fejlet to gange, siden den blev skrevet ned, læses på samme måde som en, der lykkedes hver gang.
- Den splittes op efter person. Hver forsker har sin egen version, promptbiblioteker glider fra hinanden, og det, én person har lært, bliver i den persons kopi.
- Den er kun så god som den seneste redigering. Agenten forbedres, når nogen finder tid til at opdatere filen, og ikke mellem de redigeringer.
Omhyggelige teams løber ind i dem alle. De følger af, at viden, der ændrer sig med hvert resultat, opbevares i et dokument, der ændres i hånden. Teamets erfaring vokser hver uge, og agenten bliver, hvor filen efterlod den.
Hvad en lært lektie bærer, som en linje ikke gør
MS Duplex kobles til den AI, dit team allerede bruger, og lærer af de resultater og ekspertkorrektioner, dit team vælger at registrere: en bestået test, en måling, en godkendt konklusion, en korrektion med sin begrundelse. Det lærer ved siden af modellen, med dens vægte uændrede, så hver lektie er klar fra næste forespørgsel.
Hvor en linje i en fil er en sætning, nogen har skrevet, kommer en lektie i MS Duplex med det, en bedømmer ville ønske at vide om den:
- Dens kilde: det resultat, den måling eller den ekspertvurdering, den kom fra.
- Dens betingelser: hvad der gjaldt, da den blev bekræftet, så den anvendes, hvor de betingelser passer.
- Dens begrundelse, for en korrektion: hvorfor eksperten afviste det, agenten foreslog.
- Dens historik: når en nyere bekræftet værdi erstatter en ældre, gælder den nyere, og ændringen forbliver registreret.
- Dens rækkevidde: om den bliver hos én forsker, deles med et team eller gælder på tværs af organisationen, som dine regler afgør.
Måden, den bruges på, er også anderledes. En fil genlæses i sin helhed, og modellen vurderer, hvad der gælder. MS Duplex kontrollerer, om betingelserne i det nye tilfælde passer, før en lektie hentes frem. Hvor de passer, gælder lektien. Hvor noget er anderledes, tilpasses den og foreslås til kontrol, eller den markeres, så teamet kan beslutte.


Og hver lektie kan håndteres for sig. Dit team kan gennemgå den, rette den, så kun den lektie ændres, eller fjerne den, så de anbefalinger, der afhang af den, forsvinder med den, mens alt andet bliver. Det er det spørgsmål, en lang fil ikke kan besvare: hvilken linje der stadig gælder, og hvad der afhænger af den.
Fra en linje i en fil til en metode, teamet genbruger
De mest værdifulde linjer i en instruktionsfil beskriver som regel en procedure, der virkede. Lad os sige, at en forsker i et team, der rangerer kandidater til gennemgang, udarbejder en række kontroller af inputdata, som fjerner en tilbagevendende fejl fra rangeringerne. I en fil bliver det til et afsnit, nogen skal finde og følge. I MS Duplex bliver det til en metode.
- Proceduren bekræftesForskerens agent kører kontrollerne før rangeringen, og en ekspert bekræfter, at rangeringerne blev rene.
- Den gemmes som en metodeMS Duplex bevarer trinnene med de betingelser, de blev bekræftet under, og det resultat, der beviste dem.
- Det næste lignende tilfældeEn kollegas agent rangerer en ny batch fra samme kilde. Metoden anvendes direkte, uden at nogen indsætter et afsnit.
- Et beslægtet tilfældeEn anden batch kommer fra en anden kilde i et andet format. MS Duplex tilpasser metoden og foreslår den tilpassede version til kontrol. Når den er bekræftet, bliver den en selvstændig metode.
- Et nyt teammedlemEn nyansats' agent starter på det samme arbejde med begge metoder på plads, hver med resultatet bag sig, og hver verificeret igen dér, hvor den bruges.
Sammenlign det med filen. Afsnittet ville have hjulpet de personer, der vidste, at de skulle lede efter det, og det ville ikke have sagt noget om den anden kilde, før nogen skrev endnu et afsnit. Metoden nåede de agenter, der havde brug for den, blev kontrolleret, hvor tilfældet var anderledes, og bevarede sin evidens hele vejen.


Behold filen, tilføj laget
Teams, der forbinder MS Duplex, fortsætter med at arbejde i Claude, Codex, Cursor eller deres egne agenter som før, og den fil, assistenten læser, bliver ved med at virke. En nyttig første øvelse er at sortere det, der allerede står i den.
- Stabile konventioner og husstil: behold dem i filen. De ændrer sig sjældent, og filen tjener dem godt.
- Regler, arbejdet skal overholde: angiv dem som regler i MS Duplex. Regler holdes adskilt fra præferencer og er synlige i ræsonnementet, en ny regel gælder fra næste forespørgsel, og i styrede miljøer stoppes et trin, der bryder en regel, før det kører.
- Referenceværdier: lad dem komme fra bekræftede resultater, så den nyeste bekræftede værdi gælder, og historikken for hver ændring bevares.
- Procedurer, der virkede: lad dem blive til metoder, bevaret med det resultat, der beviste dem.
- Advarsler om tidligere fejl: registrer dem som korrektioner, med begrundelsen og betingelserne, så agenten kontrollerer dem fra næste forespørgsel og kun dér, hvor de gælder.
Sorteret på denne måde kan filen blive kortere i stedet for længere. Ny viden kommer ind, efterhånden som arbejdet bekræfter den, og filen vender tilbage til at rumme det, den er god til.
Almindelige spørgsmål
Skal vi slette vores instruktionsfiler?
Nej. Behold dem til stabile konventioner og husstil. Flyt med tiden regler, referenceværdier, gennemprøvede procedurer og korrektioner over i MS Duplex, hvor hver enkelt bevarer sin kilde og kan ændres for sig.
Hvordan adskiller det sig fra genfinding i vores noter?
Genfinding finder passager, der ser relevante ud, uanset om de gælder eller ej, og både gamle og nye versioner af en kendsgerning kan komme tilbage. MS Duplex bevarer bekræftede resultater med deres evidens, kontrollerer, om betingelserne passer, og anvender den nyeste bekræftede værdi, med historikken bevaret.
Hvem ser en lektie, som én forskers agent har lært?
Det afhænger af dine regler. Hver forsker, hvert team og hele organisationen har sit eget lag af erfaring, og dine regler afgør, hvad der bevæger sig mellem dem.
Hvilke AI-værktøjer virker det med?
Claude, Codex, Cursor og andre agenter, der taler MCP, forbindes direkte, og dine egne agenter og pipelines forbindes via API’et og Python-SDK’et. Dine forskere og ingeniører beholder den AI, de allerede bruger.


Bygget af MatterSpace
MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.









