De meeste onderzoeksteams die AI serieus gebruiken, houden er uiteindelijk een bestand voor bij. Het begint als een paar regels over hoe het team dingen benoemt en welke tools het gebruikt. Al snel bevat het operationele grenzen, voorkeursmethoden, referentiewaarden, waarschuwingen voor fouten die de agent ooit maakte en een map met prompts die voor iemand goed werkten.
Die gewoonte is verstandig. Dit artikel bekijkt waarom het bestand helpt, waar het het onderzoek niet meer bijhoudt en wat er verandert als de AI leert van bevestigde uitkomsten in plaats van te wachten tot iemand een regel aanpast.
Waarom teams dingen opschrijven voor hun AI
Een model begint elke sessie met wat het wist toen zijn training eindigde. Het heeft de conventies van je lab, je analysepipeline en de grens die je senior wetenschapper of engineer vorige maand bevestigde niet gezien. Een instructiebestand dicht een deel van dat gat voor vrijwel niets. De assistent leest het aan het begin van elke sessie, en de belangrijkste context van het team gaat mee.
Een typisch bestand van een onderzoeksteam bevat een mix hiervan:
- Conventies: hoe bestanden, monsters en runs worden benoemd, welke eenheden worden gerapporteerd en welke vorm een samenvatting moet hebben.
- Grenzen: instellingen waar een methode niet overheen mag gaan, invoer die vóór gebruik moet worden gecontroleerd, stappen die een persoon nodig hebben.
- Voorkeursmethoden: de volgorde van stappen die een schone analyse oplevert, of de tool die het team vertrouwt voor een bepaalde taak.
- Referentiewaarden: de getallen die de agent moet gebruiken in plaats van te gokken.
- Waarschuwingen: fouten die de agent ooit maakte, opgeschreven zodat hij ze niet opnieuw maakt.
- Prompts: formuleringen die voor één persoon een goed plan of een goede review opleverden, bewaard voor de rest van het team.
Het bestand is voor iedereen leesbaar, makkelijk aan te passen en volledig in handen van het team. Het werkt met elk model. Voor stabiele conventies en huisstijl is het moeilijk te verslaan, en teams zouden het moeten houden.
Waar het bestand het niet meer bijhoudt
Het probleem is dat onderzoek niet stilstaat, en een bestand verandert alleen als iemand het bewerkt. Naarmate het werk vordert, begint hetzelfde bestand dat in de eerste maand hielp het team op minder opvallende manieren iets te kosten.
- Het wordt lang. Elk incident voegt een regel toe en er worden maar weinig regels verwijderd, dus het model leest elke sessie meer opnieuw en moet zelf inschatten welke delen van toepassing zijn.
- Het veroudert. Als een referentiewaarde verandert, blijft de oude regel staan tot iemand hem verwijdert. Als twee mensen het bestand bewerken, kunnen beide waarden naast elkaar staan.
- Niemand weet welke regel nog geldt. Een regel zegt zelden waar hij vandaan komt, wanneer hij is toegevoegd of onder welke omstandigheden hij klopte. Een nieuw teamlid kan een bevestigde grens niet onderscheiden van de voorkeur van één persoon.
- Het heeft geen koppeling met uitkomsten. Het bestand weet niet of zijn advies werkte. Een methode die sinds het opschrijven twee keer mislukte, leest hetzelfde als een methode die elke keer slaagde.
- Het valt uiteen per persoon. Elke onderzoeker houdt een eigen versie bij, promptbibliotheken groeien uit elkaar, en wat één persoon heeft geleerd, blijft in diens kopie.
- Het is maar zo goed als de laatste bewerking. De agent wordt beter wanneer iemand tijd vindt om het bestand bij te werken, en niet tussen die bewerkingen in.
Zorgvuldige teams lopen tegen al deze punten aan. Ze komen voort uit het bewaren van kennis die met elk resultaat verandert in een document dat met de hand verandert. De ervaring van het team groeit elke week, en de agent blijft waar het bestand hem achterliet.
Wat een geleerde les meebrengt en een regel niet
MS Duplex koppelt aan de AI die je team al gebruikt en leert van de uitkomsten en correcties van experts die je team ervoor kiest vast te leggen: een geslaagde test, een meting, een goedgekeurde conclusie, een correctie met de reden erbij. Het leert naast het model, waarvan de gewichten blijven zoals ze zijn, dus elke les is klaar vanaf het volgende verzoek.
Waar een regel in een bestand een zin is die iemand heeft geschreven, komt een les in MS Duplex met wat een reviewer erover zou willen weten:
- Zijn bron: het resultaat, de meting of het oordeel van een expert waar hij vandaan komt.
- Zijn omstandigheden: wat er gold toen hij werd bevestigd, zodat hij wordt toegepast waar die omstandigheden overeenkomen.
- Zijn reden, bij een correctie: waarom de expert afwees wat de agent voorstelde.
- Zijn geschiedenis: als een nieuwere bevestigde waarde een oudere vervangt, geldt de nieuwere en blijft de wijziging vastgelegd.
- Zijn bereik: of hij bij één onderzoeker blijft, met een team wordt gedeeld of voor de hele organisatie geldt, zoals je regels bepalen.
Ook de manier waarop hij wordt gebruikt, is anders. Een bestand wordt in zijn geheel opnieuw gelezen en het model beoordeelt wat van toepassing is. MS Duplex controleert of de omstandigheden van het nieuwe geval overeenkomen voordat het een les terughaalt. Waar ze overeenkomen, geldt de les. Waar iets afwijkt, wordt hij aangepast en ter controle voorgesteld, of gemarkeerd zodat het team kan beslissen.


En elke les kan afzonderlijk worden behandeld. Je team kan hem beoordelen, hem corrigeren zodat alleen die les verandert, of hem verwijderen, waarna de aanbevelingen die ervan afhingen meeverdwijnen terwijl al het andere blijft. Dat is de vraag die een lang bestand niet kan beantwoorden: welke regel nog geldt, en wat ervan afhangt.
Van een regel in een bestand naar een methode die het team hergebruikt
De waardevolste regels in een instructiebestand beschrijven meestal een procedure die werkte. Stel dat een onderzoeker in een team dat kandidaten rangschikt voor beoordeling, een reeks controles op de invoerdata uitwerkt die een terugkerende fout uit de rangschikkingen haalt. In een bestand wordt dat een alinea die iemand moet vinden en volgen. In MS Duplex wordt het een methode.
- De procedure wordt bevestigdDe agent van de onderzoeker voert de controles uit vóór het rangschikken, en een expert bevestigt dat de rangschikkingen schoon zijn.
- Ze wordt bewaard als methodeMS Duplex bewaart de stappen met de omstandigheden waaronder ze zijn bevestigd en het resultaat dat ze heeft bewezen.
- Het volgende vergelijkbare gevalDe agent van een collega rangschikt een nieuwe partij uit dezelfde bron. De methode wordt direct toegepast, zonder dat iemand een alinea hoeft te plakken.
- Een verwant gevalEr komt nog een partij binnen uit een andere bron, in een ander formaat. MS Duplex past de methode aan en stelt de aangepaste versie ter controle voor. Eenmaal bevestigd wordt die een eigen methode.
- Een nieuw teamlidDe agent van een nieuwe medewerker begint aan hetzelfde werk met beide methoden op hun plaats, elk met het resultaat erachter, en elk opnieuw geverifieerd waar ze wordt gebruikt.
Vergelijk dat met het bestand. De alinea zou de mensen hebben geholpen die wisten dat ze ernaar moesten zoeken, en zou niets hebben gezegd over de tweede bron totdat iemand een nieuwe alinea schreef. De methode ging naar de agents die haar nodig hadden, werd gecontroleerd waar het geval afweek en behield haar bewijs de hele weg.


Het bestand houden, de laag toevoegen
Teams die MS Duplex koppelen, blijven werken in Claude, Codex, Cursor of hun eigen agents zoals voorheen, en het bestand dat de assistent leest, blijft ook werken. Een nuttige eerste oefening is sorteren wat er al in staat.
- Stabiele conventies en huisstijl: houd ze in het bestand. Ze veranderen zelden en het bestand dient ze goed.
- Regels waaraan het werk zich moet houden: leg ze vast als regels in MS Duplex. Regels worden gescheiden gehouden van voorkeuren en zijn zichtbaar in de redenering, een nieuwe regel geldt vanaf het volgende verzoek, en in beheerde omgevingen wordt een stap die een regel overtreedt, gestopt voordat hij draait.
- Referentiewaarden: laat ze voortkomen uit bevestigde resultaten, zodat de nieuwste bevestigde waarde geldt en de geschiedenis van elke wijziging bewaard blijft.
- Procedures die werkten: laat ze methoden worden, bewaard met het resultaat dat ze heeft bewezen.
- Waarschuwingen over eerdere fouten: leg ze vast als correcties, met de reden en de omstandigheden, zodat de agent ze vanaf het volgende verzoek controleert en alleen waar ze van toepassing zijn.
Zo gesorteerd kan het bestand korter worden in plaats van langer. Nieuwe kennis komt binnen naarmate het werk haar bevestigt, en het bestand bevat weer waar het goed in is.
Veelgestelde vragen
Moeten we onze instructiebestanden verwijderen?
Nee. Houd ze voor stabiele conventies en huisstijl. Verplaats regels, referentiewaarden, bewezen procedures en correcties na verloop van tijd naar MS Duplex, waar elk ervan zijn bron behoudt en afzonderlijk kan worden gewijzigd.
Wat is het verschil met retrieval over onze notities?
Retrieval vindt passages die relevant lijken, of ze nu van toepassing zijn of niet, en oude en nieuwe versies van een feit kunnen allebei terugkomen. MS Duplex bewaart bevestigde uitkomsten met hun bewijs, controleert of de omstandigheden overeenkomen en past de nieuwste bevestigde waarde toe, met behoud van de geschiedenis.
Wie ziet een les die de agent van één onderzoeker heeft geleerd?
Dat hangt af van je regels. Elke onderzoeker, elk team en de hele organisatie heeft een eigen laag ervaring, en je regels bepalen wat daartussen wordt uitgewisseld.
Met welke AI-tools werkt dit?
Claude, Codex, Cursor en andere agents die MCP spreken, koppelen direct, en je eigen agents en pipelines koppelen via de API en de Python SDK. Je wetenschappers en engineers houden de AI die ze al gebruiken.


Gebouwd door MatterSpace
MatterSpace bouwt MS Duplex voor wetenschappers, onderzoekers en ingenieurs in elk vakgebied, zodat de AI die ze al gebruiken leert van elk resultaat dat ze bevestigen.









