--- title: "Coding Agent Reliability EXPLODES When They Argue (New Adversarial Dev Technique)" source: https://www.youtube.com/watch?v=HAkSUBdsd6M plattform: youtube channel: colemedin duration_seconds: 1056 thema: adversarial-multi-agent-coding nutzen: "Adversarial-Review-Sub-Agent-Pattern reduziert Aria's Self-Eval-Bias bei Code-Reviews und Issue-Proposals." umsetzungsidee: "Skill '.claude/skills/adversarial-review' anlegen: Evaluator-Prompt-Template ('skeptical QA engineer' + Scoring-Rubric 1-10 + Threshold), Trigger-Doku (wann zweite Session starten), Integration in KAR-Spike-Workflow. Pilot auf nächstem nicht-trivialen Spike. Cole's Repo als Referenz, aber nicht 1:1 übernehmen — Pattern destillieren." prioritaet: P1 klassifikation: Skill confidence: 0.78 status: aktiv linear: KAR-417 tags: [multi-agent, adversarial, coding-agents, sycophancy, claude, code-review, aria-meta, skill-candidate, akp, video, auto-ingested] date: 2026-05-15 akp_run: kar-74 --- # Coding Agent Reliability EXPLODES When They Argue (New Adversarial Dev Technique) **Channel:** colemedin · **Dauer:** 17 min · **URL:** https://www.youtube.com/watch?v=HAkSUBdsd6M ## Kernaussage Cole Medin zeigt eine adversariale Multi-Agent-Coding-Architektur (Planner → Generator ↔ Evaluator), inspiriert von GANs und Anthropics neuem Blogpost, die Sycophancy/Self-Eval-Bias in Coding-Agents reduziert und komplexe One-Shot-Builds zuverlässiger macht. ## 7-Punkt Praxisanalyse ### 1. Was koennen wir lernen? Konkretes Harness-Pattern: 1) Planner expandiert User-Prompt zu strukturierter Spec, 2) Generator und Evaluator verhandeln VORHER Sprint-Split + Scoring-Kriterien (1-10 mit Threshold), 3) iterative Sprints mit max 3 Retries pro Sprint, 4) separate Sessions/Contexts für Generator vs Evaluator zwingend (sonst Bias-Akkumulation). Wichtig: Evaluator-Prompt = 'skeptical QA engineer', Generator versucht Evaluator zu 'überzeugen' = GAN-Analogie. ### 2. Wie koennen wir es einsetzen? Für KAR/KADi-Spike-Phasen oder Aria-Code-Reviews: zweiten Claude-Sub-Agent mit explizit adversarialer System-Prompt einsetzen, der Aria-Implementierungen vor Merge zerlegt. Konkret als .claude/skills/adversarial-review oder als CI-Step für Auto-PRs. Spec-Verhandlung vor Code = sauberer Vertrag zwischen Sub-Agents. ### 3. Konkreter Vorteil fuer Aria / KADi / Supplier Pulse / Workflow / Tools? Adressiert Aria's Self-Eval-Blindspot direkt — aktuell bewertet Aria im Deep-Process-Modus eigene Outputs (Video-Analysen, Issue-Proposals) ohne Gegenstimme. Ein 'Devil's Advocate Sub-Agent' für KAR-Issue-Reviews oder vor Auto-Issue-Creation würde Sycophancy-Risk senken. Passt zu existierendem challenge-Feld in diesem Protocol. ### 4. Was koennen wir dadurch besser machen? Cole's Harness ist TS/Bun-only und ein One-Shot-Build-Toy. Für KADi: nicht für komplette Apps, sondern als Review-Layer auf bestehende Spike-Outputs. Statt 'Generator täuscht Evaluator' (riskante Framing) lieber 'Evaluator gibt strukturiertes Veto mit Rubric'. Threshold-basiertes Scoring (1-10) ist solide, aber Rubrics müssen domain-spezifisch sein, nicht generisch. ### 5. Lohnt sich die Umsetzung — warum? Ja, aber als Pattern, nicht als Tool. Repo selbst ist Demoware. Die Idee 'Pre-negotiated Eval Contract zwischen zwei Agents' ist die echte Take-away — direkt anwendbar auf bestehende Aria-Workflows. ### 6. Naechste Schritte 1) Repo-URL aus Description extrahieren und kurz inspizieren (prompts/planner.md, evaluator.md). 2) Skill-Stub '.claude/skills/adversarial-review' draften mit Evaluator-Prompt-Template. 3) Pilot auf nächstem KAR-Spike: parallel zweite Claude-Session mit QA-Engineer-Prompt laufen lassen und Outputs vergleichen. ## Kritik (Pflichtfeld) Viel Hype-Sprache ('EXPLODES', 'Zukunft der KI-Programmierung'). Anthropic-Blogpost ist nicht open-source — Cole reimplementiert from scratch, keine Validierung dass seine Version Anthropic's Ergebnisse reproduziert. Einziger Beweis: eine RAG-Demo-App, kein Benchmark, keine Failure-Cases gezeigt. 4h-Build mit 'a lot of tokens' = unklare Kosten. GAN-Analogie ist rhetorisch nett aber technisch wackelig (kein Gradient, kein Training, nur Prompt-Loop). Sponsoring-Block (Scrimba) mittendrin. Sycophancy-Problem ist real, aber adversarial agents lösen es nur teilweise — Evaluator hat dieselben LLM-Biases. Redundant zu bereits bekannten Multi-Agent-Patterns (LangGraph, CrewAI, AutoGen). ## Multi-Level-Challenge (inline, KAR-72) **Devils-Advocate:** Zweite Agent-Session verdoppelt Token-Kosten und Latenz, und der Evaluator teilt dieselben LLM-Biases wie der Generator — echte Sycophancy-Reduktion ist unklar. Für KADi-Scale (kleine PRs, klare Specs) ist Pattern overkill; einfaches Self-Review mit Checklist tut's auch. **Steel-Man:** Aria operiert zunehmend autonom (Auto-Issues, Video-Triage, Deep-Process). Ohne strukturierte Gegenstimme akkumuliert Bias über Sessions hinweg. Ein leichtgewichtiger Adversarial-Review-Skill ist günstige Versicherung gegen genau die Sycophancy, die das Video zurecht als wachsendes LLM-Problem identifiziert. **Synthese:** Refine — Pattern aufnehmen als Skill-Stub, aber nicht Cole's Full-Harness kopieren. Fokus: leichtgewichtiger Evaluator-Prompt für Aria-Self-Reviews vor Auto-Actions (Issues, PRs). Erst Pilot, dann Skill finalisieren. ## Cross-Reference (Brain-Match) - [[2026-05-12-latentspacetv-agents-of-chaos-when-helpful-ai-agents-g]] (score 24.779) - [[reels-cluster-claude-news-updates]] (score 20.363) - [[reels-cluster-ai-coding-agents-generic]] (score 20.277) ## Klassifikation: **Skill** · Prioritaet **P1** · Confidence **0.78** --- *Auto-generated by aria-akp-deep.py · cost $0.3676 · 2026-05-15T10:07:06.126551+00:00*