Gauntlet Loop. Dejte AI laťku, se kterou se nedá hádat

Koncem července 2026 vložil Matt Shumer do Claude Code tři odstavce textu a nechal to běžet. Vrátila se mu střílečka z pohledu první osoby, která běží v prohlížeči. Zhruba 55 000 řádků JavaScriptu v jedenácti podsystémech a ani jeden grafický soubor. Každá textura, každý model, animace i zvuk vznikají z kódu až při načtení stránky. Repozitář je veřejný pod licencí MIT, na YouTube je záznam hraní, pokud to chcete vidět v pohybu, a stejnou metodou od té doby vzniklo několik desítek her přímo do prohlížeče.

Tohle je celý prompt.

I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of.

Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going.

Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode.

Shumer později tohle schéma pojmenoval Gauntlet Loop. Čte se to jako hádka s počítačem a slova, která odvádějí tu práci, nejsou „utterly“ ani „perfect“.

Začněme tím, co se nepovedlo

V souboru README je sekce nazvaná Honest assessment. Je to nejužitečnější část celého experimentu.

Jedenáct nezávislých kritiků hodnotilo hotové snímky proti skutečným záběrům z Call of Duty. Skóre šlo 3,59, potom 4,14, potom 4,05 a nakonec 5,05 z deseti. Dva záběry dosáhly stupně „close“, ostatní zůstaly na „amateur“. V každém slepém porovnání, v každém kole si kritik vybral skutečnou hru.

Nedostatky jsou pojmenované konkrétně. Ruce vypadají jako hranaté kusy, které zbraň nedrží. Povrchy působí jako procedurální šum, ne jako vyfotografovaný materiál. Nepřítel z dálky připomíná figurínu. Nepřímé osvětlení je odhad. Hotová verze běží na notebooku s čipem Apple při 28 až 30 snímcích za sekundu.

Smyčka tedy prohrála. Zároveň po každém kole uměla říct číslo i důvod, proč prohrála. To je ten rozdíl, který stojí za kopírování. Většina práce s AI se zastaví ve chvíli, kdy výsledek přestane působit trapně, což je pocit, ne měření.

Čtyři pohyblivé části

Když z promptu odmyslíme křik, zbydou čtyři pokyny.

První pokyn je laťka mimo model. Ne „AAA kvalita“, kterou si model dokáže nadefinovat tak nízko, až ji splní. Skutečný záběr z Call of Duty, který si nadefinovat nedokáže.

Potom je tu povolení rozdělit si práci. Prompt nejmenuje podsystémy. Agent sám rozhoduje, co jsou ty kusy, a právě tohle rozhodnutí mu lidé nejčastěji berou z rukou a udělají ho hůř.

Kritik není stavitel. Dostane cíl, laťku a hotový výstup. Nedostane úvahy stavitele ani jeho shrnutí toho, co udělal. Anthropic tohle schéma nazývá evaluator-optimizer a doporučuje ho tam, kde existují jasná hodnoticí kritéria a druhý průchod měřitelně pomáhá.

Nakonec povolení pokračovat. Bez něj se agent po jednom kole vrátí, protože vracet se je přesně to, na co je trénovaný.

Co ty příkazy doopravdy dělají

Původní prompt píše /loop jako běžnou angličtinu ve významu pokračuj. V dnešním Claude Code mají ta slova přesný význam a záměna stojí peníze.

Příkaz /goal nastaví podmínku dokončení. Po každém tahu přečte malý rychlý model konverzaci a odpoví, jestli podmínka platí. Pokud ne, Claude začne další tah místo toho, aby vrátil řízení. To je ta cílová smyčka.

Příkaz /loop spouští další tah po uplynutí časového intervalu. Slouží k opakované práci a sledování, ne k broušení k laťce.

Klíčové slovo ultracode je zase něco jiného. Napsané přímo v promptu způsobí, že Claude na tu jednu úlohu napíše a spustí dynamické workflow, tedy skript, který na pozadí řídí podagenty. Nastavené přes /effort ultracode spojí nejvyšší úroveň uvažování s automatickým řízením workflow na celou relaci. Runtime dovolí najednou šestnáct agentů, na strojích s málo jádry méně, a tisíc na jeden běh. Běh, který naplánuje víc než dvacet pět agentů nebo překročí odhad 1,5 milionu tokenů, vypíše upozornění. V relaci se zapnutým ultracode se ale neukáže, protože tím nastavením jste velké běhy už povolili.

Na Gauntlet Loop tedy chcete /goal na podmínku zastavení a ultracode na rozvětvení.

Šablona

Vyplňte čtyři místa. Reference musí být něco, co agent dokáže reálně otevřít, spustit, vyfotit nebo přečíst.

Postav <VĚC>, která <CO MUSÍ DĚLAT>, na úrovni kvality <POJMENOVANÁ REFERENCE>.
Postup si zvol sám.

Rozděl práci na nejmenší kusy, které se dají hodnotit samostatně.
Na každý kus spusť stavitelského podagenta a samostatného kritického podagenta.

Kritik dostane cíl, laťku a hotový výstup. Nedostane úvahy stavitele ani jeho
shrnutí. Prohlédne si skutečný výstup, porovná ho naslepo s <POJMENOVANÁ REFERENCE>,
řekne, který je lepší, a pojmenuje jednu největší zbývající mezeru i s důkazem.

Pokud prohrajeme, vrať tu mezeru staviteli a jdi znovu.

Skonči, když kritik vybere náš výstup, nebo po <N> kolech, nebo když kolo zlepší
skóre o méně než <X>. Po každém kole vypiš skóre a největší mezeru.

Prompt pro kritika je ta část, kterou lidé přeskakují. Napsaný špatně vyrobí stavitele s druhým názorem. Napsaný pořádně vypadá takhle.

Hodnotíš výstup, který jsi nestavěl. Nedostaneš historii ani vysvětlení a nemáš
si o ně říkat.

Náš výstup: <CESTA NEBO SNÍMEK>
Reference: <CESTA NEBO SNÍMEK>

Ohodnoť náš výstup od 1 do 10 vůči referenci. Potom odpověz na jednu otázku.
Kdyby zákazník viděl oba bez popisek, který si vybere a podle jakého viditelného
detailu se rozhodne?

Pojmenuj jednu největší mezeru. Ukaž na důkaz. Nevyjmenovávej deset drobností
a nezmírňuj hodnocení jen proto, že ta práce vypadá náročně.

Jak to spustit na hře

Původní prompt pořád funguje a vyplatí se přečíst přesně tak, jak byl napsaný. Utaženější verze, která selhává méně často, vypadá takhle.

ultracode Postav v Three.js prohlížečovou motokárovou hru na vizuální úrovni
Mario Kart 8 Deluxe. Architekturu si zvol sám.

Rozděl to na trať, jízdní model, materiály, efekty, zvuk a HUD. Každému dej
stavitelského podagenta. Po každém kole spusť samostatného kritického podagenta,
který vyfotí naši hru, porovná ji naslepo s referenčními záběry, dá jí známku
1 až 10 a pojmenuje jednu největší vizuální mezeru.

Pracuj vždy na jednom provázaném systému, ne na všech šesti najednou.
Osvětlení, tonemapping a materiály jsou jeden systém, ne tři.

/goal každý kritik dá 7 nebo víc, nebo projdou čtyři kola se zlepšením
menším než 0,3

Ten řádek o jednom provázaném systému není ozdoba. Důvod je o dvě kapitoly níž.

Jak to spustit na firemním výstupu

Na téhle metodě není nic specifického pro grafiku. Potřebuje výstup, který se dá prozkoumat, a referenci, kterou umíte pojmenovat. Ceníková stránka to splňuje. Čtvrtletní zpráva ne, dokud si nejdřív neřeknete, jak vypadá dobrá.

Dva prompty, které fungují.

ultracode Přepiš naši ceníkovou stránku v src/app/cenik tak, aby si první
návštěvník dokázal vybrat balíček do třiceti sekund. Laťkou je ceníková stránka
Stripe a ceníková stránka Linear. Obě jsou veřejné, tak si je stáhni a přečti.

Rozděl práci na strukturu, porovnání balíčků, texty, práci s námitkami
a mobilní zobrazení.

Po každém kole samostatný kritický podagent načte v prohlížeči naši stránku
i obě referenční, při šířce 390 px a 1440 px, se snímky obrazovky. Naše texty
předtím neviděl. Odpoví na tři otázky. Která stránka vysvětlí volbu nejrychleji.
Kde se na naší stránce čtenář zastaví a musí přemýšlet. Která jedna změna zavře
největší část mezery.

Ceny neměň a nevymýšlej funkce, které neprodáváme.

/goal kritik vybere naši stránku před oběma referencemi ve třicetisekundovém
testu, nebo projde šest kol

A jeden, ve kterém není ani řádek kódu.

Napiš nabídkový dokument na naši službu automatizace dokumentů, pro českou
firmu s dvaceti zaměstnanci, která zpracovává faktury ručně.

Laťkou je stránka s cenami Basecamp a příručka Stripe Atlas, obě veřejné.
Stejný test. Zaneprázdněný majitel to přečte jednou a ví, co dostane, co to
stojí a co bude následovat.

Rozděl to na pojmenování problému, co dodáme, cenu, harmonogram a námitky.

Samostatný kritický podagent přečte jenom hotový dokument. Moje poznámky nevidí.
Odpoví, co by čtenář pořád nevěděl, čemu by nevěřil a u kterého odstavce by
přestal číst. Ohodnotí to vůči referenčním dokumentům.

Přepiš nejslabší část. Opakuj, dokud kritik nepřestane nacházet odstavec, u kterého
by čtenář skončil, nebo dokud neprojde pět kol.

Kde se to láme

Tentýž repozitář zaznamenal zjištění, které odporuje promptu, jenž ho vyrobil. Je to nejcennější věc na celém experimentu.

Paralelní rozvětvení prohrálo. Tři kola po šesti agentech, každý vlastnil jeden adresář, posunula skóre o 0,46 a počet chyb kazících obraz nechala vyšší, než byl na začátku, tedy 60, potom 47, potom 66. Tonemapping, obloha a nepřímé světlo jsou jeden provázaný systém a samostatní agenti si navzájem rozbíjeli předpoklady. Jeden sekvenční průchod s jedním vlastníkem na jednu provázanou oblast posunul skóre o celý bod a snížil počet chyb ze 66 na 26.

Rozvětvujte přes věci, které se nedotýkají. Přes věci, které se dotýkají, jděte postupně.

Za pojmenování stojí ještě tři způsoby selhání. Laťka, kterou si agent nadefinuje sám, není laťka, takže „profesionální kvalita“ neplatí a „lepší než tahle konkrétní stránka“ platí. Kritik, který dostane shrnutí od stavitele, hodnotí to shrnutí, ne výstup. A smyčka bez stropu běží, dokud si toho nevšimne rozpočet. James Altucher spustil původní prompt na zhruba deset hodin a 1,3 milionu tokenů. Anthropic u vlastního výzkumného systému s více agenty naměřil asi patnáctinásobek tokenů oproti běžné konverzaci a doporučuje to schéma jen tam, kde hodnota úlohy ty náklady unese.

Smyčka se sama nezastaví. Podmínkou zastavení jste vy.

Co s tím děláme my

V Rise.sk běží verze s bránou na review. Agent staví, čerstvý agent bez historie stavby kontroluje a člověk merguje. Ten postup jsme popsali samostatně, stejně jako související otázku, kam v AI vývoji patří člověk.

Gauntlet Loop je totéž schéma namířené na kvalitu místo na správnost. Vyplatí se tehdy, když se výstup dá prozkoumat, když existuje pojmenovaná reference a když „dost dobré“ tiše něco stojí. Nevyplatí se tehdy, když nikdo nerozhodl, co znamená dobré.

Pokud řešíte, který z vašich procesů by takovou smyčku unesl, stavíme AI automatizace a workflow a děláme technologické audity, které začínají přesně touhle otázkou.

Zdroje

• Matt Shumer, Claude of Duty, celý prompt a Honest assessment
• Anthropic, Keep Claude working toward a goal
• Anthropic, Orchestrate subagents at scale with dynamic workflows
• Anthropic, Building effective agents
• Anthropic, How we built our multi-agent research system
• Anthropic, Loop engineering, getting started with loops
• Anthropic, Building verification loops in Claude Code with skills
• Decrypt, The dumbest-looking AI prompt just beat months of careful game-design prompt engineering