Entwicklung einer Programmiersprache mit Claude Code: Das Cutlet-Experiment

Entwicklung von Cutlet mit KI-generiertem Code
Ankur Sethi erstellte im Januar und Februar innerhalb von vier Wochen eine neue Programmiersprache namens Cutlet mithilfe von Claude Code. Im Gegensatz zur typischen LLM-gestützten Programmierung, bei der die KI mit Standardcode oder gezielten Änderungen hilft, ließ Sethi Claude jede einzelne Codezeile generieren, ohne sie selbst zu lesen. Stattdessen konzentrierte er sich auf den Aufbau von Sicherheitsvorkehrungen und Tests, um die Korrektheit sicherzustellen.
Die resultierende Sprache existiert heute, lässt sich sowohl unter macOS als auch Linux kompilieren und ausführen und kann echte Programme ausführen. Obwohl es möglicherweise Fehler gibt, merkt Sethi an, dass diese wahrscheinlich nicht schlimmer sind als bei jeder anderen vier Wochen alten Programmiersprache.
Funktionen der Cutlet-Sprache
Cutlet ist eine dynamische Sprache mit diesen Hauptmerkmalen:
- Variablen werden mit dem Schlüsselwort
mydeklariert:my cities = ["Tokyo", "Paris", "New York", "London", "Sydney"] - Variablennamen können Bindestriche enthalten (gleiche Syntaxregeln wie Raku)
- Einzelner numerischer Typ: double
- Arrays und Strings funktionieren wie erwartet in dynamischen Sprachen
@Meta-Operator für vektorisierte Operationen:temps-c @* 1.8multipliziert jedes Array-Element@:Operator zum Zusammenführen von Arrays zu Maps:cities @: temps-ferstellt{Tokyo: 82.4, Paris: 71.6, ...}say()Funktion für die Ausgabe, gibtnothingzurück (Cutlets Nullwert)- Boolesche Array-Indizierung für Filterung:
cities[temps-f @> 75]gibt[Tokyo, New York]zurück ++Operator verkettet Strings und Arraysstr()eingebaute Funktion konvertiert zu Strings- Präfix
@für Reduktionsoperationen:@+ temps-csummiert alle Temperaturen len()eingebaute Funktion ermittelt Array-Länge- Funktionen werden mit
fndeklariert:fn max(a, b) is ... if a > b then a else b ... end - Alles ist ein Ausdruck, einschließlich Funktionen und Bedingungen
- Benutzerdefinierte Funktionen funktionieren mit dem
@Operator:@max temps-creduziert mit benutzerdefinierter Max-Funktion
Zusätzliche Funktionen umfassen Schleifen, Objekte, prototypische Vererbung, Mixins, Mark-and-Sweep-Garbage-Collector und eine benutzerfreundliche REPL. Datei-I/O und Fehlerbehandlung sind noch nicht implementiert.
Entwicklungsansatz
Sethi baute den Interpreter aus dem Quellcode und verwendete /path/to/cutlet repl, um in eine REPL zu wechseln. Der Quellcode ist auf GitHub mit Build-Anleitungen und Beispielprogrammen verfügbar. Er nutzt LLM-gestützte Programmierung seit der Veröffentlichung von GitHub Copilot im Jahr 2021, beschränkte die KI jedoch zuvor auf Standardcode und gezielte Änderungen.
Dieses Experiment stellt einen Wechsel dar, bei dem die KI den gesamten Code generiert, während der Entwickler sich auf die übergeordnete Struktur, Tests und Sicherheitsvorkehrungen konzentriert. Der Ansatz erwies sich überraschend effektiv für die Erstellung einer funktionalen Programmiersprache.
📖 Read the full source: HN AI Agents
👀 Siehe auch

Agent MCP Studio: Bauen Sie Multi-Agent-MCP-Systeme vollständig in einem Browser über WASM
Mit Agent MCP Studio können Sie MCP-Agent-Systeme aus einer einzigen statischen HTML-Datei entwerfen, orchestrieren und exportieren – und das mit WebAssembly, ohne Backend, Docker oder Server.

JetBrains stellt Plugin für modernen Go-Code mit den KI-Agenten Junie und Claude Code vor.
JetBrains hat ein Plugin für die KI-Agenten Junie und Claude Code veröffentlicht, das ihre Fähigkeit verbessert, modernen Go-Code zu erzeugen, indem es die neuesten Go-Funktionen und Best Practices berücksichtigt.

Claude Code-Fähigkeiten für automatisiertes Projektgerüst
Ein Entwickler hat Claude Code-Fähigkeiten erstellt, die die Einrichtung von Full-Stack-Projekten mit Befehlen für React, Next.js, Node.js-APIs und Turborepo-Monorepos automatisieren. Die Fähigkeiten ziehen die neuesten Abhängigkeiten, unterstützen über 50 Integrationen und sind unter der MIT-Lizenz verfügbar.

Ausführen von NemoClaw mit lokalem vLLM: Setup-Notizen und Beobachtungen zum Agent-Engineering
Ein Entwickler dokumentierte die Ausführung von NVIDIAs sandboxed AI-Agentenplattform NemoClaw mit einem lokalen Nemotron 9B v2-Modell über vLLM auf WSL2. Zu den wichtigsten Erkenntnissen gehören Details zum Inferenz-Routing, Kompatibilitätsprobleme mit Parsern und Beobachtungen zur Kluft in der Agentenentwicklung.