Open-sourcetool leert AI-codeerassistenten de regels van jouw team kennen

AI-codeerassistenten zoals Claude Code, Codex en Cursor kunnen inmiddels zelfstandig functies schrijven, bugs oplossen en zelfs hele features bouwen. Maar elke nieuwe sessie begint bij nul. De AI-agent weet niets van de afspraken die een team heeft gemaakt: welke patronen verouderd zijn, welke bibliotheek verboden is, of waarom de ene dienst nooit rechtstreeks met de andere mag praten. Ontwikkelaars lossen dit vaak op met persoonlijke instructiebestanden, maar die staan op één machine, verouderen snel en worden niet gedeeld met collega's.

Het Israëlisch-Nederlandse bedrijf Tikal heeft daarvoor nu een oplossing gebouwd: adlc-team-skills, een verzameling gratis 'skills' die AI-agents bij het opstarten automatisch voorzien van teamkennis. Het project staat open source op GitHub en is inmiddels door meer dan honderd gebruikers met een ster gewaardeerd.

Een index in plaats van een informatiedump

De kern van de tool heet team-boot. Dat onderdeel start automatisch bij elke nieuwe sessie en laadt een compacte index van de regels, rollen en beslissingen van het team: namen en korte omschrijvingen, samen goed voor ongeveer honderd tokens. Pas wanneer een taak echt raakt aan een specifieke regel, haalt de AI de volledige tekst daarvan op. Een taak die met SQL-code te maken heeft, laadt dus alleen de SQL-regel, en niets anders.

Die aanpak is bewust gekozen. Uit recent wetenschappelijk onderzoek blijkt dat een overvol contextvenster de prestaties van taalmodellen flink kan verslechteren, met tot 85 procent minder nauwkeurigheid bij zeer lange invoer. Door agents alleen een index te geven en pas op aanvraag details te laten ophalen, blijft de hoeveelheid ballast in het geheugen van het model beperkt.

Van losse fix tot teamkennis

De tool doet meer dan alleen regels injecteren. Met mission-brief dwingt het systeem de AI eerst een concreet plan te maken — doel, beperkingen en succescriteria — voordat er code wordt geschreven. Gaat er iets mis, dan pas je het plan aan, niet de code zelf. Losse skills bouwen bovendien geautomatiseerde testsets, zodat het model niet zijn eigen huiswerk nakijkt: alles wat met code te controleren is, krijgt een simpele pass-of-fail-test, en niets wordt automatisch samengevoegd zonder menselijke controle via een pull request. Ook waardevolle lessen uit een sessie — bijvoorbeeld een lastige bugfix — worden vastgelegd en teruggeschreven naar de gedeelde coderepository van het team, zodat de volgende sessie slimmer begint. Verouderde regels worden juist actief opgespoord en voorgesteld voor verwijdering, zodat de regelset niet blijft aangroeien.

Waarschuwing na beveiligingsincident

Eind juli 2026 werd de broncode van het project kort getroffen door een supply chain-aanval: met een gestolen token van een beheerder werd korte tijd kwaadaardige code in de projectmap geplaatst. Die code werd alleen uitgevoerd als iemand de repository kloonde en lokaal opende in VS Code of Claude Code — gebruikers die de tool via de officiële installatiemethode binnenhaalden, liepen geen risico. Tikal heeft de geschiedenis van de repository schoongemaakt, tokens vervangen en extra beveiliging ingebouwd. Het incident onderstreept een bredere les voor ontwikkelaars: behandel configuratiebestanden in een gekloonde repository altijd als potentieel uitvoerbare code.

De tool werkt met elke AI-assistent die de zogeheten Agent Skills-standaard ondersteunt, waaronder Claude Code, Codex, Cursor en GitHub Copilot, en is gratis te installeren via de commandoregel.