4 november 2026Bijgewerkt op Fathy Shalaby14 min leestijd
Productcontext voor AI-codeeragents: wat je deelt en hoe
Codeeragents kunnen je code lezen, maar je klanten niet. Dit is de productcontext die ze nodig hebben, welke tools die leveren, wanneer het te veel is, en een task packet om te kopiëren.
Productcontext voor AI-codeeragents is de kleine, actuele set feiten die een agent nodig heeft en die de code niet laat zien: wie het probleem heeft, het bewijs, het huidige besluit en wie dat bewaakt, de randvoorwaarden en hoe een mens het resultaat controleert. De beste opzet heeft drie lagen: een kort instructiebestand in de repository, een task packet per wijziging en een live link naar je bron van waarheid voor het product.
De belangrijkste punten
Meer context is niet betere context. Chroma testte 18 modellen en zag dat de prestaties „steeds onbetrouwbaarder worden naarmate de invoer langer wordt”, zelfs bij simpele taken (Chroma, 2025).
Anthropic omschrijft het werk zelf als het vinden van de kleinste set tokens met hoge signaalwaarde voor de taak, en de rest just in time laden via links en bestandspaden (Anthropic, 2025).
Bestanden in de repository zijn voor duurzame regels. Anthropic mikt op minder dan 200 regels per CLAUDE.md en Cursor zegt regels onder de 500 regels te houden, dus klantbewijs en besluiten die veranderen horen daar niet thuis.
Er is geen enkele beste tool. Gebruik een kort instructiebestand, één task packet per wijziging en een MCP-verbinding met de plek waar besluiten echt staan.
Teams verliezen nu al meer dan 25% van hun werkweek aan het zoeken naar informatie (Atlassian, 2025). Een tweede productwiki die alleen voor agents is geschreven, maakt dat erger.
Wat telt als productcontext voor een AI-codeeragent?
Een codeeragent kan je repository lezen, je tests draaien en door je bestanden zoeken. Hij kan het klantgesprek dat de aanvraag op gang bracht niet lezen, ook niet het compromis waar het team dinsdag in de meeting uit kwam, of de reden waarom een feature bewust buiten scope valt. Dat is productcontext: het „wie” en „waarom” achter de codewijziging.
Randvoorwaarden vanuit klanten, contracten of beleid
CI-resultaten
Wat een reviewer controleert voordat hij accepteert
Agents zijn inmiddels zo gewoon dat deze kloof ertoe doet. In de Stack Overflow-enquête van 2025 gebruikte 14,1% van de ontwikkelaars dagelijks AI-agents op het werk, en maakte 86,9% zich zorgen over de juistheid van de informatie die agents geven (Stack Overflow, 2025). Een deel van die onjuistheid ligt aan het model. Een deel komt door een aanvraag waarin de belangrijke productfeiten ontbraken.
Wat is de beste tool om AI-codeeragents productcontext te geven?
Geen enkele tool dekt alles. Elke manier om context te leveren is sterk in één laag en zwak in de andere, dus de nuttige vraag is welke combinatie past bij de plek waar jouw team zijn besluiten bewaart.
Het Model Context Protocol (MCP), dat Anthropic op 25 november 2024 als open standaard uitbracht, maakt de live rijen mogelijk: één protocol in plaats van een eigen connector per databron (Anthropic, 2024). Linear host bijvoorbeeld een server die via OAuth 2.1 werkt met Claude Code, Cursor, Codex en VS Code (Linear docs).
Een praktische standaard voor een klein team:
Een korte AGENTS.md of CLAUDE.md met commando's, conventies, beveiligingsregels en één regel die zegt waar productbesluiten staan.
Een task packet (sjabloon hieronder), gelinkt vanuit elk issue dat de agent oppakt.
Een alleen-lezen MCP-verbinding met het systeem waarin je besluiten en bewijs staan, zodat de agent details op verzoek ophaalt in plaats van dat jij ze plakt.
Geef codeeragents bij voorkeur alleen-lezentoegang, tenzij de taak schrijven vereist. Linear heeft daarvoor een apart read-only endpoint. Dat is belangrijk: 81,4% van de ontwikkelaars in de Stack Overflow-enquête had zorgen over beveiliging en privacy van data bij het gebruik van AI-agents.
Hoeveel context moet je een codeeragent geven?
Minder dan je denkt, en zorgvuldig gekozen. Drie onderzoekslijnen wijzen dezelfde kant op.
Lange invoer verslechtert de prestaties. Chroma's studie uit 2025 deed 194.480 aanroepen over 18 modellen van Anthropic, OpenAI, Google en Alibaba. In elk experiment daalden de prestaties naarmate de invoer langer werd, en thematisch verwante „afleider”-passages verlaagden de nauwkeurigheid nog verder. Op LongMemEval, een benchmark voor gespreksgeheugen, scoorde elk model aanzienlijk hoger met een gerichte prompt van ongeveer 300 tokens dan met de volledige prompt van ongeveer 113.000 tokens (Chroma, 2025).
Positie speelt een rol. In de studie „Lost in the Middle” gebruikten modellen informatie het best als die aan het begin of einde van een lange invoer stond, en merkbaar slechter als die in het midden stond (Liu et al., TACL). De ene randvoorwaarde waar het om gaat, kan verdwijnen in een lange export.
Aandacht is een budget. Anthropic beschrijft context rot als het afnemende vermogen van een model om informatie terug te halen naarmate het venster vol raakt, omdat elk token naar elk ander token kijkt en dat bij n tokens n² relaties oplevert. Het advies: bewaar lichte verwijzingen zoals bestandspaden en links, en laad de inhoud pas wanneer de agent hem nodig heeft (Anthropic, 2025).
De documentatie van de tools zegt hetzelfde in gewonere woorden. VS Code merkt op dat expliciete verwijzingen meetellen voor het contextvenster en raadt aan alleen bronnen toe te voegen die helpen bij de huidige taak (VS Code docs).
Vuistregel: neem een bron op als die de implementatie of de acceptatiebeslissing kan veranderen. Een recente besluitnotitie plus twee representatieve klantvoorbeelden verslaat een volledige backlog-export. Al het andere link je.
Hoe houd je productcontext gescheiden van repository-instructies?
Houd drie soorten context uit elkaar, elk met een eigen plek en een eigen eigenaar.
1. Gedeelde productbesluiten
Het klantprobleem, onderzoeksbewijs, strategische keuzes en besluiten die meerdere mensen nodig hebben. Bewaar ze in de productwerkruimte die het team al gebruikt. Elk besluit hoort een eigenaar, een datum, een reden en links naar bewijs te hebben. Een sjabloon voor een productbesluitenlogboek of een besluitengraaf voor kleine AI-teams werkt allebei.
2. Repository-instructies
Stabiele engineeringrichtlijnen: hoe je de app draait, conventies, architectuurgrenzen, testcommando's en beveiligingsregels. Anthropic zegt dat Claude CLAUDE.md als context behandelt en niet als afgedwongen configuratie, en dat langere bestanden de naleving verlagen (Claude Code docs). Geneste bestanden helpen bij grote codebases: bij AGENTS.md wint het bestand dat het dichtst bij de bewerkte code staat, en de hoofdrepository van OpenAI had er 88 toen de site agents.md werd geschreven (agents.md). Niets hiervan is een plek voor de roadmap of klantonderzoek.
3. Het task packet
De korte brug tussen productintentie en één codesessie. Het verwijst naar de relevante besluiten en zegt wat deze wijziging moet doen. Het kan in een issue, een brief of een prompt staan, zolang de verantwoordelijken het kunnen vinden. Voor een volledige versie met acceptatiecontroles en stopregels gebruik je het PRD-sjabloon voor AI-codeeragents.
Door deze scheiding heeft de agent genoeg om te handelen, terwijl de blijvende productkennis van het team staat waar mensen erover kunnen praten en het kunnen bijwerken.
Hoe geef je een codeeragent stap voor stap productcontext?
Begin met één gebruikersprobleem. Zeg wie erdoor geraakt wordt en wat die persoon probeert te doen. Link het interview, de supportvoorbeelden of de analytics erachter. Label aannames als aannames; een plausibele, door AI geschreven verklaring is geen klantbewijs. Heb je nog geen bewijs, dan is de customer discovery-workflow voor product engineers de snelle weg om het te krijgen.
Link het besluit, geen stapel documenten. Kies de twee of drie bronnen die de implementatie kunnen veranderen. Spreken bronnen elkaar tegen, zeg dan welke actueel is en leg wezenlijke conflicten bij een mens neer.
Benoem het resultaat en de grenzen. Beschrijf het resultaat dat de gebruiker ziet, en daarna de grenzen: rechten, omgang met data, bestaande workflows, toegankelijkheid, performance en wat buiten scope blijft. Markeer open besluiten als open.
Maak het packet makkelijk te controleren. Som op wat een reviewer moet kunnen zien. Vervang „werkt goed” door gedrag dat iemand kan nagaan.
Vraag de agent onzekerheid te melden. Laat hem ontbrekende context, tegenstrijdige instructies en aannames melden vóór een ingrijpende keuze. Bij een omkeerbare wijziging met weinig impact kan doorgaan op een gelabelde aanname prima zijn. Bij toegangsbeheer, facturatie, privédata of destructieve acties gaat elke onduidelijkheid terug naar een mens.
Review, en geef nieuwe besluiten terug aan de gedeelde bron. De output van de agent is een voorstel. Een mens toetst die aan de productintentie met een PM-acceptatiechecklist voor output van AI-agents, en elk nieuw besluit komt in het productdossier, niet alleen in een chattranscript of codecommentaar.
Voorbeeld: een context packet voor opgeslagen filters
Dit is een illustratief scenario, geen klantverhaal en geen onderzoeksresultaat.
Een technische founder vraagt een AI-codeeragent om opgeslagen filters toe te voegen aan een intern dashboard. „Voeg opgeslagen filters toe” laat productkeuzes open: wie het nodig heeft, of weergaven privé of gedeeld zijn, wat er gebeurt als de data verandert en hoe een gebruiker een opgeslagen weergave later terugvindt.
Het task packet zegt:
Gebruiker en probleem: een teamlid bouwt vóór elke wekelijkse review dezelfde gefilterde weergave opnieuw op, in dit hypothetische geval elke keer zo'n 10 minuten.
Bewijs: link naar de interviewnotitie of de waargenomen workflow. Bestaat die niet, dan staat er in het packet „aanname”.
Gewenst resultaat: een gebruiker kan een weergave met een naam opslaan, opnieuw openen en zien wanneer de data voor het laatst is ververst.
Acceptatiecontroles: een weergave opslaan en opnieuw openen; hernoemen en verwijderen; een leeg resultaat afhandelen; een duidelijke status tonen nadat toegang is ingetrokken; bedieningselementen bruikbaar met het toetsenbord.
Open besluit: moet een opgeslagen weergave deelbaar zijn met de werkruimte? Een benoemde eigenaar beslist voordat de agent het delen bouwt.
Buiten scope: een nieuwe dashboardbouwer of een herontworpen rapportagemodel.
De agent heeft nu een resultaat en grenzen, maar kiest nog steeds zelf de implementatie. De vraag over delen is zichtbaar voordat er code bestaat, in plaats van dat er stilletjes wordt gegokt. Na de bouw controleert de reviewer dezelfde vijf gedragingen en legt hij het besluit over delen vast in de gedeelde bron van het team.
Context packet-sjabloon om te kopiëren
## Context packet: [feature]
- User and problem: [who needs what; what they do today]
- Evidence: [links to specific observations or data] (observed / inferred / assumed)
- Desired outcome: [the change a user should notice]
- Current decision: [the choice] (owner: [name], date: [YYYY-MM-DD], link: [record])
- Constraints: [security, permissions, data, accessibility, compatibility, performance]
- Acceptance checks: [observable behaviours, incl. empty, loading and error states]
- Open questions: [what is unknown] -> [who answers]
- Out of scope: [adjacent work to leave alone]
- Sources as of: [date or version]
- Review owner: [person who accepts the result and updates the record]
Hou het in verhouding. Een prototype van één scherm heeft misschien vier bullets nodig. Een wijziging in toegang tot gevoelige data heeft elke regel nodig en een benoemde reviewer.
Hoe voorkom je dat agentcontext verouderd raakt?
Verouderde context is erger dan ontbrekende context, omdat de agent er vol vertrouwen op afgaat. Vijf gewoontes houden het actueel:
Eén canonieke kopie per feit. Staat een productregel in meerdere bestanden, bepaal dan welke canoniek is en link ernaar vanuit de rest. De docs van Cursor geven de reden: kopieën raken verouderd, dus verwijs naar bestanden (Cursor docs).
Dateer elk packet. „Bronnen per 12 november” vertelt de reviewer of een besluit inmiddels is opgeschoven.
Geef elk bestand een eigenaar. Een instructiebestand zonder eigenaar groeit tot niemand het meer vertrouwt.
Snoei na fouten, niet ervoor. Voeg een regel toe als de agent dezelfde fout herhaalt; haal regels weg die hij al volgt op basis van de code.
Sluit de cirkel na de review. Besluiten die tijdens de implementatie vallen, gaan nog dezelfde dag terug naar het besluitendossier.
Snelle check op contextkwaliteit
Vraag jezelf vóór de overdracht af:
Kan een teamgenoot het bewijs achter de aanvraag vinden?
Is het huidige besluit te onderscheiden van een oud voorstel?
Kent de agent het beoogde resultaat voor de gebruiker?
Zijn randvoorwaarden en niet-doelen expliciet?
Kan een reviewer het resultaat controleren zonder het gesprek te reconstrueren?
Is er een benoemd persoon voor onopgeloste productkeuzes?
Als twee of meer antwoorden nee zijn, repareer dan het packet of los het besluit op voordat de agent gaat bouwen.
Veelgemaakte fouten bij het geven van productcontext aan agents
De backlog dumpen. Een volledige export begraaft het ene besluit dat ertoe doet en kost bij elke beurt context.
Een tweede wiki voor de agent schrijven. Die drijft binnen weken af van de echte en niemand is eigenaar.
Veranderende besluiten in CLAUDE.md of AGENTS.md zetten. Deze bestanden worden bij elke taak geladen; bewaar ze voor duurzame regels.
Een bestand dat „context” heet voor actueel aanzien. Naast de code staan maakt het niet waar. Check de datum.
Standaard schrijftoegang geven. Begin alleen-lezen en vergroot pas als een taak het nodig heeft.
Besluiten in de chat laten staan. Als het enige spoor van een keuze een transcript is, vinden de volgende agent en het volgende teamlid het niet.
Waar Specky past
Specky bewaart klantgesprekken, feedback, tickets en besluiten in één Product Graph, zodat het bewijs achter een besluit gekoppeld is in plaats van gekopieerd. Via de MCP-server kunnen Claude Code, Cursor, Codex en andere MCP-clients die context op aanvraag ophalen: get_product_context laadt bevestigde productprincipes en werkruimte-instructies, en get_coding_brief geeft de PRD's, besluiten en het bewijs terug die voor een ticket relevant zijn. Alles wat de agent terugschrijft, komt binnen als concept voor menselijke review. De installatie staat op de MCP-pagina voor AI-agents, en de gids voor technische PM's beschrijft de bredere workflow.
Veelgestelde vragen
Wat is productcontext voor een AI-codeeragent?
Het is de informatie die een agent nodig heeft en die de code niet laat zien: wie het probleem heeft, het bewijs erachter, het huidige besluit en de eigenaar, randvoorwaarden, niet-doelen en de controles die een reviewer uitvoert. Codecontext, zoals bestandsstructuur en testcommando's, kan de agent meestal zelf vinden. Productcontext moet iemand aanleveren.
Wat is de beste tool om AI-codeeragents productcontext te geven?
Geen enkele tool doet alles. Gebruik een kort repositorybestand (CLAUDE.md, AGENTS.md of Cursor-regels) voor duurzame regels, een task packet of PRD per wijziging en een MCP-verbinding met de plek waar je besluiten en bewijs staan, zoals een issuetracker, een docs-tool of een werkruimte voor productbewijs. Kies op basis van waar je team besluiten daadwerkelijk vastlegt.
Hoort productcontext in CLAUDE.md of AGENTS.md?
Alleen een verwijzing ernaar. Die bestanden worden bij elke taak geladen en werken het best kort: Anthropic mikt op minder dan 200 regels per CLAUDE.md. Zet er commando's, conventies en beveiligingsregels in, plus één regel die zegt waar productbesluiten staan. Bewaar klantbewijs en veranderende besluiten op hun gedeelde plek en link ernaar vanuit elke taak.
Hoeveel context moet ik een codeeragent geven?
Genoeg om de implementatie of de acceptatiebeslissing te veranderen, en niet meer. Chroma's context rot-studie en het paper „Lost in the Middle” laten zien dat modellen minder betrouwbaar worden naarmate de invoer groeit en informatie in het midden missen. In de praktijk wint een besluitnotitie met twee of drie representatieve voorbeelden en duidelijke acceptatiecontroles meestal van een volledige documentexport.
Kan een AI-codeeragent Jira, Linear of Notion rechtstreeks lezen?
Ja, via MCP-servers. Linear host er een die werkt met Claude Code, Cursor, Codex en VS Code, en met die van Notion kan een assistent pagina's en databases doorzoeken. Begin met alleen-lezentoegang en onthoud dat tickets en wikipagina's zelden zeggen welk besluit actueel is of welk bewijs erachter zit. Daar heb je nog steeds een task packet voor nodig.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing