Gebouwd om door een agent gelezen te worden, niet alleen door een te worden getolereerd

De meeste frameworks zijn ontworpen voor mensen en worden slechts getolereerd door een AI-agent die erdoorheen werkt: gegokte conventies, een trainingsdata-afkapdatum die de plaats inneemt van echte documentatie, geen betrouwbare manier om te controleren of een wijziging daadwerkelijk deed wat het moest doen. Phlo neemt de tegenovergestelde uitgangspositie: als het platform een gesloten lus is met één bron van waarheid, kan een agent het echt begrijpen, niet alleen patronen herkennen.

Een vaardigheidsdocument in plaats van giswerk

SKILL.md is een complete taal- en buildreferentie, specifiek geschreven zodat een agent aan een Phlo-codebase kan werken zonder voorafgaande training. Het is geen marketingtekst, het is hetzelfde soort referentie dat een nieuwe engineer op de eerste dag zou willen: syntaxisregels, de voortgangslogica van de parser, de viewregels, allemaal op één plek die een agent direct kan laden in plaats van af te leiden uit verspreide voorbeelden.

Twee vlakken, met opzet

reflect::context   → JSON snapshot: routes, views, errors
build::lint         → fast, side-effect-free syntax check
phlo_eval(...)      → runs inside the live app, against real data

reflect:: en build:: draaien buiten de actieve app: snel en zonder bijwerkingen, veilig om constant aan te roepen tijdens het itereren. phlo_eval is een geheel andere laag, het wordt uitgevoerd binnen de live app, zodat een agent kan controleren of een wijziging correct werkt met echte gegevens in plaats van alleen te controleren of het compileert. Het is belangrijk om deze gescheiden te houden: een agent die alleen code kan linten verifieert nooit daadwerkelijk het gedrag, en een agent die alleen tegen live gegevens kan draaien heeft geen goedkope, veilige manier om eerst te itereren.

Nauwkeurige fouten zijn ook een functie van een agent

De regelgebaseerde parser (geen AST, een paar honderd regels, behandeld in een eerdere post) betekent dat een .phlo bronregel direct overeenkomt met een bekende regel in de gegenereerde PHP. Een foutpagina noemt het exacte bronbestand en de regel, met een 8-teken referentie-id gelogd in data/errors.json. Die precisie is gebouwd voor een mens die zijn eigen app debugt, maar het betaalt zich op dezelfde manier terug voor een agent: "hier is de exacte regel die is mislukt" is iets waar een model direct op kan handelen, zonder de intentie te reconstrueren vanuit een verknipte stacktrace door gecompileerde output die het nooit heeft geschreven.

Machine-leesbaar, niet alleen mens-leesbaar

llms.txt, guide.md, manual.md en /manual/schema bieden dezelfde documentatie die een mens leest, als platte tekst en gestructureerde JSON, zodat een agent die de eigen documentatie van de site ophaalt de echte referentie krijgt, niet een scraping van gerenderde HTML. Dezelfde eigenschappen die Phlo leesbaar maken voor een persoon, één gesloten lus, bron-gemapte fouten, een enkel vaardighedendocument, maken het beheersbaar voor een agent, en het behandelen daarvan als een doel van eerste klasse is hoe een klein team kan werken met een agent als een echte collaborator in plaats van een zorgvuldige stagiair.