Review & Learn: een kwaliteitslus die zichzelf verbetert
Twee skills die samenwerken: /review checkt elke output op 6 dimensies, /learn extraheert patronen uit goed werk. Samen vormen ze een feedbackloop die mijn AI-output steeds beter maakt.
Het probleem
AI-output is inconsistent. Het ene voorstel is uitstekend, het volgende mist de kern. Zonder systematische kwaliteitscontrole merk je fouten pas als de klant reageert. En als iets goed werkt, onthoud je niet waarom.
Wat ik gebouwd heb
Twee Claude Code skills die samen een kwaliteitslus vormen:
**/review** checkt elke output op zes dimensies:
Boodschap: is de kernboodschap helder? Specifieke call-to-action?
Positionering: zijn onderscheidende factoren duidelijk? Vermijdt het generieke AI-consultant cliches?
Kwaliteit: alle secties aanwezig? Geen placeholders? Consistente opmaak?
Nauwkeurigheid: feiten correct? Klantinformatie kloppend?
Merkstem: past het bij mijn stem? Geen afzwakkers, geen passief taalgebruik?
Weerstand: kan het bezwaren aan? Verkoopt het niet te veel?
Elke dimensie krijgt een score van 1-10, met concrete voorbeelden en verbetervoorstellen.
**/learn** draait na goed werk (score 8+) en extraheert herbruikbare patronen:
Wat werkte en waarom
Welke aanpak herhaalbaar is
Inzichten over stem, structuur of klantcommunicatie
Patronen krijgen een betrouwbaarheidsniveau: LOW (eerste keer), MEDIUM (2-3x bevestigd), HIGH (4+ successen). Het systeem promoveert patronen automatisch bij nieuwe bewijzen.
In de praktijk
De review-fix-review cyclus is nu standaard. Eerste review vangt echte problemen (ontbrekende CTA, feitelijke fouten, merkafwijkingen). Na fixes stijgt de score met 1-2 punten. Voorbeelden: SpeakUp ging van 7 naar 8, een videocall-project van 7 naar 9.
Resultaat
Mijn output is meetbaar consistenter. De patronenbibliotheek groeit met elk project, en het systeem leert van zijn eigen fouten. Het is alsof ik een redacteur heb die nooit vrij neemt.