अनुवाद
अधिकांश डेवलपर आज भी AI का उपयोग उसी तरह कर रहे हैं जैसे उन्होंने 2023 में ChatGPT का उपयोग किया था।
एक चैट खोलें। एक प्रश्न पूछें। कुछ कोड कॉपी करें। इसे एडिटर में पेस्ट करें। दोहराएँ।
यह काम करता है। कोई यह नहीं कह रहा कि यह काम नहीं करता।
लेकिन यह पहले से ही उन तरीकों से पुराना हो रहा है जिन्हें अधिकांश लोगों ने अभी तक नोटिस नहीं किया है। और जो डेवलपर जल्दी नोटिस कर लेते हैं, वे चुपचाप एक ऐसा लाभ बना रहे हैं जिसे बाद में पाटना बहुत मुश्किल होगा।
इस समय एक नई श्रेणी का डेवलपर उभर रहा है। वे AI को कोडिंग सहायक के रूप में उपयोग नहीं कर रहे हैं जैसा कि बाकी सब कर रहे हैं। वे इसके चारों ओर संपूर्ण ऑपरेटिंग सिस्टम बना रहे हैं। संरचित सिस्टम जिनमें मेमोरी, कॉन्टेक्स्ट, विशेषज्ञ एजेंट, सत्यापन लूप और वर्कफ़्लो हैं जो समय के साथ संयोजित होते हैं।
इन दो दृष्टिकोणों के बीच का अंतर सॉफ्टवेयर विकास में सबसे महत्वपूर्ण प्रतिस्पर्धात्मक लाभों में से एक बन रहा है। ऐसा नहीं है कि एक समूह दूसरे से अधिक बुद्धिमान है। बल्कि, एक समूह ने पहले समझ लिया कि वास्तविक लाभ कभी मॉडल में नहीं था। यह हमेशा मॉडल के आसपास के सिस्टम में था।
जो डेवलपर आज इस बदलाव को समझते हैं, उनके पास एक ऐसा लाभ होगा जो अगले कई वर्षों तक बढ़ता रहेगा। क्योंकि सॉफ्टवेयर विकास का भविष्य तेज़ी से कोड लिखने के बारे में नहीं है। यह बड़े पैमाने पर बुद्धिमत्ता को व्यवस्थित करने के बारे में है।
हर कोई जो बातचीत कर रहा है, वह गलत बातचीत है
पिछले दो वर्षों से पूरी AI चर्चा एक ही प्रश्न पर हावी रही है जो विभिन्न रूपों में खुद को दोहराता रहता है।
कौन सा मॉडल बेहतर है?
Claude बनाम GPT। GPT बनाम Gemini। Gemini बनाम DeepSeek। ओपन-सोर्स बनाम मालिकाना। हर कोई बेंचमार्क और कोडिंग स्कोर और कॉन्टेक्स्ट विंडो और रीज़निंग मूल्यांकन की तुलना कर रहा है जैसे कि मॉडल ही वह जगह है जहाँ प्रतिस्पर्धा समाप्त होती है।
वह बातचीत धीरे-धीरे उससे कम महत्वपूर्ण होती जा रही है जितना इसे करने वाले लोग सोचते हैं।
एक अधिक मूल्यवान प्रश्न सभी शोर के नीचे चुपचाप उभर रहा है।
आप एक भाषा मॉडल को एक उत्पादक सॉफ्टवेयर इंजीनियर में कैसे बदलते हैं?
एक चैटबॉट नहीं जो सवालों के जवाब देता है। एक ऑटोकम्पलीट इंजन नहीं जो कीस्ट्रोक्स बचाता है। एक कोड जनरेटर नहीं जो मांग पर फंक्शन तैयार करता है। एक वास्तविक इंजीनियरिंग सिस्टम जो काम की योजना बनाने, समाधानों पर शोध करने, कोड की समीक्षा करने, बग खोजने, टेस्ट लिखने, दस्तावेज़ीकरण अपडेट करने, लंबी परियोजनाओं में कॉन्टेक्स्ट प्रबंधित करने, पिछले निर्णयों से सीखने और समय के साथ अपने आउटपुट में सुधार करने में सक्षम है।
यह परिवर्तन अभी Claude Code जैसे टूल्स के आसपास हो रहा है। और यह बेंचमार्क बहसों से कहीं बड़ा है।
AI कोडिंग टूल्स की पहली लहर ने गलत समस्या हल की
AI कोडिंग टूल्स की पहली पीढ़ी लगभग पूरी तरह से कोड जनरेशन पर केंद्रित थी। यह हल करने के लिए स्पष्ट समस्या थी और यह एक वास्तविक समस्या थी जिसे हल करना उचित था।
GitHub Copilot ने प्रदर्शित किया कि AI वास्तव में उपयोगी तरीकों से कोड को ऑटोकम्प्लीट कर सकता है। ChatGPT ने पहली बार सॉफ्टवेयर विकास को संवादात्मक बना दिया। मॉडल तेज़ी से सुधरे। कॉन्टेक्स्ट विंडो का विस्तार हुआ। कोड गुणवत्ता उस स्तर तक बढ़ गई जहाँ आउटपुट अक्सर न्यूनतम संपादन के साथ प्रोडक्शन-रेडी होते थे।
कुछ समय के लिए ऐसा लगा जैसे पूरा उद्योग एक स्पष्ट लक्ष्य की ओर दौड़ रहा हो। अधिक कोड तेज़ी से, कम त्रुटियों के साथ जनरेट करें।
लेकिन अनुभवी इंजीनियरों ने जल्दी ही कुछ ऐसा खोज लिया जो शुरू से ही स्पष्ट होना चाहिए था।
सॉफ्टवेयर विकास का सबसे कठिन हिस्सा शायद ही कभी कोड लिखना होता है।
असली काम, वह काम जो एक वरिष्ठ इंजीनियर के अधिकांश समय और एक टीम की अधिकांश ऊर्जा खपत करता है, आमतौर पर इस तरह दिखता है। उन आवश्यकताओं को समझना जो अधूरी या विरोधाभासी हैं। एक कोडबेस में समाधानों पर शोध करना जिसमें वर्षों का इतिहास और निर्णय शामिल हैं। आर्किटेक्चरल विकल्प बनाना जो या तो लाभों में बदलेंगे या तकनीकी ऋण में, यह इस बात पर निर्भर करता है कि उनके बारे में कितनी अच्छी तरह सोचा गया। एक बार जमा होने पर उस तकनीकी ऋण का प्रबंधन करना। उन एज केसों का परीक्षण करना जिनके बारे में योजना के दौरान किसी ने नहीं सोचा। शुद्धता, सुरक्षा और रखरखाव के लिए कार्यान्वयन की समीक्षा करना। दबाव में प्रोडक्शन समस्याओं को डीबग करना। उस दस्तावेज़ीकरण को बनाए रखना जो हमेशा थोड़ा पुराना होता है। अलग-अलग मानसिक मॉडल वाले लोगों के बीच जटिल परियोजनाओं का समन्वय करना।
अधिकांश इंजीनियरिंग जीवनचक्र एडिटर के बाहर होता है।
और ठीक यही वह जगह है जहाँ पारंपरिक AI वर्कफ़्लो, चैट खोलो-कोड कॉपी करो का दृष्टिकोण, पूरी तरह से टूटने लगा।
क्यों Claude Code पहले की हर चीज़ से वास्तव में अलग लगता है
Claude Code ने एक मौलिक रूप से अलग विचार पेश किया और इसे सटीक रूप से बताना महत्वपूर्ण है क्योंकि अंतर को कम आंकना आसान है।
AI को कभी-कभी सलाह के लिए परामर्श करने वाली चीज़ के रूप में मानने के बजाय, यह AI को सीधे वर्कफ़्लो के अंदर एक सक्रिय भागीदार के रूप में रखता है।
यह एक सूक्ष्म अंतर जैसा लगता है। यह बिल्कुल सूक्ष्म नहीं है।
एक चैटबॉट निर्देशों की प्रतीक्षा करता है और उनका जवाब देता है। एक ऑपरेटर निष्पादन में भाग लेता है और आपके वास्तविक वातावरण में कार्रवाई करता है। यह अंतर डेवलपर और टूल के बीच संबंधों की पूरी प्रकृति को बदल देता है।
जब डेवलपर्स ने पहली बार Claude Code के साथ गंभीरता से काम करना शुरू किया, तो बातचीत यह पूछने से बदल गई कि क्या AI एक विशिष्ट फंक्शन लिख सकता है, यह पूछने के लिए कि क्या AI एक संपूर्ण वर्कफ़्लो को अंत से अंत तक संभाल सकता है। एक बार जब वह प्रश्न आपके दिमाग में आता है, तो आप कोड जनरेशन को लक्ष्य के रूप में सोचना बंद कर देते हैं। आप सिस्टम के बारे में सोचना शुरू करते हैं। और सिस्टम वह जगह है जहाँ इंजीनियरिंग में हमेशा वास्तविक लाभ रहा है।
आज Claude Code से सबसे अधिक लाभ उठाने वाले डेवलपर वे नहीं हैं जो सबसे चतुर व्यक्तिगत प्रॉम्प्ट लिख रहे हैं। वे वे हैं जिन्होंने इसके चारों ओर सबसे विचारशील सिस्टम बनाए हैं।
बाधा लगभग कभी बुद्धिमत्ता नहीं है
अधिकांश लोग मानते हैं कि जब AI औसत दर्जे का आउटपुट देता है तो इसका कारण यह है कि मॉडल पर्याप्त स्मार्ट नहीं है। यह धारणा एक बेहतर मॉडल की निरंतर खोज की ओर ले जाती है जो अंततः वे परिणाम देगा जिसका हर कोई इंतजार कर रहा है।
वास्तविकता में बाधा लगभग हमेशा कॉन्टेक्स्ट है। बुद्धिमत्ता नहीं। कॉन्टेक्स्ट।
सबसे अच्छे सॉफ्टवेयर इंजीनियर की कल्पना करें जिसे आप किराए पर ले सकते हैं और फिर उन्हें कोई दस्तावेज़ीकरण, कोई प्रोजेक्ट हिस्ट्री, कोई कोडिंग स्टैंडर्ड, पिछले आर्किटेक्चरल निर्णयों का कोई रिकॉर्ड, और पहले से खोजे और ठीक किए गए बगों का कोई ज्ञान न दें। वह इंजीनियर बहुत संघर्ष करेगा। ऐसा नहीं है कि वे अक्षम हैं। बल्कि, वे उस कॉन्टेक्स्ट के बिना काम कर रहे हैं जो क्षमता को उपयोगी बनाता है।
AI मॉडल हर उस बातचीत में ठीक उसी समस्या का सामना करते हैं जो ताज़ा शुरू होती है जिसमें पहले की कोई स्मृति नहीं होती।
यह उस चीज़ की व्याख्या करता है जो लोगों को पहली बार सामना होने पर भ्रमित करती है। दो डेवलपर बिल्कुल एक ही मॉडल का उपयोग कर सकते हैं और ऐसे परिणाम प्राप्त कर सकते हैं जो पूरी तरह से अलग टूल से आए हों। एक को वास्तव में उपयोगी और प्रोडक्शन-रेडी आउटपुट मिलते हैं। दूसरे को औसत दर्जे के आउटपुट मिलते हैं जिनमें मूल कोड की तुलना में अधिक सुधार की आवश्यकता होती है।
अंतर लगभग कभी मॉडल नहीं है। अंतर कॉन्टेक्स्ट प्रबंधन है। एक डेवलपर ने मॉडल को वह दिया जो उसे अच्छी तरह से काम करने के लिए चाहिए था। दूसरे ने नहीं दिया।
गंभीर स्तर पर AI के साथ काम करने के बारे में यह सबसे व्यावहारिक रूप से महत्वपूर्ण बातों में से एक है जिसे समझना चाहिए। आप सिर्फ एक मॉडल नहीं चुन रहे हैं। आप एक ऐसा वातावरण बना रहे हैं जिसमें वह मॉडल प्रभावी ढंग से काम कर सके। वातावरण आउटपुट को उसके अंदर के मॉडल की कच्ची क्षमता से कहीं अधिक निर्धारित करता है।
कॉन्टेक्स्ट नया बुनियादी ढाँचा बन रहा है
अधिकांश AI चर्चाएँ प्रॉम्प्ट पर केंद्रित होती हैं क्योंकि प्रॉम्प्ट दृश्य परत है। वे वही हैं जो आप टाइप करते हैं। वे वही हैं जो आप देखते हैं। वे ऐसा महसूस करते हैं जैसे आप नियंत्रित कर रहे हैं।
लेकिन प्रॉम्प्ट केवल सतह हैं।
हर लगातार सफल AI वर्कफ़्लो के नीचे एक बहुत बड़ा बुनियादी ढाँचा होता है जिसके बारे में अधिकांश लोग कभी स्पष्ट रूप से नहीं सोचते और लगभग कभी सार्वजनिक रूप से चर्चा नहीं करते।
उस बुनियादी ढाँचे में मेमोरी सिस्टम शामिल हैं जो सत्रों में जानकारी बनाए रखते हैं बजाय हर बार शून्य से शुरू करने के। नॉलेज स्टोरेज जो निर्णयों, मानकों और पैटर्न को ऐसे रूप में कैप्चर करता है जिसे मॉडल संदर्भित कर सके। कॉन्टेक्स्ट रिट्रीवल जो सही समय पर सही जानकारी सतह पर लाता है बिना मॉडल को एक साथ सब कुछ से अभिभूत किए। वर्कफ़्लो ऑर्केस्ट्रेशन जो कार्यों को सही क्रम में व्यवस्थित करता है जिसमें उनके बीच सही इनपुट प्रवाहित होते हैं। मूल्यांकन लूप जो अगले चरण में जाने से पहले मानकों के विरुद्ध आउटपुट की जाँच करते हैं। सुरक्षा नियंत्रण जो परिभाषित करते हैं कि मॉडल क्या छू सकता है और क्या नहीं। सत्यापन पाइपलाइन जो त्रुटियों को बढ़ने से पहले पकड़ लेते हैं। प्रदर्शन निगरानी जो पहचानती है कि सिस्टम कहाँ खराब आउटपुट दे रहा है ताकि उन बिंदुओं में सुधार किया जा सके।
ये सिस्टम निर्धारित करते हैं कि क्या AI एक इंजीनियरिंग संगठन के लिए वास्तव में उपयोगी बनता है या एक महंगा ऑटोकम्पलीट इंजन बना रहता है जो कुछ कीस्ट्रोक्स बचाता है और डेमो में लोगों को प्रभावित करता है।
आज इन परतों का निर्माण करने वाली कंपनियाँ और व्यक्तिगत डेवलपर प्रभावी रूप से AI युग के ऑपरेटिंग सिस्टम का निर्माण कर रहे हैं। वे केवल मौजूदा टूल का उपयोग नहीं कर रहे हैं। वे वह बुनियादी ढाँचा बना रहे हैं जिस पर टूल की अगली पीढ़ी चलेगी।
एजेंटिक विकास का उदय और यह कैसे बेहतरीन टीमों के निर्माण को दर्शाता है
यह वह दिशा है जिसमें सॉफ्टवेयर विकास जा रहा है और इसे समझना आसान है यदि आप इसे किसी ऐसी चीज़ से जोड़ते हैं जो पहले से ही सहज रूप से समझ में आती है।
सोचें कि एक वास्तव में प्रभावी इंजीनियरिंग संगठन कैसे काम करता है। आप एक व्यक्ति को काम पर नहीं रखते और उनसे सब कुछ करने के लिए नहीं कहते। आपके पास विशेषज्ञ होते हैं जो विशिष्ट क्षेत्रों में गहराई से कुशल होते हैं। शोधकर्ता जो समस्या स्थान को समझते हैं। आर्किटेक्ट जो संरचनात्मक निर्णय लेते हैं। समीक्षक जो कार्यान्वयन में समस्याएँ पकड़ते हैं। सुरक्षा इंजीनियर जो इस बारे में सोचते हैं कि क्या गलत हो सकता है उन तरीकों से जो उत्पाद-केंद्रित इंजीनियर नहीं सोचते। QA इंजीनियर जो वास्तविकता के विरुद्ध मान्यताओं का परीक्षण करते हैं। तकनीकी लेखक जो सिस्टम को इसके साथ काम करने वाले सभी लोगों के लिए समझने योग्य बनाते हैं। ऑपरेटर जो प्रोडक्शन में सब कुछ चालू रखते हैं।
वही पैटर्न उन्नत AI वर्कफ़्लो के अंदर उभर रहा है।
एक अच्छी तरह से डिज़ाइन की गई एजेंटिक प्रणाली आज एक रिसर्च एजेंट के माध्यम से आगे बढ़ सकती है जो कोई निर्णय लेने से पहले समस्या स्थान की जाँच करता है, फिर एक आर्किटेक्चर एजेंट जो उस शोध के आधार पर संरचनात्मक दृष्टिकोण डिज़ाइन करता है, फिर एक इम्प्लीमेंटेशन एजेंट जो आर्किटेक्चरल स्पेसिफिकेशन के अनुसार कोड लिखता है, फिर एक टेस्टिंग एजेंट जो आवश्यकताओं और एज केसों के विरुद्ध कार्यान्वयन को सत्यापित करता है, फिर एक सिक्योरिटी एजेंट जो कमजोरियों की समीक्षा करता है, फिर एक डॉक्यूमेंटेशन एजेंट जो कैप्चर करता है कि क्या बनाया गया और क्यों, फिर एक डिप्लॉयमेंट एजेंट जो रिलीज़ प्रक्रिया का प्रबंधन करता है।
प्रत्येक सिस्टम की एक विशिष्ट जिम्मेदारी होती है। प्रत्येक सिस्टम एक विशिष्ट समस्या पर केंद्रित होता है। साथ में वे एक चैटबॉट की तुलना में एक इंजीनियरिंग संगठन की तरह व्यवहार करते हैं जिसमें परिभाषित भूमिकाएँ और उनके बीच स्पष्ट हैंडऑफ़ होते हैं।
यही कारण है कि सबसे परिष्कृत Claude Code उपयोगकर्ता अब अपना अधिकांश समय व्यक्तिगत प्रॉम्प्ट तैयार करने में नहीं बिता रहे हैं। वे अपना समय वर्कफ़्लो डिज़ाइन करने में बिता रहे हैं। प्रॉम्प्ट एक बड़े सिस्टम में एक चरण का इनपुट मात्र है। सिस्टम वह है जो लगातार अच्छे परिणाम उत्पन्न करता है।
मेमोरी अंततः मॉडल क्षमता से अधिक मायने रख सकती है
यह वह बदलाव है जिसे अधिकांश लोग पर्याप्त गंभीरता से नहीं ले रहे हैं और यह वह है जिसके बारे में मुझे लगता है कि अगले कुछ वर्षों में सबसे अधिक मायने रखेगा।
मॉडल तेज़ी से सुधर रहे हैं और सबसे अच्छे उपलब्ध मॉडलों के बीच का अंतर कम हो रहा है। फ्रंटियर मॉडलों के बीच बेंचमार्क करीब आ रहे हैं, दूर नहीं। मॉडल युद्ध जो बातचीत पर हावी हैं, उन अंतरों पर लड़े जा रहे हैं जो सिकुड़ रहे हैं।
लेकिन मेमोरी संयोजित लाभ पैदा करती है जो सिकुड़ते नहीं हैं। वे बढ़ते हैं।
सोचें कि एक वरिष्ठ इंजीनियर को समान कच्ची बुद्धिमत्ता वाले जूनियर इंजीनियर की तुलना में वास्तव में मूल्यवान क्या बनाता है। अनुभव। और अनुभव मायने रखता है क्योंकि अनुभव मेमोरी बनाता है। मेमोरी इस बारे में अंतर्ज्ञान बनाती है कि क्या काम करता है और क्या नहीं। अंतर्ज्ञान कम ऊर्जा के साथ तेज़ी से बेहतर निर्णय बनाता है। वे बेहतर निर्णय समय के साथ एक ट्रैक रिकॉर्ड और निर्णय की गहराई में संयोजित होते हैं जिसे जल्दी से दोहराया नहीं जा सकता।
मेमोरी के बिना, हर प्रोजेक्ट शून्य से शुरू होता है चाहे पहले कुछ भी आया हो। हर गलती दोहराई जाती है क्योंकि इसका कोई रिकॉर्ड नहीं होता कि यह की गई है। हर सीखा गया सबक सत्र के अंत में गायब हो जाता है। हर वर्कफ़्लो जो अच्छी तरह से काम करता है, उसे अगली बार जरूरत पड़ने पर फिर से बनाना पड़ता है। यह एक बहुत बड़ी अक्षमता है जो हर प्रोजेक्ट में अदृश्य रूप से जमा होती है।
यही कारण है कि सबसे दूरदर्शी AI सिस्टम निर्माता सत्र स्थायित्व पर जोर दे रहे हैं जो बातचीत में कॉन्टेक्स्ट ले जाता है, दीर्घकालिक मेमोरी जो पैटर्न और निर्णयों को पुनर्प्राप्त करने योग्य रूप में कैप्चर करती है, ज्ञान संचय जो खुद पर निर्माण करता है बजाय रीसेट करने के, और वर्कफ़्लो विकास जो पहले काम कर चुके आधार पर सिस्टम में सुधार करता है।
वास्तव में आने वाला भविष्य केवल स्मार्ट मॉडल नहीं है। यह स्मार्ट सिस्टम हैं जो याद रखते हैं और सुधारते हैं। संयोजित लाभ उसी का है जो पहले उन सिस्टमों का निर्माण करता है।
वह छिपी हुई परत जिसे अधिकांश लोग पूरी तरह से अनदेखा कर रहे हैं
यहाँ वह अवलोकन है जिस पर मैं बार-बार लौटता हूँ जब मैं सोचता हूँ कि वास्तविक लाभ कहाँ रहता है।
तीन डेवलपर आज बिल्कुल एक ही Claude मॉडल का उपयोग कर सकते हैं। एक को औसत परिणाम मिलते हैं जो मैन्युअल रूप से कोड लिखने से थोड़े बेहतर होते हैं। एक को उत्कृष्ट परिणाम मिलते हैं जो उनके आउटपुट को सार्थक रूप से गति देते हैं। एक मॉडल के चारों ओर एक संपूर्ण सॉफ्टवेयर कंपनी बनाता है और ऐसी चीज़ें तैयार करता है जो कुछ साल पहले किसी भी आकार की टीम के साथ संभव नहीं होतीं।
उन तीन परिणामों के बीच का अंतर बुद्धिमत्ता नहीं है। यह प्रयास भी नहीं है, कम से कम सीधे तौर पर नहीं। यह बुनियादी ढाँचा है।
जीतने वाला तकनीकी स्टैक तेज़ी से एक लेयर केक जैसा दिखता है जहाँ मॉडल शीर्ष पर बैठता है, दृश्यमान और लगातार चर्चित, और इसके नीचे सब कुछ वह जगह है जहाँ वास्तविक प्रतिस्पर्धात्मक लाभ रहता है। मॉडल के नीचे मेमोरी। उसके नीचे वर्कफ़्लो ऑर्केस्ट्रेशन। मूल्यांकन सिस्टम जो आउटपुट की जाँच करते हैं। सुरक्षा नियंत्रण जो सीमाएँ परिभाषित करते हैं। ऑटोमेशन जो दोहराए जाने वाले चरणों को हटाता है। निष्पादन पाइपलाइन जो सब कुछ एक साथ जोड़ती है।
अधिकांश लोग केवल शीर्ष परत पर ध्यान केंद्रित करते हैं। वे मॉडल पर ध्यान केंद्रित करते हैं क्योंकि मॉडल वह है जिसके साथ वे सीधे बातचीत करते हैं और जिस पर मार्केटिंग जोर देती है।
सबसे अधिक लाभ, वह जगह जहाँ अभी सबसे बड़े लाभ बनाए जा रहे हैं, दृश्य परत के नीचे सब कुछ में मौजूद है।
यह क्षण मुझे क्लाउड क्रांति की याद क्यों दिलाता है
समानता को गंभीरता से लेना उचित है क्योंकि यह पूर्वव्यापी रूप से सटीक साबित होती रहती है, भले ही यह हमेशा पल में वैकल्पिक दिखती हो।
अधिकांश डेवलपर आज एजेंटिक वर्कफ़्लो को एक दिलचस्प प्रयोग या उत्पादकता वृद्धि के रूप में देखते हैं जिसे तलाशने लायक है जब समय हो। ठीक ऐसा ही क्लाउड कंप्यूटिंग 2008 और 2009 में दिखता था। लोग सोचते थे कि वे अपने स्वयं के सर्वर चला सकते हैं। जिन डेवलपर्स ने जल्दी क्लाउड इंफ्रास्ट्रक्चर पर निर्माण किया, वे ऐसे दिखते थे जैसे वे ओवर-इंजीनियरिंग कर रहे हों। फिर क्लाउड मानक बन गया और जिन्होंने बदलाव नहीं किया था, वे अचानक उन तरीकों से पीछे थे जिन्हें सुधारना महंगा था।
वही पैटर्न वर्जन कंट्रोल, कंटेनर, निरंतर एकीकरण और परिनियोजन के साथ दिखाई दिया। हर बुनियादी ढाँचा बदलाव शुरू में उन लोगों के लिए एक वैकल्पिक उत्पादकता हैक जैसा दिखता है जिनके पास प्रयोग करने का समय है। फिर यह उन संगठनों के लिए एक प्रतिस्पर्धात्मक लाभ बन जाता है जिन्होंने इसे जल्दी अपनाया। फिर यह काम करने का डिफ़ॉल्ट तरीका बन जाता है और बाकी सभी पकड़ने की कोशिश कर रहे होते हैं।
एजेंटिक विकास उसी प्रक्षेपवक्र का अनुसरण कर रहा है। आज यह प्रयोगात्मक है और डेवलपर्स के एक अल्पसंख्यक द्वारा अभ्यास किया जाता है जो इसके बारे में असम्मानजनक रूप से उत्साहित हैं। कल यह उन इंजीनियरिंग संगठनों द्वारा अपेक्षित होगा जो प्रतिस्पर्धी बने रहना चाहते हैं। जहाँ प्रारंभिक अपनाने से स्थायी लाभ बनता है, वह खिड़की अभी खुली है और यह अनिश्चित काल तक खुली नहीं रहेगी।
डेवलपर कौशल सेट एक विशिष्ट दिशा में विकसित हो रहा है
सॉफ्टवेयर इंजीनियरिंग के अधिकांश इतिहास के लिए, सफलता कार्यान्वयन क्षमता के साथ भारी रूप से सहसंबद्ध थी। आप कितनी तेज़ी से सही कोड लिख सकते थे। आप विशिष्ट भाषाओं और फ्रेमवर्क को कितनी गहराई से समझते थे। आप कितने एल्गोरिदम याद कर सकते थे और लागू कर सकते थे। वे कौशल बहुत मायने रखते थे और वे अभी भी मायने रखते हैं।
लेकिन अगले दशक के सबसे अधिक लाभ वाले डेवलपर तेज़ी से क्षमताओं के एक अलग सेट पर ध्यान केंद्रित करेंगे।
वर्कफ़्लो डिज़ाइन करना जो AI एजेंटों को जटिल कार्यों के माध्यम से सही क्रम में सही इनपुट और आउटपुट के साथ प्रत्येक चरण में अनुक्रमित करते हैं। कॉन्टेक्स्ट का प्रबंधन करना ताकि मॉडलों के पास वह हो जो उन्हें अच्छी तरह से प्रदर्शन करने के लिए चाहिए बिना अभिभूत हुए। मूल्यांकन सिस्टम बनाना जो उपयोग से पहले आउटपुट को सत्यापित करते हैं। मेमोरी आर्किटेक्चर बनाना जो ज्ञान जमा करता है और समय के साथ सुधरता है। विशेषज्ञ एजेंटों का समन्वय करना जो प्रत्येक विशिष्ट समस्याओं पर ध्यान केंद्रित करते हैं। सत्यापन प्रक्रियाओं को परिभाषित करना जो आउटपुट वॉल्यूम बढ़ने पर गुणवत्ता बनाए रखते हैं। निष्पादन पाइपलाइनों की संरचना करना जो विश्वसनीय स्वचालित सिस्टम में एक साथ जुड़ती हैं।
नौकरी चीज़ें बनाने से बुद्धिमत्ता को निर्देशित करने की ओर विकसित हो रही है। कोड लिखने से उन सिस्टमों को डिज़ाइन करने की ओर जो कोड उत्पन्न करते हैं। कार्यान्वयन से ऑर्केस्ट्रेशन की ओर।
यह एक महत्वपूर्ण बदलाव है कि महारत कैसी दिखती है। जो डेवलपर इसे जल्दी पहचानते हैं और अब उन कौशलों का निर्माण शुरू करते हैं, वे उन लोगों से बहुत अलग स्थिति में होंगे जो इंजीनियरिंग उत्कृष्टता की पुरानी परिभाषा के लिए अनुकूलन जारी रखते हैं।
यह कहाँ ले जाता है और यह कितनी दूर हो सकता है
AI के साथ डेवलपर संबंधों का विकास पहचानने योग्य चरणों के माध्यम से आगे बढ़ता हुआ प्रतीत होता है।
पहला चरण एक डेवलपर था जो एक एडिटर के साथ काम करता था, टूल के साथ सब कुछ मैन्युअल रूप से तैयार करता था जो कोड को व्यवस्थित और प्रदर्शित करते थे लेकिन इसे लिखने में योगदान नहीं करते थे।
दूसरा चरण एक डेवलपर है जो एक AI सहायक के साथ काम करता है जो सवालों के जवाब देता है, अनुरोध पर कोड जनरेट करता है, और विशिष्ट कार्यों को गति देता है जबकि डेवलपर प्राथमिक निर्माता बना रहता है।
तीसरा चरण, जहाँ सबसे उन्नत व्यवसायी आज हैं, एक डेवलपर है जो एक AI टीम के करीब कुछ के साथ काम कर रहा है। कई विशेष सिस्टम वर्कफ़्लो के विभिन्न हिस्सों को संभाल रहे हैं जिसमें डेवलपर हर आउटपुट को सीधे तैयार करने के बजाय निर्देशित और समीक्षा कर रहा है।
चौथा चरण, जो क्षितिज पर दिखाई देने लगा है, एक डेवलपर है जो एक AI ऑपरेटिंग सिस्टम के साथ काम कर रहा है। एक संपूर्ण बुनियादी ढाँचा जो शोध, योजना, कार्यान्वयन, परीक्षण, सुरक्षा, दस्तावेज़ीकरण और परिनियोजन को एकीकृत कार्यों के रूप में संभालता है जिसमें डेवलपर निष्पादक के बजाय आर्किटेक्ट और निर्णय निर्माता के रूप में काम करता है।
अधिकांश कामकाजी डेवलपर आज चरण दो और चरण तीन के बीच कहीं हैं। चरण तीन की ओर आंदोलन तेज़ हो रहा है। चरण चार उतना दूर नहीं है जितना लगता है।
वह चीज़ जिस पर वास्तव में ध्यान देने लायक है
AI में अधिकांश बातचीत अभी मॉडल युद्धों पर केंद्रित है। Claude बनाम GPT। ओपन-सोर्स बनाम मालिकाना। मूल्यांकनों पर बेंचमार्क स्कोर जो वास्तविक दुनिया के प्रदर्शन को प्रतिबिंबित कर भी सकते हैं और नहीं भी।
वे बहसें दिलचस्प हैं और पूरी तरह से मूल्यहीन नहीं हैं। लेकिन वे उन लोगों की तुलना में बहुत कम मायने रख सकती हैं जो उन्हें कर रहे हैं सोचते हैं।
बड़ी कहानी यह है कि सॉफ्टवेयर विकास स्वयं एजेंटिक बन रहा है। सॉफ्टवेयर कैसे बनाया जाता है इसकी संरचना एक मौलिक स्तर पर बदल रही है, न कि केवल किनारे पर तेज़ हो रही है।
उस दुनिया में विजेता जरूरी नहीं कि वे डेवलपर हों जिनके पास सबसे स्मार्ट व्यक्तिगत मॉडल तक पहुँच हो। वे वे डेवलपर होंगे जिन्होंने उन मॉडलों के आसपास सबसे स्मार्ट सिस्टम बनाए। वे जो समझ गए कि कॉन्टेक्स्ट प्रबंधन कच्ची मॉडल क्षमता से अधिक मायने रखता है। कि मेमोरी संयोजित लाभ बनाती है। कि वर्कफ़्लो डिज़ाइन वह जगह है जहाँ वास्तविक लाभ रहता है। कि बुद्धिमत्ता को व्यवस्थित करना कोड जनरेट करने की तुलना में अधिक मूल्यवान कौशल है।
Claude Code एक सिग्नल के रूप में मायने रखता है, न कि केवल एक टूल के रूप में। यह सॉफ्टवेयर इंजीनियरिंग के सबसे स्पष्ट प्रारंभिक झलकियों में से एक है जब बुद्धिमत्ता प्रोग्रामेबल बुनियादी ढाँचा बन जाती है न कि कभी-कभार परामर्श।
एक बार जब वह बदलाव पूरी तरह से उतर जाता है, तो सवाल अब यह नहीं रहता कि क्या AI कोड लिख सकता है। हर कोई पहले से ही जानता है कि यह कोड लिख सकता है।
सवाल यह बन जाता है कि संपूर्ण सॉफ्टवेयर विकास जीवनचक्र का कितना हिस्सा अच्छी तरह से डिज़ाइन किए गए AI सिस्टम द्वारा स्वामित्व किया जा सकता है जो डेवलपर्स द्वारा निर्देशित होते हैं जो उन्हें बनाना और चलाना समझते हैं।
उस सवाल का जवाब हर महीने बढ़ रहा है। और जो लोग अभी उस जवाब की ओर निर्माण कर रहे हैं, वे एक ऐसे लाभ के साथ काम कर रहे हैं जो चुपचाप संयोजित होता है और एक बार पर्याप्त बड़ा हो जाने पर बंद करना बहुत मुश्किल हो जाता है।
हम अभी भी इसके शुरुआती अध्यायों में हैं। अगले दो या तीन वर्षों में लिए गए निर्णय उसके बाद लंबे समय तक मायने रखेंगे।
