- एक Staff Engineer ने Claude Code का उपयोग करते हुए AI के साथ डेवलपमेंट वर्कफ़्लो पर 6 हफ्तों तक किए गए प्रयोग का अनुभव साझा किया
- AI को ‘सीख न सकने वाले जूनियर डेवलपर’ के रूप में देखने की सोच सफल इंटीग्रेशन की कुंजी है
- पहला प्रयास अक्सर 95% विफल होता है, लेकिन दोहराव की प्रक्रिया से यह धीरे-धीरे उपयोगी कोड में निखरता है
- प्रोजेक्ट-विशिष्ट context file (Claude.md) और MCP-आधारित tool integration के जरिए AI के context की कमी की समस्या को हल किया गया
- डेवलपर की भूमिका कोड लिखने से हटकर समस्या समाधान और architecture design की ओर शिफ्ट होती है, और यही AI उपयोग के दौर का नया productivity pattern है
पृष्ठभूमि और दृष्टिकोण
- लेखक पहले सारा कोड खुद लिखते थे, लेकिन अब 80% कोड AI लिखता है और वे architecture, review, और multi-threaded development management पर ध्यान देते हैं
- यह लेख 'AI नवाचार लाएगा' जैसी अतिआशावादी बात नहीं करता, बल्कि वास्तविक production development workflow में AI को integrate करते समय होने वाली उलझन और व्यावहारिक पद्धति साझा करता है
- AI को ‘सीख न सकने वाला जूनियर डेवलपर’ मानकर चलना उसके सफल उपयोग की कुंजी है
डेवलपमेंट paradigm में बदलाव की प्रक्रिया
- शुरुआती 5 सालों तक किताबों और SDK docs के सहारे डेवलपमेंट का तरीका बना रहा
- उसके बाद 12 सालों तक search (google) आधारित सामूहिक ज्ञान के उपयोग की ओर बदलाव हुआ
- पिछले 18 महीनों में Cursor के जरिए AI-assisted coding का प्रयोग किया गया
- और हाल के 6 हफ्तों में Claude Code के जरिए व्यापक AI delegation से तेज़ बदलाव का अनुभव हुआ
- Claude Code के साथ अनुकूलन में कुछ ही घंटों में productivity का असर महसूस होने लगा
वास्तविक AI-आधारित production workflow
- production में जाने वाले कोड पर काम करते समय AI का उपयोग मुख्यतः "सोचने" के लिए किया जाता है
- एक ही बार में परफ़ेक्ट कोड बन पाना संभव नहीं है। एक engineer के रूप में असली काम समस्या का सर्वोत्तम समाधान ढूँढ़ना है
- पहला प्रयास (95% विफल): AI system context बनाता है और डेवलपर समस्या को परिभाषित करता है, लेकिन कोड लगभग पूरी तरह गलत होता है
- दूसरा प्रयास (50% विफल): context की समझ बेहतर होती है और approach अधिक ठोस बनती है, फिर भी आधा परिणाम बेकार रहता है
- तीसरा प्रयास (उपयोगी कोड): दोहराव और review के बाद वास्तव में इस्तेमाल लायक base code मिलता है, जिसे आगे सुधारा जा सकता है
- यह प्रक्रिया विफलता नहीं, बल्कि जानबूझकर किया गया प्रयोग और iterative optimization process है
context की समस्या और समाधान
- AI सेशनों के बीच memory बनाए नहीं रख सकता, इसलिए हर बार वही बातें दोहरानी पड़ती हैं
- इसके समाधान के रूप में Claude.md file में architecture decisions, patterns, और documentation links दर्ज किए जाते हैं
- MCP integration के जरिए Linear, Notion, GitHub, codebase, और database से जोड़कर context अपने-आप उपलब्ध कराया जाता है
- Linear से ticket context दिया जाता है
- Notion या Canvas से documents तक पहुँच मिलती है
- non-production database से data structure की जाँच की जाती है
- GitHub पर पुराने PRs की background information का उपयोग होता है
समानांतर Claude instances का संचालन और मुख्य रणनीतियाँ
- कई Claude instances को parallel चलाते हुए इसे ऐसे संभाला जाता है जैसे ‘हर दिन memory खो देने वाली छोटी dev team’ को manage किया जा रहा हो
- एक ही problem area पर parallelization न करना, सभी कामों को Linear जैसे project management tools में दर्ज करना, और मानव द्वारा सीधे बदले गए कोड को साफ़-साफ़ चिह्नित करना जैसी रणनीतियाँ बनाई गईं
- सिर्फ कोड लिखने में नहीं, code review में भी AI का सक्रिय उपयोग होता है: test omissions, साफ़ bugs, और improvements जल्दी पकड़कर दोहराव वाले काम कम किए जाते हैं
- कंपनी (Sanity) की policy के अनुसार, AI-जनित कोड की अंतिम गुणवत्ता की ज़िम्मेदारी engineer पर ही रहती है
- AI और इंसान के कोड में फर्क न कर पाने वाले माहौल में भावनात्मक लगाव कम होता है और ज़्यादा आलोचनात्मक व वस्तुनिष्ठ code review संभव हो जाता है
3-स्तरीय code review process
- कोड लिखना काम का एक हिस्सा है, लेकिन code review भी उतना ही महत्वपूर्ण है
- पहला review: Claude की शुरुआती जाँच
- test coverage में कमी और साफ़ bugs का पता लगाना
- सुधार के सुझाव देकर साथियों के review समय की बचत
- दूसरा review: मेरा review
- maintainability, architecture, business logic, और integration की जाँच
- AI-जनित कोड होने पर भी engineer की अंतिम ज़िम्मेदारी बनी रहती है
- तीसरा review: टीम का सामान्य review
- टीम को यह नहीं बताया जाता कि कौन-सा हिस्सा AI ने लिखा है। एक ही quality standard लागू होता है
- भावनात्मक लगाव के बिना वस्तुनिष्ठ review संभव होता है
- AI द्वारा लिखे गए कोड के प्रति भावनात्मक लगाव कम होने से अधिक वस्तुनिष्ठ review संभव होता है
Slack-triggered agent और work automation पर प्रयोग
- Cursor के साथ Slack-integrated agent का pilot किया गया: सरल business logic बदलावों में सफलता मिली, लेकिन जटिल CSS layout में असफल रहा
- अभी के समय में private NPM packages के लिए support नहीं, unsigned commits, और official tracking को bypass करने जैसी सीमाएँ मौजूद हैं
- फिर भी, भविष्य में agent के रात भर simple repetitive tickets निपटाने की संभावना को लेकर उत्साह है
लागत और ROI
- Claude Code के उपयोग की लागत कंपनी के लिए engineer पर किया जाने वाला काफ़ी बड़ा खर्च है
- लेकिन इस निवेश से productivity gains मिले
- feature release speed में 2~3 गुना सुधार
- कई development threads को एक साथ manage करना संभव
- repetitive और boilerplate code हाथ से लिखने की ज़रूरत कम
- AI adoption के शुरुआती दौर में senior engineers के लिए प्रति माह $1000~1500 का budget चाहिए हो सकता है, और कौशल बढ़ने के साथ cost efficiency बेहतर होने की उम्मीद है
AI-assisted development की लगातार बनी रहने वाली समस्याएँ और सीमाएँ
- learning problem: AI अपनी गलतियों से सीख नहीं पाता, इसलिए वही गलतफ़हमियाँ दोहराता है; समाधान है बेहतर documentation और ज़्यादा स्पष्ट निर्देश
- trust problem: AI गलत कोड भी पूरे आत्मविश्वास से दे सकता है, इसलिए verification अनिवार्य है; खासकर जटिल state management, performance, और security वाले हिस्सों में अतिरिक्त सावधानी चाहिए
- context limit problem: बड़े codebase AI की context window से बाहर चले जाते हैं, इसलिए समस्याओं को छोटे हिस्सों में बाँटना और साफ़ context देना ज़रूरी है
कोड से समस्या की ओर भावनात्मक बदलाव
- कोड के प्रति आसक्ति छोड़कर problem-solving केंद्रित सोच की ओर बदलाव
- गलत कोड को जल्दी हटाना, ज़्यादा वस्तुनिष्ठ review, और refactoring का कम बोझ => सकारात्मक बदलाव
- अगर इससे बेहतर AI tools आते हैं, तो उन्हें तुरंत अपनाने की इच्छा है
- मूल बात ‘कोड’ नहीं, बल्कि जिस समस्या को हल करना है उसकी उपयोगिता है
engineer के नज़रिए से AI adoption पर सलाह
- 1. कई AI solutions पर प्रयोग की छूट दें: टीम को अलग-अलग tools खुद इस्तेमाल करके व्यावहारिक क्षमता बढ़ाने दें
- 2. दोहराव वाले और सरल कामों से AI लागू करें: तेज़ असर मिलने की संभावना ज़्यादा है
- 3. trial-and-error के लिए budget रखें: पहले महीने की अव्यवस्था स्वीकार करनी होगी
- 4. review process को फिर से डिज़ाइन करें: AI code की प्रकृति के अनुरूप जाँच मजबूत करें
- 5. पूरी documentation करें: अच्छा context productivity को कई गुना बढ़ाता है
- नए AI workflow के अनुकूल होने वाले engineers यह समझेंगे कि उनके toolbox में एक नई तेज़ धार वाली छुरी आ गई है
- AI workflow अपनाने वाले engineers कई AI agents को orchestrate करते हुए architecture, review, और जटिल problem-solving पर केंद्रित नई भूमिका की ओर विकसित होंगे
आपका अगला कदम
- एक छोटा लेकिन अच्छी तरह परिभाषित feature चुनें,
- AI को उस feature को implement करने के तीन मौके दें,
- और परिणामों को ऐसे review करें जैसे आप किसी नए डेवलपर को mentor कर रहे हों
- बस इतना ही। किसी बड़े बदलाव या process overhaul की ज़रूरत नहीं है
- सिर्फ एक feature, तीन प्रयास, और ईमानदार review काफ़ी है
- भविष्य AI द्वारा डेवलपर्स को replace करने का नहीं है
- बल्कि डेवलपर्स के ज़्यादा तेज़ी से काम करने, बेहतर solutions बनाने, और सर्वश्रेष्ठ tools का उपयोग करने का है
अभी कोई टिप्पणी नहीं है.