- AI coding tools का इस्तेमाल करके उन conversion tasks को, जिनमें इंसान को 1~2 घंटे लगते थे, 15~20 मिनट के review स्तर तक घटाना चाहते हैं
- लेकिन, अभी AI द्वारा बनाया गया code quality, सीधे खुद लिखे गए code के 90% तक भी नहीं पहुँचता, इसलिए लगता है कि यह व्यावहारिक रूप से ज़्यादा मददगार नहीं है
- इसलिए यह जानना चाहते हैं कि AI का उपयोग कैसे किया जाए ताकि productivity और code quality दोनों को एक साथ बढ़ाया जा सके
AI से programming efficiency और quality बढ़ाने के लिए व्यावहारिक टिप्स का संग्रह
1. AI को केवल दोहराए जा सकने वाले कामों पर केंद्रित करें
- AI एक जैसे प्रकार के कामों को कई बार दोहराने में सबसे अधिक प्रभावी है
- एक बार इंसान स्वयं सर्वोत्तम quality के साथ implementation करे, और उसे reference example के रूप में इस्तेमाल करे
- उसके बाद उसी pattern वाले काम AI को देकर bulk processing कराएँ
- जिन कामों में सोच और निर्णय की ज़रूरत होती है, वहाँ अपेक्षित efficiency तेज़ी से घट जाती है
2. coding से पहले योजना बनाना अनिवार्य करें
- तुरंत code generate न करें; पहले solution plan लिखें
- planning चरण में सभी अस्पष्ट हिस्सों और प्रश्नों को सामने लाएँ
- अगर योजना संतोषजनक न हो, तो execution चरण में आगे न बढ़ें
- परिणाम की quality, prompt से अधिक plan document की स्पष्टता पर निर्भर करती है
3. काम की इकाई को बहुत छोटे हिस्सों में बाँटें
- एक file, एक component, या कुछ functions की इकाई में request करें
- “पूरी refactoring”, “idiomatic तरीके से सुधारो” जैसी requests के असफल होने की संभावना अधिक होती है
- structure design इंसान करे, और केवल दोहराव वाले implementation AI को सौंपें
4. context को जमा न होने दें, उसे बार-बार reset करें
- बातचीत जितनी लंबी होती जाती है, rules का पालन और quality उतनी तेज़ी से गिरती है
- एक session में केवल एक ही काम करें
- दिशा बदल जाए तो नए session में फिर से शुरू करें
- लंबे कामों में state को document (
plan.md आदि) के रूप में सुरक्षित रखकर फिर से inject करें
5. rules document को छोटा और machine-friendly रखें
- CLAUDE.md / AGENTS.md को 500~1000 tokens के भीतर रखें
- घोषणात्मक निर्देशों की बजाय ठोस और verify किए जा सकने वाले rules पर ज़ोर दें
- केवल वही बातें न्यूनतम रूप में लिखें जो बार-बार गलत होती हैं
- बाकी सब code और automated checks से enforce करें
6. tests, linter और build को feedback loop की तरह इस्तेमाल करें
- “अच्छा बनाओ” कहने के बजाय pass conditions स्पष्ट रूप से बताइए
- test pass, build success, और linter errors 0 को लक्ष्य बनाएँ
- feedback loop होने पर AI खुद convergence की ओर जाता है
- मौजूदा behavior को verify करने वाले tests, refactoring की कठिनाई को काफी कम कर देते हैं
7. execution के दौरान patching न करें; plan सुधारकर फिर से चलाएँ
- यदि परिणाम पसंद न आए, तो बार-बार code modification request न दोहराएँ
- plan document को संशोधित करने के बाद नए session में फिर से चलाएँ
- execution चरण में दिशा मोड़ने से quality जल्दी टूटने लगती है
8. उदाहरण-आधारित तरीके से style सिखाएँ
- “अच्छा code” जैसी अमूर्त हिदायतें लगभग बेअसर होती हैं
- Before / After examples साथ में दें
- अच्छे और खराब examples को स्पष्ट रूप से अलग करके दिखाएँ
- examples को केंद्र में रखकर rules का विस्तार करें
9. समझ से समझौता न करें और ज़िम्मेदारी की सीमा स्पष्ट रखें
- AI द्वारा generated code को इंसान को ज़रूर समझना और review करना चाहिए
- prototype और low-risk code के अलावा बिना review के उपयोग की अनुमति नहीं होनी चाहिए
- security, operations, और long-term maintenance code में समझ quality की पूर्वशर्त है
10. पहले जाँचें कि यह काम AI के लिए उपयुक्त भी है या नहीं
- जिन कामों में कोई एक सही उत्तर नहीं होता और सौंदर्य या structural judgment अधिक होता है, वे AI के लिए प्रतिकूल हैं
- UI refactoring, जहाँ visual result को automatically verify करना कठिन हो, विशेष रूप से मुश्किल है
- ज़रूरत पड़ने पर:
- चरण 1: behavior को बनाए रखने के उद्देश्य से mechanical conversion
- चरण 2: quality refactoring इंसान द्वारा किया जाए
11. अपेक्षा “10% सुधार” से शुरू करें
- शुरुआत से ही 10x की उम्मीद न करें
- छोटे-छोटे सुधारों को जमा करने की रणनीति लंबे समय में अधिक प्रभावी होती है
- design और quality standards से समझौता न करना ही मुख्य बात है
अभी कोई टिप्पणी नहीं है.