Show HN: Lathe – LLM के साथ नए डोमेन को छोड़े बिना सीखना

• Lathe एक ऐसा प्रयोग है जिसमें LLM को आपकी जगह सोचने देने के बजाय उसे सिखाने के लिए इस्तेमाल किया जाता है; यह prompts से hands-on technical tutorials बनाता है और यूज़र को local UI में उन्हें हाथ से follow करके सीखने देता है
• यह single-part और multi-part tutorials, दोनों का generation support करता है, और सवाल पूछने, tutorial verification, नए parts extend करने, और search tags जोड़ने के लिए LLM skills देता है
• Claude Code, Cursor, और Codex की conversational LLM sessions में tutorials बनाए जा सकते हैं, और Go में बना lathe CLI tutorial storage, management, rendering, और persistent state संभालता है
• CLI खुद LLM को call नहीं करता; web buttons और lathe verify·lathe extend commands, LLM session में paste करने के लिए skill commands देने के तरीके से काम करते हैं
• local web UI को lathe serve से चलाया जाता है और default port 4242 है; tutorial list में title, topic, tags, repository, tool version search, और newest/oldest/title sorting के साथ status, type, tag, और version filters मिलते हैं
• reading UI में दाईं sidebar का table of contents navigation, body के बीच side notes, और tutorial के अंत में readers के लिए practice problems मिलते हैं
• सभी tutorials इस्तेमाल किए गए sources, model, और tutorial style को guide करने वाले prompts का record रखते हैं; source records को metadata.json के sources field और UI के source panel में देखा जा सकता है
• tutorials global path ~/.lathe/tutorials/ में slug-आधारित directories में store होते हैं, और इनमें metadata.json तथा part-01.md जैसी part files या index.md शामिल होते हैं
• installation एक single standalone executable binary lathe को $PATH में रखने के तरीके से होती है, और macOS के लिए Homebrew cask, curl | sh install script, Go 1.25+ आधारित go install, और source build support उपलब्ध है
• skills binary में bundled आते हैं और lathe skills install से Claude Code, Cursor, और Codex के locations पर install किए जा सकते हैं
• tutorial style को voice से control किया जाता है; default plainspoken और companion साथ में दिए गए हैं, और /lathe-voice से custom voice बनाई जा सकती है
• voice केवल style बदलता है; accuracy, research, citation, verification, और structure नहीं बदलता; custom voice को real people की नकल, credentials में हेरफेर, और LLM authorship से इनकार करने से मना करने के लिए configure किया गया है
• verification optional है और conversational LLM session में /lathe-verify <slug> से चलाया जाता है; यह नए mktemp -d scratch directory में files बनाकर commands और ## Checkpoint blocks चलाता है, फिर results record करता है
• verification status unverified, verifying, verified, failed, skipped, extending में से एक होता है; अगर ज़रूरी tools न हों तो इसे failure नहीं बल्कि skipped के रूप में record किया जाता है
• verification सामान्य LLM permission model के तहत चलता है ताकि tool calls देखे और approve किए जा सकें; scratch directory सिर्फ build outputs को repository के बाहर रखने की एक convention है, security boundary नहीं
• Lathe, LLM होने के कारण, उसी तरह fail हो सकता है जैसे LLM fail होते हैं, और tutorial generation के लिए उपलब्ध सबसे बड़े “thinking” model का उपयोग recommend किया जाता है
• फिलहाल इसका self-tested use case macOS पर Claude Code है; इसके अलावा दूसरी configurations काम कर सकती हैं, लेकिन verified नहीं मानी गई हैं
• यह personal learning के लिए निजी उपयोग के अलावा content writing के उद्देश्यों के लिए नहीं बनाया गया है

[GN⁺]

Hacker News की राय

• रुचि वाले विषय पर LLM से Socratic Q&A के ज़रिए लगातार क्विज़ करवाने का एक मिलता-जुलता तरीका भी अच्छा है
  यह लगातार और गहरे स्तर के सवाल पूछता है ताकि आप खुद जवाब तक पहुँचें, और इस प्रक्रिया में समस्या पर गंभीरता से सोचने लगते हैं, जिससे समझ, सीखने और याद रखने में मदद मिलती है
  इसलिए मैंने एक Socratic-quiz skill बनाया है जिसे किसी coding agent या ऐसे ही टूल में इस्तेमाल किया जा सकता है: https://pchalasani.github.io/claude-code-tools/plugins-detai...
  उदाहरण के लिए, इसे diabetes/insulin, dopamine और motivation, और Claude implementation जैसी intuition के खिलाफ जाने वाली चीज़ों को बेहतर समझने में आज़माया है, और यह तथाकथित cognitive debt घटाने में भी मदद करता है
  मज़बूत LLM ऐसे क्विज़ में हैरान करने वाली तरह से कुशल होते हैं, और किसी हद तक theory of mind जैसी चीज़ भी दिखाते हैं

  • इस स्थिति में context length degradation को कैसे संभालते हैं, यह जानने की जिज्ञासा है
    ज़्यादा कठिन सवाल तो शायद तब आने लगेंगे जब context लगभग भर चुका होगा
  • अगर ताकत का स्रोत LLM है, तो LLM के बिना आप क्या हैं?
  • असली सामग्री से पढ़ाई करने के पूरक के रूप में यह उपयोगी हो सकता है
    diabetes/insulin, dopamine और motivation जैसे जटिल विषयों को “समझ लिया” कहना आसान है, लेकिन उन्हें पूरी तरह समझने के लिए काफ़ी पढ़ाई चाहिए
    curiosity-based learning के रूप में इसे देखना ठीक है, लेकिन वास्तव में महत्वपूर्ण या गंभीर चीज़ें सीखने के तरीके के रूप में इसे लेकर मैं निश्चित नहीं हूँ
    सामग्री ढूँढना और guided lessons का पालन करना वाला पारंपरिक तरीका इससे ज़्यादा व्यवस्थित और तेज़ है

• मुझे लगता है कि हमेशा से एक बिल्कुल निश्चित दायरे के लोग मौजूद रहे हैं और आगे भी रहेंगे
  कुछ लोग जिज्ञासु होते हैं, इसलिए वे जो कर रहे हैं उसे समझना चाहते हैं या उन्हें समझना पड़ता है, और कुछ लोग ऐसे नहीं होते और बस उसे चला देना चाहते हैं
  यही चाहत अपने आप में विशेषज्ञ बनाने वाली मूलभूत व्यक्तित्व विशेषता है
  LLM ऐसे जिज्ञासु लोगों के लिए सपनों जैसा टूल है, और उन्हें और तेज़ करेगा
  असली “loss” बहुत कम है; बस जो लोग परवाह नहीं करते उनके लिए काम आसान हो जाएगा
  यह उनके लिए भी अच्छा है और जिज्ञासु लोगों के लिए भी, इसलिए कुल मिलाकर फ़ायदा है

  • शायद दोनों ही सही हैं, और यह इस पर निर्भर करता है कि विषय क्या है और साथ ही आप क्या कर रहे हैं
    कभी-कभी लंबे समय तक गहराई में जाना मज़ेदार और रोचक लगता है
    दूसरी ओर, कभी ऐसा भी होता है कि किसी चीज़ के क्यों न चलने को लेकर कोई खास जिज्ञासा नहीं होती, बस उसे चलाना होता है ताकि अपने असली काम पर वापस बढ़ सकें
    अंत में लगता है कि LLM दोनों ही स्थितियों में उपयोगी हैं
  • कुछ लोग माहौल की परवाह किए बिना लगातार जिज्ञासु रह सकते हैं, लेकिन कुछ लोग जीवन के अनुभवों के आधार पर जिज्ञासा बढ़ाने या खोने की दिशा में झुक सकते हैं
    हमेशा पास मौजूद “बस अभी जवाब दे दो” बटन उन्हें उदासीनता की ओर खींचने वाली एक मज़बूत ताकत बन सकता है

• मुझे यह काफ़ी ताज़ा आइडिया लगता है
  LLM की बड़ी ताकत यह है कि वे बेहतरीन learning tool हैं
  बहुत से लोग इन्हें कुछ generate करने के लिए इस्तेमाल करना चाहते हैं, लेकिन उनसे मिलने वाला ज्ञान शायद कम आंका जाता है
  यह शायद अब तक का सबसे अच्छा tutor हो सकता है
  साथ ही, किसी प्रोजेक्ट से पैसे कमाने की कोशिश हो रही है या नहीं, यह बताना जैसे ज़रूरी हो—यह माहौल मुझे पसंद नहीं है
  पैसे कमाने को demonize नहीं किया जाना चाहिए और न ही उसके लिए तिरछी नज़र से देखा जाना चाहिए

• हाल के काम में मैं इस सामान्य पैटर्न का बहुत इस्तेमाल कर रहा हूँ
  निर्णायक कामों को custom CLI app में बनाते हैं, agent harness में skills जोड़ते हैं, और फिर agent के अंदर वही skills चलवाते हैं ताकि CLI और agent-style reasoning के साथ output तैयार हो
  उदाहरण के लिए, अगर आप कहें “पिछले एक महीने में इन टीमों की backlog activity का executives के लिए summary बना दो,” तो 5–10 मिनट में कुछ पन्नों का दस्तावेज़ पढ़ने को मिल जाता है, जिसमें analyzed tickets के citations भी होते हैं
  लोगों को परेशान करने या उनसे कोई और काम माँगने की ज़रूरत नहीं पड़ती; backlog को बस हमेशा की तरह up-to-date और detailed रखना होता है
  यह pure agent उपयोग, जहाँ दोहराए जाने वाले कामों में consistent results निकालना मुश्किल होता है, और हर छोटी चीज़ के लिए पूरा app बनाना या खरीदना पड़ता है—इन दोनों के बीच एक बहुत उपयोगी जगह लेता है

  • यह approach काम करती है, और मैं सहमत हूँ
    बस मुझे लगातार इसे उल्टा पलट देने का मन करता है
    जो संरचना चाहिए वह ज़्यादातर workflow knowledge और decisions को actual code में रखने वाला पारंपरिक CLI program है, और केवल workflow के कुछ चरणों पर “बहुत थोड़ा” coding agent बुलाया जाए
    इसे कैसे implement करें, यह साफ़ नहीं है
    ऐसा कोई library पहले से है क्या, और अगर है तो वह कैसे काम करती है, यह भी जानना चाहूँगा
    इसे सही तरह करने के लिए शायद CLI software के साथ well-known local IPC socket के ज़रिए interact करने वाली background service होनी चाहिए
    उदाहरण के लिए, docker daemon जैसी शैली में
    लेकिन मुझे ऐसा कोई coding agent software या framework नहीं पता जो ऐसी IPC capability expose करता हो
  • सहमत
    मुझे लगता है यह pattern मैंने पहली बार Simon Willison के कुछ कामों में देखा था, शायद Rodney और Showboat में
    कुछ खास workflows में Skills + CLI का मेल LLM की flexibility और CLI की consistency के बीच अच्छा संतुलन देता है
  • क्या आप deterministic tasks के कुछ उदाहरण दे सकते हैं?
    आपके उदाहरण में deterministic task “इस टीम की backlog लाना” था, और LLM वाला हिस्सा “हर backlog को process करना” और “summaries को merge करना” था?

• इसी मकसद के लिए मैंने लोकप्रिय /grill-me skill को अपडेट किया है
  कल ही मैंने pandas में बेहद बड़े dataset को load करने की कोशिश करते समय ठीक-ठीक क्या होता है, इसे आख़िरी detail तक समझने के लिए बहुत insightful pressure-question session किया

  • क्या उस version को कहीं public किया है?

• यह बहुत बढ़िया तरीका है
  मैंने कुछ समय पहले एक दोस्त से कहा था कि programming कोड को हाथ से सीधे टाइप करके सीखी जाती है
  इसलिए मैंने सुझाव दिया कि वह अपनी रुचि और ज़रूरतों के हिसाब से LLM से न्यूनतम शैक्षिक उदाहरण generate करवाए
  मैंने Zed Shaw-शैली की programming learning method आज़माई, यानी code examples को संगीत या कला की practice studies की तरह हाथ से ज्यों-का-त्यों टाइप करना
  मैंने इसे एक ऐसी programming language पर आज़माया जिसे मैं कुछ समय से सीख रहा था लेकिन संघर्ष कर रहा था, और सिर्फ़ कुछ घंटों की typing से fluency काफ़ी बढ़ गई
  मुझे एहसास हुआ कि कुछ घंटों तक टाइप करते हुए मैंने उतना code लिखा जितना कई हफ्तों की पढ़ाई में नहीं लिखा था
  जब तक आप भाषा नहीं जानते, code बनाना बहुत धीमा और error-prone होता है, लेकिन सही code टाइप करना तुलना में काफ़ी सरल है
  इसलिए जब मैंने अपना approach बदलकर “बस बिना ज़्यादा सोचे टाइप करना” कर लिया, तो कम-से-कम reading और muscle memory के लिहाज़ से मुझे कुछ घंटों में पिछली कई हफ्तों से ज़्यादा practice मिल गई
  बेशक समझ भी महत्वपूर्ण है, लेकिन मेरे अनुभव में वह एक अलग axis है और ज़्यादातर memory और fluency के बाद आती है
  किसी चीज़ को सैद्धांतिक रूप से समझना और उसे वास्तव में इस्तेमाल कर पाना, दोनों बहुत अलग बातें हैं
  इसके पीछे का सामान्य सिद्धांत Stephen Krashen की language acquisition Input Hypothesis है: https://en.wikipedia.org/wiki/Input_hypothesis
  विचार यह है कि बच्चे सिर्फ़ सुनकर और input के exposure से भाषा सीखते हैं, और वयस्क भी उसी तरह सीख सकते हैं
  मैंने यह बात All Japanese All The Time नाम की एक शानदार website पर भी देखी थी, जो शायद अब मौजूद न हो
  लेखक ने बहुत सारा Japanese सुनकर इस hypothesis को खुद पर परखा और कहा कि एक साल में fluency हासिल कर ली
  https://web.archive.org/web/20080705194055/http://www.alljap...

• यह बहुत शानदार idea है, और इस अव्यवस्थित दौर में LLM का समझदारी से इस्तेमाल करने का तरीका लगता है
  जब कोई नया project शुरू करते समय हर चीज़ friction जैसी लगती है, तब यह momentum बनाने का अच्छा तरीका हो सकता है

  • सच में, मेरा मुख्य use case भी यही है
    यह नए project में घुसने की barrier कम करता है, और एक बार familiar होने के बाद मुझे खुद और गहराई में जाने के लिए आधार देता है

• मुझे लगता है कि यह एक दिलचस्प क्षेत्र को छू रहा है
  मैंने system design interview की तैयारी में भी कुछ ऐसा ही सोचा था
  मैंने Twitter design और WhatsApp design पर कुछ blog post series के साथ experiment किया था: https://prepcommons.com/
  फिर भी इसमें शुरुआती request को बस process कर देने की तुलना में बहुत ज़्यादा मेहनत लगी
  AI सभी को औसत नतीजे बनाने में सक्षम करता है, लेकिन अच्छे नतीजे पाने के लिए अब भी taste और discernment चाहिए
  शायद courses पर भी यही बात लागू होती है

• यह शानदार project है, इसलिए मैं इसे आज़माने वाला हूँ
  जब मैं कोई नया विषय पढ़ता हूँ, तो मुझे यह तरीका काफ़ी पसंद है कि जो भी material मेरे पास है, उसे LLM “project” में डाल दूँ और कहूँ कि मुझे उसी actual content के आधार पर सिखाओ, ताकि गति बढ़े
  साथ ही, अगर हर चीज़ ठीक वैसे ही सजा-सँवरकर मिल जाए जैसी मैं चाहता हूँ, तो मुझे चिंता होती है कि original material को सीधे देखकर, उससे जूझकर, और धीरे-धीरे समझ बनाकर जो understanding बनती है, वह कमज़ोर पड़ सकती है
  इसलिए इस तरह का approach, जो LLM से पैदा होने वाली बौद्धिक आलस्य को कुछ हद तक कम करता है और साथ ही वास्तव में खुद करके सीखने पर ज़्यादा ज़ोर देता है, मेरी पसंद से मेल खाता है

• मुझे इससे भी ज़्यादा जिज्ञासा इस बात को लेकर है कि आपने अपने बनाए vibe coding tool को वास्तव में इस्तेमाल करके कैसा पाया
  सिर्फ़ परिचय से यह साफ़ नहीं होता कि आप इसे सच में इस्तेमाल करते हैं और पसंद करते हैं या नहीं
  आपने कहा कि आप इसका इस्तेमाल करते हैं और कभी-कभी इसका विरोध भी करते हैं, और वह अपने-आप में एक learning strategy हो सकती है
  और “दूसरे model से यह test करना कि tutorial compile होता है या नहीं” — इसे feature कहना थोड़ा अजीब लगता है
  बेशक, मैं यह उम्मीद नहीं करता कि एक ही request से बिल्कुल flawless tutorial मिल जाएगा
  मुझे यह भी साफ़ नहीं है कि हाथ से लिखे prompt की जगह मुझे यह क्यों इस्तेमाल करना चाहिए, और मैं यह जानने को भी उत्सुक हूँ कि ChatGPT Study mode क्यों fail हुआ
  क्योंकि यह दिलचस्प लगा

  • मैंने इसे काफ़ी इस्तेमाल किया है और मुझे यह बहुत पसंद है
    बेशक, आप खुद prompt भी बना सकते हैं
    मेरे लिए इसकी value इस बात में है कि reusable skills/prompts tutorial को इस तरह structure करते हैं कि Claude मुझे बस copy-paste करने लायक code देने के बजाय नए concepts पर सोचने और उन्हें सीखने में मदद करे
    और local UI की वजह से Claude के markdown output को scroll करने की तुलना में tutorial follow करना काफ़ी आसान हो जाता है
    tutorial series लगातार बनी रहती है, इसलिए बाद में किसी रुचिकर विषय या tutorial extension को /lathe-extend से आसानी से आगे बढ़ाया जा सकता है
    हालाँकि, यह सिर्फ़ एक tool है जो व्यक्तिगत रूप से मेरे लिए मददगार रहा है; ज़रूरी नहीं कि यह सभी के लिए वैसा ही हो
    मैंने ChatGPT Study इस्तेमाल नहीं किया है, इसलिए मैं उसे और देखूँगा। बताने के लिए धन्यवाद