यह लेख उस AI collaboration methodology का संकलन है, जिसे मैंने rhwp collaborator के रूप में 3 महीनों तक योगदान देते हुए सीधे अनुभव किया।
इसमें देखा गया है कि vibe coding में अच्छी तरह काम करने वाला AI, मौजूदा project या company codebase पर लागू होने पर क्यों कठिनाई झेलता है — और यह बात सिर्फ model performance से नहीं, बल्कि 'संचित project context की कमी' के नज़रिए से समझी गई है।
rhwp, Hyper-Waterfall के माध्यम से काम के दौरान बनने वाले context को इस तरह externalize करता है।
- मैक्रो स्तर पर
mydocs/manual,mydocs/techआदि में वह दीर्घकालिक ज्ञान दर्ज किया जाता है जिसे कई tasks को साझा करना होता है - माइक्रो स्तर पर हर task की implementation/execution plan, चरणवार reports, और final report में निर्णय, verification results, और success/failure के कारण दर्ज किए जाते हैं
- इन documents को code के साथ repository में commit किया जाता है, ताकि दूसरे contributors, sessions, agents, और models भी उसी context को आगे उपयोग कर सकें
एक वास्तविक उदाहरण में, project को जानने से पहले मेरे द्वारा लिखा गया design document लगभग 5 महीने बाद एक नए task में फिर मिला। इससे उस समय maintainer जिन समस्याओं पर सोच रहा था, design की दिशा क्या थी, और कौन-से निर्णय लिए गए थे, यह सब नए contributor और AI फिर से समझ सके।
मैं Hyper-Waterfall को हर project के लिए उपयुक्त कोई सर्वगुणसंपन्न tool नहीं कहता। यह लेख लंबे समय तक चलने वाले जटिल projects में sessions के अस्थायी context को समीक्षा-योग्य और पुन: उपयोग योग्य 'project memory' के रूप में छोड़ने के तरीके, और इसे अन्य repositories में लागू करने का तरीका प्रस्तुत करता है।
अभी कोई टिप्पणी नहीं है.