Written with AI assistance from the source video. The video is the authority.
Log in to leave a comment
No posts yet
प्रोडक्शन कोड में AI टूल्स के आने के बाद से रिपॉजिटरी का परिदृश्य बदल गया है। सॉफ्टवेयर रिपॉजिटरी डेटा एनालिटिक्स कंपनी GitClear द्वारा 2020 से 2024 तक 211 मिलियन से अधिक लाइन वाले प्रोडक्शन कोड के विश्लेषण के अनुसार, कोड चर्न (Code Churn) - जो कि मर्ज होने के 2 सप्ताह के भीतर कोड के संशोधित या पूरी तरह से डिलीट होने का प्रतिशत है - 3.1% से बढ़कर अधिकतम 7.1% हो गया है। कोड रिव्यू प्लेटफॉर्म CodeRabbit का अनुभवजन्य विश्लेषण भी यह दर्शाता है कि AI-जनरेटेड कोड मानव-लिखित कोड की तुलना में प्रति पुल रिक्वेस्ट 1.7 गुना अधिक दोष पैदा करता है। बिजनेस लॉजिक दोष 75 प्रतिशत, गायब एक्सेप्शन हैंडलिंग 2 गुना, और सुरक्षा भेद्यताएं 2.74 गुना अधिक बार सामने आती हैं। SmartBear के शोध के अनुसार, जैसे ही एकल पुल रिक्वेस्ट का परिवर्तन आकार 400 लाइनों से अधिक होता है, समीक्षक की दोष खोजने की दर 70 प्रतिशत से नीचे गिर जाती है। जूनियर डेवलपर्स द्वारा लिखी गई सैकड़ों लाइनों के कोड को पारंपरिक लाइन-बाय-लाइन तरीके से पढ़ने से कॉग्निटिव ओवरलोड होता है, जिससे अंततः घातक संरचनात्मक दोष अनसुने रह जाते हैं।
मैनुअल रिव्यू बॉटलनेक को तोड़ने के लिए, सीनियर इंजीनियरिंग लीड्स को सिंटैक्स चेकर के रूप में काम करना बंद करना होगा और सिस्टम आर्किटेक्ट के रूप में कार्य करना होगा। पुल रिक्वेस्ट को कंपाइलर द्वारा जनरेट की गई असत्यापित बाइनरी के रूप में मानें और 10 मिनट में संरचनात्मक सुदृढ़ता का न्याय करने के लिए एक आर्किटेक्चर रिव्यू प्रोटोकॉल लागू करें। पहले 3 मिनट के दौरान, समस्या विवरण और वास्तविक परिवर्तित फ़ाइल सूची, Diff Delta, की तुलना करें। यदि विवरण में उल्लेख न किए गए मॉड्यूल या कॉन्फ़िगरेशन फ़ाइलें शामिल हैं, तो विस्तृत कोड को पढ़े बिना तुरंत इसे अस्वीकार कर दें। अगले 4 मिनट के दौरान, डोमेन सीमाओं के उल्लंघन की जांच करें, जैसे कि क्या प्रेजेंटेशन लेयर बिजनेस सेवाओं को दरकिनार करते हुए सीधे डेटाबेस को हिट कर रही है। शेष 3 मिनट के दौरान, यह जांचें कि क्या सिस्टम बाहरी API विफलताओं या कंक्यूरेंसी विवादों को संभाल सकता है, और आइडेम्पोटेंसी कुंजियों की गारंटी और डिस्ट्रिब्यूटेड ट्रांजेक्शन रोलबैक के दृष्टिकोण से निगरानी करें। रिपॉजिटरी के .github/pull_request_template.md में आर्किटेक्चर निर्णय लॉग और मूल प्रॉम्प्ट दर्ज करने के लिए एक सेक्शन बनाएं, और जिन कोड्स में वैकल्पिक डिज़ाइन का उल्लेख नहीं है, उनके लिए Diff भी न खोलें।
इससे पहले कि कोई इंसान पूरा कोड पढ़े, मशीन को उन सभी त्रुटियों को हटा देना चाहिए जिन्हें वह पहचान सकती है। जापानी फिनटेक कंपनी freee ने 285 रिपॉजिटरी में सिमेंटिक कोड रिव्यू टूल CodeRabbit को एकीकृत करने के बाद 6 महीने के भीतर सीनियर रिव्यूअर्स के 32.8 सप्ताह के संसाधन बचाए और महत्वपूर्ण दोष सुधारों के लिए 54 प्रतिशत स्वीकृति दर दर्ज की। मैन्युअल समीक्षा के समय को आधा करने के लिए केवल उन पुल रिक्वेस्ट्स के लिए सीनियर्स को रिव्यू नोटिफिकेशन भेजें जो 3-चरणीय स्वचालित फ़िल्टर पास कर चुके हैं।
CI पाइपलाइन में एक क्रमिक सत्यापन फ़िल्टर एम्बेड किया जाना चाहिए। पहले चरण, नियतात्मक स्थैतिक विश्लेषण में, लिन्टर चेतावनियों को त्रुटियों में अपग्रेड करने के लिए ESLint, Biome, और Ruff चलाएं, और प्रति फ़ंक्शन साइक्लोमैटिक जटिलता को 15 या उससे कम पर सेट करें। दूसरे चरण, सख्त प्रकार और आर्किटेक्चर इनवेरिएंट चरण में, tsconfig.json में strict: true को चालू करें और dependency-cruiser के साथ अनधिकृत लेयर बाईपास कॉल्स को रोकें। तीसरे चरण, सिमेंटिक LLM कोड रिव्यू चरण में, P1, P2 दोषों और छूटे हुए टेस्ट्स को पकड़ने के लिए CodeRabbit या Qodo का उपयोग करें। यदि पिछला चरण 100 प्रतिशत पास नहीं होता है, तो अगले चरण या मानव समीक्षक के असाइनमेंट को पूरी तरह से ब्लॉक कर दें।
मोनोलिथिक संरचनाओं या लिगेसी कोडबेस में AI एजेंट्स को शामिल करने से संदर्भ प्रदूषण होता है, जहां मॉडल मौजूदा सामान्य उपयोगिताओं को अनदेखा कर देते हैं और अपनी खुद की डुप्लीकेट कॉपी जनरेट कर देते हैं। सिंगल-रूट फ़ाइल दृष्टिकोण .cursorrules जैसे-जैसे प्रोजेक्ट बढ़ता है, मॉडल के संदर्भ की अत्यधिक खपत करता है, इसलिए मॉड्यूलर .cursor/rules/*.mdc संरचना का उपयोग किया जाना चाहिए। MDC फ़ाइलें केवल तभी सशर्त रूप से इंजेक्ट की जाती हैं जब कोई विशिष्ट फ़ाइल पैटर्न कार्य लक्ष्य होता है, जिससे टोकन की खपत 40 प्रतिशत से अधिक कम हो जाती है और नियम अनुपालन दर अधिकतम हो जाती है।
कोर डोमेन की अखंडता को बनाए रखने के लिए, डायरेक्टरीज को अनिवार्य रूप से लॉक किया जाना चाहिए। प्रोजेक्ट रूट में एक .cursor/rules/core-boundaries.mdc फ़ाइल बनाएं और मुख्य डायरेक्टरीज जैसे src/core/ledger/** को alwaysApply: true सेटिंग के साथ केवल पढ़ने के लिए नामित करें। API लेयर पर काम करते समय मौजूदा प्रतिक्रिया स्कीमा फ़ील्ड को हटाने से रोकने और डोमेन एक्सेप्शन क्लासेस के उपयोग को बाध्य करने के लिए .cursor/rules/api-contracts.mdc जोड़ें। संवेदनशील जानकारी को स्कैन करने से मॉडल को पूरी तरह से ब्लॉक करने के लिए .cursorignore में .env* और माइग्रेशन इतिहास दर्ज करें। एजेंट द्वारा डुप्लीकेट उपयोगिताओं को जनरेट करने की घटनाएं 90 प्रतिशत से अधिक कम हो जाएंगी।
जब जूनियर AI से यूनिट टेस्ट लिखने के लिए कहते हैं, तो लाइन कवरेज 90 प्रतिशत से अधिक हो सकता है, लेकिन यह साइलेंट पास डिफेक्ट्स उत्पन्न करता है जो मुख्य बिजनेस लॉजिक में बग्स को पकड़ने में विफल रहता है। यह सत्यापित करने का एकमात्र तरीका कि टेस्ट ठीक से काम कर रहे हैं, म्यूटेशन स्कोर के माध्यम से है, जो मापता है कि क्या टेस्ट जानबूझकर इंजेक्ट किए गए कोड दोषों को पकड़ते हैं और विफलता उत्पन्न करते हैं।
CI पाइपलाइन में Stryker म्यूटेशन टेस्टिंग फ्रेमवर्क को एम्बेड करें। प्रोजेक्ट रूट में stryker.config.json बनाएं, mutate प्रविष्टि में src/domains/**/*.ts जोड़ें, और thresholds.break मान को 70 पर सेट करें। केवल परिवर्तित कोड का वृद्धिशील रूप से निरीक्षण करने के लिए GitHub Actions वर्कफ़्लो .github/workflows/mutation-gate.yml में npx stryker run --since origin/main कमांड जोड़ें। हर शुक्रवार दोपहर 3 बजे से शाम 6 बजे तक, नए फीचर का विकास रोकें और सर्वाइविंग म्यूटेंट्स को खत्म करने और डुप्लीकेट कोड को एकीकृत करने पर ध्यान केंद्रित करें। यदि नए कोड का म्यूटेशन स्कोर 70 प्रतिशत से कम है, तो पाइपलाइन को तुरंत एक त्रुटि जनरेट करनी चाहिए और मर्ज को ब्लॉक कर देना चाहिए।
AI अपनाने की प्रक्रिया में सबसे बड़ी समस्या सीनियर्स की उपेक्षा और जूनियर्स की अंधी निर्भरता के बीच का डिस्कनेक्ट है। Shopify का यह सिद्धांत है कि भले ही लैंग्वेज मॉडल ने 95 प्रतिशत कोड लिखा हो, पुल रिक्वेस्ट पर नामित इंजीनियर हर लाइन के लिए 100 प्रतिशत जिम्मेदार है। लीड्स को एक ऐसा रूटीन लागू करना चाहिए जो जूनियर्स के अंधविश्वास को तोड़े और संदर्भ इंजेक्शन की जानकारी प्रदान करे।
जूनियर्स के प्रॉम्प्टिंग कौशल को बेहतर बनाने के लिए हर हफ्ते 30 मिनट का एक गहन क्लिनिक आयोजित करें। पहले 10 मिनट के दौरान, जूनियर स्प्रिंट टिकट के साथ सीनियर को अपनी स्क्रीन शेयर करता है और एजेंट को निर्देश देता है; निरीक्षण करें कि क्या वे अस्पष्ट आवश्यकताएं दे रहे हैं। बीच के 10 मिनट में, सीनियर संदर्भ इंजीनियरिंग का प्रदर्शन करता है, प्रॉम्प्ट इनपुट के समय प्रोजेक्ट के एरर हैंडलिंग नियमों और ट्रांजेक्शन आइसोलेशन लेवल्स को बाधाओं के रूप में निर्धारित करता है। अंतिम 10 मिनट में, AI से एक सही उत्तर प्राप्त करने के बजाय, इसे कई आर्किटेक्चर पैटर्न की तुलना करने के लिए कहें और फिर टेस्ट केसेस के रूप में छूटी हुई सीमा शर्तों के बारे में सवाल करें। इस प्रक्रिया से गुजरने के बाद, जूनियर की प्रॉम्प्ट त्रुटि दर 60 प्रतिशत से अधिक गिर जाती है।
