When someone tells you they shipped 335 live pages across 26 repositories in 29 days, working alone, the instinct is to ask how they moved so fast. The better question is what broke when they did.
The numbers are real: 1,549 commits, 26 repos, 29 days, one developer using Claude Code. But velocity itself teaches you very little. What matters is the texture of the failures, because they were not the kind you catch in a stack trace. They were structural fractures. You only see them when you step back from the editor and look at the whole system breathing in production.
What Worked
The speed was not an illusion. Certain tasks really do collapse in duration when you hand them to an AI that does not sleep.
Textbook algorithms turned into shipped features over days, not weeks. A 2048 solver and minimax-based games came together fast because the implementation patterns are well documented. The model does not get lost in academic papers; it writes the search tree, the heuristic evaluation, the move scoring, and moves on. These are solved problems, and an AI pair programmer handles solved problems with brute efficiency.
Tedious audits became tolerable. Crawling link graphs, verifying redirect chains, checking canonical tags across hundreds of pages — this work destroys human attention spans, but a language model will iterate without complaint. It checks the same pattern three hundred times and reports back.
The real surprise was consistency. When you ask an AI to generate dozens of landing pages, drift is inevitable unless you anchor it. I used small memory files to lock down a single brand system: voice rules, color token names, component restrictions, and page archetypes. The model read those constraints at the start of each relevant task and produced work that felt like it came from one hand instead of twenty-nine different moods.
What Actually Broke
The failures were architectural. No build failed because of a missing semicolon. Instead, the system slowly deceived me into thinking everything was fine.
SEO cannibalization hit first. The AI built a new tool hub under a fresh URL while an older tool hub still lived at its original path. Each individual page was optimized. Titles were tight. Meta descriptions were unique. Content was useful. But they all hunted the same search intent. Search engines saw two authorities on identical terms and ranked neither. Perfect pages canceled each other out because no one was watching the site as a portfolio rather than a collection of files.
URL mismatches followed. Different repositories adopted slightly different folder structures for the same logical content. One repo nested tools under /tools/utility-name; another flattened them to /utility-name. The CDN saw both, generated redirect chains to resolve them, and started throwing errors at the edge. The pages loaded, eventually, but every redirect burned crawl budget and user patience. The code was correct. The topology was a mess.
Then came the sync trap. I updated a mirror site — a staging or backup instance — but forgot to propagate those changes back to the source repository. When I later asked the AI to sync the environments, it treated the mirror as ground truth. A simple sync command would have overwritten the production database or file set with stale mirror data. The AI executed what I described, not what I intended. Intentions do not diff; files do.
The audit tools themselves lied. Because I automated the auditing, I assumed the output was clean. It was not. The AI-written audit scripts contained subtle bugs: off-by-one checks, incorrect assumptions about redirect status codes, phantom errors triggered by timing or headers rather than real misconfigurations. They reported problems that did not exist, which sent me chasing ghosts. I learned to stop trusting static analysis until I had manually probed the live site and confirmed the symptom in a browser or a direct curl.
The Hidden Cost
Here is a number no one talks about: 93 percent of my token spend went to re-reading cached context.
في جلسة Claude Code طويلة، تضطر كل عملية طلب جديدة النموذج إلى مراجعة تاريخ المحادثة السابق، ومخازن الملفات المؤقتة (file buffers)، وذاكرة العمل. قد تكون المهمة الأولى في الجلسة غير مكلفة. ولكن بحلول المهمة العاشرة، يكون النموذج بصدد استيعاب كل ما سبق فقط لفهم الجملة التالية. ينحني منحنى التكلفة للأعلى بسرعة. تتحول الجلسات الطويلة إلى تمارين إعادة قراءة مكلفة، وتمتلئ نافذة السياق (context window) بالحطام الناتج عن مهام سابقة لا علاقة لها بالمهمة الحالية.
هذه ليست مجرد نزوة أو خلل عابر، بل هي ضريبة مباشرة على سوء إدارة الجلسات (session hygiene).
كيفية إصلاح ذلك
كانت الحلول بسيطة بمجرد أن حددت المشكلات.
تعامل مع كل جلسة كمهمة واحدة. عندما تتغير المهمة، ابدأ من جديد. إن إغراء الحفاظ على "سياق دافئ" (warm context) قوي — حيث تشعر أنك توفر وقت الإعداد — ولكنك في الواقع تستأجر الذاكرة بفوائد مركبة.
احتفظ بالمعرفة في ملفات ذاكرة صغيرة ومخصصة. لا تدع النموذج يحمل إرشادات العلامة التجارية، أو مكتبات المكونات (component libraries)، أو قواعد تحسين محركات البحث (SEO) داخل سياق المحادثة. اكتبها في ملفات موجزة على القرص وقم بالإشارة إليها صراحةً. هذا ينقل المعلومات من السياق المتطاير والمكلف إلى التخزين الدائم والمنخفض التكلفة.
بين المهام المختلفة، قم بتصفية كل شيء. أغلق الجلسة، وافتح جلسة جديدة. ثلاثون ثانية من الإعداد ستوفر عليك دولارات وتجنبك الهلوسة (hallucinations) لاحقًا.
دروس للتوسع
إذا كنت ستعمل بهذا الحجم، فأنت بحاجة إلى ضوابط (guardrails) تعامل النظام، وليس الملف، كوحدة للمراجعة.
قم بإجراء اختبار مرجعي (Benchmark) قبل النشر. لا تفترض أن الصفحة تعمل لمجرد أنها تظهر (renders). تحقق من وقت التحميل، وتنسيق الهاتف المحمول، والمقاييس الأساسية على الرابط المنشور (deployed URL). فالمكون الجميل في بيئة التطوير المحلية قد ينهار في ظل ظروف الشبكة الحقيقية.
قارن الفروقات (Diff) قبل النسخ. لا تقم أبدًا بإجراء عملية مزامنة شاملة أو عملية نسخ بشكل أعمى. انظر إلى الفرق (delta). افهم اتجاه تدفق البيانات. لن يحذرك الذكاء الاصطناعي من أنك على وشك الكتابة فوق بيانات العملاء الحية.
افحص المواقع الحية قبل الوثوق بعمليات التدقيق. التحليل الساكن (Static analysis) هو مجرد فرضية، أما الطلب المباشر (live request) فهو الدليل. عندما تبلغ أداة تدقيق عن رابط معطل أو حلقة إعادة توجيه (redirect loop)، تحقق من ذلك بطلب مباشر. الأدوات بها أخطاء أيضًا، خاصة تلك التي يكتبها ذكاء اصطناعي يعمل بناءً على أنماط مستنتجة.
دوّن الاصطلاحات (conventions) قبل التوسع. يجب توثيق هيكل الروابط (URL structure)، وتسلسل المجلدات، والأنماط الأساسية (canonical patterns)، وتصنيف المحتوى في مكان يمكن للذكاء الاصطناعي قراءته قبل أن ينشئ صفحة جديدة واحدة. ملفات الذاكرة ليست اختيارية عند