તમારી યોજનાઓને ડેટામાં બદલો
અમે મહિનાઓ સુધી રિવ્યુ લૂપમાં વિતાવ્યા. LLM એજન્ટોએ કોડનું આયોજન અને રિવ્યુ કર્યું. કામ વારંવાર પાછું આવતું રહ્યું. દરેક વાર કામ પાછું આવવાથી સમયનો બગાડ થયો.
અમે ૨,૪૦૦ રિવ્યુ દસ્તાવેજોનું વિશ્લેષણ કર્યું. અમને નિષ્ફળતાના ૬ કારણો મળ્યા. મોટાભાગના કોડ બગ્સ નહોતા. તે યોજનાની ખામીઓ હતી. ખૂટેલા દસ્તાવેજો. અસ્પષ્ટ નિયમો. પુરાવાઓમાં ખામીઓ.
સામાન્ય લખાણ (prose) માં લખાયેલી યોજનાઓ કોડને બાંધતી નથી. રિવ્યુઅર્સ ટેક્સ્ટ પ્લાનને ફરીથી ચલાવવામાં નિષ્ફળ જાય છે. અમે ફોર્મેટ બદલ્યું. અમે TOML નો ઉપયોગ કર્યો. અમે યોજનાઓને ડેટામાં ફેરવી નાખી.
અમે એક Python વેલિડેટર બનાવ્યું. તે માણસ જોતા પહેલા યોજનાની તપાસ કરે છે.
- તે સાયકલ (cycles) શોધે છે.
- તે ડિપેન્ડન્સીઝ (dependencies) તપાસે છે.
- તે સુનિશ્ચિત કરે છે કે દરેક દાવા માટે પુરાવો હોય.
- તે પ્લેસહોલ્ડર્સ (placeholders) ને નકારી કાઢે છે.
હવે ખોટી યોજના એ એક નિષ્ફળ એસરશન (failed assertion) છે. માનવ રિવ્યુઅર સ્ટ્રક્ચર પર સમય બગાડતા નથી. તેઓ ડોમેન જોખમો પર ધ્યાન કેન્દ્રિત કરે છે.
અમારી પ્રથમ DAG-રિવ્યુ કરેલી યોજના એક રાઉન્ડમાં જ પાસ થઈ ગઈ. રિવ્યુઅર્સે તેમનું બજેટ વાસ્તવિક જોખમો પર ખર્ચ્યું.
તમારું રિવ્યુ આર્કાઇવ એક ડેટાસેટ છે. પેટર્ન શોધવા માટે તેનો ઉપયોગ કરો. ટેકનિકલ યોજનાઓ માટે સામાન્ય લખાણનો ઉપયોગ કરવાનું બંધ કરો. ડેટાનો ઉપયોગ કરો.
સ્ત્રોત: https://dev.to/wernerk_au/dag-toml-how-we-turned-four-months-of-code-review-pain-into-a-machine-checkable-planning-format-236j વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi