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.
בסשן ארוך של Claude Code, כל בקשה חדשה מאלצת את המודל לחזור על היסטוריית השיחה הקודמת, על בופרי הקבצים (file buffers) ועל זיכרון העבודה. המשימה הראשונה בסשן עשויה להיות זולה. עד המשימה העשירית, המודל מעכל את כל מה שקדם לה רק כדי להבין את המשפט הבא. עקומת העלות מתעלה כלפי מעלה במהירות. סשנים ארוכים הופכים לתרגילים יקרים של קריאה חוזרת, וחלון ההקשר (context window) מתמלא בשאריות ממשימות קודמות שאין להן שום קשר למשימה הנוכחית.
זה לא עניין מקרי. זוהי מס ישירה על היגיינת סשן לקויה.
איך לתקן את זה
הפתרונות היו פשוטים ברגע שנתתי שמות לבעיות.
התייחסו לכל סשן כמשימה אחת. כשמשימה משתנה, התחילו מחדש. הפיתוי לשמור על ההקשר "חם" הוא חזק — מרגישים כאילו חוסכים זמן הגדרה — אבל למעשה אתם שוכרים זיכרון בריבית דריבית.
שמרו ידע בקובצי זיכרון קטנים וייעודיים. אל תתנו למודל לשאת הנחיות מותג, ספריות רכיבים או כללי SEO בתוך ההקשר השיחתי. כתבו אותם לכונן בקובצים תמציתיים והפנו אליהם במפורש. זה מעביר מידע מהקשר (context) משתנה ויקר לאחסון קבוע וזול.
בין משימות שונות, נקו את השולחן. סגרו את הסשן. פתחו חדש. שלושים שניות של הגדרה יחסכו דולרים והזיות (hallucinations) בהמשך.
לקחים לצורך סקייל
אם אתם עומדים לעבוד בנפחים כאלה, אתם זקוקים למסגרות הגנה (guardrails) שמתייחסות למערכת, ולא לקובץ, כיחידת הבדיקה.
בצעו בנצ'מרק (Benchmark) לפני הפרסום. אל תניחו שדף עובד רק כי הוא מרונדר. בדקו זמן טעינה, פריסת מובייל ומדדי ליבה בכתובת ה-URL המפורסמת. רכיב יפהפה בסביבת פיתוח מקומית עלול לקרוס בתנאי רשת אמיתיים.
בצעו Diff לפני שאתם מעתיקים. לעולם אל תריצו סנכרון המוני או פעולת העתקה באופן עיוור. בדקו את הדילטה (delta). הבינו לאיזה כיוון הנתונים זורמים. ה-AI לא יזהיר אתכם שאתם עומדים לדרוס נתוני לקוחות חיים.
בדקו אתרים חיים לפני שאתם סומכים על ביקורות (audits). ניתוח סטטי הוא השערה. בקשה חיה היא הוכחה. כשכלי ביקורת מדווח על קישור שבור או לולאת הפניה (redirect loop), ודאו זאת באמצעות בקשה ישירה. גם לכלים יש באגים, במיוחד כלים שנכתבו על ידי AI הפועל על דפוסים משוערים.
תעדו קונבנציות (conventions) לפני שאתם עוברים לסקייל. מבנה URL, היררכיית תיקיות, תבניות קנוניות (canonical patterns) וטקסונומיית תוכן חייבים להיות מתועדים במקום שה-AI יכול לקרוא לפני שהוא מייצר דף חדש אחד. קובצי זיכרון אינם אופציונליים ב-