ನಿಮ್ಮ ಯೋಜನೆಗಳನ್ನು ದತ್ತಾಂಶವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಿ
ನಾವು ತಿಂಗಳುಗಟ್ಟಲೆ ವಿಮರ್ಶೆಯ ಚಕ್ರದಲ್ಲಿ (review loop) ಕಳೆದೆವು. LLM ಏಜೆಂಟ್ಗಳು ಕೋಡ್ ಅನ್ನು ಯೋಜಿಸಿದವು ಮತ್ತು ವಿಮರ್ಶಿಸಿದವು. ಕೆಲಸ ಪದೇ ಪದೇ ವಾಪಸ್ ಬರುತ್ತಲೇ ಇತ್ತು. ಪ್ರತಿ ಬಾರಿ ವಾಪಸ್ ಬರುವುದು ಸಮಯದ ವ್ಯರ್ಥಕ್ಕೆ ಕಾರಣವಾಗುತ್ತಿತ್ತು.
ನಾವು 2,400 ವಿಮರ್ಶಾ ದಾಖಲೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆವು. ವಿಫಲವಾಗಲು 6 ಕಾರಣಗಳನ್ನು ನಾವು ಕಂಡುಕೊಂಡೆವು. ಹೆಚ್ಚಿನವು ಕೋಡ್ ಬಗ್ಗಳಲ್ಲ (code bugs). ಅವು ಯೋಜನೆಯ ದೋಷಗಳಾಗಿದ್ದವು (plan defects). ದಾಖಲೆಗಳ ಕೊರತೆ. ತಿಳಿಸದ ನಿಯಮಗಳು. ಪುರಾವೆಗಳಲ್ಲಿನ ಅಂತರಗಳು.
ಗದ್ಯ ರೂಪದ ಯೋಜನೆಗಳು (Prose plans) ಕೋಡ್ ಅನ್ನು ಬಂಧಿಸುವುದಿಲ್ಲ. ವಿಮರ್ಶಕರು ಪಠ್ಯ ರೂಪದ ಯೋಜನೆಯನ್ನು ಮರು-ಚಾಲನೆ ಮಾಡಲು ವಿಫಲರಾಗುತ್ತಾರೆ. ನಾವು ಫಾರ್ಮ್ಯಾಟ್ ಅನ್ನು ಬದಲಾಯಿಸಿದೆವು. ನಾವು TOML ಅನ್ನು ಬಳಸಿದೆವು. ನಾವು ಯೋಜನೆಗಳನ್ನು ದತ್ತಾಂಶವನ್ನಾಗಿ (data) ಪರಿವರ್ತಿಸಿದೆವು.
ನಾವು ಪೈಥಾನ್ ವ್ಯಾಲಿಡೇಟರ್ (Python validator) ಅನ್ನು ನಿರ್ಮಿಸಿದೆವು. ಮನುಷ್ಯರು ಅದನ್ನು ನೋಡುವ ಮೊದಲೇ ಇದು ಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ.
- ಇದು ಸೈಕಲ್ಗಳನ್ನು (cycles) ಪತ್ತೆಹಚ್ಚುತ್ತದೆ.
- ಇದು ಅವಲಂಬನೆಗಳನ್ನು (dependencies) ಪರಿಶೀಲಿಸುತ್ತದೆ.
- ಪ್ರತಿಯೊಂದು ವಾದಕ್ಕೂ ಪುರಾವೆ ಇರುವುದನ್ನು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ.
- ಇದು ಪ್ಲೇಸ್ಹೋಲ್ಡರ್ಗಳನ್ನು (placeholders) ತಿರಸ್ಕರಿಸುತ್ತದೆ.
ತಪ್ಪು ಯೋಜನೆಯು ಈಗ ವಿಫಲವಾದ ಅಸರ್ಷನ್ (failed assertion) ಆಗಿದೆ. ಮಾನವ ವಿಮರ್ಶಕರು ರಚನೆಯ ಮೇಲೆ ಸಮಯ ವ್ಯರ್ಥ ಮಾಡುವುದಿಲ್ಲ. ಅವರು ಡೊಮೇನ್ ಅಪಾಯಗಳ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತಾರೆ.
ನಮ್ಮ ಮೊದಲ DAG-ವಿಮರ್ಶಿತ ಯೋಜನೆಯು ಒಂದೇ ಸುತ್ತಿನಲ್ಲಿ ಪಾಸಾಯಿತು. ವಿಮರ್ಶಕರು ತಮ್ಮ ಸಮಯವನ್ನು ನೈಜ ಅಪಾಯಗಳ ಮೇಲೆ ವ್ಯಯಿಸಿದರು.
ನಿಮ್ಮ ವಿಮರ್ಶಾ ಆರ್ಕೈವ್ ಒಂದು ದತ್ತಾಂಶ ಸೆಟ್ (dataset) ಆಗಿದೆ. ಮಾದರಿಗಳನ್ನು (patterns) ಪತ್ತೆಹಚ್ಚಲು ಅದನ್ನು ಬಳಸಿ. ತಾಂತ್ರಿಕ ಯೋಜನೆಗಳಿಗಾಗಿ ಗದ್ಯವನ್ನು ಬಳಸುವುದು ನಿಲ್ಲಿಸಿ. ದತ್ತಾಂಶವನ್ನು ಬಳಸಿ.
Source: https://dev.to/wernerk_au/dag-toml-how-we-turned-four-months-of-code-review-pain-into-a-machine-checkable-planning-format-236j Optional learning community: https://t.me/GyaanSetuAi