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.

एका लांब Claude Code सेशनमध्ये, प्रत्येक नवीन विनंती मॉडेलला मागील संभाषणाचा इतिहास, फाईल बफर्स आणि वर्किंग मेमरी पुन्हा तपासण्यास भाग पाडते. सेशनमधील पहिले काम स्वस्त असू शकते. दहाव्या कामापर्यंत, मॉडेलला पुढचे वाक्य समजून घेण्यासाठी आधी आलेली सर्व माहिती पुन्हा आत्मसात करावी लागते. खर्चाचा आलेख वेगाने वर जातो. लांब सेशन हे महागड्या 'पुन्हा वाचण्याच्या' व्यायामात रूपांतरित होतात आणि कॉन्टेक्स्ट विंडो (context window) आधीच्या कामांच्या अशा कचऱ्याने भरून जाते ज्याचा सध्याच्या कामाशी काहीही संबंध नसतो.

ही केवळ एक विचित्र गोष्ट नाही. ही खराब सेशन हायजीनवर (session hygiene) आकारला जाणारा थेट कर आहे.

हे कसे सुधारावे

एकदा मी समस्यांची नावे स्पष्ट केली की, त्यावरचे उपाय सोपे होते.

एका सेशनला एकच काम माना. जेव्हा काम बदलते, तेव्हा नवीन सुरुवात करा. कॉन्टेक्स्ट 'वॉर्म' (warm) ठेवण्याची इच्छा प्रबळ असते — तुम्हाला वाटते की तुम्ही सेटअपचा वेळ वाचवत आहात — पण प्रत्यक्षात तुम्ही चक्रवाढ व्याजाने (compounding interest) मेमरी भाड्याने घेत असता.

ज्ञान लहान, समर्पित मेमरी फाईल्समध्ये ठेवा. मॉडेलला ब्रँड मार्गदर्शक तत्त्वे (brand guidelines), कंपोनंट लायब्ररी (component libraries) किंवा SEO नियम संभाषणाच्या कॉन्टेक्स्टमध्ये वाहून नेऊ देऊ नका. ते संक्षिप्त फाईल्समध्ये डिस्कवर लिहा आणि त्यांचा स्पष्टपणे संदर्भ द्या. यामुळे माहिती महागड्या 'व्होलटाईल कॉन्टेक्स्ट'मधून (volatile context) स्वस्त 'पर्सिस्टंट स्टोरेज'मध्ये (persistent storage) हलवली जाते.

वेगवेगळ्या कामांच्या दरम्यान, सर्व काही साफ करा. सेशन बंद करा. नवीन सेशन सुरू करा. सेटअपसाठी लागणारी तीस सेकंदांची वेळ नंतरचे डॉलर्स आणि 'हॅलुसिनेशन्स' (hallucinations) वाचवते.

स्केलिंगसाठी धडे

जर तुम्ही या प्रमाणात काम करणार असाल, तर तुम्हाला अशा 'गार्डरेल्स'ची (guardrails) गरज आहे जे फाईलऐवजी संपूर्ण सिस्टमला पुनरावलोकनाचे (review) एकक मानतात.

पब्लिश करण्यापूर्वी बेंचमार्क करा. एखादे पेज रेंडर होत आहे म्हणून ते व्यवस्थित काम करत आहे असे समजू नका. तैनात केलेल्या (deployed) URL वर लोड टाइम, मोबाईल लेआउट आणि मुख्य मेट्रिक्स तपासा. लोकल डेव्हलपमेंटमधील एक सुंदर कंपोनंट वास्तविक नेटवर्क परिस्थितीत कोलमडू शकते.

कॉपी करण्यापूर्वी 'डिफ' (Diff) तपासा. कधीही अंधाधुंदपणे बल्क सिंक किंवा कॉपी ऑपरेशन करू नका. बदल (delta) तपासा. डेटा कोणत्या दिशेने वाहत आहे ते समजून घ्या. तुम्ही थेट ग्राहकाचा डेटा ओव्हरराईट (overwrite) करणार आहात, याची चेतावणी AI देणार नाही.

ऑडिटवर विश्वास ठेवण्यापूर्वी लाईव्ह साइट्स तपासा. स्टॅटिक अनालिसिस (Static analysis) हा केवळ एक अंदाज असतो. लाईव्ह रिक्वेस्ट हा पुरावा असतो. जेव्हा एखादे ऑडिट टूल तुटलेली लिंक किंवा रिडायरेक्ट लूप (redirect loop) रिपोर्ट करते, तेव्हा थेट विनंतीद्वारे त्याची पडताळणी करा. टूल्समध्येही त्रुटी असू शकतात, विशेषतः अशा टूल्समध्ये जी अनुमानित पॅटर्नवर काम करणाऱ्या AI द्वारे लिहिली गेली आहेत.

स्केलिंग करण्यापूर्वी नियमावली (conventions) लिहून ठेवा. URL स्ट्रक्चर, फोल्डर हायरार्की, कॅनोनिकल पॅटर्न आणि कंटेंट टॅक्सोनॉमी (content taxonomy) हे AI ने एकही नवीन पेज तयार करण्यापूर्वी अशा ठिकाणी दस्तऐवजीकरण केलेले असणे आवश्यक आहे जिथे AI ते वाचू शकेल. मेमरी फाईल्स या येथे ऐच्छिक नाहीत