🚨 बहुत से लोग जब Claude Code, Codex या किसी अन्य AI प्रोग्रामिंग टूल का उपयोग करते हैं, तो यह गलती करते हैं कि वे सोचते हैं कि AI कोडिंग खराब है क्योंकि मॉडल पर्याप्त बुद्धिमान नहीं है, इसलिए वे लगातार अधिक शक्तिशाली मॉडल में बदल रहे हैं!
लेकिन समस्या कभी-कभी मॉडल में नहीं, बल्कि आप इसके लिए कैसे कार्यप्रणाली स्थापित करते हैं, उसमें होती है। 😳
मैंने हाल ही में Learn Harness Engineering नामक एक GitHub रिपोजिटरी पाई, जिसमें 24,700 स्टार्स हैं, और यह दिखाता है कि कैसे AI कोडिंग एजेंट को केवल आदेश स्वीकार करने वाला सहायक से एक प्रक्रिया-आधारित, प्रगति को स्मरण करने वाला और परिणामों की स्वयं जांच करने वाली प्रणाली में कैसे बदलें।
इसकी सबसे बड़ी बात यह है कि यह रिपोजिटरी केवल सिद्धांत ही नहीं सिखाता, बल्कि 14 पाठों और 8 प्रैक्टिकल प्रोजेक्ट्स के साथ:
AGENTS.md सेटअप करना सिखाता है, ताकि AI प्रोजेक्ट के नियमों और संरचना को समझ सके।
स्थिति संग्रहित करना सिखाता है, ताकि अगली सत्र में पिछली प्रगति से जुड़कर काम जारी रखा जा सके।
AI को कोडिंग पूरी होने पर समाप्ति की घोषणा करने के बजाय, परीक्षण चलाने और परिणामों की पुष्टि करने के लिए मजबूर करता है।
एक स्वचालित चक्र बनाना सिखाता है, जहां AI कोडर और AI चेकर के भूमिका स्पष्ट होते हैं।
विशेष रूप से, इस रिपोजिटरी में Claude Code, OpenAI Codex, DeepSeek और Pi के प्रैक्टिकल Harness डिज़ाइन का विश्लेषण किया गया है।
इसमें प्रोजेक्ट में लागू करने के लिए प्रारूप (template) मौजूद है, MIT मुक्त स्रोत कोड है, और हिंदी सहित हिंदी में समर्थन है।
मुझे लगता है कि AI Coding करने वाले हर किसी को यह सामग्री पढ़नी चाहिए, क्योंकि भविष्य में सवाल सिर्फ “कौन सा मॉडल अधिक बुद्धिमान है?” नहीं, बल्कि “कौन AI को अधिक विश्वसनीयता से काम करने के लिए संगठित करता है?” होगा।
🔗👇