আমি সফটওয়্যার ইঞ্জিনিয়ারিংে heavily LLM ব্যবহার করেছি কোডিং এবং প্রোডাক্টিভিটি গেইন জন্য। obwohl গ্রীনফিল্ড প্রজেক্ট্সে কার্যকর, কোডবেসের লেগাসিতে মানদর্শন হ্রাসে পড়ে heavily dependencies, strong coupling, এবং tech debtের সাথে। মডেল কনসেপ্টের ইনকনসিস্টেন্ট স্পেলিংস ইনভেন্ট করে, যেখানে প্রয়োজন নেই সেখানে অ্যাডাপ্টার লিখে, বা প্রয়োজন হলে যেখানে অ্যাডাপ্টার প্রয়োজন সেখানে কল করে। এটি কোডবেসে কনফিউজন এবং missing shared language থেকে আসে।

Brownfield প্রজেক্টসের দুটি স্তর: টেকনিক্যাল গভীরতা এবং নিচে কনফিউজন। মডেল গলত ভুল গেস করে কারণ সিস্টেম কী প্রশ্নের উত্তর না দে। readiness incrementally বিল্ড করা যেতে পারে। সফটওয়্যার ইঞ্জিনিয়ারিংয়ের শুরুতে, tech debt একমাত্র চिंতা ছিল। টিমস দ্রুত ডেলিভার করে, পেে-অফফার দে।usual answer হলো 10-20% বাজেট ক্লিনআপে খরচ, কিন্তু deciding what to change costly stays in حالی যে LLMের সাথে implementation সস্ত হয়ে গেছে।

আমি authorship strategic এবং tactical workে split করি। Strategicে system reading, deciding what needs to change, এবং alignment सुनিশ्चিত করা জড়িত। Tactical decisionsকে filesে carry করে। Strategic workে deep system understanding প্রয়োজন; tactical work sekarang cost-effective। আমি generic codebase analysisের জন্য GitHub issues তৈরি করি, তারপর AI systems ব্যবহার করে skills এবং sub-agents দিয়ে solve করি। Skills are markdown procedures ensuring consistent execution.