Ich nutze LLMs stark in der Softwareentwicklung für Coding und Produktivitätsgewinne. Obwohl sie in Greenfield-Projekten effektiv sind, sinkt die Qualität scharf in Legacy-Codebases mit starken Abhängigkeiten, starker Kopplung und technischem Schulden. Das Modell erfindet inkonsistente Schreibweisen von Konzepten, schreibt Adapter, wo keiner benötigt wird, oder ruft auf, wo Adapter benötigt werden. Dies resultiert aus Verwirrung und fehlender gemeinsamer Sprache im Codebase.

Brownfield-Projekte haben zwei Ebenen: technische Tiefe und darunter Verwirrung. Das Modell ratet falsch, weil das System keine Schlüssel Fragen beantwortet. Bereitstellung kann schrittweise aufgebaut werden. Am Anfang der Softwareentwicklung war die einzige Sorge technischer Schulden. Teams liefern schnell, wobei sie Kompromisse eingehen. Die übliche Antwort ist, 10-20% des Budgets für Aufräumarbeiten auszugeben, aber zu entscheiden, was geändert werden soll, ist teuer, während die Implementierung mit LLMs billig geworden ist.

Ich trenne die Urheberschaft in strategische und taktische Arbeit. Strategisches Lesen des Systems, Entscheidung, was geändert werden muss, und Sicherstellung der Ausrichtung umfasst. Taktisches Tragen von Entscheidungen in Dateien. Strategische Arbeit erfordert tiefes Systemverständnis; taktische Arbeit ist jetzt kosteneffizient. Ich erstelle generische Codebase-Analysen in GitHub-Problemen, dann gehe ich sie mit AI-Systemen unter Verwendung von Fähigkeiten und Sub-Agenten an. Fähigkeiten sind Markdown-Verfahren, die eine konsistente Ausführung gewährleisten.