मैं सॉफ्टवेयर इंजीनियरिंग में LLM का heavy use कर रहा हूं कोडिंग और प्रोडक्टिविटी गेन के लिए। जबकि ग्रीनफील्ड प्रोजेक्ट्स में प्रभावी, गुणवत्ता तेजी से गिरती है legacy codebases में heavy dependencies, strong coupling, और tech debt के साथ। मॉडल कॉन्सेप्ट के इनकंसिस्टेंट स्पेलिंग्स इन्वेंट करता है, जहाँ जरूरत न हो एडाप्टर्स लिखता है, या जहाँ एडाप्टर्स जरूरी हों वहाँ कॉल करता है। यह कोडबेस में कन्फ्यूजन और missing shared language से आता है।

Brownfield प्रोजेक्ट्स की दो लेयर होती हैं: तकनीकी गहराई और नीचे कन्फ्यूजन। मॉडल गलत गेस करता है क्योंकि सिस्टम key questions का जवाब नहीं देता। readiness incrementally build की जा सकती है। सॉफ्टवेयर इंजीनियरिंग की शुरुआत में, tech debt ही एकमात्र चिंता थी। टीमें फास्ट डिलीवर करती हैं, ट्रेडऑफ्स देती हैं। usual answer है 10-20% बजट cleanup पर खर्च करना, लेकिन deciding what to change expensive रहता है जबकि LLM के साथ implementation सस्ती हो गई है।

मैं authorship को strategic और tactical work में split करता हूं। Strategic में system reading, deciding what needs to change, और alignment सुनिश्चित करना शामिल है। Tactical decisions को files में carry करता है। Strategic work को deep system understanding की आवश्यकता होती है; tactical work अब cost-effective है। मैं generic codebase analysis के लिए GitHub issues बनाता हूं, फिर AI systems का उपयोग skills और sub-agents के साथ उन्हें solve करने के लिए करता हूं। Skills are markdown procedures ensuring consistent execution.