Saya menggunakan LLM secara intensif dalam rekayasa perangkat lunak untuk keuntungan coding dan produktivitas. Meskipun efektif di proyek hijau, kualitas drastis menurun di kode warisan dengan ketergungan berat, ikatan kuat, dan hutang teknis. Model membuat ejaan konsep yang tidak konsisten, menulis adapter di mana tidak perlu, atau memanggil di mana adapter yang diperlukan. Ini berasal dari kebingungan dan bahasa bersama yang hilang di kode basis.

Proyek brownfield memiliki dua lapisan: kedalaman teknis dan kebingungan di bawahnya. Model menebak salah karena sistem tidak menjawab pertanyaan kunci. Kesiapsiagaan dapat dibangun secara bertahap. Pada awal rekayasa perangkat lunak, hanya hutang teknis yang menjadi kekhawatiran. Tim mengirim dengan cepat, mengorbankan trade-off. Jawaban umumnya adalah menghabiskan 10-20% anggaran untuk pembersihan, tetapi memutuskan apa yang harus diubah mahal sementara implementasi menjadi murah dengan LLM.

Saya membagi pengarangannya menjadi strategis dan taktis. Strategis melibatkan membaca sistem, memutuskan apa yang perlu diubah, dan memastikan konsistensi. Taktis membawa keputusan ke file. Strategis kerja memerlukan pemahaman sistem yang dalam; taktis kerja sekarang efisien biaya. Saya membuat GitHub issues untuk analisis kode basis secara umum, kemudian menyelesaikannya dengan sistem AI menggunakan keterampilan dan sub-agent. Keterampilan adalah prosedur Markdown yang memastikan eksekusi yang konsisten.