HN দেখুৱাওক: বেজ যিয়ে আপোনাৰ ক'ডবেছ এটা LLM ৰ প্ৰসংগ উইন্ডোত কিমান ভালদৰে মিলি যায় তাক দেখুৱায়

আপোনাৰ ক'ডবেছৰ এটা নতুন মেট্ৰিক আছে যি প্ৰকৃততে গুৰুত্বপূৰ্ণ

দশক দশক ধৰি, ডেভেলপাৰসকলে ক'ডৰ শাৰী, চক্ৰীয় জটিলতা, পৰীক্ষা কভাৰেজ শতাংশ, আৰু মোতায়েন কম্পাঙ্কৰ ওপৰত আকৰ্ষিত হৈ আছে। কিন্তু এটা নতুন মেট্ৰিক নিৰৱে অভিযান্ত্ৰিক দলসমূহে তেওঁলোকৰ ক'ডবেছসমূহৰ বিষয়ে কেনেকৈ চিন্তা কৰে পুনৰ গঠন কৰি আছে: প্ৰসংগ উইণ্ড' ফিট — আপোনাৰ সমগ্ৰ ক'ডবেছৰ শতাংশ যি এটা LLM এ এটা প্ৰমপ্টত হজম কৰিব পাৰে। ই প্ৰতাৰণামূলকভাৱে সহজ যেন লাগে, কিন্তু এই সংখ্যাটো আপোনাৰ দলে AI-সহায়ক বিকাশ সঁজুলিসমূহ কিমান ফলপ্ৰসূভাৱে লাভৱান কৰিব পাৰে তাৰ অন্যতম ব্যৱহাৰিক সূচক হৈ পৰিছে। আৰু যদি আপুনি ইয়াক আওকাণ কৰিছে, তেন্তে আপুনি টেবুলত উল্লেখযোগ্য উৎপাদনশীলতা লাভ এৰি থৈ গৈছে।

এই ধাৰণাটোৱে শেহতীয়াকৈ ডেভেলপাৰ সম্প্ৰদায়সমূহত টান লাভ কৰিছে এটা প্ৰকল্প উত্থানৰ পিছত যি এটা সৰল বেজ সৃষ্টি কৰে — আপোনাৰ চিনাকি বিল্ড-পাছিং বা কভাৰেজ শ্বিল্ডসমূহৰ দৰে নহয় — আপোনাৰ ভঁৰালৰ কিমানখিনি জনপ্ৰিয় LLM প্ৰসংগ উইণ্ড'সমূহৰ ভিতৰত ফিট হয় তাক সঠিকভাৱে দেখুৱাই। ই ক'ডবেছ আৰ্কিটেকচাৰ, মনোৰেপ' বনাম মাইক্ৰ'চাৰ্ভিচৰ বিষয়ে এক আচৰিত ধৰণে সমৃদ্ধ কথোপকথনৰ সূচনা কৰিলে, আৰু আমি আমাৰ ক'ড for AI বুজাবুজিৰ বাবে ডিজাইন কৰা উচিত নেকি। ইয়াৰ প্ৰভাৱ বেছিভাগ ডেভেলপাৰে প্ৰথমতে উপলব্ধি কৰাতকৈ গভীৰভাৱে চলে।

প্ৰসংগ উইণ্ড'ই প্ৰকৃততে কি জুখিছে

প্ৰতিটো বৃহৎ ভাষা আৰ্হি এটা সসীম প্ৰসংগ উইন্ডোৰ ভিতৰত কাম কৰে — ই একেলগে প্ৰক্ৰিয়া কৰিব পৰা সৰ্বাধিক পৰিমাণৰ লিখনী। GPT-4 Turbo এ মোটামুটি 128K টোকেন নিয়ন্ত্ৰণ কৰে। ক্ল’ডৰ শেহতীয়া মডেলসমূহে ২০০K টোকেনৰ ওপৰেৰে ঠেলি দিয়ে। মিথুন ৰাশিৰ দাবী এক মিলিয়নতকৈও অধিক। যেতিয়া আপুনি আপোনাৰ ক'ডবেইচক বিশ্লেষণ, পুনৰায় কাৰক পৰামৰ্শ, বা বাগ ধৰা পেলোৱাৰ বাবে এই আৰ্হিসমূহৰ এটাত ফিড কৰে, আৰ্হিই কেৱল সেই উইন্ডোৰ ভিতৰত কি ফিট হয় "চাব" পাৰে। ইয়াৰ বাহিৰৰ সকলো বস্তুৱেই অদৃশ্য, যেন ইয়াৰ অস্তিত্ব নাই।

প্ৰসংগ উইন্ডো ফিটে আপোনাৰ মুঠ ক'ডবেছ আকাৰ (টোকেনত) আৰু এটা প্ৰদত্ত আৰ্হিৰ প্ৰসংগ উইন্ডোৰ মাজৰ অনুপাত জুখিব। এটা ভঁৰাল যি 80K টোকেনসমূহলে টোকেনাইজ কৰে এটা 200K-টোকেন মডেলত 100% ফিট লাভ কৰে — AI এ আপোনাৰ সমগ্ৰ প্ৰকল্পটো এটা পাছত বুজিব পাৰে। ২ মিলিয়ন টোকেনৰ মনোৰেপো? আপুনি একক সংখ্যাৰ শতাংশ চাইছে, অৰ্থাৎ AI এ খণ্ডবোৰৰ সৈতে কাম কৰি আছে, কেতিয়াও সম্পূৰ্ণ ছবিখন বুজি পোৱা নাই। এই পাৰ্থক্যই AI-উৎপন্ন ক'ড পৰামৰ্শ, স্থাপত্য পৰ্যালোচনা, আৰু স্বয়ংক্ৰিয় পুনৰ কাৰকৰ মানদণ্ডৰ বাবে অতি গুৰুত্বপূৰ্ণ।

বেজ ধাৰণাটোৱে ইয়াক এটা দৃশ্যমান, অংশীদাৰীযোগ্য মেট্ৰিকলৈ স্ফটিকীয় কৰি তোলে। আপোনাৰ CI অৱস্থা আৰু কভাৰেজ শতাংশৰ সৈতে ইয়াক আপোনাৰ README ত ষ্টিক কৰক। ই অৱদানকাৰী আৰু ৰক্ষণাবেক্ষণকাৰীসকলক প্ৰকৃততে উপযোগী কিবা এটা কয়: এই ক'ডবেছ কিমান AI-বন্ধুত্বপূৰ্ণ?

এই মেট্ৰিক কিয় সলনি কৰে দলসমূহে কেনেকৈ চফ্টৱেৰ নিৰ্মাণ কৰে

চফ্টৱেৰ স্থাপত্যৰ সিদ্ধান্তসমূহ সদায় মানুহৰ চিন্তাৰ দ্বাৰা পৰিচালিত হৈ আহিছে — পঠনযোগ্যতা, ৰক্ষণাবেক্ষণযোগ্যতা, পৰিৱেশন, দলৰ গঠন। প্ৰসংগ উইণ্ড' ফিটে এই কথোপকথনসমূহত এটা নতুন অংশীদাৰক পৰিচয় কৰাই দিয়ে: AI যোৰ প্ৰগ্ৰেমাৰ। যেতিয়া আপোনাৰ সম্পূৰ্ণ ক'ডবেইচ এটা প্ৰসংগ উইন্ডোৰ ভিতৰত ফিট হয়, AI সঁজুলিসমূহে ক্ৰছ-কাটিং উদ্বেগসমূহৰ বিষয়ে যুক্তি দিব পাৰে, সূক্ষ্ম নিৰ্ভৰশীলতা শৃংখলসমূহ চিনাক্ত কৰিব পাৰে, আৰু পৰিবৰ্তনসমূহ পৰামৰ্শ কৰিব পাৰে যি সম্পূৰ্ণ ব্যৱস্থাপ্ৰণালীৰ বাবে হিচাপ দিয়ে। যেতিয়া নহয়, আপুনি মূলতঃ এজন এআইক আপোনাৰ পাকঘৰটোক পুনৰ নিৰ্মাণ কৰিবলৈ কৈছে আৰু কেৱল বাথৰুমটোহে দেখুৱাইছে।

ইয়াৰ ব্যৱহাৰিক পৰিণতি আছে যিবোৰ অভিযান্ত্ৰিক লিডসকলে গুৰুত্বসহকাৰে ল'বলৈ আৰম্ভ কৰিছে। উচ্চ প্ৰসংগ-ফিট স্ক'ৰ থকা দলসমূহে AI ক'ড পৰ্যালোচনা সঁজুলিৰ পৰা জুখিব পৰাকৈ উন্নত ফলাফলৰ প্ৰতিবেদন দিয়ে। বাগ ধৰা পেলোৱাৰ হাৰ উন্নত হয় কাৰণ মডেলে নথিপত্ৰসমূহৰ মাজেৰে নিষ্পাদন পথসমূহ অনুসৰণ কৰিব পাৰে। ৰিফেক্টৰিঙৰ পৰামৰ্শসমূহ স্থানীয়ভাৱে অনুকূল নহয় কিন্তু গোলকীয়ভাৱে ধ্বংসাত্মক নহয়। এটা মধ্যম আকাৰৰ SaaS কোম্পানীত এটা অভিযান্ত্ৰিক দলে তেওঁলোকৰ মনোৰেপ'ক সৰু, প্ৰসংগ-উইণ্ড'-বন্ধুত্বপূৰ্ণ সেৱাসমূহত বিভক্ত কৰাৰ পিছত AI-পৰামৰ্শ দিয়া ৰিগ্ৰেছনসমূহৰ ৪০% হ্ৰাস নথিভুক্ত কৰিছিল।

মেট্ৰিকে ভাল অভিযান্ত্ৰিক পদ্ধতিৰ বাবে এটা বাধ্যতামূলক কাৰ্য্যও সৃষ্টি কৰে যিটো দলসমূহে যিকোনো প্ৰকাৰে অনুসৰণ কৰা উচিত। প্ৰসংগ উইন্ডো ফিটত ভাল স্ক'ৰ কৰা ক'ডবেইচসমূহত পৰিষ্কাৰ মডিউল সীমা, কম মৃত ক'ড, উদ্বেগসমূহৰ উন্নত পৃথকীকৰণ, আৰু অধিক কেন্দ্ৰীভূত ভঁৰাল থকাৰ প্ৰৱণতা থাকে। AI বুজাবুজি মেট্ৰিক সামগ্ৰিক ক'ড স্বাস্থ্যৰ বাবে এটা প্ৰক্সি হিচাপে শেষ হয়।

কোনোৱে আশা নকৰা স্থাপত্যৰ প্ৰভাৱ

প্ৰসংগ উইণ্ড' ফিটৰ চাৰিওফালে হোৱা কথোপকথনে মনোৰেপো বনাম পলিৰেপ' বিতৰ্কক সম্পূৰ্ণ নতুন মাত্ৰাৰ সৈতে পুনৰ জগাই তুলিছে। Monorepo সমৰ্থকসকলে দীৰ্ঘদিন ধৰি যুক্তি দি আহিছে যে সকলো এটা ভঁৰালত ৰখাটোৱে নিৰ্ভৰশীলতা ব্যৱস্থাপনা সৰল কৰে, সেৱাসমূহৰ মাজেৰে এটমিক কমিটসমূহ সামৰ্থবান কৰে, আৰু সংহতিৰ বিষ হ্ৰাস কৰে। কিন্তু যেতিয়া আপোনাৰ monorepo য়ে 5 মিলিয়ন টোকেনলৈ টোকেনাইজ কৰে আৰু সৰ্বোত্তম উপলব্ধ প্ৰসংগ উইণ্ড' 200K হয়, আপুনি এটা ক'ডবেছ সৃষ্টি কৰিছে যিটো কোনো AI সঁজুলিয়ে সম্পূৰ্ণৰূপে বুজিব নোৱাৰে।

ইয়াৰ অৰ্থ এইটো নহয় যে মনোৰেপো মৃত — ইয়াৰ পৰা বহু দূৰত। স্মাৰ্ট দলসমূহে মধ্যম পথ বিচাৰিছে। যিবোৰ কৌশলৰ উত্থান ঘটিছে সেইবোৰৰ ভিতৰত আছে:

• বুদ্ধিমান চংকিং: সৃষ্টি কৰা ক'ড, বিক্ৰেতাৰ নিৰ্ভৰশীলতা, আৰু পৰীক্ষা ফিক্সচাৰসমূহ AI বিশ্লেষণৰ পৰা বাদ দিবলৈ .contextignore ফাইলসমূহ (.gitignore ৰ সৈতে একে) ব্যৱহাৰ কৰা
• মডিউল-স্তৰৰ প্ৰসংগ মেপসমূহ: লঘু মেনিফেষ্ট সৃষ্টি কৰা যিয়ে AI সঁজুলিসমূহক সকলো লোড নকৰাকৈ কোনবোৰ ফাইল কোনবোৰ বৈশিষ্ট্যৰ সৈতে জড়িত সেয়া বুজিবলৈ সহায় কৰে
• প্ৰসংগ হিচাপে স্থাপত্যৰ নথিপত্ৰ: সংক্ষিপ্ত স্থাপত্য সিদ্ধান্ত ৰেকৰ্ড (ADR) অন্তৰ্ভুক্ত কৰা যিয়ে AIক কেৱল ক'ডৰ পৰা সম্পৰ্ক অনুমান কৰাৰ প্ৰয়োজন নোহোৱাকৈ গাঁথনিগত বুজাবুজি দিয়ে
• কৌশলমূলক সেৱা নিষ্কাশন: প্ৰকৃততে স্বতন্ত্ৰ মডিউলসমূহক পৃথক ভঁৰালসমূহত বিভাজন কৰা যেতিয়া সিহঁতৰ মূল ব্যৱস্থাপ্ৰণালীৰ সৈতে কোনো প্ৰকৃত ক্ৰছ-কাটিং চিন্তা নাই

মূল অন্তৰ্দৃষ্টিটো হ'ল যে প্ৰসংগ উইণ্ড' ফিটৰ বাবে অনুকূল কৰাটো আপোনাৰ ক'ডবেছ সৰু কৰাৰ বিষয়ে নহয় — ই ইয়াক অধিক বুজিব পৰা কৰাৰ বিষয়ে, AI সঁজুলিসমূহৰ বাবে আৰু সিহতৰ কাষত কাম কৰা মানুহৰ বাবে।

আপোনাৰ নিজৰ ক'ডবেছ জুখিব পৰা: এটা ব্যৱহাৰিক কাঠামো

আপুনি এটা বেজ মেট্ৰিক খেদিবলৈ আপোনাৰ সম্পূৰ্ণ ব্যৱস্থাপ্ৰণালী পুনৰায় কাৰক আৰম্ভ কৰাৰ আগতে, প্ৰসংগ উইন্ডো ফিট কেনেকৈ অৰ্থপূৰ্ণভাৱে জুখিব লাগে সেয়া বুজাটো মূল্যৱান । আপোনাৰ সমগ্ৰ ভঁৰালৰ কেঁচা টোকেন গণনা এটা আৰম্ভণি বিন্দু, কিন্তু ই এটা মূক যন্ত্ৰ। অধিক সূক্ষ্ম পদ্ধতিয়ে বিভিন্ন কামৰ বাবে AI এ প্ৰকৃততে কি চাব লাগে সেই বিষয়ে বিবেচনা কৰে।

"আচল প্ৰশ্নটো আপোনাৰ গোটেই ক'ডবেছ এটা প্ৰসংগ উইণ্ড'ত ফিট হয় নে নহয় — ই যিকোনো প্ৰদত্ত কাৰ্য্যৰ বাবে প্ৰাসংগিক প্ৰসংগ ফিট হয় নে নহয়। স্পষ্ট সীমাৰ সৈতে এটা সুগঠন কৰা ক'ডবেইছে AI সঁজুলিসমূহক প্ৰয়োজন অনুসৰি লোড কৰিবলৈ দিয়ে, যদিও মুঠ ভঁৰাল বৃহৎ।"

এটা ব্যৱহাৰিক জোখ পাবলৈ, আপোনাৰ মূল এপ্লিকেচন ক'ড টোকেনাইজ কৰি আৰম্ভ কৰক — node_modules, বিক্ৰেতা পঞ্জিকাসমূহ, নিৰ্মাণ কৃত্ৰিমতাসমূহ, আৰু সৃষ্টি কৰা নথিপত্ৰসমূহ বাদ দি। বেছিভাগ আধুনিক টোকেনাইজাৰে (যেনে OpenAI ৰ tiktoken বা Anthropic ৰ প্ৰকাশিত টোকেন গণনা পদ্ধতি) এটা ডাইৰেকটৰি চেকেণ্ডত প্ৰক্ৰিয়া কৰিব পাৰে। আপোনাৰ দলে প্ৰকৃততে ব্যৱহাৰ কৰা মডেলসমূহৰ প্ৰসংগ উইণ্ড'সমূহৰ বিপৰীতে ফলাফল তুলনা কৰক। যদি আপোনাৰ মূল এপ্লিকেচন ক'ড এটা প্ৰসংগ উইন্ডোৰ ভিতৰত ফিট হয় আৰু প্ৰমপ্ট আৰু নিৰ্দেশৰ বাবে ঠাই আছে, আপুনি চমৎকাৰ আকৃতিত আছে। যদি ই উইণ্ড'ক ২-৫x অতিক্ৰম কৰে, তেন্তে কৌশলগত চংকিংৰ প্ৰয়োজন হ'ব। 10x ৰ বাহিৰেও, আপুনি AI সঁজুলিসমূহক ফলপ্ৰসূ কৰিবলৈ স্থাপত্য পৰিৱৰ্তন বা বিশেষ RAG (উদ্ধাৰ-বৰ্ধিত প্ৰজন্ম) পাইপলাইনত বিনিয়োগ কৰিব বিচাৰিব।

Mewayzৰ দৰে প্লেটফৰ্মসমূহত নিৰ্মাণ কৰা দলসমূহৰ বাবে, য'ত মডিউলাৰ স্থাপত্যই ইতিমধ্যে উদ্বেগসমূহক সুকীয়া মডিউলসমূহত পৃথক কৰে — CRM, চালান, HR, বিশ্লেষণ, আৰু 200 তকৈ অধিক — এই জোখ বিশেষভাৱে আকৰ্ষণীয় হয়। প্ৰতিটো মডিউলে স্পষ্ট আন্তঃপৃষ্ঠসমূহৰ সৈতে এটা স্বয়ংসম্পূৰ্ণ একক হিচাপে কাম কৰে, যি স্বাভাৱিকতে প্ৰসংগ-উইণ্ড'-বন্ধুত্বপূৰ্ণ টুকুৰাসমূহলে মেপ কৰে। ই এনেকুৱা ধৰণৰ স্থাপত্যৰ আৰ্হি যিয়ে মানুহৰ ৰক্ষণাবেক্ষণযোগ্যতা আৰু এআই বুজাবুজি দুয়োটাৰে বাবে লভ্যাংশ দিয়ে।

ডেভেলপাৰ সম্প্ৰদায়ে প্ৰকৃততে কি বিতৰ্ক কৰিছে

প্ৰসংগ-উইণ্ডো বেজৰ চাৰিওফালে হোৱা হেকাৰ নিউজৰ আলোচনাই ডেভেলপাৰ সম্প্ৰদায়ত কেইবাটাও আকৰ্ষণীয় উত্তেজনাৰ সৃষ্টি কৰিছিল। প্ৰথমটো দাৰ্শনিক: আমি AI ব্যৱহাৰৰ বাবে ক'ড ডিজাইন কৰিব লাগেনে? বিশুদ্ধতাবাদীসকলে যুক্তি আগবঢ়ায় যে ক'ড প্ৰথমে মানুহৰ বাবে লিখা উচিত, আৰু AI সঁজুলিসমূহে খাপ খুৱাব লাগে। প্ৰাগমেটিষ্টসকলে প্ৰতিহত কৰে যে যদি এটা সৰল স্থাপত্যৰ পছন্দই আপোনাৰ দলটোক মানুহৰ পঠনযোগ্যতাৰ বাবে শূন্য খৰচত AI সঁজুলিৰ সৈতে ৩০% অধিক উৎপাদনশীল কৰি তোলে, তেন্তে ইয়াক অভিযান্ত্ৰিকতাৰ ওপৰত মতাদৰ্শ বুলি ক'বলৈ অস্বীকাৰ কৰাটো।

দ্বিতীয় বিতৰ্কটোৱে প্ৰসংগ উইণ্ড' ফিট আনকি অনুসৰণৰ যোগ্য এটা সুস্থিৰ মেট্ৰিক নেকি সেইটোৰ ওপৰত কেন্দ্ৰিত। প্ৰসংগ উইণ্ড'সমূহ সূচকীয়ভাৱে বৃদ্ধি পাইছে — আৰম্ভণিৰ GPT-3.5 ত 4K টোকেনৰ পৰা Gemini 1.5 Pro ত এক মিলিয়নতকৈও অধিকলৈ। যদি খিৰিকীবোৰ প্ৰসাৰিত হৈ থাকে, তেন্তে আজিৰ "ফিট নহয়" কাইলৈৰ "সহজকৈ ফিট" হৈ পৰে। কিন্তু অভিজ্ঞ অভিযন্তাসকলে আঙুলিয়াই দিয়ে যে বৃহৎ প্ৰসংগ উইণ্ড'ৰ সৈতেও, প্ৰসংগ দৈৰ্ঘ্যৰ লগে লগে মডেলৰ পৰিৱেশন হ্ৰাস পায়। কেন্দ্ৰীভূত, প্ৰাসংগিক ক'ডৰ 50K টোকেন প্ৰচেছ কৰা এটা মডেলে এটা বিস্তৃত মনোৰেপ'ৰ 500K টোকেন প্ৰচেছ কৰা একে মডেলক আউটপাৰ্ফৰ্ম কৰিব, যদিও দুয়োটা কাৰিকৰীভাৱে "ফিট"। পৰিমাণৰ দৰেই প্ৰসংগৰো গুণগত মানো গুৰুত্বপূৰ্ণ।

তৃতীয়, অধিক ব্যৱহাৰিক কথোপকথন সঁজুলিৰ আশে-পাশে ঘূৰি থাকে। ডেভেলপাৰসকলে প্ৰসংগ-সচেতন IDE সংহতিসমূহ বিচাৰে যি স্বয়ংক্ৰিয়ভাৱে নিৰ্ধাৰণ কৰে যে এটা AI লৈ ক'ড পঠোৱাৰ সময়ত কোনবোৰ নথিপত্ৰ অন্তৰ্ভুক্ত কৰিব লাগে। তেওঁলোকে ভঁৰাল-স্তৰৰ বুদ্ধিমত্তা বিচাৰে যি হস্তচালিত বিন্যাস অবিহনে মডিউলৰ সীমা বুজি পায়। কেইবাটাও মুক্ত-উৎস প্ৰকল্পই এতিয়া এই সঠিক সমস্যাৰ সৈতে মোকাবিলা কৰিছে, যিকোনো প্ৰদত্ত AI-সহায়ক কাৰ্য্যৰ বাবে নথিপত্ৰৰ অনুকূল গোট একত্ৰিত কৰা "প্ৰসংগ কমপাইলাৰ"ৰ পৰিমাণ নিৰ্মাণ কৰিছে।

এইটো প্ৰতিযোগিতামূলক সুবিধালৈ ৰূপান্তৰ কৰা

ব্যৱসায়ৰ বাবে — কেৱল ডেভেলপাৰ দলৰ বাবে নহয় — প্ৰসংগ উইণ্ড' ফিটৰ বুজাৰ যোগ্য ডাউনষ্ট্ৰিম প্ৰভাৱ আছে। যিবোৰ কোম্পানীয়ে চফ্টৱেৰ দ্ৰুতভাৱে, কম বাগৰে, কম খৰচত প্ৰেৰণ কৰে, সেইবোৰে নিজৰ বজাৰত জয়ী হয়। AI-সহায়ক বিকাশ এটা প্ৰকৃত বল বহুগুণক, কিন্তু তেতিয়াহে যেতিয়া অন্তৰ্নিহিত ক'ডবেছ ইয়াৰ সুবিধা ল'বলৈ গঠন কৰা হয়। আজি AI-বন্ধুত্বপূৰ্ণ ক'ডবেছত বিনিয়োগ কৰা সংস্থাসমূহে সময়ৰ লগে লগে বহল হ'ব পৰা যৌগিক সুবিধাসমূহ গঢ়ি তুলিছে।

এই নীতি বিশুদ্ধ চফ্টৱেৰ কোম্পানীসমূহৰ বাহিৰলৈও বিস্তৃত। মেৱাইজৰ দৰে প্লেটফৰ্মত চলি থকা ব্যৱসায়সমূহে, যিয়ে চি আৰ এম, চালান, পে-ৰোল, এইচ আৰ, বহৰ ব্যৱস্থাপনা, আৰু বিশ্লেষণক এটা মডিউলাৰ ব্যৱস্থাত একত্ৰিত কৰে, এই একে দৰ্শনৰ পৰা কাৰ্য্যকৰী পৰ্যায়ত লাভৱান হয়। যেতিয়া আপোনাৰ ব্যৱসায়িক ডাটা 15 টা বিচ্ছিন্ন SaaS সঁজুলিসমূহত সিঁচৰতি হোৱাৰ পৰিবৰ্তে সু-গাঁথনিযুক্ত, আন্তঃসংযোগী মডিউলসমূহত থাকে, AI এ আপোনাৰ সম্পূৰ্ণ কাৰ্য্যৰ বিষয়ে যুক্তি দিব পাৰে — বিক্ৰী, সমৰ্থন, আৰু বিত্তৰ মাজেৰে আৰ্হিসমূহ চিনাক্ত কৰি যি চাইল'ড চিস্টেমসমূহত অদৃশ্য হ'ব। এটা ক'ডবেছক AI-বন্ধুত্বপূৰ্ণ কৰা একেটা নীতিয়ে এটা ব্যৱসায় AI-বন্ধুত্বপূৰ্ণ কৰে: স্পষ্ট গঠন, পৰিষ্কাৰ সীমা, আৰু ব্যাপক প্ৰসংগ।

ইঞ্জিনিয়াৰিং নেতাসকলৰ বাবে ব্যৱহাৰিক টেক-এৱেটো পোনপটীয়া। আপোনাৰ প্ৰসংগ উইণ্ড' ফিট আজিয়েই জুখিবলৈ আৰম্ভ কৰক — আনকি অনানুষ্ঠানিকভাৱেও। নিৰ্মাণ সময় আৰু পৰীক্ষা কভাৰেজৰ সৈতে ইয়াক আপোনাৰ অভিযান্ত্ৰিক স্বাস্থ্য ডেচব'ৰ্ডত যোগ কৰক। স্থাপত্যৰ সিদ্ধান্ত লওঁতে ইয়াক এটা ইনপুট হিচাপে ব্যৱহাৰ কৰক (একমাত্ৰ ইনপুট নহয়)। আৰু স্বীকাৰ কৰক যে পৰৱৰ্তী প্ৰজন্মৰ AI বিকাশ সঁজুলিৰ পৰা যিবোৰ ক'ডবেছ বেছি উপকৃত হ'ব, সেইবোৰেই হৈছে বুজিব পৰাৰ বাবে গঠন কৰা হৈছে এতিয়াই।

বেজ এটা কথোপকথন আৰম্ভকাৰী, গন্তব্যস্থান নহয়

"87% প্ৰসংগ ফিট — Claude 200K" দেখুওৱা এটা README বেজ এটা সৰু কথা। সৃষ্টি কৰিবলৈ ই চেকেণ্ড সময় লয় আৰু আপোনাৰ প্ৰকল্প আলেখ্যনত এটা শাৰী দখল কৰে। কিন্তু ই যি প্ৰতিনিধিত্ব কৰে — ক'ডবেছ বুজাবুজিৰ প্ৰতি এটা ইচ্ছাকৃত, জুখিব পৰা প্ৰতিশ্ৰুতি — এটা অভিযান্ত্ৰিক দলৰ অগ্ৰাধিকাৰৰ বিষয়ে কিবা এটা অৰ্থপূৰ্ণ সংকেত দিয়ে। ইয়াত কোৱা হৈছে: আমি ভাবো যে আমাৰ ক'ড কেনেকৈ বুজিব, কেৱল পৰৱৰ্তী ডেভেলপাৰে নহয়, কিন্তু AI চিস্টেমসমূহে যিবোৰ ক্ৰমান্বয়ে প্ৰতিটো ডেভেলপমেণ্ট ৱৰ্কফ্ল'ৰ অংশ হৈ পৰিছে।

এই ধাৰাটোৰ আটাইতকৈ মূল্যৱান ফলাফল বেজটো নিজেই নহয়। ই হৈছে স্থাপত্য পৰ্যালোচনা, স্প্ৰিণ্ট পৰিকল্পনা, আৰু কাৰিকৰী ঋণৰ আলোচনাৰ সময়ত ইয়াৰ সূচনা কৰা কথোপকথন। যেতিয়া "প্ৰসংগ উইণ্ড' ফিট" আপোনাৰ অভিযান্ত্ৰিক শব্দভাণ্ডাৰৰ অংশ হৈ পৰে, আপুনি এনে সিদ্ধান্ত ল'বলৈ আৰম্ভ কৰে যিবোৰ আমি দশক দশক ধৰি ভাল চফ্টৱেৰ ডিজাইনৰ বিষয়ে জনা সকলো বস্তুৰ সৈতে মিল খায়: স্পষ্ট আন্তঃপৃষ্ঠ আৰু নূন্যতম সংযোজনৰ সৈতে সৰু, কেন্দ্ৰীভূত মডিউলসমূহ। এআই বিপ্লৱে এই নীতিসমূহ উদ্ভাৱন কৰা নাছিল। কিন্তু ই দলসমূহক অৱশেষত তেওঁলোকক অনুসৰণ কৰাৰ এটা নতুন, পৰিমাণীকৰণযোগ্য কাৰণ দিছে।

সঘনাই সোধা প্ৰশ্ন

প্ৰসংগ উইণ্ড' ফিট কি আৰু ইয়াৰ গুৰুত্ব কিয়?

প্ৰসংগ উইন্ডো ফিটে আপোনাৰ ক'ডবেছৰ কিমান শতাংশ এটা LLM এ এটা প্ৰমপ্টত প্ৰক্ৰিয়া কৰিব পাৰে জুখিব পাৰে। এটা উচ্চ শতাংশৰ অৰ্থ হ'ল AI সঁজুলিসমূহে আপোনাৰ প্ৰকল্পৰ বিষয়ে একেলগে অধিক বুজিব পাৰে, যাৰ ফলত উন্নত ক'ড পৰামৰ্শ, অধিক সঠিক পুনৰায় সৃষ্টি কৰা, আৰু কম ভ্ৰম হয়। AI-সহায়ক বিকাশ প্ৰামাণিক হোৱাৰ লগে লগে, এই মেট্ৰিক প্ৰত্যক্ষভাৱে প্ৰভাৱিত কৰে যে আপোনাৰ দলটোৱে কপিপাইলট, কাৰ্চাৰ, আৰু ক্ল'ডৰ দৰে সঁজুলিসমূহৰ সৈতে কিমান উৎপাদনশীল হ'ব পাৰে।

মই মোৰ ক'ডবেছৰ প্ৰসংগ উইণ্ড' ফিট কেনেকৈ পৰীক্ষা কৰিব পাৰো?

আপুনি আপোনাৰ ভঁৰালৰ বাবে এটা দৃশ্যমান সূচক সৃষ্টি কৰিবলে Hacker News ত অংশীদাৰী কৰা মুক্ত-উৎস বেজ সঁজুলি ব্যৱহাৰ কৰিব পাৰে। ই আপোনাৰ মুঠ ক'ডবেছ টোকেন গণনা গণনা কৰে আৰু ইয়াক জনপ্ৰিয় LLM প্ৰসংগ উইন্ডোসমূহৰ সৈতে তুলনা কৰে। বেজে আপুনি আপোনাৰ README ত এম্বেড কৰিব পৰা শতাংশ স্ক'ৰ প্ৰদৰ্শন কৰে, অৱদানকাৰী আৰু অংশীদাৰসকলক আপোনাৰ প্ৰকল্প কিমান AI-প্ৰস্তুত তাৰ এটা তৎক্ষণাত স্নেপশ্বট দিয়ে।

কি কি কৌশলে এটা ক'ডবেছৰ প্ৰসংগ উইণ্ড' ফিট স্ক'ৰ উন্নত কৰে?

মডিউলাৰ স্থাপত্য, উদ্বেগসমূহৰ স্পষ্ট পৃথকীকৰণ, আৰু মৃত ক'ড আঁতৰোৱাত মনোনিৱেশ কৰক। যুক্তিসংগত সীমাৰ সৈতে সুগঠন কৰা মনোৰেপ'সমূহে LLMসমূহক প্ৰাসংগিক মডিউলসমূহ স্বতন্ত্ৰভাৱে প্ৰক্ৰিয়াকৰণ কৰিবলৈ দিয়ে। ক'ড ডুপ্লিকেচন হ্ৰাস কৰা, ফাইলসমূহ সংক্ষিপ্ত ৰখা, আৰু পৰিষ্কাৰ নিৰ্ভৰশীলতা গছসমূহ ৰক্ষণাবেক্ষণ কৰা সকলোৱে অৰিহণা যোগায়। Mewayz ৰ দৰে প্লেটফৰ্মসমূহে এই নীতি প্ৰদৰ্শন কৰে — 207 মডিউলক ৰক্ষণাবেক্ষণযোগ্যতা আৰু দক্ষতাৰ বাবে ডিজাইন কৰা এটা ষ্ট্ৰীমলাইন ব্যৱসায়িক অপাৰেটিং ছিষ্টেমলৈ পেকেজিং কৰা।

এটা সৰু ক'ডবেছৰ অৰ্থ সদায় উন্নত AI সুসংগততা নেকি?

অনিশ্চয় নহয়। জটিল নিৰ্ভৰশীলতা আৰু দুৰ্বল দস্তাবেজৰ সৈতে এটা সৰু ক'ডবেইচ এটা ডাঙৰ, সুসংগঠিততকৈ LLM সমূহৰ বাবে যুক্তি দিয়াটো কঠিন হ'ব পাৰে। গুৰুত্বপূৰ্ণ কথাটো হ’ল খিৰিকীৰ ভিতৰত কিমান প্ৰাসংগিক প্ৰসংগ খাপ খাই পৰে। পৰিষ্কাৰ বিমূৰ্তকৰণ, সামঞ্জস্যপূৰ্ণ নামকৰণ নিয়ম, আৰু মডিউলাৰ ডিজাইনে AI সঁজুলিসমূহক ফলপ্ৰসূভাৱে কাম কৰিবলৈ দিয়ে আনকি যেতিয়া সিহঁতে ক'ডৰ প্ৰতিটো শাৰী একেলগে গ্ৰহণ কৰিব নোৱাৰে।