2024 के पहले दिनों में LLMs और प्रोग्रामिंग
Large language models शक्तिशाली लेकिन अविश्वसनीय coding assistants के रूप में उभर रहे हैं, जो boilerplate work, documentation, tests, और अपरिचित APIs के उपयोग को तेज़ करते हैं, लेकिन गहरे systems programming और सूक्ष्म bugs में अभी भी बुरी तरह विफल होते हैं। टिप्पणीकारों के अनुसार LLMs तब सबसे उपयोगी होते हैं जब एक अनुभवी developer आउटपुट को जल्दी verify और correct कर सके, और वे इसे deteriorating web search तथा Kagi या Brave Search जैसे tools के संदर्भ में देखते हैं। कई लोगों का मानना है कि LLMs programming work की प्रकृति बदल देंगे—rote code writing से अधिक उच्च-स्तरीय design और reasoning की ओर मूल्य स्थानांतरित होगा—साथ ही job displacement की चिंता और hype के प्रति संदेह भी व्यक्त किया गया है जो current models को लगभग मानव reasoning systems की तरह पेश करता है।
LLMs बनाम पारंपरिक खोज
- कई टिप्पणीकार कहते हैं कि विज्ञापनों और SEO स्पैम के कारण सामान्य वेब खोज की गुणवत्ता गिर गई है, जिससे LLMs और वैकल्पिक इंजन आकर्षक लगते हैं।
- सशुल्क खोज इंजन (जैसे साइट ब्लॉकिंग/पिनिंग सुविधाओं के साथ) और विशेषीकृत टूल (Brave के “goggles”, phind, perplexity) को Google के पूरक या विकल्प के रूप में सुझाया गया है।
- कुछ लोग अभी भी Google पर अच्छे परिणाम पाते हैं, जिससे लगता है कि गुणवत्ता हाल ही में सुधरी हो सकती है या यह क्वेरी पर निर्भर हो सकती है।
डेवलपर LLMs का उपयोग कैसे करते हैं
- सामान्य उपयोग: boilerplate code, glue code, tests, SQL, configs, docs, diagrams, AWS/bash snippets, legacy code को समझना, और जल्दी prototypes बनाना।
- LLMs को विशेष रूप से इन चीज़ों के लिए मूल्यवान माना जाता है:
- साइड प्रोजेक्ट शुरू/पूरा करने के लिए आवश्यक शुरुआती ऊर्जा को कम करना।
- एक “junior dev” या tutor की तरह काम करना, अपरिचित APIs या अवधारणाओं को समझाना।
- अनुभवी इंजीनियरों की उन डोमेन्स में मदद करना जहाँ वे अस्थायी रूप से “junior” होते हैं।
- Systems/low-level काम: कई लोगों ने बताया कि जहाँ गहरी डोमेन विशेषज्ञता या कठिन bit-level reasoning चाहिए, वहाँ LLMs खराब प्रदर्शन करते हैं।
विश्वसनीयता, सत्यापन, और जोखिम
- मजबूत सहमति है कि LLM output की समीक्षा आवश्यक है; hallucinations और सूक्ष्म रूप से गलत code आम हैं।
- Programming को अपेक्षाकृत उपयुक्त माना जाता है क्योंकि code को अक्सर compile, test, या property-check किया जा सकता है, हालांकि अन्य लोग ज़ोर देते हैं कि “it compiles” का मतलब “it’s correct or secure” नहीं है।
- कुछ लोग code और tests दोनों generate करने के लिए LLMs का उपयोग करते हैं; अन्य उसी model पर भरोसा नहीं करते जिसने code लिखा हो, उसी से test generation कराने पर।
काम और करियर पर प्रभाव
- कई लोग व्यक्तिगत रूप से अधिक productive या “supercharged” महसूस करते हैं; अन्य लोग पीछे छूट जाने का अनुभव करते हैं क्योंकि models ठीक वहीं fail करते हैं जहाँ उन्हें मदद चाहिए।
- नौकरी पर प्रभाव को लेकर विचार अलग-अलग हैं:
- कुछ को उम्मीद है कि पारंपरिक programming jobs कम होंगी और architecture, product thinking, तथा testing/verification पर अधिक ध्यान होगा।
- अन्य तर्क देते हैं कि software की मांग बढ़ेगी (ऐतिहासिक automation pattern), लेकिन व्यक्तियों को retrain करने के लिए तैयार रहना चाहिए।
- चिंता है कि junior लोग LLMs पर निर्भर होकर ऐसा code बना रहे हैं जिसे वे समझते नहीं।
Tools, Workflows, और Local Models
- IDE integrations (Copilot, Cody, Continue, Wingman, Cursor) और CLI tools (जैसे agents जो सीधे codebases edit करते हैं) पर चर्चा हुई ताकि copy-paste workflows से बचा जा सके।
- autocomplete के साथ मिश्रित अनुभव: कुछ इसे परिवर्तनकारी मानते हैं, अन्य इसे distracting पाते हैं।
- Local code-focused models (Deepseek Coder, CodeLlama variants, Phind models) frameworks जैसे Ollama के माध्यम से privacy-preserving, हालांकि कमज़ोर, विकल्प के रूप में उभर रहे हैं।
Reasoning, Hype, और “Junk Knowledge”
- इस पर बहस कि क्या LLMs “reason” करते हैं या केवल training data को interpolate करते हैं; कुछ लोग दार्शनिक निश्चितता से अधिक व्यावहारिक क्षमता पर ज़ोर देते हैं।
- कई लोग LLMs को ephemeral, tool-specific “junk knowledge” (APIs, configs) को offload करने और मानव प्रयास को durable concepts (algorithms, data structures, math) पर केंद्रित करने का तरीका मानते हैं।
- अन्य लोगों को चिंता है कि marketing और hype लोगों को स्वाभाविक रूप से अविश्वसनीय systems को उनकी क्षमता से अधिक मानने पर मजबूर कर रहे हैं।