AI-जनित कोड को हटाने के लिए हम हफ्ते के $10k लेते हैं

मूल लेख ↗ Hacker News चर्चा ↗

बिज़नेस मॉडल: “Slopfix” रिफैक्टरिंग सेवा

  • सेवा: एक-सप्ताह के एंगेजमेंट, तीन सीनियर इंजीनियर, लगभग $10k, AI-जनित “slop” कोड को हटाने और रिफैक्टर करने पर केंद्रित।
  • वे कोड-आकार में कमी का एक लक्ष्य तय करते हैं; भुगतान इस बात के अनुपात में होता है कि वे कितनी कमी हासिल करते हैं।
  • बड़े पैमाने पर रिफैक्टर के लिए टूल्स के रूप में LLMs का भारी उपयोग (जैसे Claude Code), लेकिन आर्किटेक्चर और निर्णय मनुष्य लेते हैं।
  • दो-सप्ताह की “वारंटी” विंडो को बहुत छोटा बताकर आलोचना हुई; प्रदाता का दावा है कि व्यवहार में वे ग्राहकों को नहीं छोड़ते और अब बग्स को ठीक करना आसान है।

क्या यह सचमुच नया है?

  • एक पक्ष: यह सिर्फ लेगेसी “big ball of mud” सिस्टम, आउटसोर्स्ड कोड, क्लाउड/क्रिप्टो/जो भी hype का fallout साफ करने का नया संस्करण है।
  • दूसरा पक्ष: AI ने LOC का अभूतपूर्व विस्फोट पैदा किया है; AI-slop क्लासिक लेगेसी टेक को भी पीछे छोड़ देगा और लंबे समय का “slopfield” काम बनाएगा।

AI-जनित कोड की गुणवत्ता

  • अनुभव काफी अलग-अलग हैं:
    • कुछ लोग बताते हैं कि कुशल इंजीनियरों द्वारा इस्तेमाल किया गया AI-सहायता प्राप्त कोड, AI-पूर्व कोड की तुलना में अधिक साफ, बेहतर दस्तावेज़ित, और बनाए रखने में आसान था।
    • दूसरों को गैर-इंजीनियरों या कम अनुभवी उपयोगकर्ताओं द्वारा बनाया गया बेहद “vibe-coded” गड़बड़ कोड दिखता है: नाज़ुक, आपस में उलझी हुई आर्किटेक्चर, खतरनाक shortcuts (जैसे destructive DB migrations)।
  • कई पोस्टर इन 3 स्थितियों में अंतर करते हैं:
    1. गैर-डेव्स द्वारा pure vibe coding।
    2. प्रक्रिया-जागरूक गैर-कोडर्स जो AI का उपयोग करते हैं।
    3. मजबूत review और structure के साथ AI का उपयोग करने वाले इंजीनियर।
    • क्लाइंट्स को (1) से (3) में ले जाना बेहद मूल्यवान माना जाता है।

AI से AI की सफाई

  • संदेहवादी “AI in, AI out” की तुलना बार-बार होने वाली lossy transcoding से करते हैं: गलतियाँ रद्द होने की बजाय जमा हो जाती हैं।
  • समर्थकों के अनुसार AI एक power tool है: अनुभवी devs के हाथों में यह targeted refactors, code profiling, और pattern-based cleanup को तेज करता है।
  • सामान्य पैटर्न: tests (e2e, unit, mutation) लिखना या सुधारना, strict duplication/linting rules तय करना, फिर CI के तहत AI के साथ iteratively code काटना और refactor करना।

व्यवहार्यता, दायरा, और जोखिम

  • एक हफ्ते में जटिल business rules समझने और regressions पकड़ने को लेकर संदेह, खासकर कमजोर test suites के साथ।
  • समर्थकों का दावा:
    • बहुत सा AI-slop शुरुआती चरण का है और अभी तक एक दशक के corner cases से बोझिल नहीं हुआ है।
    • काम को “conceptually hard” मानव कार्यों और “repetitive pattern” कार्यों में बाँटा जा सकता है, जिन्हें AI को दिया जाए।
    • प्रारंभिक scans, client walkthroughs, और architecture decisions मनुष्य-नेतृत्व में होते हैं।

बाज़ार, प्रोत्साहन, और दीर्घकालिक चिंताएँ

  • लक्षित ग्राहक अक्सर non-technical founders होते हैं जिन्होंने AI का अधिक उपयोग किया और अब unmaintainable repos का सामना कर रहे हैं।
  • कुछ लोग एक स्थायी चक्र की भविष्यवाणी करते हैं: क्लाइंट्स refactor करते हैं, फिर उसके ऊपर फिर से vibecode करते हैं, जिससे recurring consulting work बनता है।
  • अन्य लोग तर्क देते हैं कि “असल” समाधान human-led rewrites है, लेकिन कई लोग इसका विरोध करते हैं कि wholesale rewrites शायद ही कभी optimal होते हैं।
  • उद्योग के proprietary LLMs (Anthropic/OpenAI) पर core infrastructure के रूप में निर्भर होने और भविष्य की pricing या availability shocks के जोखिम पर चिंता उठाई गई।