Claude Code टीम कोड समीक्षा कैसे करती है
Anthropic का यह दावा कि उसकी Claude Code टीम अब अपने लगभग 90% बदलाव AI से लिखवाने और review कराने देती है—कथित तौर पर लगभग 30,000 merges प्रति दिन—इस बात पर तीखी बहस छेड़ता है कि यह गति वास्तव में क्या देती है। टिप्पणीकार code quality, stability, security, UX churn और long-term maintainability पर सवाल उठाते हैं, जब humans सिस्टम का coherent mental model बनाए नहीं रखते और बड़े codebases को summarize और self-verify करने के लिए agents पर निर्भर हो जाते हैं। अन्य लोग automated review pipelines और higher throughput में मूल्य देखते हैं, लेकिन चेतावनी देते हैं कि token costs, compliance requirements, और “changes per day” जैसे Goodharted metrics इस दृष्टिकोण को अधिकांश teams के लिए जोखिमपूर्ण या inaccessible बना देते हैं.
परिवर्तन का पैमाना और कोड गुणवत्ता
- कई लोग कथित ~30k बदलाव/दिन और ~90% AI-लिखे कोड को लेकर संदेह में हैं, खासकर उस चीज़ के लिए जो दिखने में अपेक्षाकृत सरल TUI/harness लगती है।
- कई टिप्पणीकार इसे churn मानते हैं: अंतहीन छोटे PRs, busywork, और refactors, न कि अर्थपूर्ण फीचर प्रगति।
- उपयोगकर्ता Claude Code और संबंधित टूल्स में बार-बार regressions, UI instability, और bugs की रिपोर्ट करते हैं, और इसे अत्यधिक change velocity का परिणाम मानते हैं।
- अन्य लोग तर्क देते हैं कि PRs, LOC जैसे volume metrics context के बिना अर्थहीन हैं और वास्तविक प्रगति को छिपा सकते हैं।
AI-जनित कोड: ताकत बनाम slop
- बार-बार रिपोर्ट होती है कि LLM-generated code आमतौर पर:
- दोहरावदार, अत्यधिक verbose, और खराब architecture वाला होता है।
- subtle bugs और “vibe-coded” complexity के प्रति संवेदनशील होता है, जिसे बाद में समझना मुश्किल होता है।
- कुछ लोग कहते हैं कि AI सख्त constraints और अच्छे specs के तहत औसत से बेहतर code लिख सकता है; अन्य कहते हैं कि पूरी तरह vibe‑coded projects जल्दी ही unmaintainable हो जाते हैं।
- चिंता यह है कि once a codebase is “infected” with AI slop, humans increasingly rely on AI सिर्फ उसे समझने और संशोधित करने के लिए करते हैं।
कोड समीक्षा, परीक्षण और ownership
- उत्साही लोग AI review को एक बड़ा productivity win बताते हैं: तेज़ first-pass review, multi-agent reviewers, custom GH actions, और bugs की बेहतर coverage।
- संदेहवादी नोट करते हैं:
- Automated reviews गहरे design issues और दीर्घकालिक complexity को miss कर सकते हैं।
- Anthropic के metrics (incident/revert rates) architectural debt और cohesion को नजरअंदाज़ करते हैं।
- Human responsibility और system का mental model अब भी critical हैं, खासकर high-risk domains में।
- कुछ लोग ऐसे workflows का वर्णन करते हैं जहाँ humans specs, structure, और architecture पर ध्यान देते हैं, जबकि agents implementation और repeated review cycles संभालते हैं।
UX, Product Stability और Developer Experience
- Claude products में बार-बार UI changes को high change rate से जोड़ा जाता है; कुछ लोग वास्तविक feature और UX improvements देखते हैं, जबकि अन्य इसे लगातार disruption और user workflows के प्रति खराब सम्मान मानते हैं।
- चिंता है कि तेज़ AI‑driven iteration regressions ship करने और users को testers की तरह treat करने को सामान्य बना देती है।
Security, Compliance और Costs
- सवाल उठते हैं कि SOC2 और enterprise controls कैसे काम करेंगे जब code author plus AI review के साथ ही merge किया जा सकता है।
- चिंताएँ कि AI-based security review स्पष्ट रूप से prompt injection के प्रति vulnerable है और true positives को “false” मानकर dismiss करने को बढ़ावा दे सकती है।
- token spend पर बहस: कुछ लोग AI review को human time से सस्ता मानते हैं; अन्य नोट करते हैं कि अधिकांश teams “token-poor” हैं और Anthropic के lavish usage की नकल नहीं कर सकतीं।