Mise en Place for Agentic Coding: Deliberate Preparation as Context Engineering Methodology
यह शोध पत्र "मिज़ एन प्लेस" (MEP) का प्रस्ताव करता है, जो एक तीन-चरणीय तैयारी पद्धति है जो डोमेन ज्ञान को बाह्य रूप में प्रस्तुत करके और विनिर्देशों (specifications) को व्यवस्थित करके तीव्र "वाइब कोडिंग" की अक्षमताओं का मुकाबला करती है ताकि प्रभावी, समानांतर एजेंटिक कोडिंग सक्षम हो सके, जिससे "संदर्भ प्रवाह" (context fluency) को एक महत्वपूर्ण डेवलपर कौशल के रूप में पेश किया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यहाँ इस पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।
मुख्य समस्या: "वाइब कोडिंग" (Vibe Coding) बनाम असली कुकिंग
कल्पना कीजिए कि आप एक घर बनाने की कोशिश कर रहे हैं, लेकिन पहले ब्लूप्रिंट (नक्शा) बनाने के बजाय, आप बस निर्माण दल को ईंटें थमाना शुरू कर देते हैं और चिल्लाते हैं, "कुछ शानदार बनाओ!" इसे लेखक "वाइब कोडिंग" कहते हैं। यह आजकल AI कोडिंग एजेंट्स के साथ बहुत लोकप्रिय है: आप एक त्वरित विचार टाइप करते हैं, AI कोड निकाल देता है, आप गलतियों को ठीक करते हैं, और आप इसे दोहराते रहते हैं।
पेपर का तर्क है कि यह बिना तैयारी के खाना बनाने जैसा है। यदि आप स्टेक तलना शुरू कर देते हैं लेकिन आपने अभी तक प्याज नहीं काटा है, मसालों को नहीं मापा है, या अपना चाकू तेज़ नहीं किया है, तो आप अपना आधा समय रसोई में चीज़ों को पागलों की तरह ढूँढने में बिता देंगे। परिणाम? खाना बनाने में अधिक समय लगता है, स्वाद असंगत होता है, और नमक ढूँढते समय आप स्टेक जला भी सकते हैं।
AI कोडिंग की दुनिया में, यह "यहाँ-वहाँ भागना" तब होता है जब AI ऐसा कोड लिखता है जो आपकी कल्पना के अनुरूप नहीं होता। आप वास्तव में उत्पाद बनाने के बजाय AI की गलतियों को सुधारने में अधिक समय बिताते हैं।
समाधान: "मिज़ एन प्लेस" (Mise en Place - MEP)
लेखक एक पेशेवर रसोई से लिया गया समाधान प्रस्तावित करता है जिसे Mise en Place (फ्रेंच में "हर चीज़ अपनी जगह पर") कहा जाता है। एक शानदार रेस्टोरेंट में, शेफ के स्टोव जलाने से पहले ही, उनके पास हर सामग्री मापी हुई होती है, हर उपकरण अपनी जगह पर होता है, और हर रेसिपी उन्हें याद होती है। जब खाना बनाना शुरू होता है, तो यह सुचारू और तेज़ होता है।
पेपर सुझाव देता है कि हमें AI कोडिंग के लिए भी ऐसा ही करने की आवश्यकता है। AI को एक भी लाइन कोड लिखने देने से पहले, आपको "रसोई" तैयार करने में समय बिताना चाहिए। लेखक इस तैयारी को तीन विशिष्ट चरणों में विभाजित करता है:
1. कॉन्टेक्स्टुअल ग्राउंडिंग (Contextual Grounding - "रेसिपी और दर्शन" चरण)
- यह क्या है: आप केवल यह नहीं लिखते कि आप क्या बनाना चाहते हैं, बल्कि यह भी कि आप क्यों और यह कैसा महसूस होना चाहिए। आप अपनी "अंतरात्मा की समझ" और विशेषज्ञ ज्ञान को लिखित दस्तावेज़ों में बदल देते हैं जिन्हें AI पढ़ सके।
- उदाहरण: कल्पना कीजिए कि आप एक सहायक शेफ (sous-chef) को काम पर रख रहे हैं। सिर्फ यह कहने के बजाय कि "सूप बनाओ," आप उन्हें एक बाइंडर सौंपते हैं जिसमें लिखा है: "हम छात्रों के लिए सूप बना रहे हैं। इसे सरल लेकिन गहरा होना चाहिए। मसालेदार सामग्री का उपयोग न करें क्योंकि हमारे दर्शक कम उम्र के हैं। यहाँ इस व्यंजन का इतिहास दिया गया है।"
- यह क्यों मदद करता है: AI के पास आपकी "अंतरात्मा की समझ" (gut feelings) नहीं होती। यदि आप उन्हें लिख कर नहीं बताते, तो AI अनुमान लगाएगा, और वह अक्सर गलत अनुमान लगाएगा।
2. कोलाबोरेटिव स्पेसिफिकेशन (Collaborative Specification - "मेन्यू डिज़ाइन" चरण)
- यह क्या है: आप अपने विचारों को एक विस्तृत डिज़ाइन में बदलने के लिए AI के साथ बातचीत करते हैं। आप उसे बताते हैं कि इसमें क्या शामिल करना है, और यह भी कि क्या नहीं शामिल करना है।
- उदाहरण: यह एक शेफ के साथ बैठकर मेन्यू डिज़ाइन करने जैसा है। आप कहते हैं, "हम 3-कोर्स का भोजन चाहते हैं, लेकिन समय बचाने के लिए स्टार्टर को छोड़ दें, और सुनिश्चित करें कि डेज़र्ट ग्लूटेन-मुक्त हो।" आप सीमाओं को निर्धारित कर रहे हैं ताकि शेफ 5-कोर्स का भोजन बनाने या ऐसा डेज़र्ट बनाने में समय बर्बाद न करे जिसे खाया न जा सके।
- यह क्यों मदद करता है: यह AI को ज़रूरत से ज़्यादा जटिल बनाने (over-engineering) या गलत फीचर्स बनाने से रोकता है।
3. टास्क डिकम्पोजिशन (Task Decomposition - "असेंबली लाइन" चरण)
- यह क्या है: आप बड़े प्रोजेक्ट को छोटे, स्वतंत्र कार्यों में तोड़ देते हैं जिन्हें AI एक-एक करके (या एक साथ) कर सकता है।
- उदाहरण: पूरी टीम को "पूरा डिनर बनाओ" कहने के बजाय, आप उन्हें विशिष्ट काम देते हैं: "तुम गाजर काटो," "तुम पानी उबालो," "तुम मछली को प्लेट में सजाओ।" क्योंकि काम स्पष्ट और अलग-अलग हैं, इसलिए आप चार रसोइयों को एक-दूसरे से टकराए बिना एक साथ काम करने के लिए रख सकते हैं।
- यह क्यों मदद करता है: यह कई AI एजेंट्स को एक-दूसरे को भ्रमित किए बिना या एक-दूसरे के काम में बाधा डाले बिना समानांतर (parallel) रूप से काम करने की अनुमति देता है।
वास्तविक दुनिया का परीक्षण: हैकाथॉन (The Hackathon)
लेखक ने इस पद्धति का परीक्षण एक प्रतिस्पर्धी कोडिंग इवेंट (एक "हैकाथॉन") में किया जहाँ टीमों के पास एक वर्किंग ऐप बनाने के लिए केवल 5 घंटे थे।
- सेटअप: जबकि अन्य टीमें तुरंत कोडिंग शुरू कर देती थीं ("वाइब" दृष्टिकोण), लेखक ने तैयारी ( "मिज़ एन प्लेस" दृष्टिकोण) के लिए 2 घंटे बिताए।
- परिणाम: लेखक की टीम ने एक ही समय में काम करने वाले चार AI एजेंट्स का उपयोग किया। चूंकि तैयारी बहुत स्पष्ट थी, इसलिए एजेंट्स ने वास्तविक कोडिंग के लगभग 20 मिनट में पूरा ऐप बना लिया।
- निष्कर्ष: कोड लगभग पूरी तरह से काम कर रहा था। बहुत कम बग्स थे, और बड़े आर्किटेक्चरल सुधारों को ठीक करने में लगभग कोई समय बर्बाद नहीं हुआ। लेखक की टीम ने एक पूर्ण शैक्षिक प्लेटफॉर्म पूरा किया जबकि अन्य लोग बुनियादी त्रुटियों से जूझ रहे थे।
नया कौशल: "कॉन्टेक्स्ट फ्लुएन्सी" (Context Fluency)
पेपर निष्कर्ष निकालता है कि AI के युग में एक अच्छा डेवलपर होने का मतलब केवल कोड लिखना या अच्छा प्रॉम्प्ट टाइप करना नहीं है। यह एक नए कौशल के बारे में है जिसे "कॉन्टेक्सट फ्लुएन्सी" कहा जाता है।
- उदाहरण: एक AI एजेंट को एक बहुत ही प्रतिभाशाली लेकिन बहुत ही शाब्दिक (literal) इंटर्न के रूप में सोचें। यदि आप इंटर्न को एक अस्पष्ट कार्य देते हैं, तो वे एक अस्पष्ट काम करेंगे। यदि आप उन्हें स्पष्ट, विस्तृत और संरचित निर्देशों का एक सेट देते हैं, तो वे एक सुपर-कर्मचारी होंगे।
- कौशल: "कॉन्टेक्स्ट फ्लुएन्सी" आपके बिखरे हुए मानवीय विचारों को एक साफ, संरचित वातावरण में बदलने की क्षमता है जिसे AI तुरंत समझ सके और उस पर कार्य कर सके। यह मंच तैयार करने की कला है ताकि AI एक हिट शो प्रदर्शन कर सके और आपको लाइट ठीक करने के लिए इधर-उधर न भागना पड़े।
सारांश
पेपर का तर्क है कि गति तैयारी से आती है, जल्दबाजी से नहीं। अपने विचारों को व्यवस्थित करने, अपने नियम परिभाषित करने और अपने कार्यों को तोड़ने (मिज़ एन प्लेस) के लिए पहले समय खर्च करके, आप AI एजेंट्स को तेज़ी से और स्मार्ट तरीके से काम करने की अनुमति देते हैं, जिससे आप बाद में उनकी गलतियों को ठीक करने के सिरदर्द से बच जाते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।