ADR Library Growth: Personal Playbook Emerger

Jeg har været ved at akkumulere ADR-filer på tværs af mine projekter, og noget interessant sker: de bliver en personal knowledge base, som AI'en forstår næsten ligesom jeg gør.

Jeg rigtig synes om de ADR'er, jeg har skabt. De hjælper AI'en til at forstå præcis hvad jeg ønsker, men her er den smukke del — jeg er ikke det, der skriver dem. Jeg beder AI'en om at generere beslutningsrekorder baseret på kode, jeg allerede har vettet og raffineret. Det er gearing.

Jeg har kørt med et par ADR'er om hvordan man strukturerer React-komponenter — specifikt omkring RSC (React Server Components) og client-komponenter. Det første forsøg var ikke perfekt. AI'en genererede komponenter, men de matchede ikke helt min vision. Men i stedet for at omskrive fra scratch, finjusterede jeg ADR-beskrivelserne med en ny prompt og kørte det igen.

Et par uger af iteration, og nu genererer AI'en komponenter, der passer til mine præferencer næsten automatisk. Hvis jeg ville være grundig — og hvis jeg ikke var doven — kunne jeg bede AI'en om at revidere hver eksisterende komponent mod de nye standarder og refaktorer alt. Det ville gøre det inden for begrænsningerne af at holde alt funktionelt. Jeg ville bare sidde der og trykke "continue" som en robot.

Sammensætningseffekten er åbenbar. Men jeg er nysgerrig på noget: hvad hvis vi kunne tage det videre med finetuning eller model training? Hvis jeg havde tusindvis af beslutninger kodet som det her, kunne jeg faktisk træne en model på mine specifikke kodepræferencer?

Jeg ville betale for det. En custom model, der forstår mine arkitektur-beslutninger, min kodestil, min udviklings-filosofi. Det er sandsynligt ikke praktisk på denne skala, men idéen er overbevisende.

For nu virker ADR-biblioteket. Hvert projekt gør det næste hurtigere, fordi AI'en bærer videre hvad den lærte fra de tidligere.

Det er det rigtige mål: at kode viden så dybt, at den bliver anden natur til systemet, du arbejder med.