AI මඟින් කේත ලියනයේ විප්ලවය ගත්තා. OpenAI Codex, Google Antigravity, Claude Code වැනි උපාංගයන් පෙනෙනවානම්, ඒවා පසුබැසි තොරතුරු (context) කළමනාකරණය කෙරෙන්නේ කෙසේද යන්න දැන් ප්රධාන ප්රශ්නයක්.
මෙම පද්ධති වල “හාර්නස්” කියන්නේ AI මොඩලයක් හා සංවර්ධකයාගේ ව්යාපෘතිය අතර පාරිභෝගික පාලකයක්. හාර්නස් මගින් මොඩලයට කුමන කේත පසුබැසි දත්ත දක්වන්නේද, එය කුමන ක්රියා කරන්නේද, කොහේද එය සම්බන්ධ වෙන්නේද යන සියලුම තීරණය කරයි. Claude Code වැනි හාර්නස් “lean” (අඩු) ලෙස නිර්මාණය කරයි – අඩු මතභේදාත්මක මෙවලම්, සංවර්ධකයාට අවශ්ය නම් පමණක් එකතු කර ගැනීමට ඉඩ දේ.
Augment Code විසින් වෙනස් මාර්ගයක් ගෙන එයි. ඔවුන් පළමුවෙන් කේත රිපොසිටරියක් embedding සහ retrieval මොඩලයන්ගෙන් පෙර-සූදානම් කර, vector database එකක සුරකිති. එවිට අවශ්ය කොඩ් කොටසක් සෙවීමට sub‑millisecond වේගයක් ලැබේ. මේ “semantic retrieval” පද්ධතිය මගින් AI මොඩලයට අඩු token ගණනක් පමණක් භාවිතා කර, ඉතා නිශ්චිත කේත කොටසක් ලබා ගත හැක.
මෙම ක්රමය විශේෂයෙන් පුද්ගලික, විශාල කේත පදනම් සඳහා ප්රයෝජනවත්. පොදු open‑source රිපොසිටරියන්ට AI මොඩලය පූර්ව‑මතකයක් ඇති නමුත්, ආයතනික රහස්ය රිපොසිටරියන්ට එම මතකයක් නොමැත. එබැවින් semantic engine එකක් පූර්ව‑ඉන්ඩෙක්ස් කර තිබේ නම්, AI මොඩලය ඉක්මණින් අවශ්ය කොටස හඳුනාගනිමින් වැඩේ ඉක්මනින් නිම කරයි.
Token කාර්යක්ෂමතාව ගැනත් සාකච්ඡා වේ. Augment Code විසින් Terminal‑Bench පරීක්ෂණයක් කළේ, Claude Code හා එකම මොඩලයක් භාවිතා කළත්, Augment Code 33% ක token ඉතිරි කිරීමක් ලබා දුන්නා. එය “exploration” සඳහා වැය වන token අඩු කර, මොඩලය වැඩි නිෂ්පාදනශීලී බවට පත් කරයි.
Claude Code කණ්ඩායම “semantic navigation” එකෙන් ප්රතිඵල වැඩි නැත කියා තිබුණද, Augment Code එකේ retrieval engine එකේ ගුණාත්මකභාවය, embedding‑space සැලසුම, වර්ගීකරණය වැනි කරුණු වෙනස් වීම නිසා ප්රතිඵල වෙනස් වෙයි. එබැවින් “evaluation” එකේ මූලික අංග වෙනස් වීමෙන් දෙකම වෙනස් ප්රතිඵල ලැබේ.
සංවර්ධකයින්ගේ විශ්වාසය හා තාක්ෂණික ණය ගැනත් සැලකිල්ලක් තිබේ. AI agents එකට වැඩක් අතපත් කරලා “අවශ්යයයි” කියලා දෙනවා නම්, ඒක විශ්වාස නොකරනවා. නමුත් Augment Code කියන්නේ, මනුෂ්යයන් සහ agents එකට එකට වැඩ කරන “human‑in‑the‑loop” ආකාරයයි. Spec ලිවීමේදී agents අඩු වේ, ඒක මනුෂ්යයෙක් පූරණය කරයි; Spec සකස් වූ පසු, agents ඉතා වේගයෙන් කේතය නිර්මාණය කරයි. තාක්ෂණික ණයද agents මගින් code duplication කරයි, ඒ නිසා “tech‑debt reduction sprint” එකක් පවත්වා ගත හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ සංවර්ධකයින්, startup ගෝලීය සමාගම්, විශ්වවිද්යාල සිසුන්ට Augment Code වැනි semantic retrieval හාර්නස් එක අති විශාල වාසියක්. පුද්ගලික රිපොසිටරියන් (ආයතනික ERP, මූල්ය පද්ධති) සඳහා AI මොඩලය කෙලින්ම “කේතය දැනගෙන” නැති නිසා, පූර්ව‑ඉන්ඩෙක්ස් කර තිබීමෙන් වැඩි වේගයක්, token වියදම අඩු කිරීම, සහිතව නිෂ්පාදනශීලී වැඩපිළිවෙළක් ලැබේ. එමෙන්ම, open‑source AI මොඩලයන් සමඟ වැඩ කිරීමේදී, වියදම තවත් අඩුවේ, ඒ නිසා ශ්රී ලංකාවේ IT සමාගම්වලට ලාභයක්.
අනාගතයේදී AI මොඩලයන්ගේ කාර්යක්ෂමතාව exponential වශයෙන් වැඩිවීමත්, open‑source මොඩලයන්ගේ ප්රවේශයත් සමඟ, ශ්රී ලංකාවේ තාක්ෂණික පසුබැසි තොරතුරු කළමනාකරණය වඩාත් සරල, කාර්යක්ෂම, සහ අඩු පිරිවැය ඇති පරිසරයක් වෙයි.
ඉදිරියට AI හාර්නස් තෝරාගැනීමේදී “intelligence + context” යන දෙකම සලකා බැලිය යුතුයි. නිවැරදි මොඩලය, නිවැරදි පසුබැසි engine එක සමඟ, ශ්රී ලංකාවේ සංවර්ධකයින්ට ගෝලීය තරඟකාරීත්වයක් ලබා දෙනු ඇත.
