AI උපකරණ භාවිතා කරමින් කේත ලියන සංවර්ධකයින්ට, ඒකම මොඩලයක් සහ එකම ප්රෝම්ප්ට් එක භාවිතා කළත්, ප්රතිඵල වෙනස් විය හැකිය. එම වෙනස මොඩලයෙන් නොව, ඒ AI‑ආධාරකයට වටා ගොඩනගන හාර්නස් – මාර්ගෝපදේශ, නීති, පරීක්ෂණ, CI ප්රතිචාර – වලින් සිදුවේ.
බොහෝ රෙපොසිටරීන් මේ හාර්නස් ක්රමයෙන් ගොඩනගන නමුත්, එය කොපමණ සකස් කර තිබේද යන්න මැනීම අඩුය. එම නිසා, කවදාවත් hooks.json එක මකාදැමීමක් හෝ CI ගේට් එක ඉවත් කිරීමක් සිදු වුවත්, කිසිවෙකුට ඒ ගැන දැනගැනීමට අවස්ථාව නොලැබේ. Harness Score නම් නව උපකරණයක් මේ ගැටලුවට විසඳුමක් ලබා දෙයි.
Harness Score, Cursor, Claude Code, Windsurf, Cline, Continue, Codex, Copilot වැනි AI කේත ලේඛන මෙවලම් වලින් ගොනුවේ සලකුණු සොයා, ඒ අනුව L0 (Unharnessed) සිට L4 (Self‑correcting) දක්වා මට්ටමක්, 108 පේය් අඩි පරාසයක්, සහ ඉදිරියේ යාමට අවශ්ය වැඩ පිළිවෙළක් ලබා දෙයි.
මෙම මට්ටම GitHub Actions පයිප්ලයිනයේ එක් කිරීමෙන්, PR එකක් හෝ කමිට් එකක් මට්ටම අඩු වූ විට ස්වයංක්රියව පරීක්ෂා කර, වැරදි පණිවුඩයක් හෝ බැජ් එකක් පෙන්වයි. ඒ නිසා, සංවර්ධකයින්ට “ඇත්තේ කොහේද?” කියා සරලව හඳුනාගත හැකිය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සමාජය AI‑ආධාරිත කේත ලිවීමේ නව තරඟයට මුහුණ දෙමින් ඇත. Harness Score එකේ ප්රයෝජන මෙහෙමයි:
- විශ්වාසදායක CI – පද්ධතියේ ගුණාත්මකභාවය තහවුරු කර, වැරදි කේතය ප්රොඩක්ෂන්ට යාමට පෙර නවතා ගනී.
- ඉගෙනුම් වගකීම් – සිසුන්ට AI මොඩලය භාවිතා කරන විට, හාර්නස් මට්ටම මැනීමෙන් “කොහෙද අඩුවෙන්නේ?” කියා ඉගෙන ගත හැකිය.
- ව්යාපාරික ආරක්ෂාව – සපයන්නන්ගේ සැපයුමක් (supply‑chain) පාලනය කර, අහඹු හුක්ස් හෝ පරීක්ෂණ අඩුවීමක් නිසා සිදුවන ආර්ථික හා ආරක්ෂක අලාභය අවම කරයි.
උදාහරණයක් ලෙස, GitHub Actions workflow එකට පහත කේතය එක් කිරීමෙන්, PR එකක මට්ටම L3 ට අඩු වූ විට පරීක්ෂණය අසමත් වේ. මෙය පියවරෙන් පියවර ඉදිරියට ගොඩනගා, සතියකට මට්ටම එක්-එක කර වැඩි දියුණු කිරීමේ සැලැස්මක් සකස් කළ හැකිය.
අවසන් වශයෙන්, AI‑ආධාරිත කේත ලේඛන ව්යාපෘතිවල පරිපූර්ණත්වය මැනීමට Harness Score එක අත්යවශ්ය මෙවලමක් බවට පත්ව ඇත. CI පද්ධතියේ රැකවරණයක් ලෙස එය ඇතුළත් කිරීම, දෝෂ අවදානම අඩු කර, සංවර්ධකයින්ගේ විශ්වාසය වැඩි කරයි.
