සංවර්ධකයන්ට ලිපි ලියන පද්ධතියක් ගොඩනැගීම සරල වැඩක් නොවේ. නවතම RAG (Retrieval‑Augmented Generation) ගේට් එකක් හරහා, ලිපි ලියන පෙළේ පළල සහ නිවැරදි බව තහවුරු කර ගැනීමේ ක්රියාමාර්ගයක් දැන් ඉදිරිපත් කර ඇත.
ආරම්භයේදී පද්ධතියේ ප්රධාන ගැටළුව අඩු පළලේ පර්යේෂණ තොරතුරු එකතු කිරීමයි. සෙවුම් යන්ත්රය කෙටි කොටස් කිහිපයක් පමණක් ගෙන ඒමෙන්, ඒවා කේත ගබඩාවේ සම්පූර්ණ රූපය ලෙස පෙනී, අධික විශ්වාසයක් ඇති කරයි. එම නිසා ලිපියේ අන්තර්ගතය කේතය සමඟ සසඳන විට අසම්මත බව පෙනේ.
මෙම ගැටළුව විසඳීමට, තේමා තේරීම ලිපි ලිවීමේ ගැටළුවක් නොව, “පළල සොයා ගැනීම” ගැටළුවක් ලෙස පරිවර්තනය කරන ලදී. එමෙන්ම, පළල පරීක්ෂා කිරීම ලිපි ලියන පියවරට පෙර සිදු කර, පසුබැසීමේ ගුණාත්මකතාවය පරීක්ෂා කරයි.
පද්ධතියේ ප්රධාන පියවර වන්නේ dispatcher මගින් විවිධ පථ තුළ සෙවුම් විකල්ප හුවමාරු කිරීමයි. මෙහිදී තේමා තෝරා ගැනීමේදී, එකම සෙවුම් ප්රශ්නයක් භාවිතා කරනවාට වඩා, තේමා තේරීමේ පළල සහ විවිධත්වය තහවුරු කරන ත්රිවිධ පථයක් (curated highlights, fixed RAG query pool, recent commit queries) භාවිතා කරයි.
එම පථයන් පසුපසින්, RAG සෙවුම්, ගොනු‑පථ අනුව deduplication, පළල පරීක්ෂා කිරීම, සහ අවශ්ය නම් උපුටා ගැනීම් pin කිරීම යන ක්රියාමාර්ග අනුගමනය වේ. පළල පරීක්ෂාව අසාර්ථක නම්, තේමාව නවතම ලිපියක් සඳහා අනුමත නොවේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ සංවර්ධකයන්, විශ්වවිද්යාල සිසුන් සහ තාක්ෂණ ව්යාපාරිකයින්ට මෙම පද්ධතියේ ප්රයෝජන බහුලය:
- කේත ගබඩාවේ විවිධ කොටස්වලින් පළලෙන් තොරතුරු ලබා ගැනීම, නිවැරදි දැනුම ලබා දේ.
- අධික විශ්වාසයෙන් පසුබැසීමේ දෝෂයන් වැළැක්වීමෙන්, නිෂ්පාදන ගුණාත්මකතාව ඉහළ යයි.
- තත්කාලික commit‑වලට අනුගතව නවතම තොරතුරු අඩංගු ලිපි ලිවීම, තාක්ෂණික ප්රවණතා සමඟ සමාන වේ.
ඒ නිසා, ශ්රී ලංකාවේ තාක්ෂණික අධ්යාපනය, නිර්මාණශීලී කේත ලිවීම, සහ ව්යාපාරික AI‑චලිත අන්තර්ගත නිර්මාණය වඩාත් කාර්යක්ෂම හා විශ්වාසනීය වේ.
අවසන් වශයෙන්, RAG ගේට් එකේ පළල පරීක්ෂා කිරීම, බ්ලොග් ලිපි ලිවීමේ නිවැරදි පදනමක් සපයයි. මෙය ශ්රී ලංකා තාක්ෂණික ප්රජාවට නව පියවරක් වන අතර, කේත‑අන්තර්ගත නිර්මාණයෙහි පාරදර්ශීතාවය ඉහළ යාමට දායක වේ.
