Един глас, десет линии: един ден с диктуване

Две деца, три стартъпа, един глас разказа историята на началото: паралелни стартъп линии с висок залог, второ дете под шест месеца и клавиатура, която тихомълком беше станала единствената точка на отказ за всичко. Онази статия обясни защо съществува Keebye. Хората продължиха да задават по-практичен въпрос: как всъщност изглежда един ден?

Значи, това е този ден. Не типичен ден, защото такова нещо няма, но реална форма, която се повтаря. Нарочно ще избягвам числа. Никога не съм измервал процент подобрение и не бих се доверил на такъв, дори да го имах. Това, което мога да опиша, е къде се използва гласовият канал, къде — не, и какво се промени в текстурата на работата.

Уточнение за „десет линии“. Не е самохвалство. Линия е всичко, което напредва с едно изречение от мен: агент за код по средата на задача, ревю на код, което някой чака, нишка в Slack, имейл до адвоката на инвеститор, чернова на документ. В натоварен ден наистина има около толкова отворени. Повечето във всеки конкретен момент са в покой. Проблемът е, че тези, които се събудят, го правят по свой график, не по моя.

Рано сутрин: една ръка, три агента

Денят започва преди къщата да се е събудила, което значи, че започва с бебе на едната ръка. Това е часът, в който гласът премина от удобство към необходимост.

Три агентски линии вече вървят от предната вечер, всяка в свой терминал, всяка в различно хранилище. Първото, което правя, е да прочета какво са свършили. За четенето трябват очи, не ръце, така че бебето е добре. Второто е да пренасоча онези, които са тръгнали накриво, и точно там клавиатурата губеше.

Сега: кликвам в терминала, задържам десния Command, изричам пренасочването, пускам. „Миграцията е наред, но си преименувал таблицата в модела, а не в скрипта за първоначални данни. Оправи скрипта и пусни тестовете отново.“ Текстът се появява в промпта. Enter. Следваща линия.

Имам малък навик, който ми отне време да науча: говорете в цели изречения. Агентите се справят по-добре с тях, а диктуването ги произвежда естествено, защото така говорят хората. Телеграфният стил, който пишех преди („оправи данните, пусни тестовете“), беше артефакт на клавиатурата, не предпочитание.

Този час излага наяве и единствената странност при първото диктуване, която си струва да знаете. Микрофонът загрява след първото диктуване за сесията и оттам нататък пази 500 ms предварителен буфер. Самото първо задържане за деня може да плати цената за стартиране на потока и да отреже дума, ако започна да говоря твърде рано. Научих се да изчаквам един такт. Защо приложенията за диктуване изяждат първата ви дума обяснява механиката; накратко, това е проблем на цялата категория с частично, а не окончателно решение.

Средата на сутринта: линията на ревютата

Два от стартъпите, с които работя, имат ревюта на код, чакащи мен, почти всяка сутрин. Ревюто е най-добрият възможен случай за диктуване: то е четене с рядък кратък изход в проза, а прозата е адресирана до човек.

Чета дифа в раздел на браузъра. Когато нещо изисква коментар, кликвам в полето, задържам, говоря, пускам. Собственият речник носи идентификаторите на проекта, така че reconnectBackoff излиза като reconnectBackoff, а не като три английски думи. Почистването по подразбиране е базирано на правила: паразитните думи и повторенията си отиват, моята формулировка остава. За коментари в ревю държа изключено изглаждането с локален LLM, защото предпазителят зад него е евристика срещу тежка загуба, разрастване или повторение на токени, а не гаранция, че отрицанието е оцеляло — а в ревю обърнато „не“ променя присъдата.

Един от тези екипи ревюира на румънски. Двигателят на Keebye с 25 езика се справя с това на устройството; фиксирам езика от лентата с менюта и следващото изказване се декодира като румънски, заедно с английските идентификатори. Диктувайте ревюта на код на своя език съдържа детайлите, включително честния списък кои езици са покрити и кои — не.

Късна сутрин: човешките линии

Не всяка линия е агент. Приблизително по това време нишките в Slack и имейлите, отлежали през нощта, искат отговори, и точно тук денят тихомълком губеше часове. Не защото отговорите бяха трудни, а защото всеки отговор значеше да напусна линия, а напускането на линия има цена за връщане.

Гласът промени икономиката на отговора. Отговор от две изречения в Slack е едно задържане на клавиша, изговорено в полето за съобщение, докато очите ми са още наполовина в терминала до него. Имейлите около инвеститори са по-дълги и още ги пиша внимателно, но първата чернова вече се изговаря, а после се редактира. Изговарянето на чернова хваща формата бързо; редактирането ѝ на клавиатура е мястото, където идва прецизността.

Това е и часът, в който изискването за поверителност тежи най-много. Онова, което диктувам тук, е вътрешността на чужди компании: непуснати продукти, разговори за сигурност, пари. Keebye транскрибира на устройството, работи с изключен Wi-Fi след свалянето на модела, пази локална история само от текст, която се изтрива сама след 30 дни, и не изпраща телеметрия. Къде отива гласът ви е по-дългата версия на това защо за мен това не подлежеше на договаряне.

Следобед: дълбока работа и линиите, които се събуждат

Следобедите са за линията, която изисква истинско мислене: дизайн, труден бъг, документ, който трябва да е точен. Това се пише на клавиатура. Гласът е канал за управление, не канал за мислене, а трудният проблем не става по-лесен от това да бъде изговорен.

Но другите линии не знаят, че е време за дълбока работа. Агент приключва и задава въпрос. Ревюиращ отговаря на коментара ми с контрааргумент. Преди всяко от тези неща беше решение: да прекъсна фокуса и да сменя прозореца, или да ги оставя да отлежат. Сега повечето са един поглед и едно изречение. Поглеждам въпроса на агента, кликвам вътре, казвам „да, но запази стария endpoint жив, докато клиентът излезе“, кликвам обратно. Прозорецът за дълбока работа остава предимно непокътнат, защото прекъсването е няколко секунди говорене, а не пълно превключване на контекста към чужд проблем.

Искам да съм точен за твърдението тук. Гласът не прави прекъсванията безплатни. Той прави механичната цена на отговора достатъчно малка, че оставащата цена да е само мисълта — а тя и без това винаги е била истинската цена.

Вечер: линията, натоварена с терминали

Един от стартъпите върши голяма част от оперативната си работа през SSH, в tmux, на сървъри, където поставянето от клипборда не съществува като понятие. Точно тук инструментите за диктуване обикновено се провалят, защото повечето вкарват текст чрез поставяне.

Keebye също поставя по подразбиране, с разделяне на части, съобразено с терминала за обвивки. За SSH и tmux превключвам режима на писане, който е по избор и вкарва текста като Unicode натискания на клавиши, вместо да разчита на клипборд. Работи и с подредби, различни от QWERTY, което има значение за румънската клавиатура на една от машините. Диктуване, което оцелява в терминала покрива настройката, а ръководството за терминал покрива компромисите.

Keebye също така отказва да вкарва текст в защитени полета за въвеждане, така че когато сървър поиска парола, клавишната комбинация не прави нищо. Понякога е дразнещо и е напълно правилно.

Какво не се промени

Ден като този може да се прочете така, сякаш гласът е решил проблема с твърде многото линии. Не го е решил. Той реши едно конкретно тясно място: физическата цена на доставянето на едно изречение до линията, която го иска. Всичко останало си е същото.

Мисленето още е тясното място при трудната работа. Четенето още отнема колкото отнема. Агентите още тръгват накриво и още искат пренасочване, а промърморено пренасочване дава промърморен резултат, независимо дали е изговорено, или написано. Гласът е допълнение към ръцете, не заместител; пиша предостатъчно, просто вече не като единственото гърло, зад което чака всяка линия.

А приложението има грапавините на ранния софтуер. Идентификатори се чуват погрешно. Първата дума за деня понякога се отрязва. Няма речник от гласови команди, така че придвижването между прозорците още е кликане. Работи само на macOS.

Формата на нещото

Старата представа за 10x разработчик беше един човек, който пише по-бързо. Представата, която всъщност пристигна, е един човек, който дирижира: няколко линии, някои автоматизирани, други човешки, всяка чакаща по едно изречение. В този свят лостът не е скоростта на писане. Той е колко евтино можеш да доставиш намерението си до линията, която го чака, в каквото и физическо положение да се намираш — включително с една заета ръка.

Ако денят ви има тази форма, ръководството за разработчици е практичната отправна точка, а ако преценявате приложения за диктуване за него, алтернативи на Keebye е честно сравнение, което казва къде всяко от тях пасва по-добре. Пробният период е 14 дни и започва с първото ви влизане в десктоп приложението, така че една истинска седмица с линии е точно това, за което служи.