Jeden hlas, deset drah: den s diktováním

Dvě děti, tři startupy, jeden hlas vyprávěly příběh původu: paralelní startupové dráhy, kde jde o hodně, druhé dítě mladší šesti měsíců a klávesnice, ze které se potichu stal jediný bod selhání pro všechno. Ten článek vysvětlil, proč Keebye existuje. Lidi se pak pořád ptali na něco praktičtějšího: jak takový den doopravdy vypadá?

Takže tady je. Není to typický den, protože nic takového neexistuje, ale je to reálný tvar, který se opakuje. Záměrně se vyhnu číslům. Nikdy jsem procentuální zlepšení neměřil a nevěřil bych mu, ani kdybych ho měl. Co popsat umím, je kde se hlasový kanál používá, kde ne, a co se změnilo na struktuře té práce.

Poznámka k „deseti dráhám“. Není to chlubení. Dráha je cokoli, co se posune díky jedné mojí větě: agent uprostřed úkolu, code review, na které někdo čeká, vlákno na Slacku, e-mail právníkovi investora, rozpracovaný dokument. V rušný den jich opravdu bývá otevřených zhruba tolik. Většina je v každou chvíli nečinná. Problém je, že ty, které se probudí, to udělají podle svého rozvrhu, ne podle mého.

Časné ráno: jedna ruka, tři agenti

Den začíná dřív než dům, což znamená, že začíná s miminkem na jedné ruce. V téhle hodině se hlas posunul z pohodlí k nutnosti.

Tři agentní dráhy běží už od včerejšího večera, každá ve vlastním terminálu, každá v jiném repozitáři. První, co udělám, je přečíst si, co udělaly. Čtení potřebuje oči, ne ruce, takže miminko nevadí. Druhá věc je přesměrovat ty, které se svezly stranou — a přesně tady klávesnice prohrávala.

Teď: kliknu do terminálu, podržím pravou ⌘, řeknu přesměrování, pustím. „Migrace je v pořádku, ale přejmenoval jsi tabulku v modelu a ne v seed skriptu. Oprav seed a spusť testy znovu.“ Text přistane v promptu. Enter. Další dráha.

Mám jeden malý návyk, který mi chvíli trvalo se naučit: mluvit v celých větách. Agenti si s nimi vedou líp a diktování je produkuje přirozeně, protože tak lidi mluví. Telegrafický styl, kterým jsem psal („oprav seed, pusť znovu“), byl artefakt klávesnice, ne preference.

Tahle hodina taky odhalí jednu vlastnost prvního diktování, o které je dobré vědět. Mikrofon se rozehřeje po prvním diktování v session a od té chvíle si drží 500ms předstih. Úplně první podržení za ráno může zaplatit náklad na rozjezd streamu a uříznout slovo, pokud začnu mluvit moc brzo. Naučil jsem se chvilku počkat. Proč diktovací aplikace ukusují první slovo vysvětluje mechaniku; ve zkratce jde o problém celé kategorie s částečným řešením, ne o vyřešenou věc.

Dopoledne: dráha s review

Dva ze startupů, se kterými pracuji, na mě většinu rán čekají s code review. Review je nejlepší možný případ použití pro diktování: je to čtení s občasným krátkým prozaickým výstupem a ta próza je adresovaná člověku.

Diff čtu v záložce prohlížeče. Když něco potřebuje poznámku, kliknu do políčka, podržím, mluvím, pustím. Vlastní slovník nese identifikátory projektu, takže reconnectBackoff vyleze jako reconnectBackoff, a ne jako tři anglická slova. Čištění je ve výchozím stavu podle pravidel: vycpávky a zopakovaná slova jdou pryč, moje formulace zůstávají. Volitelné doleštění lokálním LLM mám u poznámek k review vypnuté, protože kontrola věrnosti za ním je heuristika proti vážné ztrátě tokenů, rozbujení nebo opakování, ne záruka, že přežil zápor — a v review otočené „ne“ mění verdikt.

Jeden z těch týmů dělá review rumunsky. Engine pro 25 jazyků v Keebye to zvládne přímo na zařízení; jazyk si připnu v liště a další promluva se dekóduje jako rumunština, včetně anglických identifikátorů. Diktujte code review ve svém vlastním jazyce má detaily, včetně upřímného seznamu toho, které jazyky pokryté jsou a které ne.

Pozdní dopoledne: lidské dráhy

Ne každá dráha je agent. Zhruba teď potřebují odpověď slackové vlákna a e-maily, které přes noc uzrály — a tady den dřív potichu ztrácel hodiny. Ne proto, že by odpovědi byly těžké, ale protože každá odpověď znamenala opustit nějakou dráhu, a návrat do dráhy něco stojí.

Hlas ekonomiku odpovědi změnil. Dvouvětá odpověď na Slacku je jedno podržení zkratky, vyslovené do políčka zprávy, zatímco oči mám napůl pořád na terminálu vedle. E-maily kolem investorů jsou delší a pořád je píšu s péčí, ale první verze je teď vyslovená a pak upravená. Vyslovení konceptu rychle dostane na papír tvar; přesnost přijde při psané úpravě.

Tohle je taky hodina, kde nejvíc záleží na požadavku na soukromí. To, co tady diktuju, je vnitřek cizích firem: nevydané produkty, diskuse o bezpečnosti, peníze. Keebye přepisuje na zařízení, po stažení modelu funguje i s vypnutou Wi-Fi, drží lokálně jen textovou historii, která se po 30 dnech sama smaže, a neposílá žádnou telemetrii. Kam mizí váš hlas je delší verze toho, proč to pro mě bylo nepodkročitelné.

Odpoledne: hluboká práce a dráhy, které se probouzejí

Odpoledne patří dráze, která potřebuje skutečné přemýšlení: návrh, těžký bug, dokument, který musí být správně. Tohle píšu. Hlas je řídicí kanál, ne myšlenkový, a těžký problém se vyslovením nezlehčí.

Ostatní dráhy ale nevědí, že je čas na hlubokou práci. Agent skončí a ptá se. Recenzent odpoví na moji poznámku protiargumentem. Dřív byla každá taková věc rozhodnutí: přerušit soustředění a přepnout okno, nebo to nechat uzrát. Teď je z většiny z nich jedno mrknutí a jedna věta. Mrknu na otázku agenta, kliknu dovnitř, řeknu „ano, ale nech starý endpoint naživu, dokud nevyjde klient“, kliknu zpátky. Okno hluboké práce zůstane většinou celé, protože přerušení je pár sekund řeči místo plného přepnutí kontextu do cizího problému.

Chci být v téhle věci přesný. Hlas nedělá přerušení zadarmo. Snižuje mechanický náklad odpovědi natolik, že zbylým nákladem je jen ta myšlenka — a ta byla skutečným nákladem odjakživa.

Večer: dráha plná terminálů

Jeden ze startupů dělá spoustu provozní práce přes SSH, v tmuxu, na serverech, kde vkládání ze schránky neexistuje ani jako pojem. Tady diktovací nástroje obvykle padají, protože většina z nich text vkládá ze schránky.

Keebye taky ve výchozím stavu vkládá, s dělením ohleduplným k shellům. Pro SSH a tmux zapnu volitelný režim psaní, který text vkládá jako stisky kláves v Unicode místo spoléhání na schránku. Funguje i s ne-QWERTY rozloženími, což je důležité kvůli rumunské klávesnici na jednom z těch strojů. Diktování, které přežije terminál popisuje nastavení a průvodce terminálem rozebírá kompromisy.

Keebye taky odmítá vkládat do polí pro zabezpečený vstup, takže když se server ptá na přístupovou frázi, zkratka nedělá nic. Občas otravné a naprosto správné.

Co se nezměnilo

Takový den se dá číst, jako by hlas vyřešil problém přílišného počtu drah. Nevyřešil. Vyřešil jedno konkrétní úzké hrdlo: fyzický náklad na doručení věty do dráhy, která ji potřebovala. Všechno ostatní zůstalo stejné.

Úzkým hrdlem těžké práce je pořád přemýšlení. Čtení pořád trvá, jak dlouho trvá. Agenti se pořád svezou stranou a pořád je potřeba je přesměrovat — a zamumlané přesměrování vyprodukuje zamumlaný výsledek, ať už je vyslovené, nebo napsané. Hlas je doplněk k rukám, ne náhrada; píšu pořád dost, jen už ne jako jediné hrdlo, za kterým čeká každá dráha.

A ta aplikace má hrany raného softwaru. Identifikátory se občas přeslechnou. První slovo dne se občas ukousne. Neexistuje slovník hlasových příkazů, takže přecházení mezi okny je pořád klik. Běží jen na macOS.

Jak to má tvar

Starý obrázek 10x vývojáře byl jeden člověk, který píše rychleji. Obrázek, který doopravdy dorazil, je jeden člověk, který diriguje: několik drah, některé automatizované a některé lidské, a každá čeká na jednu větu. V takovém světě není pákou rychlost psaní. Je jí to, jak levně dokážete doručit záměr do dráhy, která ho potřebuje, v jakékoli fyzické situaci zrovna jste — včetně té s plnou jednou rukou.

Pokud má váš den tenhle tvar, praktickým začátkem je průvodce pro vývojáře, a pokud pro to vybíráte mezi diktovacími aplikacemi, alternativy ke Keebye jsou upřímné srovnání, které říká, kde se která hodí líp. Zkušební verze trvá 14 dní a začíná při prvním přihlášení v desktopové aplikaci, takže skutečný týden plný drah je přesně to, k čemu je.