Egy hang, tíz lane: egy nap diktálással

A Két gyerek, három startup, egy hang elmesélte az eredettörténetet: párhuzamos, nagy tétű startup-lane-ek, egy hat hónaposnál fiatalabb második gyerek, és egy billentyűzet, amely csendben mindennek az egyetlen töréspontjává vált. Az az írás elmagyarázta, miért létezik a Keebye. Az emberek pedig egy gyakorlatiasabb kérdést tettek fel újra és újra: hogy néz ki valójában egy nap?

Szóval itt van az a nap. Nem egy tipikus nap, mert olyan nincs, de egy valódi, ismétlődő forma. Szándékosan kerülöm a számokat. Soha nem mértem százalékos javulást, és nem is bíznék benne, ha megtettem volna. Amit le tudok írni: hol használom a hangcsatornát, hol nem, és mi változott meg a munka szövetében.

Egy megjegyzés a „tíz lane”-ről. Nem dicsekvés. Lane minden olyasmi, amit egyetlen mondatom visz előre: egy feladat közepén lévő kódolóügynök, egy review, amelyre valaki vár, egy Slack-szál, egy e-mail egy befektető ügyvédjének, egy dokumentumvázlat. Egy pörgős napon tényleg nagyjából ennyi van nyitva. A legtöbb bármely adott pillanatban tétlen. A gond az, hogy amelyik felébred, az a saját ütemterve szerint teszi, nem az enyém szerint.

Kora reggel: egy kar, három agent

A nap azelőtt kezdődik, hogy a ház felébredne, ami azt jelenti, hogy egy babával az egyik karomon kezdődik. Ez az az óra, amelyben a hang a kényelmiből szükségszerűvé vált.

Három agent-lane már fut az előző estéről, mindegyik saját terminálban, mindegyik más repóban. Az első dolgom elolvasni, mit csináltak. Az olvasáshoz szem kell, nem kéz, tehát a baba nem probléma. A második dolog azokat irányba állítani, amelyek félrementek — és a billentyűzet itt szokott veszíteni.

Most: belekattintok a terminálba, nyomva tartom a jobb Commandot, kimondom az irányváltást, elengedem. „A migráció rendben van, de a modellben átnevezted a táblát, a seed-scriptben nem. Javítsd a seedet, és futtasd újra a teszteket.” A szöveg megérkezik a promptba. Enter. Következő lane.

Van egy apró szokásom, amelyet időbe telt megtanulni: teljes mondatokban beszélek. Az agentek jobban boldogulnak velük, a diktálás pedig természetesen ilyeneket állít elő, mert az emberek így beszélnek. A távirati stílus, amelyet gépelni szoktam („seed fix, tesztek újra”), billentyűzet-artefaktum volt, nem preferencia.

Ez az óra teszi láthatóvá az első diktálás egyetlen említésre méltó furcsaságát is. A mikrofon a munkamenet első diktálása után melegszik be, és onnantól 500 ms-os elő-puffert tart. A reggel legelső nyomva tartása fizethet a stream indításának költségével, és levághat egy szót, ha túl korán kezdek beszélni. Megtanultam tartani egy ütemnyi szünetet. A Miért eszik meg a diktálóappok az első szavadat elmagyarázza a mechanikát; a rövid válasz az, hogy kategóriaszintű probléma részleges javítással, nem megoldott ügy.

Késő délelőtt: a review-lane

Két startupnál, amellyel dolgozom, a legtöbb reggel kódreview-k várnak rám. A review a lehető legjobb diktálási használati eset: olvasás alkalmankénti rövid prózakimenettel, és az a próza egy emberhez szól.

A diffet egy böngészőfülön olvasom. Amikor valamihez megjegyzés kell, belekattintok a mezőbe, nyomva tartom, beszélek, elengedem. Az egyéni szótár hordozza a projekt azonosítóit, így a reconnectBackoff reconnectBackoff-ként jön ki, nem három angol szóként. A tisztítás alapból szabályalapú: a töltelékszavak és az ismételt szavak eltűnnek, az én megfogalmazásom marad. A review-megjegyzéseknél kikapcsolva tartom az opcionális lokális LLM-es csiszolást, mert a mögötte álló hűségőr heurisztika a súlyos tokenvesztés, felduzzadás vagy ismétlés ellen, nem garancia arra, hogy egy tagadás túlélte — egy review-ban pedig egy megfordult „nem” megváltoztatja az ítéletet.

Az egyik csapat románul review-zik. A Keebye 25 nyelvű motorja ezt az eszközön kezeli; a tálcán rögzítem a nyelvet, és a következő megnyilatkozás románként dekódolódik, az angol azonosítókkal együtt. A Diktáld a kódreview-idat a saját nyelveden tartalmazza a részleteket, köztük az őszinte listát arról, mely nyelvek vannak lefedve és melyek nincsenek.

Dél körül: az emberi lane-ek

Nem minden lane egy agent. Nagyjából ilyenkor kérnek választ az éjszaka megöregedett Slack-szálak és e-mailek, és korábban itt vesztett el csendben órákat a nap. Nem azért, mert a válaszok nehezek voltak, hanem mert minden válasz egy lane elhagyását jelentette, a lane elhagyásának pedig visszalépési költsége van.

A hang megváltoztatta a válasz közgazdaságtanát. Egy kétmondatos Slack-válasz egyetlen gyorsbillentyű-nyomás, belemondva az üzenetmezőbe, miközben a szemem félig még a mellette lévő terminálon van. A befektetőkhöz köthető e-mailek hosszabbak, és továbbra is gonddal írom őket, de az első vázlat immár kimondott, aztán szerkesztett. A kimondott vázlat gyorsan lerakja a formát; a pontosság a begépelt szerkesztésben van.

Ez az az óra is, amikor az adatvédelmi követelmény a legfontosabb. Amit itt diktálok, az mások cégeinek belseje: kiadatlan termékek, biztonsági megbeszélések, pénz. A Keebye az eszközön ír át, a modell letöltése után kikapcsolt Wi-Fivel is működik, helyben tartott, csak szöveges előzményt vezet, amely 30 nap után magától törlődik, és nem küld telemetriát. A Hová megy a hangod a hosszabb változata annak, miért nem volt ez alku tárgya nálam.

Délután: mélymunka és a felébredő lane-ek

A délutánok azé a lane-é, amely valódi gondolkodást kíván: egy tervezés, egy nehéz bug, egy dokumentum, amelynek jónak kell lennie. Ez gépelve zajlik. A hang vezérlőcsatorna, nem gondolkodási csatorna, és egy nehéz problémától nem lesz könnyebb, ha kimondják.

De a többi lane nem tudja, hogy mélymunka-idő van. Egy agent befejezi, és kérdez. Egy reviewer ellenérvvel válaszol a megjegyzésemre. Korábban mindegyik döntés volt: megtöröm a fókuszt és ablakot váltok, vagy hagyom öregedni. Ma a legtöbb egy pillantás és egy mondat. Rápillantok az agent kérdésére, belekattintok, azt mondom: „igen, de tartsd életben a régi végpontot, amíg a kliens ki nem jön”, és visszakattintok. A mélymunka ablaka nagyrészt sértetlen marad, mert a megszakítás pár másodpercnyi beszéd, nem teljes kontextusváltás valaki más problémájába.

Pontos akarok lenni az itteni állítással. A hang nem teszi ingyenessé a megszakításokat. Csak elég kicsire zsugorítja a válasz mechanikus költségét ahhoz, hogy a maradék költség maga a gondolat legyen — ami mindig is a valódi költség volt.

Este: a terminálnehéz lane

Az egyik startup az operatív munkája nagy részét SSH-n, tmuxban futtatja, olyan szervereken, ahol a vágólapos beillesztés fogalomként sem létezik. A diktálóeszközök általában itt vallanak kudarcot, mert a legtöbbjük beillesztéssel szúrja be a szöveget.

A Keebye is beillesztéssel dolgozik alapból, terminál-tudatos darabolással a shellekhez. SSH-hoz és tmuxhoz átkapcsolok az opcionális gépelési módra, amely vágólap helyett Unicode-billentyűleütésekként injektálja a szöveget. Nem QWERTY-kiosztásokkal is működik, ami az egyik gépen lévő román billentyűzet miatt számít. A terminált is túlélő diktálás végigveszi a beállítást, a terminál-útmutató pedig a kompromisszumokat.

A Keebye ezenkívül megtagadja a beszúrást a biztonságos beviteli mezőkbe, így amikor egy szerver jelmondatot kér, a gyorsbillentyű nem csinál semmit. Időnként bosszantó, és teljesen helyes.

Ami nem változott

Egy ilyen nap úgy is olvasható, mintha a hang megoldotta volna a túl sok lane problémáját. Nem oldotta meg. Egyetlen konkrét szűk keresztmetszetet oldott meg: egy mondat kézbesítésének fizikai költségét abba a lane-be, amelyiknek szüksége volt rá. Minden más ugyanaz.

A gondolkodás továbbra is a nehéz munka szűk keresztmetszete. Az olvasás továbbra is annyi ideig tart, ameddig tart. Az agentek továbbra is félremennek, és továbbra is irányításra szorulnak, egy motyogott irányváltás pedig motyogott eredményt hoz, akár kimondva, akár begépelve. A hang a kezek kiegészítése, nem a helyettesítése; sokat gépelek, csak már nem az az egyetlen szűk átjáró, amely mögött minden lane sorban áll.

És az appnak megvannak a korai szoftverek érdes szélei. Az azonosítókat félrehallja. A nap első szava néha levágódik. Nincs hangparancs-szókincs, tehát az ablakok közti navigáció továbbra is kattintás. Csak macOS-en fut.

A dolog formája

A 10x fejlesztő régi képe egy gyorsabban gépelő ember volt. A kép, amely valójában megérkezett, egy karmesteré: több lane, néhány automatizált, néhány emberi, mindegyik egy mondatra vár. Ebben a világban nem a gépelési sebesség a tőkeáttétel, hanem az, milyen olcsón tudod eljuttatni a szándékot ahhoz a lane-hez, amelyiknek kell — bármilyen fizikai helyzetben vagy is, akár tele karral.

Ha a te napod is ilyen formájú, a fejlesztői útmutató a gyakorlati kiindulópont, és ha diktálóappokat mérlegelsz hozzá, a Keebye-alternatívák őszinte összehasonlítás arról, melyik hova illik jobban. A próbaidőszak 14 napos, és az első asztali bejelentkezéseddel indul, tehát pontosan egy valódi, lane-ekkel teli hétre való.