ഒരു ഓര്‍ക്കസ്ട്രേറ്റര്‍, മൂന്ന് CLI-കൾ: Codex-നും Gemini-ക്കും ചുമതലകള്‍ കൈമാറുന്നത് നിങ്ങളുടെ Claude ടോക്കണുകള്‍ യഥാര്‍ത്ഥത്തില്‍ ലാഭിക്കുമോ?

2026-ലെ പല ഡെവലപ്പർമാരെയും പോലെ, ഒരേ മെഷീനിൽ ഇൻസ്റ്റാൾ ചെയ്ത മൂന്ന് AI കോഡിംഗ് CLI-കൾ എനിക്കുമുണ്ട്, അവ ഓരോന്നും ഓരോ പ്രത്യേക കാരണത്താൽ സ്വന്തം സ്ഥാനം നേടിയെടുത്തവയാണ്:

• Claude Code — ഓര്‍ക്കസ്ട്രേറ്റര്‍-ഗ്രേഡ് ഏജന്റ്. മൾട്ടി-സ്റ്റെപ്പ് റീസണിംഗ്, ആർക്കിടെക്ചർ, ഡിബഗ്ഗിംഗ്, ഒരു വലിയ കോഡ്‌ബേസിൽ പ്രവർത്തിക്കൽ എന്നിവയിൽ ഏറ്റവും മികച്ചത്. കൂടാതെ ഞാൻ ടോക്കണുകളുടെ കാര്യത്തിൽ ഏറ്റവും കൂടുതൽ ശ്രദ്ധിക്കുന്നതും ഇതിലാണ്.
• OpenAI Codex CLI — കൃത്യമായ സ്പെസിഫിക്കേഷനുള്ള, സ്വയം പര്യാപ്തമായ ഒരു ടാസ്ക് നൽകിയാൽ മികച്ച രീതിയിൽ ചെയ്യുന്ന പ്രാപ്തിയുള്ള കോഡിംഗ് ഏജന്റ്.
• Google Gemini CLI — മൾട്ടിമോഡൽ വർക്ക്ഹോഴ്സ്. ഇമേജ് ജനറേഷൻ, ഓഡിയോ & TTS, ട്രാൻസ്ക്രിപ്ഷൻ, ഉയർന്ന ഗുണനിലവാരമുള്ള പരിഭാഷ, പ്രത്യേകിച്ച് പ്രാദേശിക ഭാഷകൾക്ക്.

ഏതെങ്കിലും ഒരു ഘട്ടത്തിൽ സ്വാഭാവികമായ ചോദ്യം വരുന്നു: മൂന്നിൽ ഏറ്റവും മിടുക്കനായ ഏജന്റാണ് ദിവസം മുഴുവൻ പ്രവർത്തിപ്പിക്കാൻ ഏറ്റവും ചെലവേറിയതും. അതിനാൽ ഇതിനെ എനിക്ക് മാനേജർആക്കാൻ കഴിയുമോ? Claude-ന് ഒരു ടാസ്ക് നൽകുക, അത് ജോലി വിഭജിച്ച് Codex-നും Gemini-ക്കും കൈമാറട്ടെ, ജോലി പൂർത്തിയാകുമ്പോൾ അവ ഒരു മാർക്ക്ഡൗൺ ഫയൽ ഉപയോഗിച്ച് തിരികെ റിപ്പോർട്ട് ചെയ്യട്ടെ — Claude ബുദ്ധിമുട്ടുള്ള ഭാഗങ്ങളിലും അന്തിമ റിവ്യൂവിലും മാത്രം ടോക്കണുകൾ ചെലവഴിച്ചാൽ പോരേ?

ആഴ്ചകളോളം നീണ്ട യഥാർത്ഥ ജോലികളിൽ ഞാൻ ഈ പാറ്റേൺ ഉപയോഗിച്ചു — ഒരു പൂർണ്ണ മാർക്കറ്റിംഗ് വെബ്‌സൈറ്റ് റീഡിസൈൻ, AI നിർമ്മിത ഹീറോ ഇമേജുകളുടെ നിര, എട്ട് ഭാഷകളിലേക്കുള്ള പരിഭാഷകൾ, യൂട്ടിലിറ്റി സ്ക്രിപ്റ്റുകൾ, ബൾക്ക് കണ്ടന്റ് വർക്കുകൾ. ഈ പോസ്റ്റ് അതിന്റെ സമ്പൂർണ്ണ പ്ലേബുക്കാണ്: ഈ പാറ്റേൺ എങ്ങനെ പ്രവർത്തിക്കുന്നു, ഞാൻ ഉപയോഗിക്കുന്ന കൃത്യമായ പ്രോംപ്റ്റ് രൂപങ്ങൾ, സുതാര്യത നിലനിർത്തുന്ന റിപ്പോർട്ട് കരാർ, എവിടെയൊക്കെയാണ് യഥാർത്ഥ ലാഭമുള്ളത്, കൂടാതെ ഈ ആശയം മൊത്തത്തിൽ ലാഭകരമാണോ എന്ന് തീരുമാനിക്കുന്ന രണ്ട് മറഞ്ഞിരിക്കുന്ന ചെലവുകൾ എന്നിവ ഇതിലുണ്ട്.

ചുരുക്കത്തിൽ പറഞ്ഞാൽ: അതെ, ഈ പാറ്റേൺ പ്രവർത്തിക്കും, ലാഭം യഥാർത്ഥമാണ് — എന്നാൽ കൈമാറ്റങ്ങൾ കൃത്യമായി രൂപകൽപ്പന ചെയ്താൽ മാത്രം. വിശദമായ മറുപടി താഴെ നൽകുന്നു.

ആദ്യം, നിങ്ങൾ യഥാർത്ഥത്തിൽ എന്തിനാണ് പണം നൽകുന്നതെന്ന് മനസ്സിലാക്കുക

ഏതെങ്കിലും ഒരു തന്ത്രം പ്രയോഗിക്കുന്നതിന് മുൻപ്, ഒരു ഏജന്റിക് CLI സെഷനിൽ ടോക്കണുകൾ എവിടെയൊക്കെയാണ് ചെലവാകുന്നതെന്ന് വ്യക്തമായ ധാരണ വേണം. പ്രധാനമായും നാല് വിഭാഗങ്ങളായി തിരിക്കാം:

1. Input tokens — മോഡൽ വായിക്കുന്നതെല്ലാം: നിങ്ങളുടെ പ്രോംപ്റ്റ്, ഫയൽ ഉള്ളടക്കങ്ങൾ, ടൂൾ ഔട്ട്‌പുട്ടുകൾ, മുമ്പത്തെ സംഭാഷണം. ഒരു നീണ്ട കോഡിംഗ് സെഷനിൽ ഇത് മറ്റെല്ലാറ്റിനെയും അതിലംഘിക്കുന്നു, കാരണം ഏജന്റ് ഓരോ ഘട്ടത്തിലും കോൺടെക്സ്റ്റ് വീണ്ടും വായിക്കുന്നു.
2. Output tokens — മോഡൽ എഴുതുന്നതെല്ലാം: കോഡ്, ടെക്സ്റ്റ്, ടൂൾ കോളുകൾ. സാധാരണയായി ഇൻപുട്ടിനേക്കാൾ ഉയർന്ന നിരക്കിലാണ് ഇതിന് ബിൽ ചെയ്യുന്നത്.
3. Re-reads — നിശ്ശബ്ദനായ കൊലയാളി. "എന്തെങ്കിലും പരിശോധിക്കാൻ" മാത്രം ഒരു ഏജന്റ് 1,000 വരികളുള്ള ഫയൽ തുറക്കുമ്പോഴെല്ലാം, ആ 1,000 വരികൾക്കും ഇൻപുട്ടായി നിങ്ങൾ വീണ്ടും പണം നൽകുന്നു.
4. Rework — ഇരട്ടിക്കുന്ന നഷ്ടം വരുത്തുന്ന ഘടകം. തെറ്റായി മനസ്സിലാക്കിയ ഒരു ടാസ്ക് ആദ്യ ശ്രമം, അത് കണ്ടെത്തുന്ന റിവ്യൂ, രണ്ടാമത്തെ ശ്രമം എന്നിവയ്ക്ക് ചെലവ് ഉണ്ടാക്കുന്നു.

ചുമതലകൾ കൈമാറുന്നത് (Delegation) 1, 2 വിഭാഗങ്ങളെ നേരിടുന്നു: സബ്-ഏജന്റിന്റെ പ്രവർത്തനം നടക്കുന്നത് അതിന്റെ സ്വന്തം ബില്ലിലാണ് (മറ്റൊരു സബ്‌സ്‌ക്രിപ്ഷൻ, കുറഞ്ഞ ചെലവുള്ള മോഡൽ അല്ലെങ്കിൽ സൗജന്യ ടയർ), കൂടാതെ ഓർക്കസ്ട്രേറ്റർ ഒരു സംഗ്രഹം മാത്രമാണ് വായിക്കുന്നത്. എന്നാൽ ശരിയായി ചെയ്യാത്ത ഡെലിഗേഷൻ കൂട്ടുന്നു 3, 4 വിഭാഗങ്ങൾ — ഇതാണ് ഈ ലേഖനത്തിലെ പ്രധാന വൈരുദ്ധ്യം.

ഓർക്കസ്ട്രേറ്റർ പാറ്റേൺ, കൃത്യമായ നിർവ്വചനം

ഏറ്റവും ലളിതമായ രൂപത്തിലുള്ള ആർക്കിടെക്ചർ ഇതാ:

            ┌─────────────────────────┐
            │   YOU (one instruction)  │
            └───────────┬─────────────┘
                        ▼
            ┌─────────────────────────┐
            │  CLAUDE (orchestrator)   │
            │  plans · splits · specs  │
            │  reviews · integrates    │
            └─────┬──────────────┬────┘
        spec + exact output path │
              ▼                  ▼
   ┌─────────────────┐  ┌─────────────────┐
   │  CODEX (coder)   │  │ GEMINI (media)   │
   │ scoped modules,  │  │ images, audio,   │
   │ tests, boiler-   │  │ translation      │
   │ plate, scripts   │  │                  │
   └────────┬────────┘  └────────┬────────┘
            │  artifacts → disk   │
            │  report.md (≤40 ln) │
            ▼                     ▼
            ┌─────────────────────────┐
            │  CLAUDE reads reports,   │
            │  verifies, fixes/retries │
            │  or integrates & ships   │
            └─────────────────────────┘

ഓർക്കസ്ട്രേറ്ററിന് നാല് കാര്യങ്ങൾ മാത്രമാണുള്ളത്, കേവലം നാല് കാര്യങ്ങൾ: പ്ലാൻ, സ്പെക്കുകൾ, റിവ്യൂ, കൂടാതെ ഇന്റഗ്രേഷൻ. വലുതും മെക്കാനിക്കലുമായ എല്ലാം താഴേക്ക് നൽകപ്പെടുന്നു, കൂടെ വിട്ടുവീഴ്ചയില്ലാത്ത രണ്ട് നിയമങ്ങളും:

നിയമം 1 — ആർട്ടിഫാക്റ്റുകൾ ഡിസ്കിലെ കൃത്യമായ പാതയിൽ സൂക്ഷിക്കണം. സബ്-ഏജന്റ് ഒരിക്കലും അതിന്റെ ഔട്ട്പുട്ട് സംഭാഷണത്തിലേക്ക് പേസ്റ്റ് ചെയ്യുന്നില്ല. അത് ഫയലുകൾ എഴുതുന്നു. ഓർക്കസ്ട്രേറ്ററിന്റെ കോൺടെക്സ്റ്റ് വൃത്തിയായിരിക്കുന്നു.

നിയമം 2 — മറുപടി വളരെ കുറച്ചായിരിക്കണം. ഒരു ഒറ്റ വാക്കും ചെറിയൊരു മാർക്ക്ഡൗൺ റിപ്പോർട്ടും മാത്രം. റിപ്പോർട്ട് മാത്രമാണ് ഓർക്കസ്ട്രേറ്റർ ഉറപ്പായും വായിക്കുന്ന ഏക കാര്യം.

ഈ ലേഖനത്തിൽ നിന്ന് നിങ്ങൾ മറ്റൊന്നും ഓർത്തില്ലെങ്കിലും ഇത് ഓർക്കുക: ഡെലിഗേഷൻ പ്രോംപ്റ്റും റിപ്പോർട്ടും മാത്രമാണ് ഒരു ഡെലിഗേറ്റഡ് ടാസ്കിൽ ഓർക്കസ്ട്രേറ്റർ ടോക്കണുകൾ ചെലവഴിക്കുന്ന രണ്ട് ഇടങ്ങൾ. മറ്റെല്ലാ കാര്യങ്ങളും മറ്റാരുടെയെങ്കിലും ബില്ലിലാണ്. നിങ്ങളുടെ ഒപ്റ്റിമൈസേഷൻ പൂർണ്ണമായും ഈ രണ്ട് രേഖകളെ അടിസ്ഥാനമാക്കിയാണ്.

വാക്ക്‌ത്രൂ #1: ഇമേജ് ജനറേഷൻ Gemini-ക്ക് കൈമാറുന്നു

ഞാൻ ചെയ്യുന്നതിൽ ഏറ്റവും മൂല്യമുള്ള ഡെലിഗേഷൻ ഇതാണ്, കാരണം ഓർക്കസ്ട്രേറ്ററിന് ഇത് ചെയ്യാൻ കഴിയില്ല — Claude Code-ന് പിന്നിൽ ഇമേജ് മോഡലില്ല. Claude എഴുതുകയും Gemini CLI-ലേക്ക് അയക്കുകയും ചെയ്യുന്ന പ്രോംപ്റ്റിന്റെ കൃത്യമായ രൂപം ഇതാ:

Generate a single photorealistic editorial corporate portrait.
Concept: <detailed art direction — subject, pose, wardrobe,
lighting, background, composition>.

CRITICAL: the entire subject must be fully inside the frame with
generous margin on all sides — do not crop arms or held objects.
Plain seamless light-grey studio background for easy cutout.
No text, no watermark, no logos, no props.

Save the image to /tmp/work/hero-cyber.png (overwrite if it exists).
Then reply only DONE.

ഈ പ്രോംപ്റ്റിലെ എൻജിനീയറിംഗ് ശ്രദ്ധിക്കുക:

• ഔട്ട്‌പുട്ട് പാത്ത് കൃത്യമാണ്. "എവിടെയെങ്കിലും സേവ് ചെയ്യുക" എന്നില്ല — ഓർക്കസ്ട്രേറ്ററിന് എവിടെ തിരയണമെന്ന് കൃത്യമായി അറിയാം, അതിനാൽ ആശയക്കുഴപ്പങ്ങളില്ല.
• "Reply only DONE." Gemini CLI അതിന്റെ ക്രിയേറ്റീവ് പ്രക്രിയ 400 ടോക്കണുകളിൽ വിശദീകരിച്ചേക്കാം. നമുക്കത് വേണ്ട. ഒറ്റ വാക്ക് മതി.
• നിബന്ധനകൾ മെക്കാനിക്കലായി നൽകിയിരിക്കുന്നു ("fully inside the frame," "no watermark") കാരണം നിങ്ങൾ എഴുതാത്ത ഓരോ നിബന്ധനയും വീണ്ടും ജോലി ചെയ്യേണ്ടി വരുന്ന അവസ്ഥയുണ്ടാക്കാം. പരാജയങ്ങളിൽ നിന്നാണ് ഞാൻ ഈ ഓരോ വരികളും പഠിച്ചത് — കൂടുതൽ വിവരങ്ങൾ താഴെ.

തുടർന്ന് ഓർക്കസ്ട്രേറ്റർ ഒരു ക്വാളിറ്റി ഗേറ്റ് ചിത്രം നോക്കുന്നതിന് മുൻപായി പ്രവർത്തിപ്പിക്കുന്നു — ചെലവുകുറഞ്ഞ, മെക്കാനിക്കൽ പരിശോധന:

# does the file exist and is it non-trivial?
test -s /tmp/work/hero-cyber.png || echo "FAILED: missing/empty"

# entropy gate: catches blank/placeholder images without
# spending any model tokens at all
python3 -c "
from PIL import Image; import sys
img = Image.open('/tmp/work/hero-cyber.png')
# a flat placeholder has near-zero entropy; a real photo is > 4
print(img.entropy())
"

ഗേറ്റ് പാസ്സായ ശേഷം മാത്രമേ ഓർക്കസ്ട്രേറ്റർ ചിത്രത്തിൽ നോക്കുകയുള്ളൂ — സ്ക്രിപ്റ്റിന് പരിശോധിക്കാൻ കഴിയാത്ത കോമ്പോസിഷൻ, ആർട്ടിഫാക്റ്റുകൾ, ബ്രാൻഡ് സുരക്ഷ എന്നിവ ഉറപ്പാക്കാനുള്ള ഒറ്റ വിഷൻ കോൾ. ഓർക്കസ്ട്രേറ്ററിന്റെ ഭാഗത്തുള്ള ആകെ ടോക്കൺ ചെലവ് ഇതാണ്: അയച്ച ഒരു ചെറിയ പ്രോംപ്റ്റ്, തിരികെ ലഭിച്ച ഒരു വാക്ക്, ഒരു ഇമേജ് വ്യൂ.

ഇവ ബാക്ക്ഗ്രൗണ്ടിൽ പ്രവർത്തിപ്പിക്കുക. ഇമേജ് ജോലികൾക്ക് ഒന്നുമുതൽ അഞ്ച് മിനിറ്റ് വരെ സമയമെടുക്കും. വെറുതെ കാത്തിരിക്കുന്നത് നിങ്ങളുടെ ഓർക്കസ്ട്രേറ്റർ മെമ്മറിയിൽ കോൺടെക്സ്റ്റ് സൂക്ഷിച്ചുകൊണ്ട് വെറുതെ ഇരിക്കാൻ ഇടയാക്കും. ടാസ്ക് ആരംഭിക്കുക, മറ്റ് ജോലികൾ തുടരുക, ഫയൽ ലഭിക്കുമ്പോൾ തിരികെ വരിക. ഗൗരവമുള്ള എല്ലാ ഏജന്റ് CLI-കളും ഇപ്പോൾ ബാക്ക്ഗ്രൗണ്ട് എക്സിക്യൂഷൻ പിന്തുണയ്ക്കുന്നുണ്ട്; അത് ഉപയോഗിക്കുക.

വാക്ക്‌ത്രൂ #2: ഒരു കോഡിംഗ് ടാസ്ക് Codex-ന് കൈമാറുന്നു

കോഡിംഗ് ഡെലിഗേഷൻ കുറച്ചുകൂടി സങ്കീർണ്ണമാണ്, കാരണം ഒറ്റനോട്ടത്തിൽ കാണാൻ കഴിയുന്ന മോശം ചിത്രം പോലെയല്ല ഇതിലെ തകരാറുകൾ — നിങ്ങളുടെ കോഡ്‌ബേസിന് അനുയോജ്യമല്ലാത്ത, ബാഹ്യമായി ശരിയെന്ന് തോന്നുന്ന കോഡാണ് ലഭിക്കുക. ഇതിനുള്ള പരിഹാരം "പൂർത്തിയായി" എന്ന് മെഷീൻ ഉപയോഗിച്ച് പരിശോധിക്കാൻ കഴിയുന്ന കൃത്യമായ സ്പെസിഫിക്കേഷനാണ്:

TASK: Write a standalone Node script at scripts/import-legacy.mjs

SPEC:
- Reads ./data/legacy-export.csv (papaparse is already a dependency)
- Maps columns per the table below … (exact mapping)
- Writes ./data/import-ready.json, an array of objects
- Node 22, ESM, no new dependencies
- Handle: missing fields → skip row + count; duplicate IDs → last wins

ACCEPTANCE (all must pass):
- node scripts/import-legacy.mjs runs clean on the sample file
- node --test tests/import-legacy.test.mjs passes (write these tests)
- npx eslint scripts/import-legacy.mjs → zero errors

REPORT: write REPORT-import.md (max 40 lines) with status, files
created, how to verify, and up to 5 gotchas. Do not paste file
contents into the report.

മിക്ക കോഡിംഗ് ടാസ്കുകളിൽ നിന്നും വ്യത്യസ്തമായി ഇതിനെ ഡെലിഗേറ്റ് ചെയ്യാൻ സഹായിക്കുന്ന മൂന്ന് സവിശേഷതകൾ:

1. സ്വയം പര്യാപ്തമായവ — ഒരു പുതിയ ഫയൽ, നിലവിലുള്ള മോഡ്യൂളുകളിൽ മാറ്റങ്ങളില്ല, ആർക്കിടെക്ചറൽ തീരുമാനങ്ങളില്ല.
2. മെഷീന് പരിശോധിക്കാൻ കഴിയുന്ന സ്വീകാര്യത — കോഡ് ഓരോ വരിയായി വായിക്കുന്നതിന് പകരം മൂന്ന് കമാൻഡുകൾ ഉപയോഗിച്ച് ഓർക്കസ്ട്രേറ്റർ ഇത് പരിശോധിക്കുന്നു.
3. പരിമിതമായ ഇന്റർഫേസ് — ഇൻപുട്ട് ഫയൽ, ഔട്ട്പുട്ട് ഫയൽ, തീർന്നു. സബ്-ഏജന്റിന് കോഡ്‌ബേസിന്റെ മറ്റ് ഭാഗങ്ങളിലേക്ക് കടക്കാൻ കഴിയില്ല.

റിപ്പോർട്ട് ലഭിക്കുമ്പോൾ, ഓർക്കസ്ട്രേറ്റർ വേരിഫിക്കേഷൻ കമാൻഡുകൾ പ്രവർത്തിപ്പിക്കുന്നു (ചെലവ് കുറഞ്ഞത്), പ്രശ്നങ്ങൾ പരിശോധിക്കുന്നു, എന്തെങ്കിലും പരാജയപ്പെടുകയോ സംശയാസ്പദമായി തോന്നുകയോ ചെയ്താൽ മാത്രം കോഡ് തുറക്കുന്നു. ശരിയായ രീതിയിൽ പൂർത്തിയാകുമ്പോൾ, എഴുതുമായിരുന്ന 300 വരികൾ ഓർക്കസ്ട്രേറ്റർ വായിക്കേണ്ടി വരുന്നില്ല — ഇതാണ് ലാഭം.

ലാഭം യഥാർത്ഥമായിട്ടുള്ള ഇടങ്ങൾ — ഏകദേശ കണക്കുകൾ

1. ബൾക്ക് ജനറേഷൻ. ഒരു ടാസ്ക് 2,000 വരികൾ നിർമ്മിക്കുന്നു എന്ന് കരുതുക (~25k ടോക്കണുകൾ). നേരിട്ട് ചെയ്താൽ ഓർക്കസ്ട്രേറ്റർ ~25k ഔട്ട്പുട്ട് ടോക്കണുകളും കോൺടെക്സ്റ്റ് വായനയും നൽകണം. ചുമതല കൈമാറിയാൽ ഓർക്കസ്ട്രേറ്റർ നൽകുന്നത്: ~300-ടോക്കൺ സ്പെക്ക്, ~400-ടോക്കൺ റിപ്പോർട്ട് വായന, ചില വേരിഫിക്കേഷൻ കമാൻഡുകൾ. അതിനെ ~30k-യ്‌ക്കെതിരെ ~1k ടോക്കണുകൾ — 95%-ലധികം കുറവ് ആ ടാസ്കിൽ, യഥാർത്ഥ ജനറേഷൻ സബ്-ഏജന്റിന്റെ ക്വാട്ടയിൽ ബിൽ ചെയ്യപ്പെടുന്നു.

2. ഓർക്കസ്ട്രേറ്ററിന് ചെയ്യാൻ കഴിയാത്ത ജോലികൾ. ഈയിടെ ഞാൻ ചെയ്ത എല്ലാ ചിത്രങ്ങളും ഓഡിയോ ഫയലുകളും എട്ട് ഭാഷകളിലെ പരിഭാഷകളും ഓർക്കസ്ട്രേറ്റർ തയ്യാറാക്കിയ സ്പെസിഫിക്കേഷനിൽ നിന്ന് Gemini CLI ആണ് നിർമ്മിച്ചത്. താരതമ്യം ചെയ്യാൻ Claude-ൽ സംവിധാനങ്ങളൊന്നുമില്ല — ഇത് പൂർണ്ണമായ ശേഷി വർദ്ധനവാണ്, ഇതിലെ ടോക്കൺ ചെലവ് സ്പെക്ക് + റിപ്പോർട്ട് മാത്രമാണ്.

3. കൃത്യമായ സ്പെസിഫിക്കേഷനുള്ള ദൈർഘ്യമേറിയ മെക്കാനിക്കൽ ഔട്ട്പുട്ടുകൾ. ടെസ്റ്റ് സ്കാഫോൾഡിംഗ്, ഡാറ്റ മൈഗ്രേഷൻ, ബോയിലർപ്ലേറ്റ് മോഡ്യൂളുകൾ, ഫോർമാറ്റ് കൺവേർഷനുകൾ, ഔട്ട്‌ലൈനിൽ നിന്നുള്ള ഡോക് ഡ്രാഫ്റ്റുകൾ. ഇവയിലെ പൊതുവായ ഘടകം: കുറഞ്ഞ ജഡ്ജ്മെന്റ്, ഉയർന്ന വോളിയം. ഔട്ട്പുട്ട് ടോക്കണുകൾ നിരക്ക് നിശ്ചയിക്കുന്നത് വോളിയം അനുസരിച്ചാണ്; കുറഞ്ഞ ചെലവുള്ള ഏജന്റുകൾക്ക് ഇല്ലാത്തത് ജഡ്ജ്മെന്റാണ്. വോളിയം ഡെലിഗേറ്റ് ചെയ്യുക, ജഡ്ജ്മെന്റ് നിലനിർത്തുക.

ലാഭം ഇല്ലാതാകുന്ന ഇടങ്ങൾ — രണ്ട് ടാക്സുകളും ഒരു ഓവർഹെഡും

വേരിഫിക്കേഷൻ ടാക്സ്

ഇത് ആരും കണക്കുകൂട്ടാത്ത ചെലവാണ്, അതിനാൽ എന്റെ സ്വന്തം പ്രോജക്റ്റിൽ നിന്നുള്ള ഉദാഹരണം നൽകാം — ഒരു വെബ്‌സൈറ്റിനായി AI നിർമ്മിച്ച ഹീറോ പോർട്രെയ്റ്റുകളുടെ കൂട്ടം:

• ഒരു ചിത്രത്തിൽ മത്സരക്കമ്പനിയുടെ തിരിച്ചറിയാൻ കഴിയുന്ന ലാപ്ടോപ്പ് ലോഗോ ഉണ്ടായിരുന്നു. നിയമപരമായും ബ്രാൻഡ് പരമായും ഇത് ഉപയോഗിക്കാനാകില്ല. വീണ്ടും ജനറേറ്റ് ചെയ്യുക — അല്ലെങ്കില്‍ എഡിറ്റ് ചെയ്തു മാറ്റുക ഒരു ഇമേജ് ടൂൾ ഉപയോഗിച്ച്, ശേഷം വീണ്ടും പരിശോധിക്കുക.
• മറ്റൊരു കൂട്ടം ചിത്രങ്ങളുടെ കോണുകൾ ട്രാൻസ്പരന്റ് ആണെന്ന് അവകാശപ്പെട്ടെങ്കിലും ആയിരുന്നില്ല — കളർ പശ്ചാത്തലത്തിൽ മാത്രം കാണുന്ന വെള്ളയോട് അടുത്ത നിറം. വൈകി കണ്ടെത്തി, ഫ്ലഡ്-ഫിൽ വഴി പരിഹരിച്ചു, വീണ്ടും വേരിഫൈ ചെയ്തു.
• മൂന്നാമതൊന്നിൽ പ്രോഡക്റ്റ് ടാബ്‌ലെറ്റ് പകുതി ഫ്രെയിമിന് പുറത്തായി നിർമ്മിക്കപ്പെട്ടു — ചിത്രം കാണിക്കാൻ ഉദ്ദേശിച്ച വസ്തു തന്നെ മോഡൽ ക്രോപ്പ് ചെയ്തു കളഞ്ഞു. "everything fully inside the frame" എന്ന പുതിയ നിബന്ധനയോടെ പൂർണ്ണമായി വീണ്ടും ജനറേറ്റ് ചെയ്തു.

ഈ ചിത്രങ്ങളിൽ ഓരോന്നും പാസ്സായി ചെലവുകുറഞ്ഞ മെക്കാനിക്കൽ ഗേറ്റുകൾ. എങ്കിലും ഓർക്കസ്ട്രേറ്ററിന് ഇവ നേരിട്ട് നോക്കാനും വിലയിരുത്താനും പരിഹരിക്കാനും ആവശ്യമായിരുന്നു. ഡെലിഗേഷൻ റിവ്യൂ ഘട്ടം ഒഴിവാക്കിയില്ല — അത് ജനറേഷൻ ചെലവ് മറ്റൊരിടത്തേക്ക് മാറ്റുകയും റിവ്യൂ ചെലവ് അതേപടി നിലനിർത്തുകയും ചെയ്തു.

കൈമാറിയ ടാസ്ക് റിവ്യൂവിൽ പരാജയപ്പെടുമ്പോൾ നിങ്ങൾ നൽകുന്നത് മൂന്ന് മടങ്ങ്: ഡെലിഗേഷൻ, തകരാർ കണ്ടെത്തിയ റിവ്യൂ, വീണ്ടും ചെയ്യൽ. ഒരേ ടാസ്കിന്റെ രണ്ട് പരാജയപ്പെട്ട ഡെലിഗേഷനുകൾ ഓർക്കസ്ട്രേറ്റർ ആദ്യമേ നേരിട്ട് ചെയ്യുന്നതിനേക്കാൾ ചെലവേറിയതാണ്. അതുകൊണ്ടാണ് എന്റെ ഇമേജ് പ്രോംപ്റ്റുകളിലെ ഓരോ നിബന്ധന വരിയും ഒരു വടു പോലെ അനുഭവപ്പെടുന്നത് — ഓരോന്നും അങ്ങനെയൊന്ന് തന്നെയാണ്.

ബജറ്റ് നിയമം: ഡെലിഗേറ്റ് ചെയ്യുന്ന ക്രിയേറ്റീവ് ടാസ്കുകളിൽ 20–30% തിരുത്തലുകൾ ആവശ്യമായി വരും എന്ന് കരുതുക, അത് തീരുമാനത്തിൽ ഉൾപ്പെടുത്തുക. ടാസ്ക് പരിശോധിക്കുന്നത് ചെലവ് കുറഞ്ഞതാണെങ്കിൽ (ടെസ്റ്റുകൾ റൺ ചെയ്യുക, ഫയൽ പരിശോധിക്കുക), വീണ്ടും ചെയ്യേണ്ടി വന്നാലും ഡെലിഗേഷൻ ലാഭകരമാണ്. എന്നാൽ വേരിഫിക്കേഷൻ എന്നാൽ "എല്ലാം ശ്രദ്ധാപൂർവ്വം വായിക്കുക" എന്നാണെങ്കിൽ, ലാഭം വെറുമൊരു തോന്നൽ മാത്രമാണ്.

ഇന്റഗ്രേഷൻ ടാക്സ്

ഒരു ടാസ്ക് നിരവധി ഫയലുകളെ ബാധിക്കുകയോ, കോഡ്‌ബേസിന്റെ രീതികളുമായി ചേരേണ്ടതുണ്ടാവുകയോ, അല്ലെങ്കിൽ ഓർക്കസ്ട്രേറ്ററിന്റെ പക്കലുള്ള കോൺടെക്സ്റ്റിനെ ആശ്രയിക്കുകയോ ചെയ്യുന്നുവെങ്കിൽ (ആർക്കിടെക്ചർ തീരുമാനങ്ങൾ, മോഡ്യൂളുകൾക്കിടയിലെ റീഫാക്ടറിംഗ്, റേസ് കണ്ടീഷൻ ഡിബഗ്ഗിംഗ്), അത് കൈമാറുന്നത് നഷ്ടമാണ്. സബ്-ഏജന്റിന് നിങ്ങളുടെ കോൺടെക്സ്റ്റ് ഇല്ല; സുരക്ഷിതമായി സംയോജിപ്പിക്കുന്നതിന് സബ്-ഏജന്റ് ചെയ്തതെല്ലാം ഓർക്കസ്ട്രേറ്ററിന് വീണ്ടും വായിക്കേണ്ടി വരുന്നു. ഒരേ കാര്യം മനസ്സിലാക്കാൻ നിങ്ങൾ രണ്ടാമതും പണം നൽകുന്നു: ഒരിക്കൽ സബ്-ഏജന്റ് ഭാഗിക ചിത്രം ഉണ്ടാക്കാനും, പിന്നീട് ഓർക്കസ്ട്രേറ്റർ മുഴുവൻ ചിത്രം ഉണ്ടാക്കാനും.

ലക്ഷണം ലളിതമാണ്: സ്പെസിഫിക്കേഷൻ എഴുതുന്നതിന് നിങ്ങളുടെ ആർക്കിടെക്ചർ വിവരിക്കേണ്ടതുണ്ടെങ്കിൽ, ആ ടാസ്ക് ഡെലിഗേറ്റ് ചെയ്യരുത്. സ്പെസിഫിക്കേഷൻ എഴുതുന്നതിന് മാത്രം ലാഭത്തേക്കാൾ ചെലവ് വരും, തെറ്റിദ്ധാരണയ്ക്കുള്ള സാധ്യത വളരെ വലുതാണ്.

ഓവർഹെഡ് ഫ്ലോർ

നല്ലൊരു ഡെലിഗേഷൻ പ്രോംപ്റ്റ് എഴുതാൻ 200–400 ടോക്കണുകൾ ചെലവാകും. റിപ്പോർട്ട് വായിക്കാൻ 300–500. വേരിഫിക്കേഷന് മറ്റൊരു കുറച്ചു നൂറുകൾ. അതിനാൽ ഒരു പരിധിയുണ്ട്: ടാസ്കിന്റെ നേരിട്ടുള്ള ചെലവ് ഏകദേശം 1,000–2,000 ടോക്കണുകളിൽ കുറവാണെങ്കിൽ (~50–100 വരികൾ ഔട്ട്പുട്ട്), അത് ഡെലിഗേറ്റ് ചെയ്യുന്നത് എപ്പോഴും നഷ്ടമാണ്. നേരിട്ട് ചെയ്യുക.

മാർക്ക്ഡൗൺ റിപ്പോർട്ട് കരാർ — ലാഭം നിലനിൽക്കുകയോ ഇല്ലാതാവുകയോ ചെയ്യുന്ന ഇടം

ഈ പാറ്റേൺ മിക്കവർക്കും ഉപയോഗപ്രദമാക്കുന്ന ആശയം റിപ്പോർട്ട് ഫയലാണ്: ഓരോ സബ്-ഏജന്റും ജോലി പൂർത്തിയാക്കി ഓർക്കസ്ട്രേറ്ററിനായി ഒരു മാർക്ക്ഡൗൺ സംഗ്രഹം നൽകുന്നു. ഇത് ശരിയായ ചിന്താഗതിയാണ് — എന്നാൽ ഈ പദ്ധതി പരാജയപ്പെടുന്നതും ഇവിടെ തന്നെയാണ്. Codex 500 വരികളുള്ള റിപ്പോർട്ട് എഴുതുകയും Claude അത് മുഴുവൻ വായിക്കുകയും ചെയ്താൽ നിങ്ങൾ വീണ്ടും പണം നൽകേണ്ടി വരുന്നു — എഴുതുന്നതിന് പകരം വായനയ്ക്ക് നൽകുന്നു എന്ന് മാത്രം.

ഒരു മോശം റിപ്പോർട്ട് ഇതാ (നിങ്ങൾ നിയന്ത്രണങ്ങൾ വച്ചില്ലെങ്കിൽ ഏജന്റുകൾ നൽകുന്നത് ഇതാണ്):

340 വരികളുള്ള ഉപന്യാസം: ടാസ്ക് വീണ്ടും വിവരിക്കുന്നു, ഓരോ തീരുമാനവും കാലക്രമത്തിൽ വിവരിക്കുന്നു, "റഫറൻസിനായി" നിർമ്മിച്ച രണ്ട് ഫയലുകൾ പേസ്റ്റ് ചെയ്യുന്നു, പൂർണ്ണമായ ടെസ്റ്റ് ഔട്ട്പുട്ട് ഉൾപ്പെടുത്തുന്നു, കൂടാതെ ഭാവി മെച്ചപ്പെടുത്തലുകൾക്കായുള്ള നിർദ്ദേശങ്ങളോടെ അവസാനിപ്പിക്കുന്നു.

അത് വായിക്കുന്നതിന് കോഡ് എഴുതുന്നതിനേക്കാൾ ചെലവ് വരും. പകരം ഞാൻ നടപ്പിലാക്കുന്ന കരാർ ഇതാ:

# Task: import-legacy script
Status: DONE
Files created:
  - scripts/import-legacy.mjs
  - tests/import-legacy.test.mjs
How to verify:
  - node --test tests/import-legacy.test.mjs
  - node scripts/import-legacy.mjs && head data/import-ready.json
Gotchas:
  - 14 rows in the sample CSV had no email; skipped, count logged
  - CSV dates are DD/MM/YYYY, not ISO — parser handles both

ഓരോ റിപ്പോർട്ടും ഈ രൂപത്തിൽ നിലനിർത്തുന്ന നാല് നിയമങ്ങൾ ഇതാ:

1. കർശനമായ പരിധി: 40 വരികൾ. ഡെലിഗേഷൻ പ്രോംപ്റ്റിൽ ഇത് വ്യക്തമാക്കുക. സ്റ്റാറ്റസ്, പാതകൾ, വേരിഫൈ കമാൻഡുകൾ, തടസ്സങ്ങൾ — മറ്റൊന്നുമില്ല.
2. പാതകൾ മാത്രം, ഉള്ളടക്കമല്ല. ആർട്ടിഫാക്റ്റുകൾ ഡിസ്കിലുണ്ട്; റിപ്പോർട്ട് അവയിലേക്ക് ചൂണ്ടിക്കാണിക്കുന്നു. വേരിഫിക്കേഷൻ ആവശ്യപ്പെടുമ്പോൾ മാത്രം ഓർക്കസ്ട്രേറ്റർ ഫയൽ തുറക്കുന്നു — രണ്ടാമതും വായിക്കുന്നത് ഒരു തിരഞ്ഞെടുപ്പായി, നിർബന്ധിതമല്ല.
3. പൂർണ്ണമായ ജനറേഷനായി "Reply only DONE" ഉപയോഗിക്കുക. ആർട്ടിഫാക്റ്റ് വ്യക്തമാണെങ്കിൽ (ചിത്രം, ഓഡിയോ ഫയൽ), ഒരു റിപ്പോർട്ട് പോലും അധികമാണ്. ഫയൽ ലഭിക്കുന്നു, ഒറ്റ വാക്ക് മറുപടി വരുന്നു, ഗേറ്റുകൾ പ്രവർത്തിക്കുന്നു.
4. എല്ലാ സ്പെസിഫിക്കേഷനിലും മെഷീന് പരിശോധിക്കാൻ കഴിയുന്ന സ്വീകാര്യതാ മാനദണ്ഡങ്ങൾ. "Make it nice" എന്നത് വീണ്ടും ജോലി ഉണ്ടാക്കുന്നു. "All tests pass, zero lint errors, output is a 1200×630 JPEG under 200 KB" എന്നത് ഓർക്കസ്ട്രേറ്ററിന് ഒരൊറ്റ കമാൻഡിൽ പരിശോധിക്കാവുന്ന പാസ്സ്/ഫെയിൽ ഫലം നൽകുന്നു. നിങ്ങളുടെ അക്സപ്റ്റൻസ് മാനദണ്ഡങ്ങളുടെ ഗുണനിലവാരം തന്നെയാണ് നിങ്ങളുടെ ഡെലിഗേഷന്റെ ഗുണനിലവാരം.

തൊഴിൽ വിഭജനം: ആർക്ക് എന്ത്, എന്തുകൊണ്ട്

ടാസ്ക്	ആർക്ക് നൽകണം	എന്തുകൊണ്ട്
ചിത്രങ്ങൾ, ഓഡിയോ/TTS, ട്രാൻസ്ക്രിപ്ഷൻ	Gemini CLI — എപ്പോഴും	Orchestrator-ന് ഇവ തീരെ ചെയ്യാൻ കഴിയില്ല; സമ്പൂർണ്ണ നേട്ടം
വിവർത്തനം (പ്രത്യേകിച്ച് പ്രാദേശിക ഭാഷകൾ)	Gemini CLI	മികച്ച ഗുണനിലവാരം, ഉയർന്ന അളവ്, സാമ്പിളിംഗിലൂടെ എളുപ്പത്തിൽ പരിശോധിക്കാവുന്നത്
കൃത്യമായ സ്പെസിഫിക്കേഷനുള്ള സ്വയംപര്യാപ്തമായ സ്ക്രിപ്റ്റ്/മൊഡ്യൂൾ	Codex CLI	ഉയർന്ന അളവ്, കുറഞ്ഞ വിശകലന സ്വഭാവം, മെഷീൻ വഴി പരിശോധിക്കാവുന്നത്
Test scaffolding, migrations, boilerplate	Codex CLI	യാന്ത്രികമായ ഔട്ട്പുട്ട്; സ്വീകാര്യത = ടെസ്റ്റുകൾ തന്നെയാണ്
ആർക്കിടെക്ചർ & ഡിസൈൻ തീരുമാനങ്ങൾ	Claude — ഒരിക്കലും ഡെലിഗേറ്റ് ചെയ്യരുത്	കേവലമായ വിശകലനം; സ്പെസിഫിക്കേഷന് ടാസ്കിനേക്കാൾ കൂടുതൽ ചെലവ് വരും
മൾട്ടി-ഫയൽ റീഫാക്ടറുകൾ, ഇന്റഗ്രേഷൻ വർക്കുകൾ	Claude	ഇന്റഗ്രേഷൻ ടാക്സ് ഡെലിഗേഷനെ വ്യാജമായ സാമ്പത്തിക ലാഭമാക്കുന്നു
ഡിബഗ്ഗിംഗ്	Claude	ശേഖരിച്ച കോൺടെക്സ്റ്റ് ആവശ്യമാണ്; sub-agent പൂജ്യത്തിൽ നിന്നാണ് ആരംഭിക്കുന്നത്
ഡെലിഗേറ്റ് ചെയ്ത എല്ലാറ്റിന്റെയും അന്തിമ അവലോകനം	Claude	പ്രീമിയം മോഡലിന് നിങ്ങൾ പണം നൽകുന്നത് കൃത്യമായി ഈ ജോലിക്കാണ്

എടുത്തുപറയേണ്ട ഒരു വ്യത്യാസം: ഇത് "Claude നല്ലതാണ്, മറ്റുള്ളവ മോശമാണ്" എന്നല്ല. ഇത് അളവും വിശകലനവും തമ്മിലുള്ള കാര്യമാണ്. Codex മികച്ച സ്വയംപര്യാപ്തമായ കോഡ് എഴുതുന്നു; Gemini-യുടെ ഇമേജ്, വിവർത്തന ഗുണനിലവാരം റിയൽ പ്രൊഡക്ഷൻ വർക്കിന് ഉപകരിക്കുന്നു. ഓരോ സീറ്റിനും എത്ര ചെലവ് വരുന്നു, ഓരോ ടാസ്കിനും എന്ത് വേണം എന്നതിനെക്കുറിച്ചാണ് ഈ വിഭജനം.

പ്രവർത്തന പ്ലേബുക്ക്

സമ്പാദ്യം വർദ്ധിപ്പിക്കുന്ന ചില ശീലങ്ങൾ:

വേഗത കുറഞ്ഞതെല്ലാം ബാക്ക്ഗ്രൗണ്ടിൽ പ്രവർത്തിപ്പിക്കുക. ജനറേഷൻ ജോലികൾ ഒന്നു മുതൽ അഞ്ച് മിനിറ്റ് വരെ സമയമെടുക്കും. അവ ഡിറ്റാച്ച് ചെയ്ത് പ്രവർത്തിപ്പിക്കുക, Orchestrator-നെ മറ്റെന്തെങ്കിലും ജോലിയിൽ വ്യാപൃതനാക്കുക, ഫയലുകൾ എത്തുമ്പോൾ ഫലങ്ങൾ പ്രോസസ്സ് ചെയ്യുക. ചിലവേറിയ ഏജന്റിനെ ഒരിക്കലും ബ്ലോക്ക്-വെയ്റ്റ് ചെയ്യാൻ അനുവദിക്കരുത്.

അഗ്രസീവ് ആയി ബാച്ച് ചെയ്യുക. ആറ് സംഭാഷണങ്ങളായി ആറ് ചിത്രങ്ങൾ ചെയ്യുന്നത് ആറ് റൗണ്ട് prompt+report ഓവർഹെഡ് ഉണ്ടാക്കുന്നു. നാമകരണ രീതി അനുസരിച്ച് ആറ് ഫയലുകൾ നിർമ്മിക്കുന്ന ഒരു പ്രോംപ്റ്റ് (hero-01.png … hero-06.png), ഒരു റിപ്പോർട്ട്, ഒരു റിവ്യൂ പാസ്. വിവർത്തനങ്ങൾക്കും ഇത് സമാനമാണ്: എട്ട് ഭാഷകളും ഒരു ഡെലിഗേഷനിൽ.

ബുദ്ധിപൂർവ്വം അവലോകനം ചെയ്യുന്നതിന് മുമ്പ് യാന്ത്രികമായി ഗേറ്റ് ചെയ്യുക. ഫയൽ നിലവിലുണ്ട് → സൈസ് ശരിയാണ് → entropy/lint/tests പാസാകുന്നു → തുടർന്ന് വിശകലനത്തിനായി Orchestrator ടോക്കണുകൾ ചെലവഴിക്കുക. ഗേറ്റ് പിടിച്ചെടുക്കുന്ന ഓരോ പരാജയവും നിങ്ങൾ പണം നൽകാത്ത മോഡൽ റിവ്യൂ ആണ്.

വേഗത്തിൽ പരാജയപ്പെടുക, ഒരു തവണ മാത്രം എസ്‌കലേഷൻ ചെയ്യുക. ഒരു ഡെലിഗേഷൻ തെറ്റായി തിരിച്ചെത്തിയാൽ, Orchestrator-ന് ലഭിക്കുന്നത് ഒരു കൂടുതൽ ശക്തമായ നിബന്ധനയോടു കൂടിയ തിരുത്തൽ പുനഃശ്രമമാണ് ("മുമ്പത്തെ ശ്രമം ടാബ്‌ലെറ്റ് ക്രോപ്പ് ചെയ്തു — ടാബ്‌ലെറ്റ് മുഴുവനായും (ENTIRE) ദൃശ്യമാകണം"). പുനഃശ്രമവും പരാജയപ്പെട്ടാൽ, ആ ടാസ്ക് ഡെലിഗേറ്റ് ചെയ്യുന്നത് നിർത്തുക; Orchestrator അത് നേരിട്ട് ചെയ്യുന്നു അല്ലെങ്കിൽ പരിഹരിക്കുന്നു. അനന്തമായ റീട്രൈ ലൂപ്പുകൾ കാരണമാണ് ഡെലിഗേഷൻ ഏത് കാര്യവും ചെയ്യാനുള്ള ഏറ്റവും ചിലവേറിയ മാർഗ്ഗമായി മാറുന്നത്.

Orchestrator-ന്റെ സെഷൻ വൃത്തിയായി സൂക്ഷിക്കുക. ദീർഘനേരം പ്രവർത്തിക്കുന്ന Orchestrator സെഷനുകൾ കോൺടെക്സ്റ്റ് ശേഖരിക്കുന്നു, ഈ കോൺടെക്സ്റ്റ് നിങ്ങൾ ഓരോ ഘട്ടത്തിലും നൽകുന്ന ഇൻപുട്ട്-ടോക്കൺ വാടകയാണ്. ആർട്ടിഫാക്റ്റുകൾ സംഭാഷണത്തിന് പകരം ഡിസ്കിൽ തുടരുന്നത് കൊണ്ടാണ് ഡെലിഗേഷൻ സഹായിക്കുന്നത് — ഇത് ചെയ്യാതിരുന്നുകൊണ്ട് അത് ഇല്ലാതാക്കരുത് cat-ing ഫയലുകൾ "ഒന്ന് നോക്കാൻ" ചാറ്റിലേക്ക് നൽകിക്കൊണ്ട്.

നിങ്ങൾ മനസ്സിലാക്കിയ പരിധികൾ ടെംപ്ലേറ്റുകളിൽ എഴുതുക. ഓരോ റീവർക്കും ഒരു പ്രോംപ്റ്റ് ലൈൻ നിങ്ങളെ പഠിപ്പിക്കുന്നു ("no watermark," "fully inside frame," "no new dependencies"). ഒരേ പാഠത്തിന് രണ്ടുതവണ പണം നൽകുന്നത് ഒഴിവാക്കാനുള്ള വഴിയാണ് ടെംപ്ലേറ്റുകൾ.

ഇതിന്റെ ഒരു വാരം യഥാർത്ഥത്തിൽ എങ്ങനെയിരിക്കും

ഗുണപരമായി, ഒരു യഥാർത്ഥ പ്രോജക്റ്റ് ആഴ്ചയിൽ ഈ പാറ്റേൺ പ്രവർത്തിപ്പിച്ച ശേഷം: Orchestrator-ന്റെ കോൺടെക്സ്റ്റ് ചെറുതായിരിക്കുകയും അതിന്റെ ടേണുകൾ വേഗതയുള്ളതായി തുടരുകയും ചെയ്തു, കാരണം വലിയ തോതിലുള്ള ഔട്ട്പുട്ട് ഒരിക്കലും സംഭാഷണത്തിലേക്ക് വന്നില്ല. ദൃശ്യമായ ടോക്കൺ ചിലവ് പ്ലാനുകൾ (specs), റിപ്പോർട്ടുകൾ, അവലോകനം എന്നിവയിലേക്ക് പൂർണ്ണമായും മാറി — ഇത് തന്നെയാണ് നിങ്ങൾ ആഗ്രഹിക്കുന്നത് പ്രീമിയം മോഡൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ. Sub-agents വലിയ അളവിലുള്ള ജോലികൾക്കായി സ്വന്തം ക്വോട്ടകൾ ഉപയോഗിച്ചു. പരാജയങ്ങൾ യഥാർത്ഥമായിരുന്നുവെങ്കിലും പരിമിതമായിരുന്നു: ക്രിയേറ്റീവ് ജനറേഷനുകളിൽ ഏകദേശം നാലിലൊന്നിൽ ഫിക്സ് സൈക്കിൾ, കൃത്യമായി സ്പെസിഫൈ ചെയ്ത കോഡ് ടാസ്ക്കുകളിൽ പൂജ്യത്തിനടുത്തുള്ള റീവർക്ക്, കൂടാതെ സ്പെക് ഡ്രാഫ്റ്റ് ഒരു ആർക്കിടെക്ചർ ഡോക്യുമെന്റായി മാറാൻ തുടങ്ങിയപ്പോൾ Orchestrator-ൽ തന്നെ ഞാൻ കൃത്യമായി നിലനിർത്തിയ ഒരു ടാസ്ക് (cross-cutting refactor).

ഈ രീതി ചിലവേറിയ മോഡലിന്റെ വില കുറച്ചില്ല. പകരം ഒരു ടൈപ്പിസ്റ്റായി അതിനെ ഉപയോഗിക്കുന്നത് നിർത്താൻ എന്നെ സഹായിച്ചു.

അന്തിമ വിധി, ഒരു ചെക്ക്‌ലിസ്റ്റും

ഈ തന്ത്രം ശരിയാണോ? ഭൂരിഭാഗവും, അതേ. ജനറേഷൻ കേന്ദ്രീകൃതമായ ജോലികൾക്ക് ലാഭം യഥാർത്ഥവും വലുതുമാണ് — അത് ഇതിന്റെ ഡെലിഗേഷൻ ആണ് ഔട്ട്പുട്ട്, ഔട്ട്പുട്ടിനാണ് നിങ്ങൾ പണം നൽകുന്നത്. വിശകലന കേന്ദ്രീകൃതമായ ജോലികൾക്ക് ലാഭം ഒരു മിഥ്യ മാത്രമാണ് — അത് ഇതിന്റെ ഡെലിഗേഷൻ ആണ് ധാരണ, ധാരണ എല്ലായ്പ്പോഴും Orchestrator-ന്റെ ബില്ലിലേക്ക് തന്നെ തിരിച്ചെത്തുന്നു, സാധാരണയായി പലിശ സഹിതം.

ചിലവേറിയ CLI-യെ മികച്ചതും വിലകുറഞ്ഞതുമായ ഒരു ടീമുള്ള, വാശിക്കാരനായ ടെക് ലീഡായി കരുതുക: ഇത് specs എഴുതുന്നു, ചെറിയ റിപ്പോർട്ടുകൾ അവലോകനം ചെയ്യുന്നു, എന്തെങ്കിലും പ്രശ്നമുണ്ടെന്ന് തോന്നുമ്പോൾ മാത്രം കാര്യങ്ങൾ വിശദമായി പരിശോധിക്കുന്നു.

ഒരു ടാസ്ക് ഡെലിഗേറ്റ് ചെയ്യുന്നതിന് മുമ്പ്, ചെക്ക്‌ലിസ്റ്റ് പരിശോധിച്ച് നോക്കൂ:

• ഔട്ട്പുട്ട് വലുതാണോ (>100 lines / >2k tokens) അല്ലെങ്കിൽ Orchestrator-ന് തീരെ നിർമ്മിക്കാൻ കഴിയാത്ത ഒന്നാണോ?
• എനിക്ക് സ്പെസിഫിക്കേഷൻ എഴുതാൻ കഴിയുമോ എന്റെ ആർക്കിടെക്ചർ വിശദീകരിക്കാതെ തന്നെ?
• "done" എന്നത് മെഷീൻ പരിശോധിക്കാവുന്നത് (machine-checkable) (tests, lint, file properties) ആണോ "എല്ലാം ശ്രദ്ധാപൂർവ്വം വായിക്കുക" എന്നതിന് പകരം?
• ഔട്ട്പുട്ട് പാത്ത് കൃത്യമാണോ, കൂടാതെ മറുപടി പരിമിതപ്പെടുത്തിയിരിക്കുന്നത് DONE + a ≤40-line report എന്നതിലേക്ക് ആണോ?
• ഞാൻ ബജറ്റ് ചെയ്തിട്ടുണ്ടോ ഒരു ഫിക്സ് സൈക്കിൾ — കൂടാതെ രണ്ടാം തവണയും പരാജയപ്പെട്ടാൽ എന്ത് സംഭവിക്കുമെന്ന് തീരുമാനിച്ചിട്ടുണ്ടോ?

അഞ്ച് അതെ: ഡെലിഗേറ്റ് ചെയ്യുക, ബാക്ക്ഗ്രൗണ്ടിലാക്കുക, ഗേറ്റ് ചെയ്യുക, കണക്ക് ആസ്വദിക്കുക. ഏതെങ്കിലും ഇല്ല എങ്കിൽ: പ്രീമിയം മോഡൽ അത് നേരിട്ട് ചെയ്യുന്നു — കാരണം നിങ്ങൾ എപ്പോഴെങ്കിലും ചെലവഴിക്കുന്ന ഏറ്റവും ചിലവേറിയ ടോക്കണുകൾ രണ്ടുതവണ ചെലവഴിക്കുന്നവയാണ്.