AIDive

वीडियो पैक

पहले Claude Code का प्लान रिव्यू करें: EGM किट और स्किप-या-रिव्यू चेकलिस्ट

7 मिनट पढ़ें

TL;DR और निष्कर्ष

जिस एजेंट ने आपका प्लान लिखा, वह उसके छेद नहीं देख सकता। EGM, यानी Elephant-Goldfish Model, Claude Code के लिए Google का फ्री प्लगइन है जो इसे ठीक करता है: हाथी आपके साथ प्लान लिखता है, और बिना बातचीत की याददाश्त वाले गोल्डफिश रिव्यूअर सिर्फ प्लान और आपका कोड पढ़ते हैं। यह Google का आधिकारिक रूप से सपोर्टेड प्रोडक्ट नहीं है s25।

हमने इसे परिवार की गिफ्ट-लिस्ट ऐप (Next.js, डेटाबेस के रूप में Notion) के एक असली फीचर पर चलाया: रिश्तेदार एक गिफ्ट रिज़र्व कर सके ताकि दो लोग एक ही न खरीदें, और पैरेंट्स न देख सकें कि किसने क्या रिज़र्व किया। रेपो की कॉपी पर, असली लिस्ट पर कभी नहीं।

  • प्लानर ने race खुद पकड़ी। रिव्यूअर ने दो छेद पकड़े जो बातचीत में किसी ने नहीं उठाए थे: पैरेंट्स अपने होस्टिंग लॉग से निकाल सकते थे कि किसने क्या रिज़र्व किया, और सेव की हुई कुकी replay करके किसी और की रिज़र्वेशन कैंसल की जा सकती थी।
  • race के लिए रिव्यू का फिक्स लक्ष्य को कमज़ोर करता था। हमने उसे contest किया, और डिज़ाइन बदल गया।
  • एक ताज़ा सेशन ने मंज़ूर डिज़ाइन के हिसाब से फीचर बनाया: 216 टेस्ट, और आखिरी यूनिट पर 30/30 races में ठीक एक विजेता आया। यह Notion के स्टैंड-इन पर चला, इसलिए असली जाँच अब भी हमें चलानी है।
  • README की एक लाइन के फिक्स पर सादे वर्कफ़्लो में $0.0455 और 10 s लगे। फीचर के लिए EGM वाले रास्ते में कोड से पहले $7.10 और 32 min लगे।

निष्कर्ष: रिव्यू तब चलाएँ जब गलती किसी और के डेटा, प्राइवेसी, परमिशन या पैसे को छुए। छोटे, साफ फिक्स के लिए इसे स्किप करें। नीचे का पैक आपको इंस्टॉल, CLAUDE.md की एक लाइन, एक चीट शीट और चेकलिस्ट देता है।

सोर्स वाला सार

EGM क्या है। Google की README कहती है कि हज़ारों Google इंजीनियर इसे deep-context एजेंटों के साथ स्पेक ड्राफ्ट करने और कोड लिखने से पहले zero-context subagents से उन्हें परखने के लिए इस्तेमाल करते हैं s1। यह Google का अपना दावा है, बिना किसी गिनती के। यह विचार Dave Rensin का है, जिन्होंने लिखा "We are mass-producing our mistakes" यानी हम अपनी गलतियों का बड़े पैमाने पर उत्पादन कर रहे हैं, अगर हम सावधान नहीं हैं s7। अब तक की एकमात्र रिलीज़ v0.1.0 है, जो 2026-10-27 को प्रकाशित हुई s26। यह Apache-2.0 है और "not an officially supported Google product" है s25 s9।

इंस्टॉल दो कमांड और एक नया सेशन है। claude plugin marketplace add google/elephant-goldfish-model, फिर claude plugin install egm@egm, फिर नया सेशन शुरू करें s1 s2। दूसरे लोग भी यही दो कमांड बताते हैं s6 s8। हमने इंस्टॉल में --scope project जोड़ा, इसलिए यह सिर्फ उसी रेपो पर लागू होता है। omitClaudeMd सपोर्ट के लिए इसे Claude Code 2.1.271 या उससे नया चाहिए s2। हमारा वर्ज़न 2.1.294 था।

रिव्यूअर अंधे क्यों हैं। सामान्य subagents पैरेंट बातचीत को बाहर रखते हैं। omitClaudeMd यूज़र, प्रोजेक्ट और लोकल इंस्ट्रक्शन फ़ाइलों को भी बाहर रखता है s2। रिव्यूअर adapters tools: [Read, Grep, Glob], model: inherit और omitClaudeMd: true घोषित करते हैं s20। synthesizer अलग है: वह रिव्यूअर बनाता है, और nesting 3 स्तर तक की अनुमति है s2। डॉक्स एक चेतावनी जोड़ते हैं: यह "context and tool isolation, not filesystem isolation: reviewers can read accessible files" है, यानी संदर्भ और टूल का अलगाव है, फ़ाइलसिस्टम का नहीं: रिव्यूअर पहुँच वाली फ़ाइलें पढ़ सकते हैं s2।

CLAUDE.md की एक लाइन रिपोर्ट को फोल्डर में रखती है। इसके बिना रिव्यू फ़ाइलें रिपॉज़िटरी की रूट में जमा होती हैं, जहाँ आप उन्हें गलती से कमिट कर सकते हैं s23। CLAUDE.md या AGENTS.md में EGM artifact directory: <path> लाइन उन्हें उस फोल्डर में भेज देती है s2।

वर्कफ़्लो।

  • Brainstorm 6-lens गोल्डफिश झुंड चलाता है और concepts_brief.md लिखता है s21।
  • Draft design_draft.md लिखता है s22।
  • Review पाँच चरण चलाता है: Initial Zoom Out Review, Comprehension Review, Design Critique, Intermediate Zoom Out Review और Implementation Readiness s3।
  • Resolve हर issue को CONTEST, ESCALATE, PROPOSE FIX या DECLINE लेबल करता है। चुनाव आपका है, और "auto accept" प्रस्तावित फिक्स एक साथ लागू करता है, contest किए गए आइटम छोड़कर s24।

दूसरों ने क्या पाया। Claude Code और EGM 0.1.0 पर एक फील्ड रिपोर्ट ने 26 findings गिने (9 blockers, 9 major, 8 nits), 20 ठीक किए गए, 4 छोड़े गए, 2 गलत निकले, API कीमतों पर करीब $3.40 का उपयोग, और पहली कोशिश में 24 में से 24 टेस्ट पास। उसका अपना सबक: "Goldfish read documents. They don't run code." यानी गोल्डफिश दस्तावेज़ पढ़ते हैं, कोड नहीं चलाते s6। Rensin कहते हैं कि लगभग 30% सुझाव बहुत मूल्यवान होते हैं, जिसे वे काफ़ी से भी ज़्यादा बताते हैं s7।

और स्किप करने की सलाह कौन देता है। README: छोटे, साफ bug fix के लिए अपना सामान्य कोडिंग वर्कफ़्लो इस्तेमाल करें s25। FAQ: डिज़ाइन और रिव्यू "may not pay off for a small, well-understood change" यानी छोटे, अच्छी तरह समझे बदलाव पर शायद फ़ायदा न दें, और सिर्फ वर्कफ़्लो पूरा करना "does not demonstrate a productivity improvement" यानी productivity में सुधार नहीं दिखाता s4। एक सह-निर्माता इसे बैकग्राउंड जॉब्स, परमिशन, डेटा बदलाव या नई सेवा की सीमा पर आज़माएगा s10। एक छोटे पायलट (हर तरफ तीन रन) ने पाया कि EGM ने सादे प्लान के ऊपर "added nothing over the plain plan, at about five times the cost" यानी कुछ नहीं जोड़ा, करीब पाँच गुना कीमत पर s5। हम इसे एक छोटे पायलट के रूप में उद्धृत करते हैं, नियम के रूप में नहीं।

race असली क्यों है। Notion के डॉक्स किसी प्रॉपर्टी के लिए atomic increment या conditional write नहीं देते, और writes पूरी वैल्यू बदल देती हैं s27। जो दो रिश्तेदार वही गिनती पढ़ते हैं, दोनों लिख सकते हैं, और एक रिज़र्वेशन खो जाती है।

हमारा अपना रन, ज्यों का त्यों। ये आँकड़े हमारे हैं, ऊपर के किसी सोर्स के नहीं। सेशन मॉडल Claude Sonnet 5.5, और रिव्यूअर उसी को inherit करते हैं। कीमतें Sonnet 5.5 पर API-समतुल्य हैं।

  • पूरे रिव्यू ने 5 क्रमिक चरणों में 9 रिव्यूअर subagents चलाए, और consolidated टर्न में 7 min 24 s लगे। पाँचों चरणों के कच्चे findings: 77। 12 एक्शन आइटम में समेटे गए, जिनमें 1 Blocker।
  • Resolve ने 37 issues बनाए: 4 ESCALATE, 5 CONTEST, 2 DECLINE, 26 PROPOSE FIX। उसने पहले रिव्यूअर को कोड से जाँचा और एक गलत finding पाई: एक रिव्यूअर ने कहा कि input.tsx unused हो गया, पर लॉगिन पेज अब भी उसे import करता है।
  • race के लिए रिव्यू का फिक्स-रुख लक्ष्य छोड़ देना था। हमने उसे contest किया। एक विजेता देने वाला डिज़ाइन उसी contest से निकला, और किसी रिव्यूअर ने उसे कभी नहीं पढ़ा।
  • मंज़ूर डिज़ाइन से ताज़ा सेशन में बिल्ड: 216 टेस्ट पास, और आखिरी यूनिट पर race टेस्ट में 30 में से 30 seeds पर एक सफलता और एक "full" आया।
  • कीमत: कोड से पहले (brainstorm, draft, review, resolve) $7.10 और मॉडल के 32 min। EGM के बिना कॉपी पर README फिक्स: $0.0455 और 10 s।

कोड

पाँच रेफ़रेंस फ़ाइलें। पहली चार आप अपने रेपो में कॉपी करें या खुली रखें। पाँचवीं हमारे रन की असली रिपोर्ट है, ताकि आप देख सकें कि आउटपुट कैसा दिखता है।

1. इंस्टॉल और अनइंस्टॉल। इसे अपने प्रोजेक्ट फोल्डर से चलाएँ, फिर नया सेशन शुरू करें।

egm-install.sh

#!/usr/bin/env bash
# Install Google's EGM plugin for this project only.
# Needs Claude Code 2.1.271 or later (the reviewers rely on omitClaudeMd).
claude plugin marketplace add google/elephant-goldfish-model
claude plugin install egm@egm --scope project

# Start a new Claude Code session now, so the plugin loads.
# The commands then show up with the /egm: prefix.

# Uninstall (run from the same project folder):
# claude plugin uninstall egm@egm --scope project
# claude plugin marketplace remove egm

egm-install.sh on GitHub

2. CLAUDE.md की लाइन। इसे अपने प्रोजेक्ट के CLAUDE.md में जोड़ें ताकि रिपोर्ट docs/egm में पहुँचें।

CLAUDE.md

<!-- Keeps EGM reports in one folder instead of the repo root. Create docs/egm or let EGM create it. -->
EGM artifact directory: docs/egm

CLAUDE.md on GitHub

3. रिव्यू चीट शीट। क्रम से कमांड, पाँच चरण और उनकी रिपोर्ट फ़ाइलें, resolve के लेबल का मतलब, और रिव्यूअर सेटिंग्स।

egm-review-cheatsheet.md

# EGM review cheat sheet

## The commands, in order

1. `/egm:egm-brainstorm <the feature in one sentence>` writes `concepts_brief.md`.
2. `/egm:egm-draft` writes the design document, one section at a time. You approve each section.
3. `/egm:egm-review <design>` runs the five review stages (below). Pick the consolidated mode to get one merged list.
4. `/egm:egm-resolve` turns the reports into one table of issues. You answer each one.
5. Open a fresh session and send:

```
Build the feature exactly to the approved design in docs/egm/<file>.md; add tests.
```

## The five review stages and their report files

| Stage | What it asks | Report file |
|---|---|---|
| 1. Initial Zoom Out Review | Does the design solve the right problem? | `zoom_out_report.md` |
| 2. Comprehension Review | Would a newcomer understand it? | `comprehension_report.md` |
| 3. Design Critique | Attacks the design, its structure and its wording | `critic_report.md` |
| 4. Intermediate Zoom Out Review | Zooms out again on the unedited design | `intermediate_zoom_out_report.md` |
| 5. Implementation Readiness | Checks each step against your real code | `implementation_readiness_report.md` |

The consolidated mode also writes `consolidated_review_report.md`. Resolve writes `goldfish_review_report.md`.

## What resolve's suggestions mean

- ESCALATE: the reviewers found a decision only you can make.
- CONTEST: the agent thinks the finding is wrong or the fix is too weak, and says why. You can still overrule it.
- DECLINE: the agent proposes not acting on the finding.
- PROPOSE FIX: the agent proposes an edit to the design.
- "auto accept": reply with these two words to batch-apply every PROPOSE FIX and skip CONTEST items. Decide the escalated issues first.

## Reviewer settings (Claude adapters)

```
tools: [Read, Grep, Glob]
model: inherit
omitClaudeMd: true
```

Read-only tools, the same model as your session, and no CLAUDE.md or other instruction files. This is context and tool isolation, not filesystem isolation: reviewers can read accessible files.

## Before you build

Reviewers read documents. They do not run code. If your design relies on an outside service behaving a certain way, run a check against a copy of the real thing before you ship.

egm-review-cheatsheet.md on GitHub

4. स्किप या रिव्यू चेकलिस्ट। बिल्ड प्रॉम्प्ट टाइप करने से पहले इसे पढ़ें।

skip-or-review.md

# Skip or review

Ask one question before you type the build prompt: if this is wrong, whose data, privacy, permissions or money does it touch?

## Run the EGM review when the change involves

- [ ] Data that several people write at the same time
- [ ] Privacy: something someone must not be able to see or work out
- [ ] Permissions: who can do, change or cancel what
- [ ] Money: a charge, a price, a balance, a refund
- [ ] A time rule, a background job or a new service boundary

## Use your normal workflow when

- [ ] The fix is small and clear and you can say it in one sentence
- [ ] You could one-shot it
- [ ] A wrong result is visible at once and costs nothing to undo

## What the README says

> Use it when a feature needs design decisions before implementation. For a small, clear bug fix, use your normal coding workflow.

## What the FAQ adds

> Design and review take time and may not pay off for a small, well-understood change.

> Completing the EGM workflow alone does not demonstrate a productivity improvement.

skip-or-review.md on GitHub

5. एक असली consolidated रिपोर्ट। यह परिवार की गिफ्ट-लिस्ट ऐप पर हमारे रन की रिपोर्ट है। देखें कि हर एक्शन आइटम अपने पीछे के चरण-findings की ओर कैसे इशारा करता है।

example-consolidated-report.md

<!-- The consolidated review report from our run on a family gift-list app. -->

# Consolidated Review Report

**Target:** `docs/egm/gift-reservations.md` (464 lines; FeatureRange 1-280, DetailedRange 281-464)
**Mode:** Consolidated report, all five stages, no checkpoints. No edits were applied to the document.
**Stage reports:** `zoom_out_report.md` (5), `comprehension_report.md` (6), `critic_report.md` (7), `intermediate_zoom_out_report.md` (8), `implementation_readiness_report.md` (9).

**Overall:** The design fits the problem and keeps Notion as the only store. It is not ready to implement. Five issues need decisions from the author, and the plan has errors a reader can check against the code: a build that breaks mid-sequence, a wrong HTTP status, and a wrong assumption about SDK retries.

## Blockers
Stage 8 raised one item to Blocker (A1). Stages 5, 6, 7 and 9 report none.

## Action items by priority

### 🔴 Blocker

**A1. Decide whether to drop the post-write re-read.** (Stage 5 ZO-2, Stage 6 CO-3/CO-6, Stage 7 CR-1/CR-2/CR-3/CR-8, Stage 8 Z8-1, Stage 9 IR-6)
Lines 28, 132-134, 159, 174, 220, 276, 360, 366, 415.
The re-read does not catch the main race (the document says so at line 174), assumes read-after-write consistency with no evidence, checks only `x`, adds a third Notion call, and leaves the cookie and response behaviour undefined when it fails. Goal 2 and the rejection of Alternative F rest on it. Stage 8 recommends removing it, along with `changed_meanwhile` and the "unverified" branch, rewriting Goal 2 as "reduces duplicate purchases, does not prevent them" and rewriting Alternative F around the real trade-off. If kept, every post-write failure needs a stated cookie and response behaviour. Decide this first: it closes or removes about eight other findings.

### 🟡 Major: design and scope

**A2. Fix the cookie's stated guarantees and the stale-record dead end.** (CR-4, CR-5, Z8-2, Z8-3, ZO-5)
Lines 32, 34, 85, 111, 114, 144-148, 246-250, 355.
A saved copy of the cookie can be replayed to cancel someone else's unit, and clearing the cookie bypasses the one-unit and 80-id limits. After the parents release a unit by hand, the stale cookie makes reserve fail with 409 `already_reserved`. State the real threat model (stops accidental cancels and casual tampering among about 30 relatives), and decide whether to keep the `already_reserved` guard and the 80-id cap.

**A3. Qualify "no identity is stored or logged", and decide on the bespoke log line.** (CR-6, Z8-4, CO-7)
Lines 29, 37, 270-271, 367.
Vercel request logs and Notion edit history, together with timestamped log lines, can let the parents correlate who reserved what. The log line is also specified three different ways.

**A4. Settle where configuration is checked, and the effect on the list route.** (ZO-4, Z8-5, CR-17, CO-12, IR-13)
Lines 36, 115, 117, 168, 394-395, 403.
The proxy 503 for `/api/registry*` changes the existing list GET route, which the plan doesn't list. Configuration is checked in the proxy, the routes and `canReserve`. The 401 versus 503 precedence is unspecified.

**A5. Reuse the existing HMAC helper.** (ZO-1, IR-8)
Lines 111, 324. `src/lib/auth.ts` already has `hmacBase64Url`. The plan writes a second implementation and leaves the crypto details (key import, base64url without `Buffer`, signed text) unspecified.

### 🟡 Major: factual errors and unstated assumptions

**A6. "Each step leaves the project building" is false.** (CO-2, IR-1, Z8-6)
Line 283. The build is red from item 8 through item 16. Group the changes into one landing phase or keep the old exports until the consumers go.

**A7. The deleted `PATCH` route returns 404, not 405.** (CO-5, CR-7, IR-2)
Lines 116, 181, 388, 458. Correct the claim and manual test 7. A 410 stub is an option, but Stage 8 advises against adding code for it.

**A8. Handler signatures ignore Next 16 async APIs.** (IR-3)
Lines 115, 378, 382, 402. `params` is a `Promise`, and `cookies()` is async.

**A9. The Notion SDK already retries 429s, and error classification is unspecified.** (IR-4, IR-5)
Lines 276, 339-345. "No automatic retry" is false unless `getClient` sets `retry: false`. Name how `rate_limited`, `not_found` and `retry-after` are detected, state the `pages.update` payloads, and reconcile the two signatures of `writeReservationState`. A missing `Acheté ?` returns 502 before the 422 check.

**A10. Undefined terms and sources.** (CO-1, CR-12, CO-4, CO-10, CO-14)
`concepts_brief.md`, "the owner", "reconciliation", "Public only" filter, `x` and `y`, and the data-source id are used without definition or link. Five places justify choices by process history a new reader cannot verify.

**A11. Required sections and rationale.** (CR-9, CR-10, CR-11)
There is no Risks & Mitigations section (the content is scattered). Alternatives A, J and M are rejected only on "the parents decided"; C and F lack the decisive trade-off. The Open Question at line 57 points to intro wording that is not in the plan.

**A12. Unresolved decisions in the plan.** (IR-6, IR-7, IR-9, IR-10, IR-11, IR-12)
Cancel error mapping, the cookie-change rule, response bodies, final French copy, the client rewrite details and automated test coverage for the Notion layer, routes, proxy and table.

### 🟢 Nit

*   **Simplicity.** Single `[action]` route instead of two files; delete the unused `checkbox.tsx` and `input.tsx`; remove the "Optional extras" question; revert to strict `x/y` parsing or fix the Goal wording; fold Alternatives G, H and I into Goals and Non-Goals. (ZO-6, ZO-8, Z8-7, Z8-8, Z8-9, CR-19)
*   **Structure.** Reorder Open Questions; split CUJ 4; add one error-path CUJ; fix the ambiguous state table and the packed response table; fix the "two new calls" list. (CR-13 to CR-16)
*   **Wording and terminology.** Unify `acheté`/`achete`/`Acheté ?` and `x/y` versus `acquise/totale`; remove filler and duplicated statements; fix French copy and apostrophes; pin `vitest`; split the dense reserve step 7 and `act` handler sentences. (CR-18, CR-20 to CR-24, IR-14 to IR-20)

## Traceability matrix

| Action item | Stage 5 | Stage 6 | Stage 7 | Stage 8 | Stage 9 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| A1 re-read | ZO-2 | CO-3, CO-6 | CR-1, CR-2, CR-3, CR-8 | Z8-1 | IR-6 |
| A2 cookie guarantees, stale record | ZO-5 | | CR-4, CR-5 | Z8-2, Z8-3 | |
| A3 identity and logging | | CO-7 | CR-6 | Z8-4 | IR-17 |
| A4 config checks, list route | ZO-4 | CO-12 | CR-17 | Z8-5 | IR-13 |
| A5 HMAC reuse | ZO-1 | | | | IR-8 |
| A6 build order claim | | CO-2 | | Z8-6 | IR-1 |
| A7 405 vs 404 | | CO-5 | CR-7 | Z8-7 | IR-2 |
| A8 async handler APIs | | | | | IR-3 |
| A9 SDK retry, error mapping | | | | | IR-4, IR-5 |
| A10 undefined terms | | CO-1, CO-4, CO-10, CO-14 | CR-12 | | |
| A11 risks section, rationale | | | CR-9, CR-10, CR-11 | | |
| A12 unresolved plan decisions | ZO-3 | CO-13 | | | IR-6 to IR-12 |
| Nits | ZO-6 to ZO-8 | CO-8, CO-9, CO-11, CO-15, CO-16 | CR-13 to CR-24 | Z8-7 to Z8-9 | IR-14 to IR-20 |

## Coverage and limits
- Stage 7 critics reviewed lines 1-280 only. Stage 9 reviewers audited lines 281-464 against the real code under `src/`.
- No stage reviewed any file outside the target document and the existing source files named above.
- Stage 8 ran on the unedited document, so its recommendations (drop the re-read, drop `already_reserved`, remove the proxy 503) are proposals for the author to decide, not settled findings.
- Reviewers cannot run the app. The claims about Next.js (404 versus 405) and the Notion SDK (retry defaults) come from the reviewers reading the code and type definitions in the repo and should be confirmed during the fix.

example-consolidated-report.md on GitHub

सोमवार को यह करें

  • claude --version जाँचें। आपको 2.1.271 या उससे नया चाहिए।
  • किसी प्रोजेक्ट में egm-install.sh की दो इंस्टॉल कमांड चलाएँ, फिर नया सेशन खोलें।
  • उस प्रोजेक्ट के CLAUDE.md में EGM artifact directory: docs/egm जोड़ें।
  • कोई ऐसा फीचर चुनें जो आपने अभी बनाया नहीं है और जहाँ गलती साझा डेटा, प्राइवेसी, परमिशन या पैसे को छुए। उस पर एक वाक्य में /egm:egm-brainstorm चलाएँ।
  • /egm:egm-draft चलाएँ, डिज़ाइन को सेक्शन दर सेक्शन मंज़ूर करें, फिर /egm:egm-review <design> चलाएँ और पाँचों रिपोर्ट पढ़ें।
  • /egm:egm-resolve चलाएँ। escalate किए गए issues का जवाब खुद दें, और हर उस फिक्स को contest करें जो आपका लक्ष्य कमज़ोर करे।
  • एक ताज़ा सेशन खोलें और भेजें: "Build the feature exactly to the approved design in docs/egm/.md; add tests." फिर जोखिम वाला रास्ता खुद टेस्ट करें।
  • अपने अगले छोटे, साफ फिक्स के लिए skip-or-review.md खोलें और सीधे अपने सामान्य वर्कफ़्लो पर जाएँ।

और आगे

जो दूसरी कमांड हमने छोड़ दीं। प्लगइन में /egm:egm-bootstrap और /egm:egm-drift-report भी हैं, जो मौजूदा कोडबेस के लिए दूसरा वर्कफ़्लो और साप्ताहिक drift जाँच हैं। हमने इन्हें नहीं चलाया, इसलिए ये कितनी अच्छी हैं, इस पर हम कुछ नहीं कहते।

दूसरे harness और मिले-जुले मॉडल। हमने सिर्फ Claude Code चलाया। रिव्यूअर model: inherit इस्तेमाल करते हैं, इसलिए वे हमारे सेशन मॉडल पर चले और उसके अंधे कोने साझा कर सकते हैं। हमने दूसरे harness या मॉडल मिलाकर नहीं आज़माए।

Plan Mode और दूसरे प्लानर। हमने EGM की तुलना Plan Mode या दूसरे प्लानिंग टूल से नहीं की। ऊपर का पायलट एकमात्र आमने-सामने की तुलना है जिसे हम उद्धृत करते हैं, और वह छोटा है।

हमारे रन की ईमानदार सीमाएँ।

  • race के लिए claim-ledger फिक्स तब निकला जब हमने रिव्यू को contest किया, और उसे किसी गोल्डफिश ने दोबारा रिव्यू नहीं किया।
  • यह फिक्स इस पर टिका है कि Notion एक साथ आए appends का एक ही क्रम रखता है। Notion का दस्तावेज़ इसका वादा नहीं करता।
  • 30 में से 30 का नतीजा Notion के स्टैंड-इन पर चला। असली डेटाबेस की कॉपी पर डिज़ाइन की अपनी race जाँच नहीं चली। शिप करने से पहले उसे चलाएँ।
  • रिव्यू दस्तावेज़ और कोड जाँचता है, और ऐप नहीं चला सकता। हमारी रिपोर्ट के दो फ्रेमवर्क दावे (404 बनाम 405, SDK retry defaults) कोड पढ़कर आए हैं, और रिपोर्ट कहती है कि उन्हें पक्का करें।
  • Rensin का 30% और फील्ड रिपोर्ट के आँकड़े उनके लेखकों के हैं, हमारे नहीं।

FAQ

क्या रिव्यूअर मेरा CLAUDE.md या हमारी चैट देखते हैं? नहीं। वे बातचीत को बाहर रखते हैं, और omitClaudeMd: true CLAUDE.md और दूसरी इंस्ट्रक्शन फ़ाइलों को छिपा देता है। वे फिर भी प्लान और कोई भी पहुँच वाली फ़ाइल पढ़ते हैं s2।

मेरी रिव्यू फ़ाइलें रेपो की रूट में क्यों हैं? Claude Code में डिफ़ॉल्ट रूप से कोई artifact डायरेक्टरी नहीं होती s23। CLAUDE.md में EGM artifact directory: लाइन जोड़ें।

क्या resolve में मुझे हर issue का जवाब देना होगा? नहीं। escalate किए गए issues का जवाब दें, फिर प्रस्तावित फिक्स एक साथ लागू करने के लिए "auto accept" लिखें। Contest किए गए आइटम छोड़ दिए जाते हैं s24।

क्या हरा टेस्ट सूट काफ़ी सबूत है? नहीं। हमारे 216 टेस्ट पास हुए, फिर भी असली Notion पर race जाँच बाकी थी। जोखिम वाला रास्ता खुद टेस्ट करें।

मुझे रिव्यू कब स्किप करना चाहिए? छोटे, साफ फिक्स के लिए, जैसा README कहती है s25। हमारे रन में वह फिक्स इसके बिना $0.0455 और 10 s में हो गया।

फ़ाइलें