プロの環境で見つけた短所について、個人プロジェクトでは出てこないことを詳しく教えてもらえる？グリーンフィールドタスクを扱うっていうのは、たくさんのライブラリを使うときのボイラープレートコードやファイル構造の設定のことを指してるのかな？

わあ、私の経験とは全然違うね。どんなツールセットを使ってるのか聞いてもいい？自家製の「AcmeCode」に制限されてるの？それとも、Claude CodeやCursorの最新モデルにフルアクセスできるの？私は小さなタスクでも大きなタスクでも、生成されるPRの精度が50%から90%の間で変わるのを見てる。人間が調整できる50%の使えるコードから、90%のソリューション（たまに100%の「おお、実際にできた、コメントなし、マージしよう」ってのもある）まで。これもスキルセットだと思う。エンジニアによっては、自分の要望をうまく伝えられる人もいれば、コーディングしながら考えるのが得意な人もいる。

これには同意する。短いスクリプトやマスターしたもののグルーコードを書くのには問題がなかった。でも、実際に助けが必要なところでは、逆に遅くなってる気がする。

FAANGでもそう。会話から判断すると、同僚よりもツールを使ってると思う。最初の数回はAIツールを試したけど、かなりのヒットアンドミスだった。でも12月頃からツールがかなり改善されて、効果的になったよ。プロトタイプをすごく早く作れるようになった。チェックインの準備ができることは少ないけど、仮定やアイデアを検証できる。LLMがデザインしてたAPIの重要な欠陥を指摘してくれたこともあって、その後のプロセスに進む前に調整できた。計画が決まったら、エージェントコーダーを使って小さなCLを作るのが一番の方法だね。自分とレビュアーが理解できる以上の速さでコードを生成したくないから。遅く感じるかもしれないけど、チェックインは実際には早く進む。全てが魔法のようにうまくいくわけじゃないけど、AIに導かれて暗い道に入ったこともあった。あるデザインがうまくいくって言われたけど、実際には少し古かったり、作ってるシステムに合わなかったりする理由があったから。だから、10倍の効果があるとは言えないけど、自分一人でやるよりは確実に早く進んでる。ユーザーの専門知識はまだ重要だし、昔よくあった問題は、小さなリファクタリングをしてからテストを手動で直さなきゃいけないこと。LLMに「XをAからBに移動して、テストの失敗を直して」って頼む方がずっと簡単だよ。それから数分後に戻って、やったことを確認して問題を直す。もう一つは、私たちが依存しているインフラも含めて、広いコードベースの可視性があること。過去の四半期に外部チームによってビルドが壊れたことが数回あって、LLMにタイムフレームと問題の説明を与えたら、正確な外部の失敗を教えてくれた。もしそうじゃなかったら、問題を解決するのにどれくらい時間がかかったか分からない。テストで見逃された問題だったから。とはいえ、その壊れた部分がLLMの使用によって引き起こされたのかは疑問だ。最近、仕事がこんなに楽しいのは久しぶりで、これらのツールが自分の職業的安定にどう影響するのかちょっと不安だけど、今の時点でジーニーを瓶に戻す方法が分からない。

論理的にはその通りだね。FANGのコードベースはすごく大きくて、何年も前からのもので、オープンソースのフレームワークを使ってるわけじゃなくて、社内ライブラリやフレームワークを使ってるから、AnthropicやOpenAIには全く見えないんだよね。だから、これらは推論や思考をする機械じゃなくて、確率的な（画像/テキスト）生成器だから、見たことがないものは生成できないんだ。

こっちも同じ感じ。コードベースが大きすぎて複雑だから、正しいパターンを見つけるのが難しいんだよね。たまにはうまくいくけど、タスクが小さいほど良い感じ。

「まだうまくプロンプトできて、動くコミットを得たことがないんだけど、何を作ってるのか聞いてもいい？」

すごいことになってるね。こっちは逆の立場だよ。この2ヶ月で多分1万行の動くコードをプロンプトした。最初はテラフォームから始めたんだけど、これはもう完璧に理解してる。95%の確率でうまくいくし、どこで間違うかも分かってるから、その点に注意してる。（新しいプロジェクトや既存のリポジトリ、他のコラボレーターとも一緒に作業してる）次は大規模データ処理プロジェクトに移ったけど、これも順調で、小さなインデックスの問題を診断するためにシニアエンジニアが30秒で特定してくれた。（でも、何が分からないのか分からないこともあって、1週間も悩んでた）その間、同僚がデータのサンプルを欲しがってたから、それを作ったんだ。（解凍せずにzipから抽出）彼はランダム化されたものを一発で求めてきたから、すぐに完成。次は5つのカテゴリーでランダム化してほしいと言われて、さらにサンプルサイズを10倍にしてほしいって。データリクエストは変換が終わる前に完了したよ。以前ならそれに3時間かかってたし、技術的な限界にぶつかってたかも。モニタリングスタックも構築したし、サーバーを設定して、何十もの問題をトラブルシューティングするのに使った。できなかったことができるようになったし、難しかったことも簡単にできるようになった。簡単にできてたことは、今は速く簡単にできる。君の全然違う体験は本当に驚きだし、理解できないよ。（目を開かせてくれてありがとう）

実際にAIモデルにどうやってプロンプトを与えてるか、例を教えてくれない？みんなの体験の違いはプロンプトや期待に関係してる気がするんだよね。

FAANGのエンジニアではないけど、かなり大きな会社で働いていて、あなたの言ってることには1000%同意です。どれだけ多くの「コメントする人たち」が出てきて、あなたがxやyを間違ってるって言ってくるか、ほんとに狂ってる。彼らはそんな風に言わないかもしれないけど、「あなたのプロセスはどうなってるの？この製品を試したことある？」みたいな質問の形を使って、あなたの経験を完全に無視する微妙な方法をとってるんだよね。