Agentic Coding আসলে কী? সংজ্ঞা, ওয়ার্কফ্লো, আর আপনি কোথায় ফিট করেন

Agentic coding কী? (TL;DR)

Agentic coding হলো সফটওয়্যার বানানোর এমন এক উপায়, যেখানে শুধু autocomplete নয়, একটা autonomous AI agent আপনার দেওয়া goal নেয়, একটা plan বানায়, পুরো repo জুড়ে কোড লেখে ও এডিট করে, টেস্ট আর build রান করে, রেজাল্ট পড়ে, আর নিজের ভুল নিজেই একটা loop-এ ফিক্স করে। প্রতিটা লাইন নিজে টাইপ করার বদলে আপনি হাই-লেভেল ডিসিশনগুলো রিভিউ ও steer করেন।

আসল পার্থক্যটা loop-এ, model-এ না। পুরনো-ধাঁচের AI-assisted coding-এ আপনি টাইপ করেন, AI একটা suggestion দেয় যা আপনি accept বা reject করেন — loop-টা এক কিস্ট্রোক লম্বা। Agentic coding-এ আপনি একটা outcome বর্ণনা করেন, আর agent একটা মাল্টি-স্টেপ loop চালায়, যতক্ষণ না সেই outcome-এ পৌঁছায় বা আবার আপনার কাছে ফিরে আসে।

সহজ একটা উদাহরণ। আপনার goal — "API-তে rate limiting যোগ করো।" একটা agentic টুল codebase সার্চ করে request handler খুঁজে বের করে, ঠিকঠাক insertion point বেছে নেয়, middleware লেখে, টেস্ট যোগ করে, রান করে, দুটো fail দেখে, window logic-এর off-by-one bug ফিক্স করে, আবার রান করে যতক্ষণ না green হয়, আর আপনার রিভিউয়ের জন্য একটা diff নিয়ে ফেরত আসে। আপনি একটা ফাইলও খোলেননি। কিন্তু limit policy, storage backend, আর diff-টা merge করার মতো ভালো কি না — এসব আপনিই ঠিক করেছেন।

এই একটা পার্থক্য — closed verification loop-সহ autonomy, অথচ পুরো accountability আপনার কাছেই — এটাই agentic coding-কে autocomplete আর "vibe coding" দুটো থেকেই আলাদা করে। এটা maturity ladder-এও পরিষ্কারভাবে বসে যায়: agentic coding AI-Native Developer model-এর Level 3-এ on হয় আর Level 4, 5-এ multi-agent orchestration পর্যন্ত স্কেল করে।

কোথায় আছেন বুঝতে পারছেন না? ৩ মিনিটে আপনার AI-native level জেনে নিন। এটা ঠিক নিচের behavior-গুলোই গ্রেড করে।

Agentic coding vs AI-assisted coding vs vibe coding

এই তিনটা টার্ম সবসময় গুলিয়ে যায়, অথচ এগুলো আপনার আর model-এর মধ্যে সত্যিকারের আলাদা তিনটা সম্পর্ক বোঝায়। এদের আলাদা করার সবচেয়ে সহজ উপায় হলো দুটো প্রশ্ন করা: AI-এর কতটা autonomy আছে, আর যে কোড ship হচ্ছে তার মালিক আসলে কে?

Dimension	AI-assisted coding	Vibe coding	Agentic coding
কে কোড লেখে	আপনি, suggestion সহ	AI, prompt থেকে	AI, আপনার direction-এ
Autonomy	একবারে একটা suggestion	পুরো flow generate করে	Loop-এ plan, execute, verify, iterate করে
আপনি কোড পড়েন?	হ্যাঁ, প্রতিটা লাইন	প্রায়ই না	হ্যাঁ, আপনি diff রিভিউ করেন
কে রিভিউ / ভেরিফাই করে	আপনি, ম্যানুয়ালি	প্রায়ই কেউ না	Agent টেস্ট রান করে; আপনি merge approve করেন
দায়ভার কার	আপনার	অস্পষ্ট	আপনার; architecture আর quality আপনারই থাকে
সবচেয়ে ভালো ব্যবহার	দৈনন্দিন এডিটিং	Prototype, demo, শেখা	রিয়েল প্রোডাকশন টাস্ক, শুরু থেকে শেষ

AI-assisted coding হলো autocomplete-আর-chat-এর যুগ: tab-completion, inline suggestion, একটা chat window যেখানে আপনি copy-paste করেন। AI এখানে productivity multiplier, কিন্তু প্রতিটা লাইন design, লেখা আর বোঝার দায়িত্ব আপনারই। Apiiro যেভাবে বলে, AI-assisted tooling-এ মানুষই প্রতিটা লাইন design ও লিখতে থাকে, AI শুধু multiplier হিসেবে কাজ করে।

Vibe coding টার্মটা Andrej Karpathy ২০২৫ সালে জনপ্রিয় করেছিলেন — natural language দিয়ে সফটওয়্যার বানানো, underlying কোড প্রায় না পড়েই, না এডিট করেই: আপনি যা চান বলে দেন আর যা ফেরত আসে সেটা accept করেন। Prototype, demo আর শেখার জন্য এটা দারুণ, কিন্তু production-এর জন্য ঝুঁকিপূর্ণ, ঠিক এই কারণেই যে কেউ কোডটা পড়ছেই না। আমাদের ladder-এ এটা off-ladder "Vibe Builder" archetype — নতুন প্রজন্মের creator, যে no-code AI টুল দিয়ে রিয়েল প্রোডাক্ট ship করে আর কখনো traditional কোড লেখে না।

Agentic coding বসে থাকে disciplined assistance আর free-form vibing-এর মাঝখানে। Agent goal-driven আর autonomous — মিনিমাল hand-holding নিয়ে plan, execute, verify, iterate করে — কিন্তু architecture, code quality আর engineering judgment-এর পুরো দায়িত্ব আপনারই থাকে। Vibe Coding vs. Agentic Coding-এর একাডেমিক taxonomy অনুযায়ী (Sapkota, Roumeliotis, Karkee, arXiv 2505.19443), vibe coding হলো intuitive, human-in-the-loop, prompt-based কাজ, আর agentic coding হলো autonomous, goal-driven agent, যারা মিনিমাল human intervention নিয়ে plan, execute, test আর iterate করে। লেখকদের যুক্তি — ভবিষ্যৎ আসলে দুটোরই hybrid। এরা প্রতিদ্বন্দ্বী না। সোমবার আপনি একটা throwaway prototype vibe করবেন, আর বৃহস্পতিবার production rewrite-এ একটা disciplined agentic loop চালাবেন।

Agentic coding কীভাবে কাজ করে: plan, build, verify, iterate loop

টুলিং বাদ দিলে প্রতিটা agentic coding session আসলে একই closed loop। Tweag-এর practitioner write-up-এ এটাকে বলা হয়েছে plan, build, verify, iterate: একজন ইঞ্জিনিয়ার plan লেখেন, agent curated context নিয়ে কোড generate করে, validation রান করে, আর নির্দিষ্ট মান পূরণ না হওয়া পর্যন্ত refine করতে থাকে — architectural আর business ডিসিশনের জন্য human oversight রেখে। প্রতিটা স্টেপে আসলে কী হয়, দেখা যাক।

১. Plan

কোনো কোড লেখার আগেই, আপনি (বা আপনার sign-off নিয়ে agent) একটা implementation plan লেখেন: goal, constraint, edge case, আর একটা step-by-step approach। পুরো workflow-এর মধ্যে এটাই সবচেয়ে বড় quality lever। একটা vague prompt একটা confident কিন্তু ভুল diff তৈরি করে; একটা রিয়েল plan তৈরি করে এমন কিছু যা রিভিউ করা যায়। আমাদের ladder-এ এই discipline-কেই বলা হয় plan-before-code, আর এটাই Level 3 Agentic Developer-এর সংজ্ঞায়িত সিগন্যাল।

২. Build

Agent curated context ব্যবহার করে কোড generate ও এডিট করে: আপনার repository, internal doc, API schema, database structure। এই context-এর বেশিরভাগটাই MCP (Model Context Protocol) আর tool call-এর মাধ্যমে wire করা থাকে, তাই agent আপনার training data-য় বেক করা আন্দাজের বদলে আপনার আসল সিস্টেম নিয়ে কাজ করে।

৩. Verify

Agent টেস্ট, linter, type checker আর build রান করে, আর আউটপুটটাকে feedback হিসেবে পড়ে। এটাই সেই জায়গা যেখানে agent autocomplete থেকে আলাদা হয়ে যায়। Autocomplete suggest করে আর ভুলে যায়। Agent নিজের কাজ execute করে, red দেখে, আর সেই failure-কে নতুন তথ্য হিসেবে treat করে।

৪. Iterate

Agent যে failure পায় সেটা ফিক্স করে, আর loop আবার রান করে (patch, test, read, আবার patch) — যতক্ষণ না goal আর টেস্ট পাস করে, বা এমন কিছুর মুখোমুখি হয় যেটা নিজে resolve করতে পারে না আর আপনার কাছে escalate করে। এই verification loop-টাই একটা agent যেটা ship করে আর একটা agent যেটা hallucinate করে — এই দুটোর মধ্যে পার্থক্য। প্রতিবার merge-এর দায়িত্ব আপনারই থাকে। এই কারণেই সবচেয়ে শক্তিশালী AI-native ইঞ্জিনিয়াররা একটা reusable verification harness বানান, যাতে agent-কে নিজের কাজ প্রমাণ করতে হয়, শুধু দাবি করলেই চলে না।

AI-native maturity ladder-এ (L1 থেকে L7) agentic coding কোথায় বসে

এখানেই সেই অংশ, যেটা কোনো glossary বা vendor page আপনাকে বলবে না: agentic coding কোনো binary না, যা আপনি হয় "করেন" নয়তো "করেন না।" এটা এমন একটা capability, যা ইঞ্জিনিয়ার হিসেবে আপনার growth-এর একটা নির্দিষ্ট পয়েন্টে on হয়, তারপর scale করে। ProCoders-এর AI-Native Developer model সাতটা নামযুক্ত level জুড়ে এই growth-কে গ্রেড করে, আর agentic coding একদম সেই অনুযায়ীই বসে যায়।

L1, Chat-Assisted Developer (The Old-School Artisan)। আপনি chat-এ AI-এর সাথে consult করেন আর কোড হাতে কপি করে আনেন। শক্তিশালী classic ইঞ্জিনিয়ার, কিন্তু প্রজেক্টটা থাকে আপনার মাথায়, কোনো agent-এর context-এ না। Pre-agentic।

L2, AI-Assisted Junior (The Delegator)। AI assistant mode-এ কোড লেখে, কিন্তু আপনি তবু প্রতিটা লাইন হাতে চেক করেন আর বেশিরভাগ সময় এক chat session-এ কাজ করেন। আপনি প্রথম MCP wire করেছেন। তবু pre-agentic — এটা AI-assisted coding, agentic coding না।

L3, Agentic Developer (The Agentic Native)। এখানেই agentic coding on হয়। Agent আপনার মূল production mechanism: আপনি একে রিয়েল plan, build, verify, iterate loop-এর মধ্য দিয়ে চালান, CLAUDE.md / AGENTS.md-এ project memory রাখেন, আর verification বানান যাতে agent-এর কথায় বিশ্বাস করে বসে না থাকতে হয়। একটা agent, রিয়েল টাস্ক, disciplined loop। এটাই agentic coding-এর core form।

L4, AI-Native System Builder (The Director)। আপনি রুটিন টাইপ করা বন্ধ করে direct করা শুরু করেন। আপনি git worktree জুড়ে একসাথে একাধিক agent orchestrate করেন, reusable harness বানান, CI-তে eval যোগ করেন, আর safety policy সেট করেন। System scale-এ agentic coding।

L5, AI Engineering Architect (The Orchestrator)। আপনি কোম্পানি-জোড়া agent stack design করেন: model-routing policy, cost আর telemetry dashboard, একটা eval platform, MCP governance, security boundary। Agentic coding একটা platform হিসেবে, ব্যক্তিগত workflow না।

L6, AI-Native Methodologist। আপনি portable method, harness আর skill-pack বানান যেগুলো অন্য টিম adopt করে, আর অন্য ডেভেলপারদেরও ladder-এ ওপরে তুলতে সাহায্য করেন।

L7, Universal AI Creator। Role-গুলো blur হয়ে যায়। Agent নিয়ে আপনি একা একটা feature পুরো cycle-এর মধ্য দিয়ে নিয়ে যান (research, spec, production, promotion) আর যেকোনো ধরনের artifact তৈরি করেন।

আর ladder-এর একদম বাইরে: Vibe Builder — যে no-code AI টুল দিয়ে রিয়েল প্রোডাক্ট ship করে আর কখনো traditional কোড লেখে না। ভিন্ন প্রজাতি, ভিন্ন খেলা: shipping-এ fluent, কিন্তু agentic engineering করছে না। পুরো তুলনার জন্য দেখুন vibe coding।

আপনার level কোনটা? ৩ মিনিটের quiz দিন, অথবা পুরো L1 থেকে L7 framework দেখুন।

২০২৬-এ agentic coding টুল (ল্যান্ডস্কেপ)

"agentic coding tools" প্রশ্নটাই সবচেয়ে commercial প্রশ্ন যা সার্চাররা করে, তাই এখানে র‍্যাঙ্কড লিস্টের বদলে একটা tool-agnostic map দেওয়া হলো। ক্যাটাগরিটা কয়েকটা শেপে ভাগ হয়:

• Terminal-native agent, যারা আপনার shell-এ থাকে আর সরাসরি আপনার repo চালায় (যেমন, Claude Code)।
• IDE-anchored agent, editor-এর মধ্যে built-in (যেমন, Cursor)।
• Cloud / async task runner, যাকে আপনি একটা ticket দেন আর পরে চেক করেন (যেমন, OpenAI Codex)।
• Autonomous delegate, যারা একটা পুরো টাস্ক শুরু থেকে শেষ পর্যন্ত নিতে চায় (যেমন, Devin)।
• Open-source, git-first option, যে টিম নিজেই harness-এর মালিক হতে চায় তাদের জন্য (যেমন, Aider, Cline)।

২০২৬-এর শুরুর সবচেয়ে বড় shift হলো multi-agent। Morph-এর মতে, ২০২৬-এর ফেব্রুয়ারি নাগাদ প্রতিটা বড় coding tool multi-agent support ship করেছে: Claude Code agent teams, parallel agent চালানো Windsurf, Grok Build, আর Agents SDK-এর মাধ্যমে Codex CLI-র parallel execution — single-agent থেকে orchestrated multi-agent coding-এ move-এর চিহ্ন। আমাদের ladder-এ এটাই ঠিক L3 (একটা agent, একটা loop) থেকে L4 আর L5-এ (অনেক agent, একজন orchestrator) লাফ।

Benchmark কীভাবে পড়বেন। দুটো সংখ্যা বারবার আসে। SWE-bench Verified রিয়েল GitHub issue-তে autonomous code-fix quality মাপে; Terminal-Bench রিয়েল shell-এ end-to-end task completion মাপে। মডেল তুলনার জন্য এগুলো কাজে লাগে। llm-stats.com অনুযায়ী, ২০২৬-এর মাঝামাঝি SWE-bench Verified-এ Anthropic মডেলরা এগিয়ে — Claude Fable 5 প্রায় ৯৫.০%, Claude Mythos Preview প্রায় ৯৩.৯%, আর Claude Opus 4.8 প্রায় ৮৮.৬%। যে caveat-টা গুরুত্বপূর্ণ: benchmark আপনার codebase না। যে মডেল SWE-bench-এ দারুণ করে, সেই মডেলই একটা জটিল, bespoke tooling-ওয়ালা monorepo-তে হোঁচট খেতে পারে। Benchmark-কে capability-র floor হিসেবে ধরুন, আপনার repo সম্পর্কে কোনো প্রমিস হিসেবে না।

সুবিধা, ঝুঁকি, আর best practices

সঠিক কাজের ক্ষেত্রে সুবিধাগুলো রিয়েল। Agentic coding সবচেয়ে বেশি pay off করে SDLC-এর structured, well-specified, repetitive অংশগুলোতে। IBM-এর রিপোর্ট বলছে, agentic আর orchestrated SDLC workflow বড় productivity gain দিতে পারে — SDLC টাস্কে মোটামুটি ২০ থেকে ৮০% productivity improvement, repetitive কাজে ৯০%+ সময় বাঁচানো, আর জটিল engineering কাজে ২০ থেকে ৪০% দ্রুত delivery। এগুলো vendor-রিপোর্টেড সংখ্যা, তাই এগুলোকে আপনার টিমের জন্য গ্যারান্টি না ধরে দিক-নির্দেশনা হিসেবে পড়ুন। তবে দিকটা যথেষ্ট স্পষ্ট।

ঝুঁকিগুলোও ঠিক ততটাই রিয়েল। Apiiro অনুযায়ী, agentic coding-এর মূল ঝুঁকিগুলোর মধ্যে আছে introduced vulnerability, unvetted dependency, business-logic flaw, compliance gap, error escalation, আর data exposure। যে agent আপনার পুরো repo এডিট করতে পারে আর shell চালাতে পারে, সেটা ঠিক ততটাই powerful, যতটা ungoverned থাকলে বিপজ্জনক।

যে best practice-গুলো আসলেই ফারাক গড়ে দেয়:

• প্রম্পট করার আগে প্ল্যান করুন। Risk আর acceptance criteria-সহ একটা লিখিত plan সবসময় একটা চালাক এক-লাইনার প্রম্পটকে হারিয়ে দেয়।
• Human code review বাধ্যতামূলক করুন। যা মার্জ করছেন, তার মালিক আপনি।
• টেস্ট আর CI-কে verification gate হিসেবে treat করুন। Green না হলে, done না।
• Dependency স্ক্যান আর security testing চালিয়ে যান। Agent এমন প্যাকেজ টেনে আনে, যা আপনি নিজে বেছে নেননি।
• Permission scope করুন আর audit log রাখুন। Apiiro-র সুপারিশ করা control হলো scoped governance, বাধ্যতামূলক review, dependency scanning, audit logging, আর continuous security testing।

সারকথা: agentic coding ভালো engineering judgment-কে যতটা amplify করে, খারাপ judgment-কেও ঠিক ততটাই বিশ্বস্তভাবে amplify করে। Governance-ই multiplier। এই কারণেই আমাদের model-এর উঁচু level-গুলো harness, eval, আর policy নিয়ে — শুধু টাইপিং স্পিড নিয়ে না।

এরপর কোথায় যাবেন

এতদূর পড়ে ফেললে, আপনার নিজের level সম্পর্কে ইতিমধ্যে একটা আন্দাজ হয়ে গেছে। সেটা কনফার্ম করে নিন। ৩-মিনিটের quiz ঠিক ওপরের behavior-গুলোই গ্রেড করে (plan-before-code, verification, MCP, multi-agent orchestration), আর আপনাকে L1 থেকে L7 AI-Native Developer ladder-এ বসিয়ে দেয়, এক ধাপ ওপরে ওঠার concrete next move সহ।