AI-native ডেভেলপারের কয়টা স্কিল আছে?

১৭টা। এগুলো কভার করে agentic coding আর model routing (স্কিল 1 আর 10), tooling ও context — MCP, skills/plugins, project memory (2, 3, 4), planning ও research (5, 6), verification ও quality (9, 11, 16), orchestration ও autonomy (7, 8, 12, 13, 14), safety ও ops (15), আর craft ও universality (17)। প্রতিটা স্কিল একটা লেভেলের সাথে বাঁধা যেখান থেকে সেটা norm হয়, আর একটা numeric KPI আছে।

আমার কোন লেভেলে থাকা উচিত?

এটা আপনার role-এর উপর নির্ভর করে, তবে বেশিরভাগ working ইঞ্জিনিয়ারের জন্য প্র্যাক্টিক্যাল টার্গেট হলো L3 থেকে L4। L3 (Agentic Developer) মানে agent-ই আপনার main production mechanism, সাথে planning, verification, MCP, আর project memory জায়গামতো আছে। L4 (System Builder) যোগ করে parallel agents, CI-তে evals, safety gates, আর reusable harness। L5 তাদের জন্য যারা company-wide agent stack ডিজাইন করে। আপনি আসলে কোথায় আছেন দেখতে /quiz-এ টেস্ট দিন।

কোন AI-native স্কিলগুলো সবচেয়ে বেশি গুরুত্বপূর্ণ?

ফাউন্ডেশন হলো স্কিল #১ (agent দিয়ে কোড), #৫ (plan-before-code), আর #৯ (verification harness)। এই তিনটা AI ব্যবহারকে chat-assisted copy-paste থেকে disciplined agentic engineering-এ পাল্টে দেয়: আপনি agent-কে delegate করেন, plan ছাড়া কখনো শুরু করেন না, আর agent-এর কথা কখনো বিনা প্রমাণে মেনে নেন না। L4 ক্লাস্টারের বাকি সব — parallel agents, evals, model routing, safety gates — এই বেসের উপর দাঁড়িয়ে।

প্রতিটা স্কিল কখন norm হয়ে যায়?

স্কিল #১ L2-তে norm হয়ে যায়। L3 ক্লাস্টার — MCP (#2), skills আর plugins (#3), project memory (#4), plan-before-code (#5), আর verification harness (#9) — AI-native Middle-এর জন্য bar। বাকি বেশিরভাগ স্কিল (#6, #7, #8, #10, #11, #13, #14, #15, #16, #17) L4-তে norm হয়। পূর্ণ autonomous PRD-to-result orchestration loop (#12) হলো L5-এর norm।

AI-native স্কিলগুলো কীভাবে মেজার করা হয়?

প্রতিটা স্কিলের একটা concrete KPI আছে, কোনো vibe না। উদাহরণ: routine কোডের অন্তত ৮০% agent দিয়ে (strong হলো ১০০%); প্রজেক্ট প্রতি অন্তত ২টা working MCP (senior-দের জন্য 4+); ২ ঘণ্টার বেশি টাস্কের ১০০%-এর একটা plan artifact আছে; ৮০% PR-এ evidence check আছে (senior-দের জন্য ৯০–৯৫%); সর্বোচ্চ ৩টা human intervention সহ 5+ ঘণ্টার একটা autonomous run। এই পেজের metrics টেবিলটা L2 থেকে L5 পর্যন্ত headline number-গুলো ট্র্যাক করে।

AI-Native ডেভেলপারের ১৭টি স্কিল

AI-native ডেভেলপারের ১৭টি স্কিল হলো ProCoders-এর একটা concrete চেকলিস্ট — এমন ইঞ্জিনিয়ারদের জন্য যারা নিজে হাতে কোড না লিখে agent-কে direct করেন। এগুলো কভার করে agentic coding আর model routing, tooling এবং context (MCP, skills, project memory), planning ও research, verification ও evals, multi-agent orchestration, safety gates, আর result demo। প্রতিটা স্কিলের একটা লেভেল আছে যেখান থেকে সেটা norm হয়ে যায়, আর একটা measurable KPI।

১৭টি স্কিল আসলে কী

১৭টি AI-native স্কিল হলো ৭-লেভেল AI-Native Developer মডেলের operational backbone। লেভেলগুলো বলে আপনি কতটা mature (L1 Chat-Assisted থেকে L7 Universal AI Creator পর্যন্ত); ১৭টি স্কিল বলে সেখানে পৌঁছাতে আপনি আসলে কী করেন। প্রতিটা স্কিল একটা লেভেলের সাথে বাঁধা, যেখান থেকে সেটা norm হয়ে যায়, একটা numeric KPI আছে যেটা দেখায় আপনি সত্যিই সেটা করছেন কিনা, আর সাথে থাকে ProCoders-এর সাজেস্ট করা টুলস।

স্কিলগুলোকে একটা progression হিসেবে পড়ুন, flat list হিসেবে না। স্কিল #১ (agent দিয়ে কোড) শুরু হয় L2-তে। L3 ক্লাস্টার agent-কে trustworthy বানায়: MCP, skills ও plugins, project memory, planning, verification। বড় L4 ক্লাস্টার আপনাকে coder থেকে director বানিয়ে দেয়: research, harnesses, parallel agents, model routing, evals, worktrees, remote control, safety gates, code review, আর demos। স্কিল #১২ (পূর্ণ autonomous PRD-to-result orchestration) হলো L5-এর capstone।

১৭টি স্কিল এক নজরে

#	স্কিল	Norm from	কী প্রমাণ করে
1	আমার Claude (বা equivalent) আছে, হাতে কোড লিখি না	L2	Agent-ই আপনার main production mechanism, chat consultant না
2	MCP ইনস্টল করা আছে	L3	Agent আপনার real সোর্সের সাথে wired: docs, repo, DB, issues
3	Skills আর plugins ইনস্টল করা আছে	L3	Repeatable workflow, ad-hoc prompting না
4	Project memory repo-র অংশ	L3	প্রজেক্টের knowledge repo-তে থাকে, শুধু আপনার মাথায় না
5	Plan-before-code	L3	approved plan ছাড়া কোনো implementation শুরু হয় না
6	Planning-এর সময় Playground আর deep-research স্কিল	L4	Hard task-গুলো কোড লেখার আগে research আর prototype করা হয়
7	প্রজেক্ট-specific harness বানায়; repeat-কে স্কিলে পরিণত করে	L4	বারবার হওয়া সমস্যাগুলো productize করেন, re-prompt করেন না
8	Parallel agents / subagent-driven development	L4	একটা chat না, একটা টিম অফ roles চালান
9	Verification harness — AI নিজেকে টেস্ট করে	L3	Trust না, evidence: agent নিজের কাজ প্রমাণ করে
10	Speed আর token-এর জন্য model routing	L4	প্রতিটা কাজের জন্য সঠিক model, ট্র্যাক করা ও justified
11	Eval-driven improvement / acceptance-criteria loop	L4	প্রতিটা ticket-এর acceptance criteria আছে যা agent-কে meet করতে হয়
12	পুরো autonomous PRD-to-result সাইকেল অর্কেস্ট্রেট করে (>5h)	L5	আপনি supervise করার সময় agent একটা delivery loop চালায়
13	Worktrees দিয়ে concurrent development	L4	একাধিক টাস্ক isolated চলে, file collision ছাড়া
14	Notification / mobile control সহ remote mode	L4	যেকোনো জায়গা থেকে long-running agent স্টিয়ার করেন
15	Hooks / permissions / safety gates কনফিগার করে	L4	Deterministic guardrails, zero leaked secrets
16	আলাদা প্রসেস হিসেবে AI code review	L4	যে লেখে, সে কখনো reviewer না
17	Result demonstration: video demo, interactive report	L4	Shipping-এ AI দিয়ে জেনারেট করা result দেখানোটাও থাকে

গভীরভাবে ১৭টি স্কিল

Agentic coding ও model routing (স্কিল 1, 10)

১. আমার Claude (বা equivalent) আছে, হাতে কোড লিখি না (L2)। কোড লেখা, বদলানো আর refactor করার primary mechanism হিসেবে আপনি একটা AI agent ব্যবহার করেন; কিবোর্ডে হাত দেন শুধু surgical fix, critical patch, বা architecture কল-এর জন্য। KPI: baseline হলো routine কোডের অন্তত ৮০% agent দিয়ে, strong হলো ১০০%, সাথে সপ্তাহে অন্তত একটা AI-generated PR। টুলস: default হিসেবে Claude Code, Codex, Cursor, বা Antigravity-ও acceptable; artifact হলো PR, agent log, আর diff summary। দেখুন agentic coding tooling map।

১০. Speed আর token-এর জন্য model routing (L4)। কাজের সাথে মিলিয়ে model বেছে নেন: architecture আর debugging-এর জন্য strong reasoning model, implementation-এর জন্য fast model, coding ও review-এর জন্য code model, docs আর summary-র জন্য cheap model। KPI: ২ ঘণ্টার বেশি টাস্কের জন্য model choice রেকর্ড করা থাকে, অন্তত ২টা model tier; senior-রা PR প্রতি cost/time log সহ 3+ model/route চালান। টুলস: Claude Opus/Sonnet, Codex, Cursor models, Antigravity। বিস্তারিত tooling guide-এ routing নিয়ে।

Tooling ও context (স্কিল 2, 3, 4)

২. MCP ইনস্টল করা আছে (L3)। আপনি agent-কে কানেক্ট করেন working সোর্সের সাথে: documentation, GitHub, database, Linear/Jira, browser, Context7, Supabase/Postgres, logs, CI/CD — আর permissions ও blast radius বোঝেন। KPI: প্রজেক্ট প্রতি অন্তত ২টা working MCP, senior-দের জন্য 4+ (docs/library lookup আর issue/repo access সহ), 0টা exposed secret। টুলস: .mcp.json, Context7 MCP, GitHub MCP, Supabase/Postgres MCP, Playwright/browser MCP। দেখুন tooling guide।

৩. Skills আর plugins ইনস্টল করা আছে (L3)। Planning, TDD, review, debugging, docs, harness, আর deployment-এর standard workflow হিসেবে আপনি skill/plugin system ব্যবহার করেন। KPI: অন্তত ৫টা active skill, যার মধ্যে অন্তত ৩টা আপনার শেষ ৫টা টাস্কে actually ব্যবহৃত হয়েছে; senior-রা নিজের skill লিখতে পারেন। টুলস: Superpowers plugin (Anthropic-এর official marketplace), anthropics/claude-code-skills, Superpowers-V, Claude /skills, Codex skills/plugins; artifact হলো skills/*/SKILL.md আর skill usage log।

৪. Project memory repo-র অংশ (L3)। আপনি প্রজেক্টের memory মেইনটেইন করেন — architecture, rules, conventions, known issues, test commands, library decisions, domain facts — আর টাস্ক, ভুল আর review-এর পরে সেটা আপডেট করেন। KPI: প্রতিটা production repo-তে AGENTS.md বা CLAUDE.md আছে, প্রতিটা significant PR-এর পর অন্তত ১টা আপডেট, আর memory কখনো ১৪ দিনের বেশি stale থাকে না। টুলস: AGENTS.md, CLAUDE.md, .github/copilot-instructions.md, docs/superpowers/*।

Planning ও research (স্কিল 5, 6)

৫. Plan-before-code (L3)। কোনো কোডের আগে, agent repo স্টাডি করে একটা plan বানায়: file map, risks, acceptance criteria, test strategy, rollback strategy। Plan নেই মানে কোড নেই। KPI: ২ ঘণ্টার বেশি সব টাস্কের ১০০%-এর একটা plan artifact আছে (goal, affected files, tasks, verification, rollback), আর approved plan ছাড়া implementation শুরু হতে পারে না। টুলস: Superpowers brainstorming আর writing-plans, Claude Plan Mode, premortem skill; artifact থাকে docs/superpowers/plans/-এ।

৬. Planning-এর সময় Playground আর deep-research স্কিল (L4)। কমপ্লেক্স বা অপরিচিত কাজের জন্য আপনি আগে research করেন — docs, API, competitor, user pain, edge case, library-র fresh version, deprecation risk — আর implementation-এর আগে একটা PoC বা playground বানাতে পারেন। KPI: ৪ ঘণ্টার বেশি বা অজানা domain-এর টাস্কে অন্তত ১টা research note প্লাস ৩টা verified source/doc বা একটা PoC, আর কোনো কারণ ছাড়া stale library-র উপর বানানো 0টা decision। টুলস: Superpowers brainstorming, Playground Tool ও AskUserTool, documentation validation-এর জন্য Context7।

Verification ও quality (স্কিল 9, 11, 16)

৯. Verification harness — AI নিজেকে টেস্ট করে (L3)। ম্যানুয়াল টেস্টিং-এ সময় খরচ করা বন্ধ করে দিয়ে আপনি একটা harness বানান যেখানে agent test, evals, build, lint, typecheck, আর security check চালায়, তারপর pass না হওয়া পর্যন্ত নিজেকে ফিক্স করে। KPI: ৮০% PR-এ evidence check থাকে (senior-দের জন্য ৯০–৯৫%), manual QA টাস্ক টাইমের সর্বোচ্চ ২০%, আর evidence ছাড়া PR done না। টুলস: Superpowers test-driven-development আর verification-before-completion, nizos/tdd-guard, Claude /run আর /verify, প্লাস CI, Jest/Vitest/Pytest, আর Playwright।

১১. Eval-driven improvement / acceptance-criteria loop (L4)। Agent একটা loop চালায়: implement, checks রান করা, acceptance criteria আর evals-এর সাথে compare করা, fix করা, rerun করা, evidence প্রোডিউস করা। "done and trusted" না, বরং "proven and passed"। KPI: প্রতিটা ticket-এর acceptance criteria আছে; AI/RAG/agentic ফিচার ৫–২০টা eval case পায়; critical eval pass rate অন্তত ৯৫%, আর failed loop লগ হয়। টুলস: Superpowers executing-plans, Promptfoo/evals, CI-তে custom eval script; artifact হলো evals/ আর acceptance.md।

১৬. আলাদা প্রসেস হিসেবে AI code review (L4)। আপনি production আর control আলাদা করেন: implementer কখনো reviewer না। একজন reviewer spec আর code quality চেক করে; একজন tester/security agent harness, regression, আর vulnerability চেক করে। KPI: ছোট change বাদে যেকোনো PR-এর ১০০% independent AI review পায়; critical PR পায় ৩টা agent (writer, reviewer, tester/security), আর review report ছাড়া merge করা forbidden। টুলস: Superpowers requesting-code-review আর receiving-code-review, official Anthropic Code Review plugin (/code-review), Codex review, CodeRabbit।

Orchestration ও autonomy (স্কিল 7, 8, 12, 13, 14)

৭. প্রজেক্ট-specific harness বানায়; repeat-কে স্কিলে পরিণত করে (L4)। কোনো সমস্যা বারবার হলে আপনি re-prompt করেন না — আপনি একটা reusable skill, plugin, বা harness বানান (technical, expert, QA, security, migration, refactoring, docs)। KPI: একটা সমস্যা ২–৩ বার repeat হওয়ার পর একটা skill/playbook/harness থাকা উচিত; একটা mature repo-তে অন্তত ৩টা project-specific skill থাকে। টুলস: Superpowers writing-skills, test-driven-development, systematic-debugging; artifact হলো SKILL.md, scripts/, আর references/।

৮. Parallel agents / subagent-driven development (L4)। আপনি একগুচ্ছ role লঞ্চ করেন — researcher, planner, implementer, reviewer, tester, security reviewer, docs writer — যারা independent থাকে আর একে অপরের context নোংরা করে না। KPI: একটা complex task অন্তত ৩টা agent role ব্যবহার করে (senior-দের জন্য 4–6), প্রতিটা meaningful PR-এ অন্তত ১জন independent reviewer। টুলস: Superpowers subagent-driven-development আর dispatching-parallel-agents, ruvnet/ruflo, wshobson/agents, Claude subagents।

১২. পূর্ণ autonomous PRD-to-result সাইকেল অর্কেস্ট্রেট করে, ৫ ঘণ্টার বেশি (L5)। আপনি একটা delivery loop চালান: PRD, decomposition, tickets, agent allocation, implementation, verification, review, PR-ready result — আর আপনি শুধু supervise আর unblock করেন। KPI: সর্বোচ্চ ৩টা human intervention সহ 5+ ঘণ্টার একটা autonomous run, আর ডেভেলপার প্রতি মাসে অন্তত ২টা সম্পন্ন autonomous cycle। টুলস: Superpowers আর Superpowers-V সহ Claude Code, প্লাস একটা operator-shell; artifact ছড়িয়ে থাকে PRD, tickets, plan, agent logs, evidence, আর PR জুড়ে।

১৩. Worktrees দিয়ে concurrent development (L4)। আপনি isolated workspace আর branch ব্যবহার করেন যাতে একাধিক agent/task কোলাইড না করে; আপনি file set পার্টিশন করেন আর result cleanly merge করেন। KPI: senior টাস্কের জন্য অন্তত ২টা active worktree (advanced কাজের জন্য 3–5), undocumented 0টা file collision। টুলস: Git worktrees, branches, tmux, devcontainers, Superpowers using-git-worktrees; artifact হলো একটা worktree map আর partition report।

১৪. Notification / mobile control সহ remote mode (L4)। আপনি long-running agent স্টার্ট করেন আর সেগুলো remotely স্টিয়ার করেন: approve, redirect, output inspect করা, আর ব্লক বা done হলে notification পাওয়া। KPI: ১ ঘণ্টার বেশি টাস্কে notification অন থাকে, প্রতিটা blocker একটা alert তোলে, আর কাজের সময়ে blocker-এর response ৩০ মিনিটের মধ্যে। টুলস: Claude Remote Control, Claude mobile/web, আর desktop/mobile push সহ Notification hooks।

Safety ও ops (স্কিল 15)

১৫. Hooks / permissions / safety gates কনফিগার করে (L4)। আপনি deterministic guardrails বানান: edit-এর পর format, commit-এর আগে test, secret ব্লক করা, .env প্রোটেক্ট করা, migration/delete/prod command-এ approval require করা, MCP call audit করা। KPI: ১০০% repo-তে base gate আছে (secret scan, protected files, pre-commit/test gate), 0টা leaked secret, আর dangerous command-এ approval লাগে। টুলস: Claude hooks (PostToolUse, Notification, command hooks), AgentShield, .claude/settings.json, .cursor/hooks.json, branch protection, secret scanners।

Craft ও universality (স্কিল 17)

১৭. Result demonstration: video demo, interactive report (L4)। আপনি শুধু কাজ করেন না, সেটা প্যাকেজ করে দেখানও: একটা UI video demo রেকর্ড করা, একটা interactive report সাজানো, বা একটা narrated overview জেনারেট করা। এই demo Definition of Done-এর অংশ, interactive form-এ আর AI দিয়ে generated। KPI: প্রতিটা significant feature/PR একটা demo artifact সহ ship হয় (৩ মিনিটের কম একটা video বা একটা interactive report); client feature আর meeting outcome-এর জন্য সেটা ১০০%, আর demo generate হয় একটা skill দিয়ে, হাতে না। টুলস: claude-ui-recorder (রেকর্ড, narrate, demo.mp4-এ render), Remotion skills, NotebookLM audio overviews, Loom।

লেভেল অনুযায়ী স্কিলগুলো কীভাবে গভীর হয়

একই স্কিল উপরে ওঠার সাথে সাথে গভীর হয়ে যায়। L2 থেকে L5:

Agent দিয়ে কোড: L2 ট্রাই করে সব হাতে চেক করে → L3 রুটিনের অন্তত ৮০% agent দিয়ে → L4 ~৯০%, শুধু critical অংশ হাতে কোড → L5 ১০০% রুটিন, টিমের norm সেট করে।
MCP: L2 একটা বেসিক MCP → L3 2+ working MCP → L4 docs আর repo কভার করা 4+ MCP → L5 MCP governance আর policy।
Skills / plugins: L2 রেডিমেড ইনস্টল করে → L3 5টা active, 3টা ব্যবহারে → L4 project skill অথর করে → L5 একটা internal marketplace চালায়।
Project memory: L2 CLAUDE.md/AGENTS.md পড়ে → L3 মেইনটেইন আর আপডেট করে → L4 repo standard সেট করে → L5 company-wide সেট করে।
Plan-before-code: L2 বড় টাস্ক প্ল্যান করে → L3 ২ঘণ্টার বেশি ১০০% টাস্ক প্ল্যান করে → L4 workflow ডিজাইন করে → L5 planning template-এর মালিক।
Deep research / playground: L2 রিকোয়েস্টে → L3 অপরিচিত টাস্কে → L4 research note + PoC norm হিসেবে → L5 একটা research platform।
Harness / reusable skill: L2 এখনো না → L3 অন্যেরটা ব্যবহার করে → L4 নিজেরটা বানায় (3+) → L5 harness একটা প্রোডাক্ট হয়ে যায়।
Parallel agents: L2 একটা chat → L3 2–3টা role → L4 4–6টা role → L5 fleet orchestration।
Verification harness: L2 ম্যানুয়াল চেক → L3 evidence সহ ৮০% PR → L4 ৯০–৯৫% PR, self-fixing → L5 একটা eval platform।
Model routing: L2 একটা model → L3 2টা tier → L4 cost log সহ 3+ route → L5 একটা routing policy আর dashboard।
Eval / acceptance loop: L2 হাতে acceptance → L3 প্রতিটা ticket-এ AC → L4 CI-তে 5–20টা eval → L5 একটা company eval platform।
Autonomous cycle: L2 এখনো না → L3 supervised 1–2 ঘণ্টা → L4 5+ ঘণ্টা → L5 multi-ticket orchestration।
Worktrees: L2 একটা branch → L3 1–2টা worktree → L4 parallel-এ 3–5টা → L5 একটা partition standard।
Remote / notifications: L2 এখনো না → L3 বেসিক alert → L4 পূর্ণ remote control → L5 operator-shell mode।
Hooks / safety gates: L2 default → L3 base gate → L4 একটা পূর্ণ policy → L5 company security boundary।
AI code review: L2 self-review → L3 independent AI review → L4 writer/reviewer/tester split → L5 SDLC review standard।
Result demonstration: L2 স্ক্রিনশট বা টেক্সট → L3 হাতে video demo → L4 skill দিয়ে auto-demo, ১০০% client feature → L5 brand template সহ একটা demo standard।

যেসব মেট্রিক আপনার আসল লেভেল বলে দেয়

কিছু সংখ্যা যেকোনো self-assessment-এর চেয়ে দ্রুত আপনার আসল লেভেল বলে দেয়। এগুলোই ProCoders সময়ের সাথে মেজার আর ট্র্যাক করে।

Metric	L2	L3	L4	L5
Agent দিয়ে কোডের %	ট্রাই করে	≥80%	~90%, শুধু critical হাতে	=100% রুটিন
Autonomous run (সবচেয়ে লম্বা uninterrupted run)	<30 মিনিট	1–2 ঘণ্টা	5+ ঘণ্টা	multi-ticket cycle
Human interventions / run	constant	frequent	≤3	শুধু supervision
Plan / token budget (লেভেল যে subscription দাবি করে)	Pro (~$20)	Max 5× (~$100)	Max 20× ($200)	Max 20× ($200) + API
Cost / time log (টাস্ক প্রতি token আর time ট্র্যাকিং)	—	—	PR প্রতি	team/project dashboard

লজিকটা হলো: লেভেল যত বেশি, তত বেশি parallel agent, autonomous hour, আর eval আপনি চালান — যেটা token consumption বাড়িয়ে দেয়, সাথে plan tier-ও। L4 থেকে norm হলো Max 20× ($200), কারণ আপনি একসাথে বেশ কয়েকটা worktree agent আর verification loop চালাচ্ছেন। L5-এ আপনি cost measurement যোগ করেন (dashboard-এ cost log) যাতে খরচটা deliberate হয়। (দাম আর plan-এর নাম পাল্টাতে থাকে; এটা ProCoders-এর current internal mapping দেখায়, কোনো official price list না।)

উপরের behavior-গুলোই ঠিক সেটা যা আমাদের assessment গ্রেড করে। কোন ১৭টার মধ্যে কোনগুলো আপনার আছে আর আপনি কোন লেভেলে আছেন দেখতে ফ্রি টেস্ট দিন।

সম্পর্কিত: compound system-এর anatomy দেখায় কীভাবে ProCoders-এর Compound V এই আইডিয়াগুলোকে একটা real, reviewed multi-agent workflow-তে জোড়া লাগায়।

FAQ

AI-native ডেভেলপারের কয়টা স্কিল আছে?: ১৭টা। এগুলো কভার করে agentic coding আর model routing (স্কিল 1 আর 10), tooling ও context — MCP, skills/plugins, project memory (2, 3, 4), planning ও research (5, 6), verification ও quality (9, 11, 16), orchestration ও autonomy (7, 8, 12, 13, 14), safety ও ops (15), আর craft ও universality (17)। প্রতিটা স্কিল একটা লেভেলের সাথে বাঁধা যেখান থেকে সেটা norm হয়, আর একটা numeric KPI আছে।
আমার কোন লেভেলে থাকা উচিত?: এটা আপনার role-এর উপর নির্ভর করে, তবে বেশিরভাগ working ইঞ্জিনিয়ারের জন্য প্র্যাক্টিক্যাল টার্গেট হলো L3 থেকে L4। L3 (Agentic Developer) মানে agent-ই আপনার main production mechanism, সাথে planning, verification, MCP, আর project memory জায়গামতো আছে। L4 (System Builder) যোগ করে parallel agents, CI-তে evals, safety gates, আর reusable harness। L5 তাদের জন্য যারা company-wide agent stack ডিজাইন করে। আপনি আসলে কোথায় আছেন দেখতে /quiz-এ টেস্ট দিন।
কোন AI-native স্কিলগুলো সবচেয়ে বেশি গুরুত্বপূর্ণ?: ফাউন্ডেশন হলো স্কিল #১ (agent দিয়ে কোড), #৫ (plan-before-code), আর #৯ (verification harness)। এই তিনটা AI ব্যবহারকে chat-assisted copy-paste থেকে disciplined agentic engineering-এ পাল্টে দেয়: আপনি agent-কে delegate করেন, plan ছাড়া কখনো শুরু করেন না, আর agent-এর কথা কখনো বিনা প্রমাণে মেনে নেন না। L4 ক্লাস্টারের বাকি সব — parallel agents, evals, model routing, safety gates — এই বেসের উপর দাঁড়িয়ে।
প্রতিটা স্কিল কখন norm হয়ে যায়?: স্কিল #১ L2-তে norm হয়ে যায়। L3 ক্লাস্টার — MCP (#2), skills আর plugins (#3), project memory (#4), plan-before-code (#5), আর verification harness (#9) — AI-native Middle-এর জন্য bar। বাকি বেশিরভাগ স্কিল (#6, #7, #8, #10, #11, #13, #14, #15, #16, #17) L4-তে norm হয়। পূর্ণ autonomous PRD-to-result orchestration loop (#12) হলো L5-এর norm।
AI-native স্কিলগুলো কীভাবে মেজার করা হয়?: প্রতিটা স্কিলের একটা concrete KPI আছে, কোনো vibe না। উদাহরণ: routine কোডের অন্তত ৮০% agent দিয়ে (strong হলো ১০০%); প্রজেক্ট প্রতি অন্তত ২টা working MCP (senior-দের জন্য 4+); ২ ঘণ্টার বেশি টাস্কের ১০০%-এর একটা plan artifact আছে; ৮০% PR-এ evidence check আছে (senior-দের জন্য ৯০–৯৫%); সর্বোচ্চ ৩টা human intervention সহ 5+ ঘণ্টার একটা autonomous run। এই পেজের metrics টেবিলটা L2 থেকে L5 পর্যন্ত headline number-গুলো ট্র্যাক করে।

আপনি কোথায় আছেন?

টেস্ট দিন →৭টি লেভেল