AI-Native डेवलपमेंट शब्दावली: Agentic Coding, Vibe Coding और 16 और शब्दों की परिभाषा

AI-native डेवलपमेंट की शब्दावली शब्दकोशों से तेज़ रफ़्तार से बदलती है। नए शब्द — agentic coding, vibe coding, MCP, context engineering, subagents — X पर गढ़े जाते हैं, किसी CLI में शामिल होते हैं, और फिर एक तिमाही के भीतर टीमों के काम करने के तरीके में घुल-मिल जाते हैं। यह पृष्ठ एक प्रामाणिक संदर्भ है: हर शब्द को पहले एक सटीक, उद्धरण-योग्य परिभाषा मिलती है, फिर वे मूल तथ्य जिन्हें अधिकांश शब्दावलियाँ छोड़ देती हैं, और अंत में एक नक्शा कि वह कौशल 7-स्तरीय AI-Native Developer मॉडल पर कहाँ बैठता है — L1 Chat-Assisted Developer से लेकर L7 Universal AI Creator तक।

हर प्रविष्टि उसी ईमानदार प्रश्न के साथ समाप्त होती है: यह आपको किस स्तर पर रखता है? पढ़ने के बाद, 3 मिनट की quiz लें → और पता लगाएं।

किसी शब्द पर जाएं

शब्द	Maps to	शब्द	Maps to
AI-native developer	L1–L7	evals	L6
Agentic coding	L3	worktrees	L5+
Agentic engineering	L4–L5	Context engineering	L4–L6
Vibe coding	Off-ladder	Spec-driven development	L4–L6
AI-assisted development	L1–L7	Autonomous coding agent	L3→L5
MCP	L5–L6	Prompt engineering	L1–L2
Agent orchestration	L5	AI coding maturity model	the model
Subagents	L5+	Model routing	L5–L6
Plan-before-code	L3–L4	Verification harness	L4–L5

---

AI-native developer

AI-native developer वह डेवलपर है जिसका डिफ़ॉल्ट वर्कफ़्लो AI सिस्टम्स को कोड की योजना बनाने, लिखने, टेस्ट करने और शिप करने का निर्देश देना है — न कि अधिकांश लाइनें खुद टाइप करना। इसे स्वायत्तता और सत्यापन की आदतों से मापा जाता है — न कि इस बात से कि आपने कितने AI टूल्स इंस्टॉल किए हैं।

आजकल लगभग हर डेवलपर "AI का उपयोग करता है।" यह वही बात नहीं है। AI-native होना एक मानसिकता है, टूलबेल्ट नहीं: AI आपका प्राथमिक उत्पादन तंत्र है, और आपकी भूमिका दिशा-निर्देशन, समीक्षा और सत्यापन की तरफ स्थानांतरित हो जाती है। विभाजक प्रश्न क्या आप AI असिस्टेंट का उपयोग करते हैं? नहीं है — यह है आप कितना काम सौंपते हैं, और परिणाम की जांच कैसे करते हैं?

यही वह विशेषता है जिसे 7-स्तरीय AI-Native Developer मॉडल मापता है — L1 Chat-Assisted Developer (वह "Old-School Artisan" जो chat tab से copy-paste करता है) से लेकर L7 Universal AI Creator (एजेंट्स के साथ पूरे product cycle चलाने वाला अकेला व्यक्ति) तक। आप कहाँ आते हैं, यह स्वायत्तता और सत्यापन पर निर्भर करता है, न कि vibes पर।

यह आपको किस स्तर पर रखता है? Quiz लें →

Agentic coding

Agentic coding एक डेवलपमेंट दृष्टिकोण है जिसमें स्वायत्त AI एजेंट्स न्यूनतम मानवीय हस्तक्षेप के साथ टूल्स — shell, फ़ाइल संपादन, test runners — का उपयोग करते हुए एक feedback loop में कई चरणों में कोड की योजना बनाते, लिखते, चलाते, टेस्ट करते और संशोधित करते हैं, जब तक काम पूरा न हो जाए।

मुख्य शब्द है loop। सिंगल-टर्न chat autocomplete आपको एक snippet देकर रुक जाता है; एक agentic coding एजेंट पूरे काम का मालिक होता है। यह रेपो पढ़ता है, योजना बनाता है, फ़ाइलें संपादित करता है, टेस्ट चलाता है, विफलताएं पढ़ता है, और फिर से कोशिश करता है — एक लंबी trajectory में iterate करते हुए, न कि एक prompt का जवाब देते हुए। Google Cloud इसे एक software development दृष्टिकोण के रूप में परिभाषित करता है जहाँ स्वायत्त AI एजेंट्स न्यूनतम मानवीय हस्तक्षेप के साथ कोड की योजना बनाते, लिखते, टेस्ट करते और संशोधित करते हैं; IBM अंतर्निहित coding agents को ऐसे AI सिस्टम्स के रूप में बताता है जो कई चरणों में कार्य करने के लिए LLM reasoning को coding tools तक पहुंच के साथ जोड़ते हैं।

इस सीढ़ी पर, agentic coding L3, Agentic Developer ("The Agentic Native") की पहचान है — जहाँ एजेंट routine लिखता है, आप कोड लिखने से पहले योजना बनाते हैं, और उसकी बात मान नहीं लेते। agentic coding pillar में और गहराई से जाएं या L3 → पर खुद स्तर देखें।

यह आपको किस स्तर पर रखता है? Quiz लें →

Agentic engineering

Agentic engineering वह पेशेवर अनुशासन है जिसमें AI coding agents को force-multipliers के रूप में orchestrate किया जाता है जबकि मनुष्य आर्किटेक्चर, गुणवत्ता और सत्यापन की जिम्मेदारी बनाए रखता है। एजेंट्स अधिकांश टाइपिंग करते हैं; इंजीनियर निर्देशित, सीमित और सत्यापित करता है।

अगर agentic coding तकनीक है, तो agentic engineering उसके इर्द-गिर्द की कठोरता है। MindStudio के अनुसार, यह AI coding agents को orchestrate करने का अभ्यास है जो अधिकांश कोडिंग करते हैं जबकि मनुष्य आर्किटेक्चर, कोड गुणवत्ता और इंजीनियरिंग निर्णय का स्वामित्व बनाए रखता है — जिसे vibe coding के अनुशासित 2026 उत्तराधिकारी के रूप में प्रस्तुत किया गया है। इसमें "accept and hope" की जगह specs, evals, review और reproducibility पर जोर दिया जाता है।

यह L4–L5 बैंड — Director और Orchestrator से मैप होता है — जहाँ आप routine टाइप करना बंद कर देते हैं और उस सिस्टम को बनाने लगते हैं जो उसे produce करता है। देखें कि vibe coding vs agentic coding में vibe coding और agentic engineering कैसे अलग होते हैं, या पूरे levels देखें।

यह आपको किस स्तर पर रखता है? Quiz लें →

Vibe coding

Vibe coding का अर्थ है AI को prompt करके उसका output बिना code समीक्षा किए स्वीकार करना। Andrej Karpathy ने 2 फरवरी, 2025 को यह शब्द गढ़ा — पूरी तरह से vibes के हवाले होने और code का अस्तित्व भूल जाने का वर्णन करते हुए — diffs पढ़े बिना AI परिवर्तनों को स्वीकार करना।

Simon Willison ने इसे एक उपयोगी परीक्षण में बदला: vibe coding है "LLM के साथ software बनाना बिना उसके लिखे code की समीक्षा किए।" उनका corollary वह हिस्सा है जिसकी वरिष्ठ डेवलपर्स को परवाह है — अगर आप review करते हैं, टेस्ट करते हैं और code समझा सकते हैं, तो "यह software development है," vibe coding नहीं। यही रेखा पूरा खेल है। Vibe coding throwaway prototypes और weekend experiments के लिए बेहतरीन है; जिस पल कोई चीज़ production में unattended चलनी हो, यह एक देनदारी बन जाती है।

महत्वपूर्ण बात, vibe coding L1–L7 engineer सीढ़ी से बाहर है। यह Vibe Builder आर्किटाइप produce करता है: एक no-code/AI creator जो traditional code लिखे बिना AI app-builder tools से real products ship करता है — पहले दिन से AI-native, लेकिन maturity ladder चढ़ने वाले engineer से एक अलग प्रजाति। यह कोई अवमूल्यन नहीं है; यह एक अलग खेल है जिसका अपना superpower (गति) और अपनी सीमा है। और जानें vibe coding और आमने-सामने की तुलना vibe coding vs agentic coding में।

यह आपको किस स्तर पर रखता है? Quiz लें →

AI-assisted development

AI-assisted development कोई भी वह वर्कफ़्लो है जिसमें AI टूल्स — autocomplete, chat, या agents — code लिखने या संशोधित करने में मदद करते हैं जबकि मनुष्य समीक्षा और निर्णय लेते हुए loop में बना रहता है। यह L1 से L7 तक सब कुछ समाहित करने वाली व्यापक छत्रछाया है।

इसे एक superset मानें। Vibe coding और agentic coding दोनों AI-assisted development के अंदर हैं; जो उन्हें अलग करता है वह है आप कितनी स्वायत्तता देते हैं और output की जांच कैसे करते हैं। कम दें और हर चीज़ हाथ से समीक्षा करें, और आप early-ladder delegator हैं। बहुत दें लेकिन verification harness जोड़ें, और आप अनुशासित agentic engineering कर रहे हैं। यह शब्द जानबूझकर व्यापक है — इसीलिए एक leveled मॉडल उपयोगी है ताकि आप उसके अंदर खुद को locate कर सकें।

7-level मॉडल वह नक्शा है जो इस umbrella को एक ऐसे spectrum में बदलता है जिस पर आप कहीं खड़े हो सकते हैं।

यह आपको किस स्तर पर रखता है? Quiz लें →

MCP (Model Context Protocol)

MCP (Model Context Protocol) एक open standard है जो AI models को एक universal interface के ज़रिए external tools और data sources से जोड़ता है, बजाय प्रत्येक tool के लिए अलग-अलग integrations के। Anthropic ने इसे 25 नवंबर, 2024 को introduce और open-source किया (spec version 2024-11-05), Python और TypeScript SDKs के साथ।

लोग इसे "AI टूल्स के लिए USB-C" के रूप में समझते हैं: एक protocol, और कोई भी compliant client किसी भी compliant server से बात कर सकता है — आपके docs, database, issue tracker, shell से। MCP से पहले हर integration एक अलग काम था; इसके बाद, एजेंट की पहुंच एक plug-in ecosystem बन जाती है। 2025–2026 के दौरान industry में इसे व्यापक अपनाया गया, और आप primary source Anthropic की announcement में पढ़ सकते हैं।

एक off-the-shelf MCP server जोड़ना कुछ ऐसा है जो अधिकांश AI-assisted developers जल्दी कर सकते हैं। लेकिन एक टीम में MCP को govern करना — यह तय करना कि एजेंट्स किस तक पहुंच सकते हैं और reusable servers लिखना — एक L5–L6 Methodologist संकेत है। देखें L6 → और संबंधित प्रविष्टि agent orchestration।

यह आपको किस स्तर पर रखता है? Quiz लें →

Agent orchestration

Agent orchestration कई AI एजेंट्स को समन्वित करना है — काम सौंपना, चरणों को क्रमबद्ध करना, साझा state प्रबंधित करना और परिणाम एकत्र करना — ताकि एजेंट्स की टीम वह काम पूरा कर सके जो एक अकेला एजेंट भरोसेमंद तरीके से नहीं कर सकता।

प्रमुख pattern है orchestrator-worker (manager-worker): एक एजेंट योजना बनाता और काम सौंपता है जबकि bounded worker एजेंट्स execute करते और रिपोर्ट करते हैं। Claude Code के documentation के अनुसार, इस pattern में orchestrator योजना का मालिक होता है और प्रत्येक worker एक scoped task संभालता है — वह संरचना जो multi-agent काम को अव्यवस्थित की बजाय manageable बनाती है।

यह L5, AI Engineering Architect ("The Orchestrator") की पहचान है — वह स्तर जहाँ आप एजेंट stack डिज़ाइन करते हैं, बजाय केवल एक एजेंट चलाने के। देखें L5 →, फिर building blocks: subagents और worktrees।

यह आपको किस स्तर पर रखता है? Quiz लें →

Subagents

Subagents वे isolated worker एजेंट्स हैं जिन्हें एक primary एजेंट काम सौंपता है; प्रत्येक अपने ताज़े context, tool access और permissions के साथ चलता है, और एक संक्षिप्त सारांश लौटाता है — मुख्य एजेंट के context को साफ़ और काम को parallelizable बनाए रखते हुए।

Subagents वह तरीका है जिससे orchestration समझदारी बनी रहती है। एक bloated context window में सब कुछ संभालने की बजाय, primary एजेंट scoped workers spawn करता है, प्रत्येक clean slate के साथ, और एक सुव्यवस्थित परिणाम वापस पाता है। Claude Code के documentation के अनुसार, प्रत्येक subagent अपने context, tools और permissions के साथ चलता है — और आगे subagents spawn नहीं कर सकता, इसलिए nesting डिज़ाइन द्वारा bounded है। यह सीमा एक विशेषता है: यह runaway agent trees को रोकती है।

नियमित subagent उपयोग एक L5+ व्यवहार संकेत है — आप एक एजेंट चलाने से एक छोटी टीम संभालने की तरफ बढ़ गए हैं। देखें L5 → और व्यापक pattern agent orchestration पर।

यह आपको किस स्तर पर रखता है? Quiz लें →

Plan-before-code

Plan-before-code एक agentic-coding अनुशासन है जिसमें एजेंट (या मनुष्य) कोई भी code लिखने से पहले एक स्पष्ट योजना तैयार करता है और उसे approve करवाता है — ताकि intent पहले से verify हो और implementation step bounded और जांच योग्य बनी रहे।

यह एक सस्ती बीमा पॉलिसी है। "मैं यह करने वाला हूं और क्यों" की पुष्टि करने में कुछ मिनट लगाने से वह costly failure mode रुकती है जिसमें एक एजेंट आत्मविश्वास से बीस फ़ाइलें गलत दिशा में edit कर देता है। यह कम tokens भी जलाता है और ऐसे diffs produce करता है जिन पर आप वास्तव में सोच सकते हैं। Plan-before-code वह gateway habit है जो स्वाभाविक रूप से spec-driven development की तरफ ले जाती है।

यह एक L3–L4 maturity habit है — वह क्षण जब आप एजेंट्स को free-run करने देना बंद कर देते हैं और उन्हें एक approved plan पर gate करने लगते हैं।

यह आपको किस स्तर पर रखता है? Quiz लें →

Verification harness

Verification harness automated checks का वह समूह है — tests, linters, type-checks, build और run scripts — जो इस तरह जुड़े हों कि एक AI एजेंट एक loop में अपना काम verify करे और self-correct करे, बिना किसी मनुष्य के हर diff पढ़े।

यह वह एकमात्र चीज़ है जो high-autonomy ("YOLO") agentic coding को लापरवाह की बजाय सुरक्षित बनाती है। एक मजबूत harness वाला एजेंट तेज़ी से दौड़ सकता है — बदलाव करें, checks चलाएं, विफलताएं पढ़ें, ठीक करें, दोहराएं — क्योंकि checks उसकी गलतियाँ आपसे पहले पकड़ लेती हैं। Harness के बिना एजेंट केवल तेज़ी से बढ़ता unreviewed जोखिम है। Harness वह चीज़ है जो भरोसे को उम्मीद की जगह एक system में बदलती है।

Reusable harnesses बनाना L4–L5 की विभाजक रेखा है — यह "मैं हर बदलाव review करता हूं" को "मैं loop पर भरोसा करता हूं और परिणाम review करता हूं" से अलग करता है। देखें levels →, फिर इसे evals के साथ जोड़ें।

यह आपको किस स्तर पर रखता है? Quiz लें →

Evals

Evals वे systematic tests हैं जो मापते हैं कि कोई AI मॉडल या एजेंट सही, विश्वसनीय outputs देता है या नहीं। Coding agents के लिए, evals जांचते हैं कि एजेंट पूरी trajectory में — न केवल अंतिम उत्तर की — सही तरीके से योजना बनाता है, tools call करता है और multi-step tasks पूरे करता है।

Confident AI के अनुसार, दो मुख्य रूप हैं: code-based evals (automated, CI-style assertions) और LLM-as-a-judge। Coding work के लिए trajectory मायने रखती है क्योंकि एक run कई चरणों में फैली होती है — एक एजेंट गलत कारणों से सही फ़ाइल produce कर सकता है, या एक passing test तक खतरनाक रास्ते से पहुंच सकता है। Evals यही पकड़ते हैं। ये "एक बार काम किया" और "भरोसेमंद तरीके से काम करता है" के बीच का अंतर हैं।

Evals लिखना और बनाए रखना एक L6 Methodologist संकेत है — आप केवल एजेंट्स का उपयोग नहीं कर रहे, आप उनके व्यवहार को माप और प्रमाणित कर रहे हैं। देखें L6 → और इसका सहोदर, verification harness।

यह आपको किस स्तर पर रखता है? Quiz लें →

Worktrees

Git worktrees अलग-अलग working directories हैं जो एक repository का इतिहास साझा करती हैं, ताकि कई AI एजेंट्स प्रत्येक एक isolated branch या checkout पर parallel में काम कर सकें — एक-दूसरे की फ़ाइलें overwrite किए बिना।

यह एक codebase पर एक साथ कई Claude Code sessions चलाने का मानक तरीका है। Claude Code के documentation के अनुसार, worktree एक अलग working directory है जिसकी अपनी branch होती है जो एक ही repository का इतिहास साझा करती है, जो parallel एजेंट्स को isolated checkouts पर काम करने देती है। व्यवहार में आप worktrees को port और database isolation के साथ जोड़ते हैं ताकि parallel एजेंट्स filesystem के बाहर भी न टकराएं।

Worktrees में parallel-agent workflows एक L5+ विशेषता है — L4 Director पहले से कई एजेंट्स इस तरह चलाता है, और L5 Orchestrator इसे systematize करता है। देखें agent orchestration और L5 →।

यह आपको किस स्तर पर रखता है? Quiz लें →

Context engineering

Context engineering, Andrej Karpathy के जून 2025 के शब्दों में, "context window को अगले चरण के लिए बिल्कुल सही जानकारी से भरने की नाज़ुक कला और विज्ञान" है। यह वह अनुशासन है जो एक LLM जो कुछ भी देखता है उसे डिज़ाइन करता है: instructions, retrieved docs, tool outputs, memory और state।

Karpathy ने जून 2025 में इस शब्द को "prompt engineering" के ऊपर समर्थन दिया, और Anthropic ने सितंबर 2025 में इस अवधारणा को formalize किया। यह reframe महत्वपूर्ण है: production agent systems में, किसी एकल prompt की wording output quality निर्धारित करने में एक छोटा सा हिस्सा है। Glean के अनुसार, prompt engineering context engineering का एक subset है — पूर्ण context में conversation history, retrieved documents, tool outputs और agent state भी शामिल हैं। आज AI users के बीच गुणवत्ता का अंतर context है, magic words नहीं।

जानबूझकर context engineering एक L4–L6 संकेत है — यह वह है जो लोग CLAUDE.md फ़ाइलें curate करते, retrieval डिज़ाइन करते और context window को उद्देश्यपूर्वक budget करते समय कर रहे होते हैं। इसके subset prompt engineering से तुलना करें, और देखें levels →।

यह आपको किस स्तर पर रखता है? Quiz लें →

Spec-driven development

Spec-driven development एक methodology है जो एक लिखित specification को सच्चाई के स्रोत के रूप में बनाती है जिसका AI एजेंट्स उपयोग code generate, test और validate करने के लिए करते हैं। आप पहले spec लिखते हैं, फिर plan, फिर छोटे testable tasks, फिर implementation।

GitHub के अनुसार, specification एक contract बन जाती है जो code के व्यवहार को परिभाषित करती है — वह सच्चाई का स्रोत जिसका tools और AI एजेंट्स code generate, test और validate करने के लिए उपयोग करते हैं। GitHub ने 2 सितंबर, 2025 को Spec Kit (MIT-licensed) announce और open-source किया, core flow Spec → Plan → Tasks → Implement के साथ, जिसे स्पष्ट रूप से ad-hoc vibe coding के एक repeatable, अनुशासित विकल्प के रूप में प्रस्तुत किया गया। यह plan-before-code है, अपने तार्किक निष्कर्ष तक पहुंचा।

Spec-driven workflows एक L4–L6 maturity marker हैं। ये plan-before-code पर निर्मित हैं और Directors और Methodologists की shipping के केंद्र में हैं। देखें levels →।

यह आपको किस स्तर पर रखता है? Quiz लें →

Autonomous coding agent

Autonomous coding agent एक ऐसा AI system है जो एक लक्ष्य लेता है और स्वतंत्र रूप से योजना बनाता है, फ़ाइलें edit करता है, commands और tests चलाता है, और तब तक iterate करता है जब तक काम पूरा न हो जाए — एक लंबी multi-step trajectory में, न कि किसी एकल prompt का जवाब देते हुए।

CLI agents जैसे Claude Code इसके canonical उदाहरण हैं। महत्वपूर्ण nuance यह है कि autonomy एक spectrum है, switch नहीं: आप एजेंट को unattended कितना चलने देते हैं ("YOLO mode") यह दो चीज़ों से gate होता है — आपका verification harness और आप उसे जो permissions देते हैं। मजबूत harness plus tight permissions = safe autonomy। कमज़ोर harness plus broad permissions = बुरी दोपहर।

Production तोड़े बिना autonomous agents पर भरोसा करना सीखना ही L3 → L5 progression है: "एजेंट routine लिखता है" से लेकर "एजेंट multi-ticket cycles end to end चलाता है" तक। देखें levels →।

यह आपको किस स्तर पर रखता है? Quiz लें →

Prompt engineering

Prompt engineering वह अभ्यास है जिसमें LLM को दिए जाने वाले textual instructions — wording, examples, role और output format — को crafted किया जाता है ताकि उसे एक desired single-turn result की तरफ guide किया जा सके।

यह अभी भी मायने रखता है; स्पष्ट instructions अभी भी लापरवाह ones को मात देती हैं। लेकिन इस क्षेत्र ने इसे एक बड़े अनुशासन का एक component के रूप में reframe किया है। Production agent systems में, prompt total context का एक छोटा हिस्सा है, जिसमें history, retrieved docs, tool outputs और state भी शामिल हैं — यही कारण है कि context engineering अधिक उपयोगी frame बन गई है।

Prompt engineering एक L1–L2 staple है जो L4 के आसपास context engineering में विकसित होती है। यहीं से अधिकांश लोग शुरू होते हैं; ceiling यहाँ नहीं है।

यह आपको किस स्तर पर रखता है? Quiz लें →

AI coding maturity model

AI coding maturity model एक leveled framework है जो मापता है कि एक डेवलपर या टीम कितनी AI-native है — tool count की नहीं, बल्कि autonomy और verification व्यवहार के आधार पर। ProCoders का 7-level AI-Native Developer model (L1 Chat-Assisted → L7 Universal AI Creator) एक है; Steve Yegge के agentic workflow के 8 stages दूसरे हैं।

Maturity models एक तेज़ी से बदलते क्षेत्र को trust gradient के लिए साझा vocabulary देते हैं — वह slope जो "AI एक line autocomplete करता है" से "मैंने अपना खुद का orchestrator बनाया" तक जाती है। Yegge के 8 levels उसी gradient को near-zero AI use से अपना orchestrator बनाने तक describe करते हैं, critical break stage 5–6 पर जहाँ एक single synchronous agent कई parallel agents को रास्ता देता है (Augment Code के summary के अनुसार)। Leveled framing वह है जो टीमों को केवल tools की बजाय direction के बारे में बात करने देती है।

इस साइट पर canonical उदाहरण ही model है — नामांकित 7-level AI-Native Developer model, प्रत्येक rung के लिए personas और concrete behavioral signals के साथ। इसका उपयोग करने का सबसे तेज़ तरीका है quiz।

यह आपको किस स्तर पर रखता है? Quiz लें →

Model routing

Model routing का अर्थ है लागत, latency, क्षमता और availability के आधार पर प्रत्येक request के लिए कौन सा AI model या provider handle करेगा यह स्वचालित रूप से चुनना — आसान tasks सस्ते models को और कठिन tasks frontier models को भेजना, fallbacks के साथ।

यह एक लागत-और-विश्वसनीयता lever है, और spread काफी बड़ा है कि मायने रखे: OpenRouter के अनुसार, frontier और cheaper models के बीच per-token cost में लगभग 10x–50x का अंतर हो सकता है, और OpenRouter जैसे platforms routing controls और price caps expose करते हैं। एजेंट्स के fleet को intelligently route करें और आप expensive frontier models को उस काम के लिए reserve करते हैं जिसे genuinely उनकी ज़रूरत है जबकि cheaper models आसान volume absorb करते हैं।

An agent fleet में models route करना — और उसके लिए policy set करना — एक L5–L6 architect संकेत है; L5 Orchestrator टीम के एजेंट्स में model-routing policy का मालिक होता है। देखें L5 →।

यह आपको किस स्तर पर रखता है? Quiz लें →

---

ये शब्द सीढ़ी से कैसे map होते हैं

परिभाषाएं केवल आधी कहानी हैं। इस शब्दावली में हर शब्द को एक level से जोड़ने का कारण यह है कि वही शब्द अलग-अलग maturity पर अलग-अलग चीज़ें मायने रखता है। "MCP का उपयोग करना" एक early संकेत है; "MCP govern करना" एक वरिष्ठ संकेत है। "एजेंट चलाना" L3 है; "worktrees में fleet orchestrate करना" L5 है। यहाँ संक्षिप्त नक्शा है:

Level	Persona	शब्दावली के शब्द जो इसे signal करते हैं
L1 Chat-Assisted	Old-School Artisan	prompt engineering
L2 AI-Assisted Junior	Delegator	prompt engineering, AI-assisted development
L3 Agentic Developer	Agentic Native	agentic coding, plan-before-code, autonomous coding agent
L4 System Builder	Director	verification harness, spec-driven development, context engineering
L5 Engineering Architect	Orchestrator	agent orchestration, subagents, worktrees, model routing
L6 Methodologist	Methodologist	evals, MCP governance, portable methods
L7 Universal AI Creator	Creator	ऊपर के सभी में full-cycle solo
Off-ladder	Vibe Builder	vibe coding

वह अंतिम पंक्ति वही distinction है जो generic शब्दावलियाँ चूक जाती हैं। Vibe coding एक निचला rung नहीं है — यह एक बिल्कुल अलग सीढ़ी है। Vibe Builder traditional code के बिना products ship करता है; L1–L7 engineer ऐसे systems को direct करने की तरफ चढ़ता है। दोनों valid हैं; बस वे एक ही रास्ता नहीं हैं।

अपना level खोजें

परिभाषाएं पढ़ने से आपको पता चलता है कि शब्दों का अर्थ क्या है। Quiz आपको बताती है कि 7-level AI-Native Developer model पर आप कहाँ खड़े हैं — आपकी वास्तविक autonomy और verification आदतों के आधार पर, लगभग तीन मिनट में।

Quiz लें → /quiz