कोडिंग एजेंटों को इंजीनियरिंग संदर्भ देने के लिए LinearB ने Agentic Studio लॉन्च किया

LinearB ने Agentic Studio लॉन्च किया है, जो सॉफ़्टवेयर डिलीवरी के डेटा को ऐसे संदर्भ में बदलता है जिसका उपयोग इंजीनियरिंग लीडर और कोडिंग एजेंट फ़ैसले लेने के लिए कर सकते हैं। 2 नवंबर को घोषित यह प्लेटफ़ॉर्म प्राकृतिक भाषा में विश्लेषण को इंजीनियरिंग संदर्भ की ऐसी परत के साथ जोड़ता है, जिसमें वे टूल शामिल हैं जिनका इस्तेमाल टीमें सॉफ़्टवेयर की योजना बनाने, उसे लिखने, उसकी समीक्षा करने और जारी करने के लिए करती हैं।

यह लॉन्च AI-सहायता प्राप्त विकास की एक बढ़ती समस्या को रेखांकित करता है: अधिक कोड तैयार होने से किसी संगठन को उपयोगी सॉफ़्टवेयर तेज़ी से डिलीवर करने में अपने-आप मदद नहीं मिलती। समीक्षाओं का ढेर लग सकता है, बदलावों का आकलन करना कठिन हो सकता है और एजेंट कोई काम शुरू करते समय यह जाने बिना आगे बढ़ सकते हैं कि कौन-सी सेवाएँ कमज़ोर हैं या किसी खास सुधार का महत्व क्यों है।

घोषणा के अनुसार, Agentic Studio LinearB के सभी ग्राहकों के लिए उपलब्ध है। एजेंट के कौशल, जिनमें किसी काम के अनुरूप एजेंट के प्रयास का स्तर तय करने की शुरुआती क्षमता भी शामिल है, शुरुआती पहुँच में हैं।

डिलीवरी डेटा को इंजीनियरिंग संदर्भ में बदलना

LinearB सॉफ़्टवेयर डिलीवरी से जुड़ी जानकारी एकत्र करके उसे एक साझा मॉडल में व्यवस्थित करता है। कंपनी के अनुसार, यह Git और प्रोजेक्ट प्रबंधन प्रणालियों में इंजीनियरों की पहचान का मिलान करता है, टिकट से लेकर रिलीज़ तक बदलावों को जोड़ता है और नतीजों को समझने में लीडरों की मदद के लिए AI एट्रिब्यूशन तथा बेंचमार्क जोड़ता है।

अहम कदम इन रिकॉर्डों को आपस में जोड़ना है। कोई पुल रिक्वेस्ट अलग से देखने पर सीधी-सादी लग सकती है, जबकि वह ऐसी सेवा को प्रभावित कर रही हो जिसमें हाल ही में घटनाएँ हुई हों, बार-बार दोबारा काम करना पड़ा हो या उसका स्वामित्व जटिल हो। बदलाव को उस इतिहास से जोड़ने पर समीक्षक या कोडिंग एजेंट को ऐसी जानकारी मिलती है जो केवल रिपॉज़िटरी का एक स्नैपशॉट शायद न दे सके।

नए स्टूडियो में लीडर आम बोलचाल की भाषा में सवाल पूछ सकते हैं, सुझाए गए अगले कदम पा सकते हैं और AI की मदद से मेट्रिक्स, डैशबोर्ड तथा अन्य सामग्री बना सकते हैं। LinearB का कहना है कि संगठन प्लेटफ़ॉर्म में अंतर्निहित भूमिका-आधारित पहुँच के ज़रिए तय कर सकते हैं कि उपयोगकर्ताओं को कौन-सा संदर्भ उपलब्ध होगा।

यह दिशा कंपनी के संदर्भ-अभियांत्रिकी संबंधी मार्गदर्शन से मेल खाती है, जिसमें किसी एजेंट की संदर्भ-विंडो को बिना भेदभाव जानकारी से भरने के बजाय प्रासंगिक जानकारी चुनने पर ज़ोर दिया गया है। इसका ढाँचा कोड, बदलाव के पीछे का उद्देश्य, अलग-अलग प्रणालियों के बीच संबंध और एजेंट की पहुँच की सीमाओं पर विचार करता है।

प्रयास को जोखिम के अनुरूप रखने का शुरुआती पहुँच वाला कौशल

पहला एजेंट कौशल यह तय करने के लिए बनाया गया है कि किसी कोडिंग कार्य में कितना प्रयास करना उचित होगा। LinearB के अनुसार, यह व्यावसायिक प्रासंगिकता, जटिलता और जोखिम पर विचार करता है तथा दोबारा किए गए काम की दर, सेवा में हाल की घटनाओं और स्वामित्व के इतिहास जैसे संकेतों का उपयोग करता है।

कम जोखिम वाले बदलाव पर कम टोकन खर्च करके हल्का विश्लेषण किया जा सकता है, जबकि अधिक महत्वपूर्ण बदलाव के लिए ज़्यादा सोच-विचार और परीक्षण किया जा सकता है। इंजीनियरिंग लीडर देख सकते हैं कि कामों को कम, मध्यम या अधिक प्रयास की श्रेणी में कितनी बार रखा जाता है। कंपनी का कहना है कि यह कौशल किसी भी कोडिंग एजेंट के साथ काम करता है, हालाँकि घोषणा में अलग-अलग एजेंटों के बीच तुलनात्मक नतीजे नहीं दिए गए हैं और न ही वास्तव में हुई टोकन बचत की मात्रा बताई गई है।

लागत से जुड़ा दावा साबित होने से पहले भी इंजीनियरिंग का यह विचार उपयोगी है। एक समान तर्क-क्षमता बजट में रखरखाव के छोटे बदलाव और उत्पादन प्रणाली के संवेदनशील सुधार को एक जैसा माना जाता है। काम के अनुरूप संदर्भ से उन मामलों में ज़्यादा ध्यान लगाने में मदद मिल सकती है जहाँ गलतियों की कीमत अधिक होती है, और साथ ही सरल बदलावों पर अनावश्यक काम कम हो सकता है।

MCP मौजूदा AI कार्यप्रवाहों को डेटा से जोड़ता है

LinearB इंजीनियरिंग से जुड़ी जानकारी Model Context Protocol, यानी MCP, के ज़रिए भी उपलब्ध कराता है। उसका MCP उत्पाद पृष्ठ डिलीवरी मेट्रिक्स, कस्टम रिपोर्टिंग और अड़चनों के विश्लेषण तक प्राकृतिक भाषा में पहुँच का वर्णन करता है। इसमें समीक्षा स्वचालन और कार्यों को उचित जगह भेजने जैसी सिफ़ारिशें भी शामिल हैं।

इससे टीमों को डैशबोर्डों के बीच हाथ से जाने के बजाय किसी AI क्लाइंट से इंजीनियरिंग डेटा की जाँच करने का तरीका मिलता है। MCP टूल और जानकारी से जुड़ाव उपलब्ध कराता है; संदर्भ की परत डिलीवरी से जुड़े वे संबंध देती है जिनसे रिपॉज़िटरी या टीम के बारे में पूछा गया सवाल अर्थपूर्ण बनता है।

नया प्लेटफ़ॉर्म शुरू होने के साथ एक अंतर स्पष्ट करना ज़रूरी है। लॉन्च में भूमिका-आधारित पहुँच और उद्यमों के लिए सुरक्षा उपायों का ज़िक्र है, लेकिन LinearB के सार्वजनिक MCP FAQ में अनुमतियों के दायरे तक सीमित MCP पहुँच अब भी भविष्य की योजना के रूप में सूचीबद्ध है। इसलिए स्टूडियो में पहुँच-नियंत्रण के बयान को इस बात की पुष्टि नहीं मानना चाहिए कि हर मौजूदा MCP क्लाइंट को पहले से ही LinearB की सभी अनुमतियाँ विरासत में मिलती हैं।

AI से ज़्यादा आउटपुट मिलने पर आगे की प्रक्रिया की अड़चनें क्यों सामने आ सकती हैं

LinearB की घोषणा में 2026 के AI बेंचमार्क का हवाला दिया गया है, जो 253 संगठनों के 83,000 डेवलपरों की 2.7 मिलियन पुल रिक्वेस्ट पर आधारित हैं। कंपनी के अनुसार, कम से कम 75% कोडिंग दिनों में AI का उपयोग करने वाले डेवलपरों ने एक साल पहले की तुलना में हर सप्ताह 96% अधिक पुल रिक्वेस्ट मर्ज कीं।

ये आँकड़े देखी गई गतिविधि बताते हैं; वे यह साबित नहीं करते कि इस बदलाव का कारण केवल AI था। पुल रिक्वेस्ट की अधिक संख्या में मर्जिंग से यह भी साबित नहीं होता कि ग्राहकों को दोगुना मूल्य मिला। रिलीज़ में अलग से ऐसे निष्कर्षों का उल्लेख है कि AI की मदद से किए गए बदलाव बड़े थे और एजेंटों द्वारा बनाई गई पुल रिक्वेस्ट को समीक्षा के लिए काफ़ी ज़्यादा इंतज़ार करना पड़ा। इससे पता चलता है कि कोड तेज़ी से तैयार होने पर डिलीवरी प्रक्रिया के बाकी हिस्सों पर काम का बोझ कैसे बढ़ सकता है।

ग्राहक का एक उदाहरण इस अंतर को ठोस रूप से दिखाता है। LinearB के अनुसार, Kraken ने समीक्षा में होने वाली देरी की पड़ताल के लिए अपने MCP सर्वर का उपयोग AI के साथ किया और पाया कि बड़े बदलावों की तुलना में समय क्षेत्र और समीक्षकों की उपलब्धता अधिक मायने रखती थी। बताया जाता है कि Kraken ने चार महीनों में 90वें पर्सेंटाइल पर समीक्षा का समय आधे से भी अधिक घटा दिया। कंपनी की Kraken के साथ प्रकाशित चर्चा इस बारे में और संदर्भ देती है कि अड़चनों का पता लगाने के लिए रिपॉज़िटरी डेटा और डिलीवरी मेट्रिक्स का उपयोग कैसे किया जा सकता है।

AI अपनाने को मापने से लेकर डिलीवरी बेहतर करने तक

LinearB की योजना समीक्षा, मर्ज और गवर्नेंस जैसे आगे के कामों के लिए अतिरिक्त एजेंट कौशल पेश करने की है। ये भविष्य की योजनाएँ हैं और स्टूडियो की मौजूदा उपलब्धता तथा प्रयास-कौशल की शुरुआती-पहुँच स्थिति से अलग हैं।

व्यापक विचार यह है कि कोडिंग एजेंटों को कोड के इर्द-गिर्द मौजूद संगठन की समझ होनी चाहिए: क्या अहम है, उसका ज़िम्मेदार कौन है, पहले के बदलाव कहाँ विफल हुए और कौन-सी पाबंदियाँ लागू होती हैं। Agentic Studio इस विचार को डेवलपर उत्पादकता मंच में शामिल करता है। अंततः इसका मूल्यांकन इस आधार पर होगा कि डिलीवर किए गए बदलाव कितने गुणवत्तापूर्ण हैं और उनका प्रवाह कैसा है—न कि कितना कोड बनाया गया।