কোডিংয়ের জন্য AI কীভাবে ব্যবহার করবেন: ঝুঁকি কমানো ওয়ার্কফ্লো

AI প্রস্তাব দিতে পারে, কিন্তু আপনার রিপো সিদ্ধান্ত নেয়

কোডিংয়ে AI ব্যবহার করার সবচেয়ে ভালো উপায় হলো ঠিক যে মুহূর্তগুলোতে অনুমান বিপজ্জনক সেখানে এটাকে ধীর করা। AI অপরিচিত কোড ব্যাখ্যা করতে পারে, এরর থেকে হাইপোথিসিস তৈরি করতে পারে, টেস্টের খসড়া করতে পারে, ডিফ পর্যালোচনা করতে পারে, আর রিফ্যাক্টর সুপারিশ করতে পারে। এটি API বানিয়েও ফেলতে পারে, লুকানো নির্ভরতা মিস করতে পারে, পেস্ট করা স্নিপেটে বেশি মানিয়ে যেতে পারে, বা আপনি রক্ষা করতে চেয়েছিলেন এমন আচরণ বদলে দিয়ে পরিষ্কার দেখতে একটি প্যাচ তৈরি করতে পারে।

এই নিয়মটা ব্যবহার করুন: AI প্রস্তাব দিতে পারে, কিন্তু আপনার রিপো সিদ্ধান্ত নেয়। সত্যের উৎস হলো কোডবেস, ব্যর্থ হওয়া রিপ্রোডাকশন, টেস্ট স্যুট, রানটাইম লগ, পণ্যের প্রয়োজনীয়তা, আর মানুষের পর্যালোচনা। একজন ভালো AI পেয়ার প্রোগ্রামারের সেগুলো প্রতিস্থাপনের বদলে সেই আর্টিফ্যাক্ট থেকে যুক্তি করতে আপনাকে সাহায্য করা উচিত।

নিয়ম	কেন গুরুত্বপূর্ণ	মডেলকে কী জিজ্ঞাসা করবেন
প্রথমে রিপ্রোডিউস করুন	র‍্যান্ডম প্যাচ প্রতিরোধ করে	"কোড সুপারিশের আগে ব্যর্থ আচরণ আর প্রমাণ পুনরাবৃত্তি করো।"
স্কোপ ছোট রাখুন	রিগ্রেশন ঝুঁকি কমায়	"সবচেয়ে ছোট নিরাপদ বদল প্রস্তাব করো আর স্পর্শ করা ফাইল তালিকাবদ্ধ করো।"
আচরণ রক্ষা করুন	ব্যবহারকারী আর চুক্তি রক্ষা করে	"এই বদলটি যা ভাঙা উচিত নয় সেই ইনভ্যারিয়েন্টগুলো নাম দাও।"
টেস্ট দরকার করুন	উত্তরটা যাচাইযোগ্য করে	"ফিক্সের আগে ব্যর্থ হয় আর পরে পাস করে এমন টেস্ট লেখো।"
মার্জের আগে পর্যালোচনা করুন	আত্মবিশ্বাসী ভুল ধরে	"সঠিকতা, নিরাপত্তা, আর অনুপস্থিত এজ কেসের জন্য এই ডিফ পর্যালোচনা করো।"

এটা মডেলজুড়ে গুরুত্বপূর্ণ, আর মডেলগুলো খরচ আর নাগালে সত্যিই আলাদা। Whizi-র মডেল কস্ট ইনডেক্স-এ (OpenRouter তালিকাভুক্ত রেট, 2026-08-20-এ সংগ্রহ করা), 1,000 ইনপুট আর 500 আউটপুট টোকেনের একটি স্ট্যান্ডার্ড উত্তরের খরচ Claude Sonnet 4.6-এ প্রায় $0.0105, GPT-5.6 Terra-তে $0.008, আর DeepSeek V4 Flash-এ $0.00028, প্রথম আর শেষটার মধ্যে প্রায় 37 গুণ ব্যবধান, আর তিনটিই একটি 1M-টোকেন কনটেক্সট পড়ে। ব্যবহারিক রাউটিং নিয়ম: এই-কোড-ব্যাখ্যা-করো আর লগ-ট্রায়াজ প্রশ্ন DeepSeek V4 Flash বা Gemini 3.7 Flash-এর মতো একটি সস্তা মডেলে পাঠান, আর যে কোড ভাঙার সামর্থ্য আপনার নেই তার পর্যালোচনা পাস আর রিফ্যাক্টর পরিকল্পনার জন্য Claude Sonnet 4.6 বা GPT-5.6 Terra রাখুন। OpenAI আর Anthropic-এর সক্ষমতার ডকুমেন্টেশন আপনাকে বলে একটি মডেল কী চেষ্টা করতে পারে; সেগুলো ওপরের ওয়ার্কফ্লোর বিকল্প নয়। মডেলগুলোকে একজন সহকর্মীর মতো বিচার করুন: তারা কি অনুপস্থিত প্রসঙ্গ চায়, অনিশ্চয়তা কমায়, সীমাবদ্ধতা মেনে চলে, আর আপনি যাচাই করতে পারেন এমন একটি ট্রেইল রাখে?

পাঁচটি ধাপে ডিবাগ করুন: প্যাচ করার আগে রিপ্রোডিউস করুন

একটি নির্ভরযোগ্য AI ডিবাগিং ওয়ার্কফ্লোতে পাঁচটি ধাপ থাকে: রিপ্রোডিউস, আইসোলেট, হাইপোথিসাইজ, প্যাচ, আর যাচাই। "এটা ঠিক করো" দিয়ে শুরু করবেন না। প্রমাণ দিয়ে শুরু করুন। মডেলকে ব্যর্থ কমান্ড, ঠিক এরর, প্রত্যাশিত আচরণ, পর্যবেক্ষিত আচরণ, প্রাসঙ্গিক কোড, এনভায়রনমেন্ট বিবরণ, আর সমস্যাটার কারণ হতে পারে এমন সাম্প্রতিক যেকোনো বদল দিন।

ধাপ 1: রিপ্রোডাকশন ধরে রাখুন। ব্যাকএন্ড কোডের জন্য, রিকোয়েস্ট, রেসপন্স, স্ট্যাটাস কোড, লগ, আর ব্যর্থ টেস্ট অন্তর্ভুক্ত করুন। ফ্রন্টএন্ড কোডের জন্য, রুট, ব্যবহারকারীর কাজ, ব্রাউজার কনসোল এরর, নেটওয়ার্ক রেসপন্স, কম্পোনেন্ট স্টেট, আর প্রাসঙ্গিক হলে একটি স্ক্রিনশট বিবরণ অন্তর্ভুক্ত করুন। বিল্ড সমস্যার জন্য, কমান্ড, প্যাকেজ ম্যানেজার, Node ভার্সন, আর প্রথম ব্যর্থতার চারপাশে পুরো এরর অন্তর্ভুক্ত করুন।

ধাপ 2: কোডের আগে হাইপোথিসিস চান। একটি সতর্ক মডেলের সম্ভাব্য কারণ র‍্যাংক করা আর প্রতিটির পক্ষে কী প্রমাণ আছে তা বলা উচিত। কারণগুলোর মধ্যে পার্থক্য করতে না পারলে, সবচেয়ে ছোট ডায়াগনস্টিক ধাপ চান। এটা হতে পারে একটি লগ, একটি নির্দিষ্ট টেস্ট, একটি টাইপ চেক, বা আরেকটি ফাইল পড়া।

ধাপ 3: সবচেয়ে ছোট প্যাচ চান। মডেলকে বলুন ভেরিয়েবলের নাম না বদলাতে, চারপাশের কোড আবার না লিখতে, নির্ভরতা যোগ না করতে, বা পাবলিক আচরণ না বদলাতে যতক্ষণ না এটা কেন তা যুক্তিসঙ্গত করতে পারে। মূল কারণ, প্যাচের রূপরেখা, স্পর্শ করা ফাইল, টেস্ট, আর ঝুঁকি ফেরত দিতে বলুন।

ধাপ 4: স্থানীয়ভাবে টেস্ট চালান। AI আউটপুট একটি যাচাইকরণ ধাপ নয়। যাচাইকরণ ধাপটি হলো সেই কমান্ড বা ব্যবহারকারী পথ যা আচরণটি প্রমাণ করে। কোনো স্বয়ংক্রিয় টেস্ট না থাকলে, মডেলকে প্রথমে একটি রিগ্রেশন টেস্ট তৈরি করতে বলুন, তারপর ফিক্সটি বাস্তবায়ন করুন।

ডিবাগিং প্রম্পট:

একজন সতর্ক ডিবাগিং অংশীদারের মতো কাজ করো। এখনও কোড লিখো না। প্রথমে রিপ্রোডাকশন, প্রত্যাশিত আচরণ, পর্যবেক্ষিত আচরণ, আর তিনটি সবচেয়ে সম্ভাব্য মূল কারণ পুনরাবৃত্তি করো। প্রতিটি কারণ প্রমাণ অনুযায়ী র‍্যাংক করো। তারপর সবচেয়ে ছোট ডায়াগনস্টিক ধাপ সুপারিশ করো। বাগ: [বর্ণনা করো]। কমান্ড বা ব্যবহারকারীর কাজ: [পেস্ট করো]। এরর/লগ: [পেস্ট করো]। প্রাসঙ্গিক কোড: [পেস্ট করো]। সীমাবদ্ধতা: [স্ট্যাক, স্পর্শ না করার ফাইল, রক্ষা করার আচরণ]।

ফিক্স প্রম্পট:

নিশ্চিত করা মূল কারণ ব্যবহার করে, সবচেয়ে ছোট নিরাপদ ফিক্স প্রস্তাব করো। ফেরত দাও: মূল কারণ, বদলাতে হবে এমন ফাইল/ফাংশন, প্যাচের রূপরেখা, আগে ব্যর্থ হয় আর পরে পাস করে এমন টেস্ট, এজ কেস, আর রোলব্যাক ঝুঁকি। অসম্পর্কিত কোড রিফ্যাক্টর করো না। প্রসঙ্গ: [পেস্ট করো]।

AI নিজে লেখার চেয়ে ডিফ পর্যালোচনা ভালো করে

AI প্রায়ই প্রথম লেখক হিসেবে চেয়ে একজন পর্যালোচক হিসেবে ভালো। আপনি যখন এটাকে একটি ডিফ পর্যালোচনা করতে বলেন, এটা মিস করা এজ কেস, নিরাপত্তা সমস্যা, পুরনো অনুমান, টেস্ট ফাঁক, আর আচরণের বদল খুঁজতে পারে। মূল বিষয় হলো পর্যালোচনাটি নির্দিষ্ট করা। আপনি যদি জিজ্ঞাসা করেন "এটা কি ভালো দেখাচ্ছে?" আপনি ভদ্র অনুমোদন পাবেন। আপনি যদি সঠিকতা ঝুঁকি জিজ্ঞাসা করেন, আপনার কাজে লাগার মতো আপত্তি পাওয়ার সম্ভাবনা বেশি।

মডেলকে ডিফ, উদ্দেশ্যমূলক আচরণ, সম্পর্কিত টেস্ট, আর যেকোনো সীমাবদ্ধতা দিন। রক্ষণাবেক্ষণযোগ্যতা প্রভাবিত না করলে ছোটখাটো স্টাইল উপেক্ষা করতে বলুন। আপনি চান পর্যালোচনা প্রদর্শনমূলক খুঁতখুঁতানির বদলে বাগকে অগ্রাধিকার দিক।

পর্যালোচনার এলাকা	AI-এর উত্তর দেওয়া উচিত এমন প্রশ্ন
সঠিকতা	ডিফটি কি আসলে প্রয়োজনীয়তা পূরণ করে?
রিগ্রেশন ঝুঁকি	বিদ্যমান কোন আচরণ দুর্ঘটনাক্রমে বদলে যেতে পারে?
নিরাপত্তা	ইনপুট, অথ, সিক্রেট, অনুমতি, বা ইনজেকশন ঝুঁকি সামলানো হয়েছে কিনা?
এরর হ্যান্ডলিং	নাল, টাইমআউট, রিট্রাই, খারাপ রেসপন্স, বা আংশিক স্টেটে কী হয়?
টেস্ট	কোন আচরণের দাবি কভার করা হয়নি?
রক্ষণাবেক্ষণযোগ্যতা	এটা কি স্থানীয় প্যাটার্ন মেনে চলে আর বদলটা বোধগম্য রাখে?

কোড রিভিউ প্রম্পট:

একজন কঠোর কিন্তু বাস্তববাদী মেইনটেইনারের মতো এই ডিফ পর্যালোচনা করো। সঠিকতা, রিগ্রেশন ঝুঁকি, নিরাপত্তা, এজ কেস, আর অনুপস্থিত টেস্টে ফোকাস করো। আসল রক্ষণাবেক্ষণ ঝুঁকি তৈরি না করলে ছোটখাটো স্টাইল উপেক্ষা করো। সমস্যা, অগ্রাধিকার, ডিফ থেকে প্রমাণ, সুপারিশকৃত ফিক্স, আর দরকারি টেস্টসহ একটি টেবিল ফেরত দাও। উদ্দেশ্যমূলক আচরণ: [পেস্ট করো]। ডিফ: [পেস্ট করো]। বিদ্যমান টেস্ট: [পেস্ট করো]।

উচ্চ-ঝুঁকির বদলের জন্য, Whizi-তে একটি কম্পেয়ার-মডেল-ফিক্স ওয়ার্কফ্লো ব্যবহার করুন। একই পর্যালোচনা প্রম্পট দুই বা তিনটি মডেলে চালান। একটি মডেল যদি একটি সম্ভাব্য সমস্যা খুঁজে পায়, অন্ধভাবে গ্রহণ করবেন না; কোডবেসে সমস্যাটা আসল কিনা যাচাই করুন। মূল বিষয় হলো মার্জ করার আগে পর্যালোচনার পরিসর প্রশস্ত করা, প্রতিটি আপত্তি একটি ভোট হিসেবে গোনার বদলে কোডে ফিরে খুঁজে দেখা।

AI রিফ্যাক্টর স্পর্শ করার আগে ইনভ্যারিয়েন্টগুলোর নাম দিন

AI দিয়ে রিফ্যাক্টর করা ঝুঁকিপূর্ণ কারণ অনেক রিফ্যাক্টর বিচার করা হয় কী বদলায়নি তা দিয়ে। মডেলটি কোডকে সুন্দর করতে গিয়ে সূক্ষ্মভাবে আচরণ, এরর হ্যান্ডলিং, টাইমিং, বা পাবলিক চুক্তি বদলে দিতে পারে। একটি নিরাপদ রিফ্যাক্টর ওয়ার্কফ্লো ইমপ্লিমেন্টেশন স্পর্শ করার আগে ইনভ্যারিয়েন্ট নির্ধারণ দিয়ে শুরু হয়।

ধাপ 1: রিফ্যাক্টরের লক্ষ্য বর্ণনা করুন। উদাহরণ: ডুপ্লিকেশন কমানো, একটি বড় কম্পোনেন্ট ভাগ করা, ডেটা অ্যাক্সেস আলাদা করা, ব্রাঞ্চিং সহজ করা, একটি API র‍্যাপার মাইগ্রেট করা, বা টেস্টযোগ্যতা উন্নত করা। তারপর একই থাকতে হবে এমন যা বলুন: পাবলিক ফাংশন সিগনেচার, রুট আচরণ, ইভেন্টের নাম, রেসপন্স আকার, অ্যানালিটিক্স, অনুমতি, অ্যাক্সেসিবিলিটি আচরণ, আর পারফরম্যান্স প্রত্যাশা।

ধাপ 2: একটি ধাপে ধাপে পরিকল্পনা চান। একটি কাজের AI রিফ্যাক্টর পরিকল্পনা বিপরীতযোগ্য হওয়া উচিত। প্রতিটি ধাপ একটি ছোট এলাকা স্পর্শ করা উচিত, টেস্ট অন্তর্ভুক্ত করা উচিত, আর একটি কার্যকর মধ্যবর্তী অবস্থা তৈরি করা উচিত। কোড ছোট আর ভালোভাবে কভার করা না হলে এক-ধাপে নতুন করে লেখা এড়িয়ে চলুন।

ধাপ 3: ক্যারেক্টারাইজেশন টেস্ট লিখুন। কোড বদলানোর আগে, AI-কে বর্তমান আচরণ চিহ্নিত করতে আর গুরুত্বপূর্ণ কেসগুলো আটকে রাখা টেস্টের খসড়া করতে বলুন। এই টেস্টগুলো বিশেষভাবে কাজে লাগে লিগ্যাসি কোডের জন্য যেখানে উদ্দেশ্য অস্পষ্ট। এগুলোতে সাধারণ ইনপুট, সীমানা ইনপুট, ব্যর্থতার পথ, আর রিফ্যাক্টরের কারণের সঙ্গে বাঁধা একটি রিগ্রেশন কেস থাকা উচিত।

ধাপ 4: একবারে একটি ধাপ বাস্তবায়ন করুন। প্রতিটি ধাপের পর, টেস্ট চালান আর একটি ফোকাসড পর্যালোচনা চান। মডেলটি যদি একটি বিস্তৃত অ্যাবস্ট্রাকশন প্রস্তাব করে, এটাকে প্রমাণ করতে বলুন অ্যাবস্ট্রাকশনটা আসল ডুপ্লিকেশন বা ঝুঁকি সরায়। নাহলে, কোডটা সাধারণ আর স্থানীয় রাখুন।

রিফ্যাক্টর পরিকল্পনার প্রম্পট:

একটি ধাপে ধাপে রিফ্যাক্টর পরিকল্পনা তৈরি করো। লক্ষ্য: [লক্ষ্য]। বর্তমান কোড: [পেস্ট করো]। সীমাবদ্ধতা: পাবলিক আচরণ রক্ষা করো, পরিবর্তন কমাও, বিদ্যমান প্যাটার্ন মেনে চলো, নতুন নির্ভরতা এড়াও, প্রতিটি ধাপ টেস্টযোগ্য রাখো। ফেরত দাও: ইনভ্যারিয়েন্ট, নির্ভরতার মানচিত্র, ধাপ, স্পর্শ করা ফাইল, প্রতি ধাপের টেস্ট, রোলব্যাক ঝুঁকি, আর পর্যালোচনা চেকলিস্ট।

ইউনিট টেস্ট প্রম্পট:

ইমপ্লিমেন্টেশন বদলের আগে টেস্ট লেখো। এখানে দেখানো বিদ্যমান টেস্ট স্টাইল ব্যবহার করো: [পেস্ট করো]। রক্ষা করার আচরণ: [পেস্ট করো]। টেস্ট হওয়া কোড: [পেস্ট করো]। টেস্টের নাম, সেটআপ, ইনপুট, প্রত্যাশিত ফলাফল, আর প্রতিটি টেস্ট কেন গুরুত্বপূর্ণ তা ফেরত দাও। হ্যাপি পাথ, বাউন্ডারি কেস, এরর কেস, আর রিগ্রেশন কেস অন্তর্ভুক্ত করো।

প্রম্পট টেমপ্লেট যা অস্পষ্টতা সরায়

শক্তিশালী কোডিং প্রম্পট ঠিক ততটাই লম্বা যতটা অস্পষ্টতা সরাতে দরকার, তার বেশি না। মডেলটার দরকার রোল, কাজ, প্রসঙ্গ, সীমাবদ্ধতা, আউটপুট ফরম্যাট, আর যাচাইকরণ মানদণ্ড। যে প্রম্পটগুলো কাজ করে সেগুলো সেভ করুন যাতে AI একটি এককালীন চ্যাটের বদলে একটি পুনরাবৃত্তিযোগ্য ইঞ্জিনিয়ারিং ওয়ার্কফ্লো হয়ে ওঠে। নিচের টেবিলটি প্রতিটি কোডিং কাজকে প্রথমে যা জিজ্ঞাসা করতে হবে আর উত্তরটা প্রমাণ করে এমন চেকের সঙ্গে জোড়া দেয়।

কোডিং কাজ	প্রথমে কী চাইবেন	কী উত্তরটা প্রমাণ করে
ডিবাগিং	প্রতিটির পেছনের প্রমাণসহ র‍্যাংক করা মূল কারণ	ফিক্সের আগে ব্যর্থ হয় আর পরে পাস করে এমন একটি রিগ্রেশন টেস্ট
কোড রিভিউ	সঠিকতা, রিগ্রেশন ঝুঁকি, নিরাপত্তা, এজ কেস, আর টেস্ট ফাঁক	প্রতিটি সমস্যা ডিফের একটি নির্দিষ্ট লাইনে ফিরে খুঁজে পাওয়া
রিফ্যাক্টরিং	যেকোনো ইমপ্লিমেন্টেশন বদলের আগে ইনভ্যারিয়েন্ট আর একটি ধাপে ধাপে পরিকল্পনা	প্রতিটি ধাপের শেষে ক্যারেক্টারাইজেশন টেস্ট এখনও পাস করে
টেস্ট লেখা	হ্যাপি পাথ, বাউন্ডারি, এরর, আর রিগ্রেশন কেস	প্রতিটি টেস্ট আপনি নাম দিতে পারেন এমন একটি আচরণের দাবির সঙ্গে মেলে
কোড ব্যাখ্যা	উদ্দেশ্য, ইনপুট, আউটপুট, ডেটা ফ্লো, নির্ভরতা, আর ব্যর্থতার ধরন	কোডে দৃশ্যমান তথ্য অনুমান থেকে আলাদা করা

কোড ব্যাখ্যার প্রম্পট:

প্রজেক্টে যোগ দেওয়া একজন ডেভেলপারের জন্য এই কোডটি ব্যাখ্যা করো। উদ্দেশ্য, ইনপুট, আউটপুট, ডেটা ফ্লো, নির্ভরতা, ব্যর্থতার ধরন, আর আস্থা বাড়াবে এমন টেস্ট কভার করো। কোডে দৃশ্যমান তথ্য অনুমান থেকে আলাদা করো। কোড: [পেস্ট করো]।

নিরাপদ কোডিং প্রম্পট:

নিরাপত্তা ঝুঁকির জন্য এই কোডটি পর্যালোচনা করো। অথ, অনুমতি, ইনজেকশন, সিক্রেট, ভ্যালিডেশন, অনিরাপদ রিডাইরেক্ট, ফাইল হ্যান্ডলিং, নির্ভরতার ঝুঁকি, আর সংবেদনশীল ডেটা প্রকাশে ফোকাস করো। শুধু প্রমাণ, প্রভাব, সুপারিশকৃত ফিক্স, আর টেস্ট বা ম্যানুয়াল চেকসহ সমস্যা ফেরত দাও। কোড/ডিফ: [পেস্ট করো]।

কম্পেয়ার-মডেল-ফিক্স প্রম্পট:

আমি একটি কোডিং কাজের জন্য AI মডেল তুলনা করছি। শুধু দেওয়া প্রসঙ্গ ব্যবহার করো। মূল কারণ, সবচেয়ে ছোট নিরাপদ ফিক্স, টেস্ট, ঝুঁকি, অনুমান, আর প্রশ্ন ফেরত দাও। 1-5 এ আস্থা গ্রেড করো আর কোন প্রমাণ তোমার উত্তর বদলাবে তা তালিকাবদ্ধ করো। কাজ: [পেস্ট করো]। প্রসঙ্গ: [পেস্ট করো]।

AI-তৈরি কোড গ্রহণ করার আগে QA চেকলিস্ট:

• মডেলটি কাজটি সঠিকভাবে পুনরাবৃত্তি করেছে।
• প্যাচটি সমস্যার চেয়ে বড় নয়, ছোট।
• পাবলিক আচরণ আর চুক্তি নাম দেওয়া হয়েছে।
• টেস্ট সরাসরি বাগ বা রিফ্যাক্টরের লক্ষ্য কভার করে।
• এজ কেস আর ব্যর্থতার পথ তালিকাবদ্ধ।
• নিরাপত্তা-সংবেদনশীল ইনপুট পর্যালোচিত।
• ডিফটি বিদ্যমান প্রজেক্ট প্যাটার্ন মেনে চলে।
• আপনি প্রাসঙ্গিক টেস্ট, লিন্ট, বিল্ড, বা ম্যানুয়াল রিপ্রোডাকশন চালিয়েছেন।
• একজন মানুষ চূড়ান্ত ডিফ পর্যালোচনা করেছে।

একটি সৎ সীমা: Whizi একটি চ্যাট ওয়ার্কস্পেস, একটি IDE প্লাগইন নয়। আপনি টাইপ করার সময় ইনলাইন অটোকমপ্লিটের জন্য, একটি ডেডিকেটেড IDE অ্যাসিস্ট্যান্ট জেতে। Whizi এর বদলে চেকপয়েন্টগুলোতে নিজের জায়গা অর্জন করে: একই ডিবাগিং বা রিভিউ প্রম্পট Claude Sonnet 4.6, GPT-5.6 Terra, আর DeepSeek V4 Pro-তে পেস্ট করুন, তারপর প্রমাণ, স্কোপ, টেস্ট, আর ঝুঁকি দিয়ে আউটপুট স্কোর করুন। একটি মডেল-নির্বাচনের গাইড চাইলে কোডিংয়ের জন্য ChatGPT বিকল্প দিয়ে শুরু করুন, প্রাইসিং-এ প্ল্যান তুলনা করুন, বা আপনার নিজের কোডে ওয়ার্কফ্লো চালাতে একটি অ্যাকাউন্ট তৈরি করুন।