2026 ഏപ്രിൽ 27

Codex ഓർക്കസ്ട്രേഷനായുള്ള ഒരു ഓപ്പൺ സോഴ്സ് സ്പെസിഫിക്കേഷൻ: Symphony

തയ്യാറാക്കിയത്: Alex Kotliarskyi, Victor Zhu, Zach Brock

ലോഡിംഗ്…

ആറ് മാസം മുമ്പ്, ഒരു ആഭ്യന്തര ഉൽപ്പാദനക്ഷമത ടൂളിൽ പ്രവർത്തിക്കുമ്പോൾ, ഞങ്ങളുടെ ടീം (അന്നത്തെ സാഹചര്യത്തിൽ) വിവാദമായ ഒരു തീരുമാനം എടുത്തു: ഞങ്ങളുടെ റിപ്പോസിറ്ററിയിൽ മനുഷ്യൻ എഴുതിയ കോഡുകൾ ഒന്നുംതന്നെ ഉണ്ടാവില്ല എന്നതായിരുന്നു അത്. ഞങ്ങളുടെ പ്രോജക്ട് റിപ്പോസിറ്ററിയിലെ ഓരോ വരിയും Codex സൃഷ്ടിച്ചതായിരിക്കണം.

അത് പ്രവർത്തനക്ഷമമാക്കാൻ, എഞ്ചിനീയറിംഗ് പ്രവർത്തനരീതി ഞങ്ങൾ അടിമുടി പുനർരൂപകൽപ്പന ചെയ്തു. ഏജന്റുകൾക്ക് എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്ന തരത്തിലുള്ള ഒരു റിപ്പോസിറ്ററി ഞങ്ങൾ നിർമ്മിക്കുകയും, ഓട്ടോമേറ്റഡ് ടെസ്റ്റുകളിലും സുരക്ഷാ മാനദണ്ഡങ്ങളിലും വലിയ ശ്രദ്ധ ചെലുത്തുകയും Codex-നെ ഒരു പൂർണ്ണ അംഗത്തെപ്പോലെ ടീമിൽ ഉൾപ്പെടുത്തുകയും ചെയ്തു. ആ യാത്ര harness engineering സംബന്ധിച്ച ബ്ലോഗ് പോസ്റ്റിൽ⁠ ഞങ്ങൾ മുമ്പ് രേഖപ്പെടുത്തിയിട്ടുണ്ട്.

അത് വിജയകരമായിരുന്നെങ്കിലും ഞങ്ങൾ അടുത്തൊരു പ്രശ്‍നം അഭിമുഖീകരിച്ചു: കോൺടെക്സ്റ്റ് സ്വിച്ചിംഗ് ആയിരുന്നു അത്.

ഈ പുതിയ പ്രശ്നം പരിഹരിക്കാൻ, Symphony എന്നൊരു സിസ്റ്റം ഞങ്ങൾ നിർമ്മിച്ചു. Symphony⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) Linear പോലുള്ള പ്രോജക്ട് മാനേജ്‌മെന്റ് ബോർഡുകളെ കോഡിംഗ് ഏജന്റുകൾക്കായുള്ള ഒരു കൺട്രോൾ പ്ലെയിനായി മാറ്റുന്ന ഒരു ഏജന്റ് ഓർക്കസ്ട്രേറ്ററാണ്. തീർപ്പുകൽപ്പിക്കാത്ത ഓരോ ടാസ്ക്കിനും ഓരോ ഏജന്റിനെ വീതം ലഭിക്കുന്നു, ഈ ഏജന്റുകൾ തുടർച്ചയായി പ്രവർത്തിക്കുകയും മനുഷ്യർ അവയുടെ ഫലങ്ങൾ വിലയിരുത്തുകയും ചെയ്യുന്നു.

ഈ പോസ്റ്റ് Symphony ഞങ്ങൾ എങ്ങനെ നിർമ്മിച്ചുവെന്നും —ഇതിലൂടെ ചില ടീമുകളിൽ ലാൻഡഡ് pull request-കളിൽ 500% വർദ്ധനവ് ഉണ്ടായതെങ്ങനെയെന്നും—നിങ്ങളുടെ സ്വന്തം ഇഷ്യൂ ട്രാക്കറിനെ എപ്പോഴും പ്രവർത്തിക്കുന്ന ഒരു ഏജന്റ് ഓർക്കസ്ട്രേറ്ററാക്കി എങ്ങനെ മാറ്റാമെന്നും വിശദീകരിക്കുന്നു.

ഇന്ററാക്ടീവ് കോഡിംഗ് ഏജന്റുകളുടെ പരിമിതി

കൂടുതൽ എളുപ്പത്തിൽ ഉപയോഗിക്കാൻ സാധിക്കുമെങ്കിലും—വെബ് ആപ്പുകൾ വഴിയോ CLI വഴിയോ ഉപയോഗിക്കുന്ന കോഡിംഗ് ഏജന്റുകൾ—ഇപ്പോഴും ഒരു ഇൻ്ററാക്ടീവ് ടൂൾ മാത്രമാണ്.

OpenAI-യിൽ ഏജന്റുകൾ വഴിയുള്ള ജോലികൾ വർദ്ധിച്ചതോടെ, ഞങ്ങൾ പുതിയൊരു വെല്ലുവിളി നേരിട്ടു. ഓരോ എഞ്ചിനീയറും ഒരേസമയം നിരവധി Codex സെഷനുകൾ തുറക്കുകയും, ടാസ്ക്കുകൾ നൽകുകയും, അവയുടെ ഫലങ്ങൾ പരിശോധിക്കുകയും, ഏജന്റുകൾക്ക് നിർദ്ദേശങ്ങൾ നൽകി നിയന്ത്രിക്കുകയും ചെയ്യേണ്ടി വന്നു. പ്രായോഗികമായി പറഞ്ഞാൽ, ഒരേസമയം മൂന്ന് മുതൽ അഞ്ച് വരെ സെഷനുകൾ മാത്രമേ ഒരാൾക്ക് സുഗമമായി കൈകാര്യം ചെയ്യാൻ സാധിച്ചിരുന്നുള്ളൂ അതിലധികമായാൽ കോൺടെക്സ്റ്റ് സ്വിച്ചിംഗ് പ്രയാസകരമായി മാറുന്നു. അതിൽ കൂടുതലാകുമ്പോൾ ഉല്പാദനക്ഷമതയും കുറഞ്ഞു. ഏത് സെഷനിൽ എന്ത് ജോലിയാണ് നടക്കുന്നതെന്ന് ഞങ്ങൾ മറന്നുപോകുകയും, ഏജന്റുകളെ ശരിയായ ദിശയിലേക്ക് കൊണ്ടുവരാൻ ഓരോ ടെർമിനലുകൾക്കിടയിൽ മാറിമാറി പ്രവർത്തിക്കേണ്ടിയും വന്നു. കൂടാതെ, പകുതിവഴിയിൽ തടസ്സപ്പെട്ടുപോയ ദീർഘനേര ടാസ്ക്കുകൾ ശരിയാക്കിയെടുക്കുന്നതും വലിയൊരു ജോലിയായി മാറി..

ഏജന്റുകൾ വേഗതയുള്ളവരായിരുന്നു, എന്നാൽ ഞങ്ങളുടെ സിസ്റ്റത്തിന് ഒരു തടസ്സമുണ്ടായിരുന്നു: മനുഷ്യരുടെ ശ്രദ്ധ. ഫലത്തിൽ, അങ്ങേയറ്റം കഴിവുള്ള ജൂനിയർ എഞ്ചിനീയർമാരുടെ ഒരു ടീമിനെ ഞങ്ങൾ രൂപീകരിക്കുകയും, അവരെ മൈക്രോമാനേജ് ചെയ്യാൻ ഞങ്ങളുടെ മനുഷ്യ എഞ്ചിനീയർമാരെ ചുമതലപ്പെടുത്തുകയും ചെയ്തതുപോലെയായിരുന്നു അത്. ആ രീതിക്ക് വിചാരിച്ച പോലെ മുന്നോട്ട് പോകാൻ സാധിക്കില്ലായിരുന്നു.

കാഴ്ചപ്പാടിലെ മാറ്റം

ഞങ്ങൾ തെറ്റായ കാര്യമാണ് മെച്ചപ്പെടുത്താൻ ശ്രമിക്കുന്നതെന്ന് ഞങ്ങൾക്ക് ബോധ്യപ്പെട്ടു. PR-കളും സെഷനുകളും ലക്ഷ്യത്തിലേക്കുള്ള മാർഗങ്ങൾ മാത്രമായിരുന്നിട്ടും, ഞങ്ങളുടെ സിസ്റ്റത്തെ ഞങ്ങൾ PR-കൾക്കും കോഡിംഗ് സെഷനുകളും ചുറ്റുമാണ് ക്രമീകരിച്ചിരുന്നത്. സോഫ്റ്റ്‌വെയർ പ്രവർത്തനരീതികൾ പൊതുവെ ലക്ഷ്യങ്ങളെ മുൻനിർത്തിയാണ് സംഘടിപ്പിക്കാറുള്ളത്: ഇഷ്യൂകൾ, ടാസ്ക്കുകൾ, ടിക്കറ്റുകൾ, മൈൽസ്റ്റോണുകൾ

അതുകൊണ്ട്, ഏജന്റുകളെ നിരീക്ഷിക്കുന്നത് അവസാനിപ്പിച്ച് ഞങ്ങളുടെ ടാസ്ക് ട്രാക്കറിൽ നിന്ന് ജോലികൾ സ്വയം ഏറ്റെടുക്കാൻ അവരെ അനുവദിച്ചാൽ എന്ത് സംഭവിക്കുമെന്ന് ഞങ്ങൾ ചിന്തിച്ചു.

ആ ആശയം പിന്നീട് Symphony ആയി മാറി; ഏജന്റുകളുടെ പ്രവർത്തനങ്ങൾ ഏകോപിപ്പിക്കാൻ ഒരു സൂപ്പർവൈസറായി പ്രവർത്തിക്കുന്ന ഒരു ലിഖിത നിർദ്ദേശമാണ് ഇത്.

ഞങ്ങളുടെ ഇഷ്യൂ ട്രാക്കറിനെ ഒരു ഏജന്റ് ഓർക്കസ്ട്രേറ്ററാക്കി മാറ്റി

ഒരു ലളിതമായ ആശയത്തിൽ നിന്നാണ് Symphony ആരംഭിച്ചത്: തുറന്നു കിടക്കുന്ന ഏത് ടാസ്ക്കും ഒരു ഏജന്റ് ഏറ്റെടുക്കുകയും അത് പൂർത്തിയാക്കുകയും വേണം. ഒന്നിലധികം ടാബുകളിൽ Codex സെഷനുകൾ കൈകാര്യം ചെയ്യുന്നതിന് പകരം, ഞങ്ങളുടെ ഇഷ്യൂ ട്രാക്കറിനെ ഞങ്ങൾ ഒരു കൺട്രോൾ പ്ലെയിനായി മാറ്റി..

ഈ സജ്ജീകരണത്തിൽ, തീർപ്പുകല്പിക്കാത്ത ഓരോ Linear ഇഷ്യൂവും ഒരു പ്രത്യേക ഏജന്റ് വർക്ക്സ്പേസുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു. Symphony നിരന്തരം ടാസ്ക് ബോർഡ് നിരീക്ഷിക്കുകയും സജീവമായ ഓരോ ടാസ്ക്കിനും അത് പൂർത്തിയാകുന്നതു വരെ ഒരു ഏജന്റ് പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പുവരുത്തുകയും ചെയ്യുന്നു. ഏതെങ്കിലും ഏജന്റ് പ്രവർത്തനം നിർത്തുകയോ തടസ്സപ്പെടുകയോ ചെയ്താൽ Symphony അത് വീണ്ടും പ്രവർത്തിപ്പിക്കും. പുതിയ ജോലികൾ വന്നാൽ Symphony അവ ഏറ്റെടുക്കുകയും പ്രവർത്തനങ്ങൾ ക്രമീകരിക്കാൻ തുടങ്ങുകയും ചെയ്യുന്നു.

ഓരോ ടിക്കറ്റുകളുടെയും സ്റ്റാറ്റസ് അടിസ്ഥാനമാക്കിയാണ് ഞങ്ങൾ പ്രവർത്തനരീതി തയ്യാറാക്കിയത്, ഇതിനായി Linear എന്ന ടാസ്ക് മാനേജറെ ഒരു സ്റ്റേറ്റ് മെഷീനായി ഞങ്ങൾ ഉപയോഗിച്ചു..

കോഡിംഗ് ഏജന്റുകൾ നമ്മോടൊപ്പം ചേർന്ന് പ്രവർത്തിക്കുന്നതിനായി Linear സ്റ്റാറ്റസുകളെ ഒരു സ്റ്റേറ്റ് മെഷീനായി ഉപയോഗിക്കുന്നു.

പ്രായോഗികമായി പറഞ്ഞാൽ, Symphony ജോലിയെ സെഷനുകളിൽ നിന്നും pull request-കളിൽ നിന്നും സ്വതന്ത്രമാക്കുന്നു. ചില ഇഷ്യൂകൾ വിവിധ റിപ്പോസിറ്ററികളിലായി ഒന്നിലധികം PR സൃഷ്ടിക്കുന്നു; എന്നാൽ മറ്റു ചിലവ കേവലം അന്വേഷണമോ വിശകലനമോ മാത്രമാണ്, അവ കോഡ്ബേസിനെ ഒരു തരത്തിലും ബാധിക്കാറില്ല.

ജോലികൾ ഇത്തരത്തിൽ ലളിതമായി വേർതിരിച്ചുകഴിഞ്ഞാൽ, ടിക്കറ്റുകൾക്ക് കൂടുതൽ വലിയ ജോലികളെ പ്രതിനിധീകരിക്കാൻ സാധിക്കും.

സങ്കീർണ്ണമായ ഫീച്ചറുകൾ നിർമ്മിക്കുന്നതിനും ഇൻഫ്രാസ്ട്രക്ചർ മൈഗ്രേഷനുകൾ നടത്തുന്നതിനും ഞങ്ങൾ പതിവായി Symphony ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, കോഡ്ബേസ്, Slack അല്ലെങ്കിൽ Notion എന്നിവ വിശകലനം ചെയ്ത് ഒരു ഇംപ്ലിമെന്റേഷൻ പ്ലാൻ തയ്യാറാക്കാൻ ഞങ്ങൾ ഏജന്റിനോട് ആവശ്യപ്പെടാറുണ്ട്. ആ പ്ലാനിൽ ഞങ്ങൾ സംതൃപ്തരായാൽ ഏജന്റ് തന്നെ ജോലികളെ വിവിധ ഘട്ടങ്ങളായി തിരിക്കുകയും അവ തമ്മിലുള്ള ബന്ധങ്ങൾ നിശ്ചയിച്ചുകൊണ്ട് ടാസ്ക്കുകളുടെ ഒരു ഘടന തയ്യാറാക്കുകയും ചെയ്യുന്നു.

തടസ്സങ്ങളില്ലാത്ത ടാസ്ക്കുകളിൽ മാത്രമേ ഏജന്റുകൾ ജോലി ആരംഭിക്കുകയുള്ളൂ. അതിനാൽ ഈ DAG (എക്സിക്യൂഷൻ സ്റ്റെപ്പുകളുടെ ക്രമം) അനുസരിച്ച് ജോലികൾ സ്വാഭാവികമായും സമാന്തരമായും നടക്കുന്നു. താഴെ നൽകിയിരിക്കുന്ന ഉദാഹരണത്തിൽ, React upgrade എന്ന ടാസ്ക്കിന് Vite മൈഗ്രേഷൻ പൂർത്തിയാകുന്നത് വരെ തടസ്സമുള്ളതായി ഞങ്ങൾ അടയാളപ്പെടുത്തി. പ്രതീക്ഷിച്ചതുപോലെ തന്നെ Vite മൈഗ്രേഷൻ പൂർത്തിയായതിന് ശേഷം മാത്രമാണ് ഏജന്റുകൾ React അപ്‌ഗ്രേഡ് ചെയ്യാൻ തുടങ്ങിയത്..

ഏജന്റുകൾക്ക് സ്വന്തമായി പുതിയ ടാസ്ക്കുകൾ സൃഷ്ടിക്കാനും സാധിക്കും. ഇംപ്ലിമെന്റേഷൻ വേളയിലോ പരിശോധനയിലോ നിലവിലെ ടാസ്ക്കിന് പുറത്തുള്ള മെച്ചപ്പെടുത്തലുകൾ അവർ ശ്രദ്ധിക്കാറുണ്ട്. പെർഫോമൻസ് മെച്ചപ്പെടുത്താനുള്ള വഴികൾ, റീഫാക്ടറിംഗ് സാധ്യതകൾ അല്ലെങ്കിൽ മികച്ചൊരു ആർക്കിടെക്ചർ എന്നിവ ഇതിന് ഉദാഹരണങ്ങളാണ്. അത്തരം സന്ദർഭങ്ങളിൽ അവർ പുതിയൊരു ഇഷ്യൂ ഫയൽ ചെയ്യുന്നു. ഇത് പിന്നീട് വിലയിരുത്തി ഷെഡ്യൂൾ ചെയ്യാൻ ഞങ്ങൾക്ക് സാധിക്കും —ഇത്തരം ഫോളോ അപ്പ് ടാസ്ക്കുകളിൽ പലതും പിന്നീട് ഏജന്റുകൾ തന്നെ ഏറ്റെടുത്ത് പൂർത്തിയാക്കാറുണ്ട്. ഞങ്ങൾ ഈ പ്രക്രിയയ്ക്ക് മേൽനോട്ടം വഹിക്കുമ്പോൾ തന്നെ ഏജന്റുകൾ കാര്യങ്ങൾ കൃത്യമായി ക്രമീകരിക്കുകയും ജോലികൾ മുന്നോട്ട് കൊണ്ടുപോവുകയും ചെയ്യുന്നു.

ഈ രീതിയിലുള്ള പ്രവർത്തന ശൈലി അവ്യക്തമായ ജോലികൾ ആരംഭിക്കുന്നതിലെ കൊഗ്നിറ്റീവ് കോസ്റ്റ് വളരെയധികം കുറയ്ക്കുന്നു. ഏജന്റിന് എന്തെങ്കിലും തെറ്റ് സംഭവിച്ചാൽ പോലും അതൊരു ഉപയോഗപ്രദമായ അറിവായി മാറുന്നു, മാത്രമല്ല ഇതിൽ നമുക്കുണ്ടാകുന്ന നഷ്ടം പൂജ്യത്തിന് അടുത്താണ്. പ്രോട്ടോടൈപ്പുകൾ തയ്യാറാക്കുന്നതിനും പുതിയ കാര്യങ്ങൾ പരീക്ഷിച്ചു നോക്കുന്നതിനുമായി വളരെ എളുപ്പത്തിൽ ഏജന്റുകൾക്ക് ടിക്കറ്റുകൾ നൽകാൻ നമുക്ക് സാധിക്കും. അത്തരം പരീക്ഷണങ്ങളിൽ ഇഷ്ടപ്പെടാത്തവ നമുക്ക് ഒഴിവാക്കുകയും ചെയ്യാം.

ഈ ഓർക്കസ്ട്രേറ്റർ ഡെവ്ബോക്സുകളിൽ പ്രവർത്തിക്കുന്നതിനാലും ഒരിക്കലും നിശ്ചലമാകാത്തതിനാലും, നമുക്ക് എവിടെനിന്നും ടാസ്ക്കുകൾ നൽകാൻ സാധിക്കും; ഒരു ഏജന്റ് അത് ഏറ്റെടുക്കുമെന്ന് നമുക്ക് ഉറപ്പിക്കാം. ഉദാഹരണത്തിന്, ഞങ്ങളുടെ ടീമിലെ ഒരു എഞ്ചിനീയർ തന്റെ ഫോണിലെ Linear ആപ്പ് ഉപയോഗിച്ച്, വളരെ മോശം വൈഫൈ മാത്രമുള്ള ഒരു ഉൾനാടൻ പ്രദേശത്തെ ക്യാബിനിൽ ഇരുന്നുപോലും മൂന്ന് പ്രധാന മാറ്റങ്ങൾ വരുത്തുകയുണ്ടായി.

ഈ രീതിയിലുള്ള പ്രവർത്തന ശൈലി അന്വേഷണ അവസരങ്ങൾ വർദ്ധിപ്പിക്കുന്നു

Symphony ഉപയോഗിച്ച് പ്രവർത്തിച്ചപ്പോൾ ഉണ്ടായ ഫലങ്ങൾ നിരീക്ഷിച്ചതിൽ നിന്ന് ഏറ്റവും പ്രകടമായ മാറ്റം ഉൽപ്പാദനക്ഷമതയിലായിരുന്നു. OpenAI-യിലെ ചില ടീമുകൾക്കിടയിൽ ആദ്യ മൂന്ന് ആഴ്ചകൾക്കുള്ളിൽ തന്നെ പൂർത്തിയാക്കിയ PR-കളുടെ എണ്ണത്തിൽ ആറിരട്ടി വർദ്ധനവ് ഞങ്ങൾ കണ്ടു. OpenAI-ക്ക് പുറത്ത്, Symphony പുറത്തിറക്കിയതോടെ വർക്ക്സ്പേസുകളുടെ എണ്ണത്തിലുണ്ടായ വൻ വർദ്ധനവിനെ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) Linear സ്ഥാപകൻ കാരി സാരിനൻ (Karri Saarinen) എടുത്തുപറഞ്ഞു. എന്നിരുന്നാലും, ടീമുകൾ ജോലിയെ കാണുന്ന രീതിയിലുണ്ടായ ആഴത്തിലുള്ള മാറ്റമാണ് ഇതിനേക്കാൾ ശ്രദ്ധേയം.

ഞങ്ങളുടെ എഞ്ചിനീയർമാർ Codex സെഷനുകൾ മേൽനോട്ടം വഹിക്കാൻ സമയം ചെലവഴിക്കേണ്ടി വരാത്ത സാഹചര്യത്തിൽ, കോഡ് മാറ്റങ്ങളുടെ സാമ്പത്തിക വശം പൂർണ്ണമായും മാറുന്നു. ഓരോ മാറ്റത്തിനുമുള്ള ചിലവ് കുറഞ്ഞതായി അനുഭവപ്പെടുന്നു, കാരണം ആ മാറ്റങ്ങൾ നടപ്പിലാക്കുന്നതിനായി മനുഷ്യ അധ്വാനം നേരിട്ട് നിക്ഷേപിക്കേണ്ടി വരുന്നില്ല.

അത് ഞങ്ങളുടെ പ്രവർത്തനരീതിയെ മാറ്റിമറിച്ചു. Symphony-യിൽ പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള ടാസ്ക്കുകൾ ആരംഭിക്കുന്നത് ഇപ്പോൾ വളരെ ലളിതമായ ഒരു കാര്യമായി മാറിയിരിക്കുന്നു. ഒരു പുതിയ ആശയം പരീക്ഷിച്ചു നോക്കുകയോ, ഒരു റീഫാക്ടറിംഗ് സാധ്യത പരിശോധിക്കുകയോ, അല്ലെങ്കിൽ ഒരു നിഗമനം ശരിയാണോ എന്ന് പരീക്ഷിക്കുകയോ ചെയ്ത ശേഷം അതിൽ പ്രതീക്ഷ നൽകുന്ന ഫലങ്ങൾ മാത്രം നിലനിർത്താൻ ഞങ്ങൾക്ക് സാധിക്കുന്നു.

ജോലികൾ ആരംഭിക്കാൻ ആർക്കൊക്കെ സാധിക്കും എന്നതിന്റെ വ്യാപ്തിയും ഇത് വർദ്ധിപ്പിക്കുന്നു. ഞങ്ങളുടെ പ്രോഡക്റ്റ് മാനേജർക്കും ഡിസൈനർക്കും ഇപ്പോൾ ഫീച്ചർ റിക്വസ്റ്റുകൾ നേരിട്ട് Symphony-ലേക്ക് സമർപ്പിക്കാൻ സാധിക്കും. അവർക്ക് കോഡ് റിപ്പോസിറ്ററികൾ പരിശോധിക്കുകയോ Codex സെഷനുകൾ കൈകാര്യം ചെയ്യുകയോ വേണ്ട. അവർക്ക് വേണ്ട ഫീച്ചറുകൾ വിവരിക്കുക മാത്രം ചെയ്താൽ മതി; മറുപടിയായി ആ ഫീച്ചർ യഥാർത്ഥ പ്രോഡക്റ്റിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് കാണിക്കുന്ന വീഡിയോ സഹിതമുള്ള ഒരു റിവ്യൂ പാക്കറ്റ് അവർക്ക് ലഭിക്കും.

വലിയ മോണോറെപ്പോകളിൽ (OpenAI-യിലുള്ളതുപോലുള്ള) പ്രവർത്തിക്കുമ്പോൾ Symphony-യുടെ മികവ് ഏറെ പ്രകടമാണ്. അവിടെ ഒരു PR പൂർത്തിയാക്കുന്നതിന്റെ അവസാന ഘട്ടങ്ങൾ പലപ്പോഴും മന്ദഗതിയിലുള്ളതും പിഴവുകൾക്ക് സാധ്യതയുള്ളതുമാണ്. ഈ സിസ്റ്റം സിഐ നിരീക്ഷിക്കുകയും ആവശ്യമുള്ളപ്പോൾ റീബേസ് ചെയ്യുകയും കോൺഫ്ലിക്റ്റുകൾ പരിഹരിക്കുകയും ചെയ്യുന്നു. കൂടാതെ പരാജയപ്പെട്ട ചെക്കുകൾ വീണ്ടും പരീക്ഷിക്കുകയും പൈപ്പ്‌ലൈനിലൂടെ മാറ്റങ്ങൾ കൃത്യമായി കടന്നുപോകുന്നുവെന്ന് ഉറപ്പാക്കുകയും ചെയ്യുന്നു. ഒരു ടിക്കറ്റ് മെർജിംഗ്ഘട്ടത്തിൽ എത്തുമ്പോഴേക്കും മനുഷ്യസഹായമില്ലാതെ തന്നെ ആ മാറ്റം മെയിൻ ബ്രാഞ്ചിൽ ഉൾപ്പെടുമെന്ന് നമുക്ക് പൂർണ്ണ വിശ്വാസമുണ്ടാകും.

Symphony ഇംപ്ലിമെന്റ് ചെയ്തതിന് ശേഷം, കൂടുതൽ ജോലികൾ ഞങ്ങൾ ഏജന്റുകളെ ഏൽപിക്കുകയും കൂടുതൽ ദുഷ്കരവും പര്യവേഷണ സ്വഭാവമുള്ളതുമായ കാര്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും ചെയ്യുന്നു.

പുരോഗതിയോടൊപ്പം പുതിയതും വ്യത്യസ്തവുമായ വെല്ലുവിളികളും വരും

ഈ തലത്തിൽ പ്രവർത്തിക്കുന്നത് ചില വിട്ടുവീഴ്ചകൾ ആവശ്യപ്പെടുന്നു. ഏജന്റുകളെ ഓരോ ഘട്ടത്തിലും നേരിട്ട് നിയന്ത്രിക്കുന്നതിന് പകരം ടിക്കറ്റ് അടിസ്ഥാനത്തിൽ ജോലികൾ ഏൽപ്പിച്ചു തുടങ്ങിയപ്പോൾ, അവയുടെ പ്രവർത്തനത്തിനിടയിൽ ഇടപെട്ട് ആവശ്യമായ തിരുത്തലുകൾ വരുത്താനുള്ള അവസരം ഞങ്ങൾക്ക് നഷ്ടമായി. ചില സന്ദർഭങ്ങളിൽ ഏജന്റുകൾ തയ്യാറാക്കിയ ഫലങ്ങൾ ഞങ്ങൾ ഉദ്ദേശിച്ചതിൽ നിന്നും തികച്ചും വ്യത്യസ്തമായിരുന്നു. എന്നാൽ അത് പ്രയോജനകരമായിരുന്നു—അത്തരം പരാജയങ്ങൾ സിസ്റ്റത്തിലെ പോരായ്മകൾ വെളിപ്പെടുത്തുകയും അതിനെ കൂടുതൽ കരുത്തുറ്റതാക്കാൻ ഞങ്ങളെ സഹായിക്കുകയും ചെയ്തു.

ഫലങ്ങൾ മാനുവലായി തിരുത്തുന്നതിന് പകരം, അടുത്ത തവണ ഏജന്റുകൾക്ക് വിജയിക്കാൻ സാധിക്കുന്ന രീതിയിലുള്ള നിയന്ത്രണങ്ങളും നൈപുണ്യങ്ങളും ഞങ്ങൾ കൂട്ടിച്ചേർത്തു. കാലക്രമേണ, എൻഡ്-ടു-എൻഡ് ടെസ്റ്റുകൾ നടത്തുക, ക്രോം ഡെവലപ്പർ ടൂൾസ് വഴി ആപ്പ് പ്രവർത്തിപ്പിക്കുക, ക്യുഎ സ്മോക്ക് ടെസ്റ്റുകൾ നിയന്ത്രിക്കുക തുടങ്ങിയ പുതിയ കഴിവുകൾ ഞങ്ങളുടെ സിസ്റ്റത്തിൽ ഉൾപ്പെടുത്താൻ ഇത് കാരണമായി. ഞങ്ങൾ ഡോക്യുമെന്റേഷൻ ഗണ്യമായി മെച്ചപ്പെടുത്തുകയും മികച്ച പ്രകടനം എന്നാൽ എന്താണെന്ന് കൂടുതൽ വ്യക്തമാക്കുകയും ചെയ്തു.

എല്ലാ ജോലികളും Symphony രീതിയിലുള്ള പ്രവർത്തന ശൈലിക്ക് അനുയോജ്യമല്ല. അവ്യക്തമായ പ്രശ്നങ്ങളോ ശക്തമായ വിവേചനബുദ്ധിയും വൈദഗ്ധ്യവും ആവശ്യമായ ജോലികളോ കൈകാര്യം ചെയ്യാൻ എഞ്ചിനീയർമാർ ഇപ്പോഴും Codex സെഷനുകൾ നേരിട്ട് ഉപയോഗിക്കേണ്ടതുണ്ട്. പ്രായോഗികമായി നോക്കുമ്പോൾ, ഞങ്ങളുടെ എഞ്ചിനീയർമാർ സമയം ചെലവഴിക്കാൻ ഏറ്റവും താൽപ്പര്യപ്പെടുന്ന ആസ്വാദ്യകരവുമായ ജോലികൾ ഇത്തരം കാര്യങ്ങളാണ്.

സാധാരണയായി ചെയ്യേണ്ടി വരുന്ന ഭൂരിഭാഗം ഇംപ്ലിമെന്റേഷൻ ജോലികളും കൈകാര്യം ചെയ്യാൻ Symphony-ക്ക് സാധിക്കും എന്നതാണ് ഇതിലെ പ്രധാന വ്യത്യാസം. ഇത് ചെറിയ ജോലികൾക്കിടയിലുള്ള നിരന്തരമായ ശ്രദ്ധ മാറ്റം ഒഴിവാക്കാനും ഒരു സങ്കീർണ്ണ പ്രശ്നത്തിൽ കൃത്യമായി ശ്രദ്ധ കേന്ദ്രീകരിക്കാനും എഞ്ചിനീയർമാരെ സഹായിക്കുന്നു..

ഏജന്റുകളെ ഒരു സ്റ്റേറ്റ് മെഷീനിലെ മാറ്റാൻ കഴിയാത്ത നോഡുകളായി മാത്രം കണക്കാക്കുന്നത് ശരിയായ രീതിയല്ലെന്നും ഞങ്ങൾ മനസ്സിലാക്കി. നമ്മൾ നിശ്ചയിക്കുന്ന പരിധികൾക്കപ്പുറമുള്ള വലിയ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ തക്കവണ്ണം മോഡലുകൾ കൂടുതൽ മിടുക്കുള്ളവരായി മാറുന്നുണ്ട്. ഉദാഹരണത്തിന് ആദ്യകാല പതിപ്പുകളിൽ GitHub ഇന്റഗ്രേഷനുകൾ പൂർണ്ണമായും പുറത്തുള്ള ഒരു സംവിധാനത്തിന്റെ ഭാഗമായിരുന്നു—അതായത് കോഡ് മാറ്റങ്ങൾ വരുത്താൻ മാത്രം Codex ഉപയോഗിക്കുകയും ബാക്കി കാര്യങ്ങൾ (മാറ്റങ്ങൾ സമർപ്പിക്കുന്നതും ടെസ്റ്റുകൾ നടത്തുന്നതുമെല്ലാം) പ്രത്യേക കോഡ് വഴി നടപ്പിലാക്കുകയുമായിരുന്നു ചെയ്തിരുന്നത്. തുടക്കത്തിൽ ജോലികൾ നടപ്പിലാക്കാൻ ആവശ്യപ്പെടുക മാത്രമായിരുന്നു ഞങ്ങൾ Codex വഴി ചെയ്തിരുന്നത്.എന്നാൽ ആ സമീപനം വളരെയധികം പരിമിതികൾ നിറഞ്ഞതാണെന്ന് തെളിഞ്ഞു. ഒന്നിലധികം PR-കൾ സൃഷ്ടിക്കാനും റിവ്യൂ ഫീഡ്‌ബാക്കുകൾ വായിച്ച് അവ പരിഹരിക്കാനും Codex ന് വളരെ എളുപ്പത്തിൽ സാധിക്കുമെന്ന് ഞങ്ങൾ കണ്ടു.— അതിനാൽ ഞങ്ങൾ അതിന് gh CLI, CI ലോഗുകൾ വായിക്കാനുള്ള കഴിവുകളും നൽകി. ഇപ്പോൾ പഴയ PR-കൾ അവസാനിപ്പിക്കാനോ പൂർത്തിയാക്കിയതും ഉപേക്ഷിച്ചതുമായ ജോലികളുടെ റിപ്പോർട്ടുകൾ തയ്യാറാക്കാനോ ഉള്ള കൂടുതൽ വലിയ കാര്യങ്ങൾ ചെയ്യാൻ Codex നോട് ആവശ്യപ്പെടാൻ ഞങ്ങൾക്ക് സാധിക്കുന്നു. ഇത്തരം ജോലികൾ തുടക്കത്തിൽ ഞങ്ങൾ നിശ്ചയിച്ചിരുന്ന ഫീച്ചർ ഇംപ്ലിമെന്റേഷൻ പരിധിക്കും പുറത്തായിരുന്നു

അതുകൊണ്ട് ഒടുവിൽ ഏജന്റുകൾക്ക് കർശനമായ നിർദ്ദേശങ്ങൾ നൽകുന്നതിന് പകരം നിശ്ചിത ലക്ഷ്യങ്ങൾനൽകുന്ന രീതിയിലേക്ക് ഞങ്ങൾ മാറി. ഒരു മികച്ച മാനേജർ തന്റെ ടീമിലെ അംഗത്തിന് ഒരു ലക്ഷ്യം നിശ്ചയിച്ചു നൽകുന്നതിന് സമാനമാണിത്. കാര്യങ്ങൾ യുക്തിസഹമായി ചിന്തിച്ചു ചെയ്യാനുള്ള കഴിവിലാണ് മോഡലുകളുടെ യഥാർത്ഥ കരുത്ത് ഇരിക്കുന്നത്. അതിനാൽ അവയ്ക്ക് ആവശ്യമായ ടൂളുകളും പശ്ചാത്തല വിവരങ്ങളും നൽകി സ്വതന്ത്രമായി പ്രവർത്തിക്കാൻ അനുവദിക്കുക.

Symphony ഉപയോഗിച്ച് Symphony നിർമ്മിക്കൽ

Symphony റിപ്പോസിറ്ററി തുറക്കുമ്പോൾ നിങ്ങൾ ആദ്യം ശ്രദ്ധിക്കുന്നത്, സാങ്കേതികമായി Symphony ഒരു SPEC.md ഫയൽ മാത്രമാണെന്നതാണ്—പ്രശ്നത്തിന്റെയും ലക്ഷ്യമിട്ട പരിഹാരത്തിന്റെയും ഒരു നിർവചനം. സങ്കീർണ്ണമായ ഒരു മേൽനോട്ട സംവിധാനം നിർമ്മിക്കുന്നതിന് പകരം, പ്രശ്നവും ഞങ്ങൾ ലക്ഷ്യമാക്കുന്ന പരിഹാരങ്ങളും കൃത്യമായി നിർവചിച്ചുകൊണ്ട് ഏജന്റുകൾക്ക് ഹൈ ലെവൽ മാർഗ്ഗനിർദ്ദേശം നൽകുകയാണ് ഞങ്ങൾ ചെയ്തത്.

Markdown

1# Symphony Service Specification
2
3Status: Draft v1 (language-agnostic)
4
5Purpose: Define a service that orchestrates coding agents to get project work done.
6
7## 1. Problem Statement
8
9Symphony is a long-running automation service that continuously reads work from an issue tracker
10(Linear in this specification version), creates an isolated workspace for each issue, and runs a
11coding agent session for that issue inside the workspace.
12
13The service solves four operational problems:
14
15- It turns issue execution into a repeatable daemon workflow instead of manual scripts.
16- It isolates agent execution in per-issue workspaces so agent commands run only inside per-issue
17  workspace directories.
18- It keeps the workflow policy in-repo (`WORKFLOW.md`) so teams version the agent prompt and runtime
19  settings with their code.
20- It provides enough observability to operate and debug multiple concurrent agent runs.
21
22Implementations are expected to document their trust and safety posture explicitly. This
23specification does not require a single approval, sandbox, or operator-confirmation policy; some
24implementations may target trusted environments with a high-trust configuration, while others may
25require stricter approvals or sandboxing.
26
27Important boundary:
28
29- Symphony is a scheduler/runner and tracker reader.
30- Ticket writes (state transitions, comments, PR links) are typically performed by the coding agent
31  using tools available in the workflow/runtime environment.
32- A successful run may end at a workflow-defined handoff state (for example `Human Review`), not
33  necessarily `Done`.
34
35## 2. Goals and Non-Goals
36
37### 2.1 Goals
38
39- Poll the issue tracker on a fixed cadence and dispatch work with bounded concurrency.
40- Maintain a single authoritative orchestrator state for dispatch, retries, and reconciliation.
41- Create deterministic per-issue workspaces and preserve them across runs.
42- Stop active runs when issue state changes make them ineligible.
43- Recover from transient failures with exponential backoff.
44- Load runtime behavior from a repository-owned `WORKFLOW.md` contract.
45- Expose operator-visible observability (at minimum structured logs).
46- Support restart recovery without requiring a persistent database.
47
48### 2.2 Non-Goals
49
50- Rich web UI or multi-tenant control plane.
51- Prescribing a specific dashboard or terminal UI implementation.
52- General-purpose workflow engine or distributed job scheduler.
53- Built-in business logic for how to edit tickets, PRs, or comments. (That logic lives in the
54  workflow prompt and agent tooling.)
55- Mandating strong sandbox controls beyond what the coding agent and host OS provide.
56- Mandating a single default approval, sandbox, or operator-confirmation posture for all
57  implementations.
58
59## 3. System Overview
60
61### 3.1 Main Components
62
631. `Workflow Loader`
64   - Reads `WORKFLOW.md`.
65   - Parses YAML front matter and prompt body.
66   - Returns `{config, prompt_template}`.
67
682. `Config Layer`
69   - Exposes typed getters for workflow config values.
70   - Applies defaults and environment variable indirection.
71   - Performs validation used by the orchestrator before dispatch.
72
733. `Issue Tracker Client`
74   - Fetches candidate issues in active states.
75   - Fetches current states for specific issue IDs (reconciliation).
76   - Fetches terminal-state issues during startup cleanup.
77   - Normalizes tracker payloads into a stable issue model.
78
794. `Orchestrator`
80   - Owns the poll tick.
81   - Owns the in-memory runtime state.
82   - Decides which issues to dispatch, retry, stop, or release.
83   - Tracks session metrics and retry queue state.
84
855. `Workspace Manager`
86   - Maps issue identifiers to workspace paths.
87   - Ensures per-issue workspace directories exist.
88   - Runs workspace lifecycle hooks.
89   - Cleans workspaces for terminal issues.
90
916. `Agent Runner`
92   - Creates workspace.
93   - Builds prompt from issue + workflow template.
94   - Launches the coding agent app-server client.
95   - Streams agent updates back to the orchestrator.
96
977. `Status Surface` (optional)
98   - Presents human-readable runtime status (for example terminal output, dashboard, or other
99     operator-facing view).
100
1018. `Logging`
102   - Emits structured runtime logs to one or more configured sinks.
103
104### 3.2 Abstraction Levels
105
106Symphony is easiest to port when kept in these layers:
107
1081. `Policy Layer` (repo-defined)
109   - `WORKFLOW.md` prompt body.
110   - Team-specific rules for ticket handling, validation, and handoff.
111
1122. `Configuration Layer` (typed getters)
113   - Parses front matter into typed runtime settings.
114   - Handles defaults, environment tokens, and path normalization.
115
1163. `Coordination Layer` (orchestrator)
117   - Polling loop, issue eligibility, concurrency, retries, reconciliation.
118
1194. `Execution Layer` (workspace + agent subprocess)
120   - Filesystem lifecycle, workspace preparation, coding-agent protocol.
121
1225. `Integration Layer` (Linear adapter)
123   - API calls and normalization for tracker data.
124
1256. `Observability Layer` (logs + optional status surface)
126   - Operator visibility into orchestrator and agent behavior.
127
128### 3.3 External Dependencies
129
130- Issue tracker API (Linear for `tracker.kind: linear` in this specification version).
131- Local filesystem for workspaces and logs.
132- Optional workspace population tooling (for example Git CLI, if used).
133- Coding-agent executable that supports JSON-RPC-like app-server mode over stdio.
134- Host environment authentication for the issue tracker and coding agent.
135
136## 4. Core Domain Model
137
138### 4.1 Entities
139
140#### 4.1.1 Issue
141
142Normalized issue record used by orchestration, prompt rendering, and observability output.
143
144Fields:
145
146- `id` (string)
147  - Stable tracker-internal ID.
148- `identifier` (string)
149  - Human-readable ticket key (example: `ABC-123`).
150- `title` (string)
151- `description` (string or null)
152- `priority` (integer or null)
153  - Lower numbers are higher priority in dispatch sorting.
154- `state` (string)
155  - Current tracker state name.
156- `branch_name` (string or null)
157  - Tracker-provided branch metadata if available.
158- `url` (string or null)
159- `labels` (list of strings)
160  - Normalized to lowercase.
161- `blocked_by` (list of blocker refs)
162  - Each blocker ref contains:
163    - `id` (string or null)
164    - `identifier` (string or null)
165    - `state` (string or null)
166- `created_at` (timestamp or null)
167- `updated_at` (timestamp or null)
168
169#### 4.1.2 Workflow Definition
170
171Parsed `WORKFLOW.md` payload:
172
173- `config` (map)
174  - YAML front matter root object.
175- `prompt_template` (string)
176  - Markdown body after front matter, trimmed.
177
178#### 4.1.3 Service Config (Typed View)
179
180Typed runtime values derived from `WorkflowDefinition.config` plus environment resolution.
181
182Examples:
183
184- poll interval
185- workspace root
186- active and terminal issue states
187- concurrency limits
188- coding-agent executable/args/timeouts
189- workspace hooks
190
191#### 4.1.4 Workspace
192
193Filesystem workspace assigned to one issue identifier.
194
195Fields (logical):
196
197- `path` (workspace path; current runtime typically uses absolute paths, but relative roots are
198  possible if configured without path separators)
199- `workspace_key` (sanitized issue identifier)
200- `created_now` (boolean, used to gate `after_create` hook)
201
202#### 4.1.5 Run Attempt
203
204One execution attempt for one issue.
205
206Fields (logical):
207
208- `issue_id`
209- `issue_identifier`
210- `attempt` (integer or null, `null` for first run, `>=1` for retries/continuation)
211- `workspace_path`
212- `started_at`
213- `status`
214- `error` (optional)
215
216#### 4.1.6 Live Session (Agent Session Metadata)
217
218State tracked while a coding-agent subprocess is running.
219
220Fields:
221
222- `session_id` (string, `<thread_id>-<turn_id>`)
223- `thread_id` (string)
224- `turn_id` (string)
225- `codex_app_server_pid` (string or null)
226- `last_codex_event` (string/enum or null)
227- `last_codex_timestamp` (timestamp or null)
228- `last_codex_message` (summarized payload)
229- `codex_input_tokens` (integer)
230- `codex_output_tokens` (integer)
231- `codex_total_tokens` (integer)
232- `last_reported_input_tokens` (integer)
233- `last_reported_output_tokens` (integer)
234- `last_reported_total_tokens` (integer)
235- `turn_count` (integer)
236  - Number of coding-agent turns started within the current worker lifetime.
237
238#### 4.1.7 Retry Entry
239
240Scheduled retry state for an issue.
241
242Fields:
243
244- `issue_id`
245- `identifier` (best-effort human ID for status surfaces/logs)
246- `attempt` (integer, 1-based for retry queue)
247- `due_at_ms` (monotonic clock timestamp)
248- `timer_handle` (runtime-specific timer reference)
249- `error` (string or null)
250
251#### 4.1.8 Orchestrator Runtime State
252
253Single authoritative in-memory state owned by the orchestrator.
254
255Fields:
256
257- `poll_interval_ms` (current effective poll interval)
258- `max_concurrent_agents` (current effective global concurrency limit)
259- `running` (map `issue_id -> running entry`)
260- `claimed` (set of issue IDs reserved/running/retrying)
261- `retry_attempts` (map `issue_id -> RetryEntry`)
262- `completed` (set of issue IDs; bookkeeping only, not dispatch gating)
263- `codex_totals` (aggregate tokens + runtime seconds)
264- `codex_rate_limits` (latest rate-limit snapshot from agent events)
265
266### 4.2 Stable Identifiers and Normalization Rules
267
268- `Issue ID`
269  - Use for tracker lookups and internal map keys.
270- `Issue Identifier`
271  - Use for human-readable logs and workspace naming.
272- `Workspace Key`
273  - Derive from `issue.identifier` by replacing any character not in `[A-Za-z0-9._-]` with `_`.
274  - Use the sanitized value for the workspace directory name.
275- `Normalized Issue State`
276  - Compare states after `lowercase`.
277- `Session ID`
278  - Compose from coding-agent `thread_id` and `turn_id` as `<thread_id>-<turn_id>`.
279
280## 5. Workflow Specification (Repository Contract)
281
282### 5.1 File Discovery and Path Resolution
283
284Workflow file path precedence:
285
2861. Explicit application/runtime setting (set by CLI startup path).
2872. Default: `WORKFLOW.md` in the current process working directory.
288
289Loader behavior:
290
291- If the file cannot be read, return `missing_workflow_file` error.
292- The workflow file is expected to be repository-owned and version-controlled.
293
294### 5.2 File Format
295
296`WORKFLOW.md` is a Markdown file with optional YAML front matter.
297
298Design note:
299
300- `WORKFLOW.md` should be self-contained enough to describe and run different workflows (prompt,
301  runtime settings, hooks, and tracker selection/config) without requiring out-of-band
302  service-specific configuration.
303
304Parsing rules:
305
306- If file starts with `---`, parse lines until the next `---` as YAML front matter.
307- Remaining lines become the prompt body.
308- If front matter is absent, treat the entire file as prompt body and use an empty config map.
309- YAML front matter must decode to a map/object; non-map YAML is an error.
310- Prompt body is trimmed before use.
311
312Returned workflow object:
313
314- `config`: front matter root object (not nested under a `config` key).
315- `prompt_template`: trimmed Markdown body.
316
317### 5.3 Front Matter Schema
318
319Top-level keys:
320
321- `tracker`
322- `polling`
323- `workspace`
324- `hooks`
325- `agent`
326- `codex`
327
328Unknown keys should be ignored for forward compatibility.
329
330Note:
331
332- The workflow front matter is extensible. Optional extensions may define additional top-level keys
333  (for example `server`) without changing the core schema above.
334- Extensions should document their field schema, defaults, validation rules, and whether changes
335  apply dynamically or require restart.
336- Common extension: `server.port` (integer) enables the optional HTTP server described in Section
337  13.7.
338
339#### 5.3.1 `tracker` (object)
340
341Fields:
342
343- `kind` (string)
344  - Required for dispatch.
345  - Current supported value: `linear`
346- `endpoint` (string)
347  - Default for `tracker.kind == "linear"`: `https://api.linear.app/graphql`
348- `api_key` (string)
349  - May be a literal token or `$VAR_NAME`.
350  - Canonical environment variable for `tracker.kind == "linear"`: `LINEAR_API_KEY`.
351  - If `$VAR_NAME` resolves to an empty string, treat the key as missing.
352- `project_slug` (string)
353  - Required for dispatch when `tracker.kind == "linear"`.
354- `active_states` (list of strings)
355  - Default: `Todo`, `In Progress`
356- `terminal_states` (list of strings)
357  - Default: `Closed`, `Cancelled`, `Canceled`, `Duplicate`, `Done`
358
359#### 5.3.2 `polling` (object)
360
361Fields:
362
363- `interval_ms` (integer or string integer)
364  - Default: `30000`
365  - Changes should be re-applied at runtime and affect future tick scheduling without restart.
366
367#### 5.3.3 `workspace` (object)
368
369Fields:
370
371- `root` (path string or `$VAR`)
372  - Default: `<system-temp>/symphony_workspaces`
373  - `~` and strings containing path separators are expanded.
374  - Bare strings without path separators are preserved as-is (relative roots are allowed but
375    discouraged).
376
377#### 5.3.4 `hooks` (object)
378
379Fields:
380
381- `after_create` (multiline shell script string, optional)
382  - Runs only when a workspace directory is newly created.
383  - Failure aborts workspace creation.
384- `before_run` (multiline shell script string, optional)
385  - Runs before each agent attempt after workspace preparation and before launching the coding
386    agent.
387  - Failure aborts the current attempt.
388- `after_run` (multiline shell script string, optional)
389  - Runs after each agent attempt (success, failure, timeout, or cancellation) once the workspace
390    exists.
391  - Failure is logged but ignored.
392- `before_remove` (multiline shell script string, optional)
393  - Runs before workspace deletion if the directory exists.
394  - Failure is logged but ignored; cleanup still proceeds.
395- `timeout_ms` (integer, optional)
396  - Default: `60000`
397  - Applies to all workspace hooks.
398  - Non-positive values should be treated as invalid and fall back to the default.
399  - Changes should be re-applied at runtime for future hook executions.
400
401#### 5.3.5 `agent` (object)
402
403Fields:
404
405- `max_concurrent_agents` (integer or string integer)
406  - Default: `10`
407  - Changes should be re-applied at runtime and affect subsequent dispatch decisions.
408- `max_retry_backoff_ms` (integer or string integer)
409  - Default: `300000` (5 minutes)
410  - Changes should be re-applied at runtime and affect future retry scheduling.
411- `max_concurrent_agents_by_state` (map `state_name -> positive integer`)
412  - Default: empty map.
413  - State keys are normalized (`lowercase`) for lookup.
414  - Invalid entries (non-positive or non-numeric) are ignored.
415
416#### 5.3.6 `codex` (object)
417
418Fields:
419
420For Codex-owned config values such as `approval_policy`, `thread_sandbox`, and
421`turn_sandbox_policy`, supported values are defined by the targeted Codex app-server version.
422Implementors should treat them as pass-through Codex config values rather than relying on a
423hand-maintained enum in this spec. To inspect the installed Codex schema, run
424`codex app-server generate-json-schema --out <dir>` and inspect the relevant definitions referenced
425by `v2/ThreadStartParams.json` and `v2/TurnStartParams.json`. Implementations may validate these
426fields locally if they want stricter startup checks.
427
428- `command` (string shell command)
429  - Default: `codex app-server`
430  - The runtime launches this command via `bash -lc` in the workspace directory.
431  - The launched process must speak a compatible app-server protocol over stdio.
432- `approval_policy` (Codex `AskForApproval` value)
433  - Default: implementation-defined.
434- `thread_sandbox` (Codex `SandboxMode` value)
435  - Default: implementation-defined.
436- `turn_sandbox_policy` (Codex `SandboxPolicy` value)
437  - Default: implementation-defined.
438- `turn_timeout_ms` (integer)
439  - Default: `3600000` (1 hour)
440- `read_timeout_ms` (integer)
441  - Default: `5000`
442- `stall_timeout_ms` (integer)
443  - Default: `300000` (5 minutes)
444  - If `<= 0`, stall detection is disabled.
445
446### 5.4 Prompt Template Contract
447
448The Markdown body of `WORKFLOW.md` is the per-issue prompt template.
449
450Rendering requirements:
451
452- Use a strict template engine (Liquid-compatible semantics are sufficient).
453- Unknown variables must fail rendering.
454- Unknown filters must fail rendering.
455
456Template input variables:
457
458- `issue` (object)
459  - Includes all normalized issue fields, including labels and blockers.
460- `attempt` (integer or null)
461  - `null`/absent on first attempt.
462  - Integer on retry or continuation run.
463
464Fallback prompt behavior:
465
466- If the workflow prompt body is empty, the runtime may use a minimal default prompt
467  (`You are working on an issue from Linear.`).
468- Workflow file read/parse failures are configuration/validation errors and should not silently fall
469  back to a prompt.
470
471### 5.5 Workflow Validation and Error Surface
472
473Error classes:
474
475- `missing_workflow_file`
476- `workflow_parse_error`
477- `workflow_front_matter_not_a_map`
478- `template_parse_error` (during prompt rendering)
479- `template_render_error` (unknown variable/filter, invalid interpolation)
480
481Dispatch gating behavior:
482
483- Workflow file read/YAML errors block new dispatches until fixed.
484- Template errors fail only the affected run attempt.
485
486## 6. Configuration Specification
487
488### 6.1 Source Precedence and Resolution Semantics
489
490Configuration precedence:
491
4921. Workflow file path selection (runtime setting -> cwd default).
4932. YAML front matter values.
4943. Environment indirection via `$VAR_NAME` inside selected YAML values.
4954. Built-in defaults.
496
497Value coercion semantics:
498
499- Path/command fields support:
500  - `~` home expansion
501  - `$VAR` expansion for env-backed path values
502  - Apply expansion only to values intended to be local filesystem paths; do not rewrite URIs or
503    arbitrary shell command strings.
504
505### 6.2 Dynamic Reload Semantics
506
507Dynamic reload is required:
508
509- The software should watch `WORKFLOW.md` for changes.
510- On change, it should re-read and re-apply workflow config and prompt template without restart.
511- The software should attempt to adjust live behavior to the new config (for example polling
512  cadence, concurrency limits, active/terminal states, codex settings, workspace paths/hooks, and
513  prompt content for future runs).
514- Reloaded config applies to future dispatch, retry scheduling, reconciliation decisions, hook
515  execution, and agent launches.
516- Implementations are not required to restart in-flight agent sessions automatically when config
517  changes.
518- Extensions that manage their own listeners/resources (for example an HTTP server port change) may
519  require restart unless the implementation explicitly supports live rebind.
520- Implementations should also re-validate/reload defensively during runtime operations (for example
521  before dispatch) in case filesystem watch events are missed.
522- Invalid reloads should not crash the service; keep operating with the last known good effective
523  configuration and emit an operator-visible error.
524
525### 6.3 Dispatch Preflight Validation
526
527This validation is a scheduler preflight run before attempting to dispatch new work. It validates
528the workflow/config needed to poll and launch workers, not a full audit of all possible workflow
529behavior.
530
531Startup validation:
532
533- Validate configuration before starting the scheduling loop.
534- If startup validation fails, fail startup and emit an operator-visible error.
535
536Per-tick dispatch validation:
537
538- Re-validate before each dispatch cycle.
539- If validation fails, skip dispatch for that tick, keep reconciliation active, and emit an
540  operator-visible error.
541
542Validation checks:
543
544- Workflow file can be loaded and parsed.
545- `tracker.kind` is present and supported.
546- `tracker.api_key` is present after `$` resolution.
547- `tracker.project_slug` is present when required by the selected tracker kind.
548- `codex.command` is present and non-empty.
549
550### 6.4 Config Fields Summary (Cheat Sheet)
551
552This section is intentionally redundant so a coding agent can implement the config layer quickly.
553
554- `tracker.kind`: string, required, currently `linear`
555- `tracker.endpoint`: string, default `https://api.linear.app/graphql` when `tracker.kind=linear`
556- `tracker.api_key`: string or `$VAR`, canonical env `LINEAR_API_KEY` when `tracker.kind=linear`
557- `tracker.project_slug`: string, required when `tracker.kind=linear`
558- `tracker.active_states`: list of strings, default `["Todo", "In Progress"]`
559- `tracker.terminal_states`: list of strings, default `["Closed", "Cancelled", "Canceled", "Duplicate", "Done"]`
560- `polling.interval_ms`: integer, default `30000`
561- `workspace.root`: path, default `<system-temp>/symphony_workspaces`
562- `worker.ssh_hosts` (extension): list of SSH host strings, optional; when omitted, work runs
563  locally
564- `worker.max_concurrent_agents_per_host` (extension): positive integer, optional; shared per-host
565  cap applied across configured SSH hosts
566- `hooks.after_create`: shell script or null
567- `hooks.before_run`: shell script or null
568- `hooks.after_run`: shell script or null
569- `hooks.before_remove`: shell script or null
570- `hooks.timeout_ms`: integer, default `60000`
571- `agent.max_concurrent_agents`: integer, default `10`
572- `agent.max_turns`: integer, default `20`
573- `agent.max_retry_backoff_ms`: integer, default `300000` (5m)
574- `agent.max_concurrent_agents_by_state`: map of positive integers, default `{}`
575- `codex.command`: shell command string, default `codex app-server`
576- `codex.approval_policy`: Codex `AskForApproval` value, default implementation-defined
577- `codex.thread_sandbox`: Codex `SandboxMode` value, default implementation-defined
578- `codex.turn_sandbox_policy`: Codex `SandboxPolicy` value, default implementation-defined
579- `codex.turn_timeout_ms`: integer, default `3600000`
580- `codex.read_timeout_ms`: integer, default `5000`
581- `codex.stall_timeout_ms`: integer, default `300000`
582- `server.port` (extension): integer, optional; enables the optional HTTP server, `0` may be used
583  for ephemeral local bind, and CLI `--port` overrides it
584
585## 7. Orchestration State Machine
586
587The orchestrator is the only component that mutates scheduling state. All worker outcomes are
588reported back to it and converted into explicit state transitions.
589
590### 7.1 Issue Orchestration States
591
592This is not the same as tracker states (`Todo`, `In Progress`, etc.). This is the service's internal
593claim state.
594
5951. `Unclaimed`
596   - Issue is not running and has no retry scheduled.
597
5982. `Claimed`
599   - Orchestrator has reserved the issue to prevent duplicate dispatch.
600   - In practice, claimed issues are either `Running` or `RetryQueued`.
601
6023. `Running`
603   - Worker task exists and the issue is tracked in `running` map.
604
6054. `RetryQueued`
606   - Worker is not running, but a retry timer exists in `retry_attempts`.
607
6085. `Released`
609   - Claim removed because issue is terminal, non-active, missing, or retry path completed without
610     re-dispatch.
611
612Important nuance:
613
614- A successful worker exit does not mean the issue is done forever.
615- The worker may continue through multiple back-to-back coding-agent turns before it exits.
616- After each normal turn completion, the worker re-checks the tracker issue state.
617- If the issue is still in an active state, the worker should start another turn on the same live
618  coding-agent thread in the same workspace, up to `agent.max_turns`.
619- The first turn should use the full rendered task prompt.
620- Continuation turns should send only continuation guidance to the existing thread, not resend the
621  original task prompt that is already present in thread history.
622- Once the worker exits normally, the orchestrator still schedules a short continuation retry
623  (about 1 second) so it can re-check whether the issue remains active and needs another worker
624  session.
625
626### 7.2 Run Attempt Lifecycle
627
628A run attempt transitions through these phases:
629
6301. `PreparingWorkspace`
6312. `BuildingPrompt`
6323. `LaunchingAgentProcess`
6334. `InitializingSession`
6345. `StreamingTurn`
6356. `Finishing`
6367. `Succeeded`
6378. `Failed`
6389. `TimedOut`
63910. `Stalled`
64011. `CanceledByReconciliation`
641
642Distinct terminal reasons are important because retry logic and logs differ.
643
644### 7.3 Transition Triggers
645
646- `Poll Tick`
647  - Reconcile active runs.
648  - Validate config.
649  - Fetch candidate issues.
650  - Dispatch until slots are exhausted.
651
652- `Worker Exit (normal)`
653  - Remove running entry.
654  - Update aggregate runtime totals.
655  - Schedule continuation retry (attempt `1`) after the worker exhausts or finishes its in-process
656    turn loop.
657
658- `Worker Exit (abnormal)`
659  - Remove running entry.
660  - Update aggregate runtime totals.
661  - Schedule exponential-backoff retry.
662
663- `Codex Update Event`
664  - Update live session fields, token counters, and rate limits.
665
666- `Retry Timer Fired`
667  - Re-fetch active candidates and attempt re-dispatch, or release claim if no longer eligible.
668
669- `Reconciliation State Refresh`
670  - Stop runs whose issue states are terminal or no longer active.
671
672- `Stall Timeout`
673  - Kill worker and schedule retry.
674
675### 7.4 Idempotency and Recovery Rules
676
677- The orchestrator serializes state mutations through one authority to avoid duplicate dispatch.
678- `claimed` and `running` checks are required before launching any worker.
679- Reconciliation runs before dispatch on every tick.
680- Restart recovery is tracker-driven and filesystem-driven (no durable orchestrator DB required).
681- Startup terminal cleanup removes stale workspaces for issues already in terminal states.
682
683## 8. Polling, Scheduling, and Reconciliation
684
685### 8.1 Poll Loop
686
687At startup, the service validates config, performs startup cleanup, schedules an immediate tick, and
688then repeats every `polling.interval_ms`.
689
690The effective poll interval should be updated when workflow config changes are re-applied.
691
692Tick sequence:
693
6941. Reconcile running issues.
6952. Run dispatch preflight validation.
6963. Fetch candidate issues from tracker using active states.
6974. Sort issues by dispatch priority.
6985. Dispatch eligible issues while slots remain.
6996. Notify observability/status consumers of state changes.
700
701If per-tick validation fails, dispatch is skipped for that tick, but reconciliation still happens
702first.
703
704### 8.2 Candidate Selection Rules
705
706An issue is dispatch-eligible only if all are true:
707
708- It has `id`, `identifier`, `title`, and `state`.
709- Its state is in `active_states` and not in `terminal_states`.
710- It is not already in `running`.
711- It is not already in `claimed`.
712- Global concurrency slots are available.
713- Per-state concurrency slots are available.
714- Blocker rule for `Todo` state passes:
715  - If the issue state is `Todo`, do not dispatch when any blocker is non-terminal.
716
717Sorting order (stable intent):
718
7191. `priority` ascending (1..4 are preferred; null/unknown sorts last)
7202. `created_at` oldest first
7213. `identifier` lexicographic tie-breaker
722
723### 8.3 Concurrency Control
724
725Global limit:
726
727- `available_slots = max(max_concurrent_agents - running_count, 0)`
728
729Per-state limit:
730
731- `max_concurrent_agents_by_state[state]` if present (state key normalized)
732- otherwise fallback to global limit
733
734The runtime counts issues by their current tracked state in the `running` map.
735
736Optional SSH host limit:
737
738- When `worker.max_concurrent_agents_per_host` is set, each configured SSH host may run at most
739  that many concurrent agents at once.
740- Hosts at that cap are skipped for new dispatch until capacity frees up.
741
742### 8.4 Retry and Backoff
743
744Retry entry creation:
745
746- Cancel any existing retry timer for the same issue.
747- Store `attempt`, `identifier`, `error`, `due_at_ms`, and new timer handle.
748
749Backoff formula:
750
751- Normal continuation retries after a clean worker exit use a short fixed delay of `1000` ms.
752- Failure-driven retries use `delay = min(10000 * 2^(attempt - 1), agent.max_retry_backoff_ms)`.
753- Power is capped by the configured max retry backoff (default `300000` / 5m).
754
755Retry handling behavior:
756
7571. Fetch active candidate issues (not all issues).
7582. Find the specific issue by `issue_id`.
7593. If not found, release claim.
7604. If found and still candidate-eligible:
761   - Dispatch if slots are available.
762   - Otherwise requeue with error `no available orchestrator slots`.
7635. If found but no longer active, release claim.
764
765Note:
766
767- Terminal-state workspace cleanup is handled by startup cleanup and active-run reconciliation
768  (including terminal transitions for currently running issues).
769- Retry handling mainly operates on active candidates and releases claims when the issue is absent,
770  rather than performing terminal cleanup itself.
771
772### 8.5 Active Run Reconciliation
773
774Reconciliation runs every tick and has two parts.
775
776Part A: Stall detection
777
778- For each running issue, compute `elapsed_ms` since:
779  - `last_codex_timestamp` if any event has been seen, else
780  - `started_at`
781- If `elapsed_ms > codex.stall_timeout_ms`, terminate the worker and queue a retry.
782- If `stall_timeout_ms <= 0`, skip stall detection entirely.
783
784Part B: Tracker state refresh
785
786- Fetch current issue states for all running issue IDs.
787- For each running issue:
788  - If tracker state is terminal: terminate worker and clean workspace.
789  - If tracker state is still active: update the in-memory issue snapshot.
790  - If tracker state is neither active nor terminal: terminate worker without workspace cleanup.
791- If state refresh fails, keep workers running and try again on the next tick.
792
793### 8.6 Startup Terminal Workspace Cleanup
794
795When the service starts:
796
7971. Query tracker for issues in terminal states.
7982. For each returned issue identifier, remove the corresponding workspace directory.
7993. If the terminal-issues fetch fails, log a warning and continue startup.
800
801This prevents stale terminal workspaces from accumulating after restarts.
802
803## 9. Workspace Management and Safety
804
805### 9.1 Workspace Layout
806
807Workspace root:
808
809- `workspace.root` (normalized path; the current config layer expands path-like values and preserves
810  bare relative names)
811
812Per-issue workspace path:
813
814- `<workspace.root>/<sanitized_issue_identifier>`
815
816Workspace persistence:
817
818- Workspaces are reused across runs for the same issue.
819- Successful runs do not auto-delete workspaces.
820
821### 9.2 Workspace Creation and Reuse
822
823Input: `issue.identifier`
824
825Algorithm summary:
826
8271. Sanitize identifier to `workspace_key`.
8282. Compute workspace path under workspace root.
8293. Ensure the workspace path exists as a directory.
8304. Mark `created_now=true` only if the directory was created during this call; otherwise
831   `created_now=false`.
8325. If `created_now=true`, run `after_create` hook if configured.
833
834Notes:
835
836- This section does not assume any specific repository/VCS workflow.
837- Workspace preparation beyond directory creation (for example dependency bootstrap, checkout/sync,
838  code generation) is implementation-defined and is typically handled via hooks.
839
840### 9.3 Optional Workspace Population (Implementation-Defined)
841
842The spec does not require any built-in VCS or repository bootstrap behavior.
843
844Implementations may populate or synchronize the workspace using implementation-defined logic and/or
845hooks (for example `after_create` and/or `before_run`).
846
847Failure handling:
848
849- Workspace population/synchronization failures return an error for the current attempt.
850- If failure happens while creating a brand-new workspace, implementations may remove the partially
851  prepared directory.
852- Reused workspaces should not be destructively reset on population failure unless that policy is
853  explicitly chosen and documented.
854
855### 9.4 Workspace Hooks
856
857Supported hooks:
858
859- `hooks.after_create`
860- `hooks.before_run`
861- `hooks.after_run`
862- `hooks.before_remove`
863
864Execution contract:
865
866- Execute in a local shell context appropriate to the host OS, with the workspace directory as
867  `cwd`.
868- On POSIX systems, `sh -lc <script>` (or a stricter equivalent such as `bash -lc <script>`) is a
869  conforming default.
870- Hook timeout uses `hooks.timeout_ms`; default: `60000 ms`.
871- Log hook start, failures, and timeouts.
872
873Failure semantics:
874
875- `after_create` failure or timeout is fatal to workspace creation.
876- `before_run` failure or timeout is fatal to the current run attempt.
877- `after_run` failure or timeout is logged and ignored.
878- `before_remove` failure or timeout is logged and ignored.
879
880### 9.5 Safety Invariants
881
882This is the most important portability constraint.
883
884Invariant 1: Run the coding agent only in the per-issue workspace path.
885
886- Before launching the coding-agent subprocess, validate:
887  - `cwd == workspace_path`
888
889Invariant 2: Workspace path must stay inside workspace root.
890
891- Normalize both paths to absolute.
892- Require `workspace_path` to have `workspace_root` as a prefix directory.
893- Reject any path outside the workspace root.
894
895Invariant 3: Workspace key is sanitized.
896
897- Only `[A-Za-z0-9._-]` allowed in workspace directory names.
898- Replace all other characters with `_`.
899
900## 10. Agent Runner Protocol (Coding Agent Integration)
901
902This section defines the language-neutral contract for integrating a coding agent app-server.
903
904Compatibility profile:
905
906- The normative contract is message ordering, required behaviors, and the logical fields that must
907  be extracted (for example session IDs, completion state, approval handling, and usage/rate-limit
908  telemetry).
909- Exact JSON field names may vary slightly across compatible app-server versions.
910- Implementations should tolerate equivalent payload shapes when they carry the same logical
911  meaning, especially for nested IDs, approval requests, user-input-required signals, and
912  token/rate-limit metadata.
913
914### 10.1 Launch Contract
915
916Subprocess launch parameters:
917
918- Command: `codex.command`
919- Invocation: `bash -lc <codex.command>`
920- Working directory: workspace path
921- Stdout/stderr: separate streams
922- Framing: line-delimited protocol messages on stdout (JSON-RPC-like JSON per line)
923
924Notes:
925
926- The default command is `codex app-server`.
927- Approval policy, cwd, and prompt are expressed in the protocol messages in Section 10.2.
928
929Recommended additional process settings:
930
931- Max line size: 10 MB (for safe buffering)
932
933### 10.2 Session Startup Handshake
934
935Reference: https://developers.openai.com/codex/app-server/
936
937The client must send these protocol messages in order:
938
939Illustrative startup transcript (equivalent payload shapes are acceptable if they preserve the same
940semantics):
941
942```json
943{"id":1,"method":"initialize","params":{"clientInfo":{"name":"symphony","version":"1.0"},"capabilities":{}}}
944{"method":"initialized","params":{}}
945{"id":2,"method":"thread/start","params":{"approvalPolicy":"<implementation-defined>","sandbox":"<implementation-defined>","cwd":"/abs/workspace"}}
946{"id":3,"method":"turn/start","params":{"threadId":"<thread-id>","input":[{"type":"text","text":"<rendered prompt-or-continuation-guidance>"}],"cwd":"/abs/workspace","title":"ABC-123: Example","approvalPolicy":"<implementation-defined>","sandboxPolicy":{"type":"<implementation-defined>"}}}
947```
948
9491. `initialize` request
950   - Params include:
951     - `clientInfo` object (for example `{name, version}`)
952     - `capabilities` object (may be empty)
953   - If the targeted Codex app-server requires capability negotiation for dynamic tools, include the
954     necessary capability flag(s) here.
955   - Wait for response (`read_timeout_ms`)
9562. `initialized` notification
9573. `thread/start` request
958   - Params include:
959     - `approvalPolicy` = implementation-defined session approval policy value
960     - `sandbox` = implementation-defined session sandbox value
961     - `cwd` = absolute workspace path
962     - If optional client-side tools are implemented, include their advertised tool specs using the
963       protocol mechanism supported by the targeted Codex app-server version.
9644. `turn/start` request
965   - Params include:
966     - `threadId`
967     - `input` = single text item containing rendered prompt for the first turn, or continuation
968       guidance for later turns on the same thread
969     - `cwd`
970     - `title` = `<issue.identifier>: <issue.title>`
971     - `approvalPolicy` = implementation-defined turn approval policy value
972     - `sandboxPolicy` = implementation-defined object-form sandbox policy payload when required by
973       the targeted app-server version
974
975Session identifiers:
976
977- Read `thread_id` from `thread/start` result `result.thread.id`
978- Read `turn_id` from each `turn/start` result `result.turn.id`
979- Emit `session_id = "<thread_id>-<turn_id>"`
980- Reuse the same `thread_id` for all continuation turns inside one worker run
981
982### 10.3 Streaming Turn Processing
983
984The client reads line-delimited messages until the turn terminates.
985
986Completion conditions:
987
988- `turn/completed` -> success
989- `turn/failed` -> failure
990- `turn/cancelled` -> failure
991- turn timeout (`turn_timeout_ms`) -> failure
992- subprocess exit -> failure
993
994Continuation processing:
995
996- If the worker decides to continue after a successful turn, it should issue another `turn/start`
997  on the same live `threadId`.
998- The app-server subprocess should remain alive across those continuation turns and be stopped only
999  when the worker run is ending.
1000
1001Line handling requirements:
1002
1003- Read protocol messages from stdout only.
1004- Buffer partial stdout lines until newline arrives.
1005- Attempt JSON parse on complete stdout lines.
1006- Stderr is not part of the protocol stream:
1007  - ignore it or log it as diagnostics
1008  - do not attempt protocol JSON parsing on stderr
1009
1010### 10.4 Emitted Runtime Events (Upstream to Orchestrator)
1011
1012The app-server client emits structured events to the orchestrator callback. Each event should
1013include:
1014
1015- `event` (enum/string)
1016- `timestamp` (UTC timestamp)
1017- `codex_app_server_pid` (if available)
1018- optional `usage` map (token counts)
1019- payload fields as needed
1020
1021Important emitted events may include:
1022
1023- `session_started`
1024- `startup_failed`
1025- `turn_completed`
1026- `turn_failed`
1027- `turn_cancelled`
1028- `turn_ended_with_error`
1029- `turn_input_required`
1030- `approval_auto_approved`
1031- `unsupported_tool_call`
1032- `notification`
1033- `other_message`
1034- `malformed`
1035
1036### 10.5 Approval, Tool Calls, and User Input Policy
1037
1038Approval, sandbox, and user-input behavior is implementation-defined.
1039
1040Policy requirements:
1041
1042- Each implementation should document its chosen approval, sandbox, and operator-confirmation
1043  posture.
1044- Approval requests and user-input-required events must not leave a run stalled indefinitely. An
1045  implementation should either satisfy them, surface them to an operator, auto-resolve them, or
1046  fail the run according to its documented policy.
1047
1048Example high-trust behavior:
1049
1050- Auto-approve command execution approvals for the session.
1051- Auto-approve file-change approvals for the session.
1052- Treat user-input-required turns as hard failure.
1053
1054Unsupported dynamic tool calls:
1055
1056- Supported dynamic tool calls that are explicitly implemented and advertised by the runtime should
1057  be handled according to their extension contract.
1058- If the agent requests a dynamic tool call (`item/tool/call`) that is not supported, return a tool
1059  failure response and continue the session.
1060- This prevents the session from stalling on unsupported tool execution paths.
1061
1062Optional client-side tool extension:
1063
1064- An implementation may expose a limited set of client-side tools to the app-server session.
1065- Current optional standardized tool: `linear_graphql`.
1066- If implemented, supported tools should be advertised to the app-server session during startup
1067  using the protocol mechanism supported by the targeted Codex app-server version.
1068- Unsupported tool names should still return a failure result and continue the session.
1069
1070`linear_graphql` extension contract:
1071
1072- Purpose: execute a raw GraphQL query or mutation against Linear using Symphony's configured
1073  tracker auth for the current session.
1074- Availability: only meaningful when `tracker.kind == "linear"` and valid Linear auth is configured.
1075- Preferred input shape:
1076
1077  ```json
1078  {
1079    "query": "single GraphQL query or mutation document",
1080    "variables": {
1081      "optional": "graphql variables object"
1082    }
1083  }
1084  ```
1085
1086- `query` must be a non-empty string.
1087- `query` must contain exactly one GraphQL operation.
1088- `variables` is optional and, when present, must be a JSON object.
1089- Implementations may additionally accept a raw GraphQL query string as shorthand input.
1090- Execute one GraphQL operation per tool call.
1091- If the provided document contains multiple operations, reject the tool call as invalid input.
1092- `operationName` selection is intentionally out of scope for this extension.
1093- Reuse the configured Linear endpoint and auth from the active Symphony workflow/runtime config; do
1094  not require the coding agent to read raw tokens from disk.
1095- Tool result semantics:
1096  - transport success + no top-level GraphQL `errors` -> `success=true`
1097  - top-level GraphQL `errors` present -> `success=false`, but preserve the GraphQL response body
1098    for debugging
1099  - invalid input, missing auth, or transport failure -> `success=false` with an error payload
1100- Return the GraphQL response or error payload as structured tool output that the model can inspect
1101  in-session.
1102
1103Illustrative responses (equivalent payload shapes are acceptable if they preserve the same outcome):
1104
1105```json
1106{"id":"<approval-id>","result":{"approved":true}}
1107{"id":"<tool-call-id>","result":{"success":false,"error":"unsupported_tool_call"}}
1108```
1109
1110Hard failure on user input requirement:
1111
1112- If the agent requests user input, fail the run attempt immediately.
1113- The client detects this via:
1114  - explicit method (`item/tool/requestUserInput`), or
1115  - turn methods/flags indicating input is required.
1116
1117### 10.6 Timeouts and Error Mapping
1118
1119Timeouts:
1120
1121- `codex.read_timeout_ms`: request/response timeout during startup and sync requests
1122- `codex.turn_timeout_ms`: total turn stream timeout
1123- `codex.stall_timeout_ms`: enforced by orchestrator based on event inactivity
1124
1125Error mapping (recommended normalized categories):
1126
1127- `codex_not_found`
1128- `invalid_workspace_cwd`
1129- `response_timeout`
1130- `turn_timeout`
1131- `port_exit`
1132- `response_error`
1133- `turn_failed`
1134- `turn_cancelled`
1135- `turn_input_required`
1136
1137### 10.7 Agent Runner Contract
1138
1139The `Agent Runner` wraps workspace + prompt + app-server client.
1140
1141Behavior:
1142
11431. Create/reuse workspace for issue.
11442. Build prompt from workflow template.
11453. Start app-server session.
11464. Forward app-server events to orchestrator.
11475. On any error, fail the worker attempt (the orchestrator will retry).
1148
1149Note:
1150
1151- Workspaces are intentionally preserved after successful runs.
1152
1153## 11. Issue Tracker Integration Contract (Linear-Compatible)
1154
1155### 11.1 Required Operations
1156
1157An implementation must support these tracker adapter operations:
1158
11591. `fetch_candidate_issues()`
1160   - Return issues in configured active states for a configured project.
1161
11622. `fetch_issues_by_states(state_names)`
1163   - Used for startup terminal cleanup.
1164
11653. `fetch_issue_states_by_ids(issue_ids)`
1166   - Used for active-run reconciliation.
1167
1168### 11.2 Query Semantics (Linear)
1169
1170Linear-specific requirements for `tracker.kind == "linear"`:
1171
1172- `tracker.kind == "linear"`
1173- GraphQL endpoint (default `https://api.linear.app/graphql`)
1174- Auth token sent in `Authorization` header
1175- `tracker.project_slug` maps to Linear project `slugId`
1176- Candidate issue query filters project using `project: { slugId: { eq: $projectSlug } }`
1177- Issue-state refresh query uses GraphQL issue IDs with variable type `[ID!]`
1178- Pagination required for candidate issues
1179- Page size default: `50`
1180- Network timeout: `30000 ms`
1181
1182Important:
1183
1184- Linear GraphQL schema details can drift. Keep query construction isolated and test the exact query
1185  fields/types required by this specification.
1186
1187A non-Linear implementation may change transport details, but the normalized outputs must match the
1188domain model in Section 4.
1189
1190### 11.3 Normalization Rules
1191
1192Candidate issue normalization should produce fields listed in Section 4.1.1.
1193
1194Additional normalization details:
1195
1196- `labels` -> lowercase strings
1197- `blocked_by` -> derived from inverse relations where relation type is `blocks`
1198- `priority` -> integer only (non-integers become null)
1199- `created_at` and `updated_at` -> parse ISO-8601 timestamps
1200
1201### 11.4 Error Handling Contract
1202
1203Recommended error categories:
1204
1205- `unsupported_tracker_kind`
1206- `missing_tracker_api_key`
1207- `missing_tracker_project_slug`
1208- `linear_api_request` (transport failures)
1209- `linear_api_status` (non-200 HTTP)
1210- `linear_graphql_errors`
1211- `linear_unknown_payload`
1212- `linear_missing_end_cursor` (pagination integrity error)
1213
1214Orchestrator behavior on tracker errors:
1215
1216- Candidate fetch failure: log and skip dispatch for this tick.
1217- Running-state refresh failure: log and keep active workers running.
1218- Startup terminal cleanup failure: log warning and continue startup.
1219
1220### 11.5 Tracker Writes (Important Boundary)
1221
1222Symphony does not require first-class tracker write APIs in the orchestrator.
1223
1224- Ticket mutations (state transitions, comments, PR metadata) are typically handled by the coding
1225  agent using tools defined by the workflow prompt.
1226- The service remains a scheduler/runner and tracker reader.
1227- Workflow-specific success often means "reached the next handoff state" (for example
1228  `Human Review`) rather than tracker terminal state `Done`.
1229- If the optional `linear_graphql` client-side tool extension is implemented, it is still part of
1230  the agent toolchain rather than orchestrator business logic.
1231
1232## 12. Prompt Construction and Context Assembly
1233
1234### 12.1 Inputs
1235
1236Inputs to prompt rendering:
1237
1238- `workflow.prompt_template`
1239- normalized `issue` object
1240- optional `attempt` integer (retry/continuation metadata)
1241
1242### 12.2 Rendering Rules
1243
1244- Render with strict variable checking.
1245- Render with strict filter checking.
1246- Convert issue object keys to strings for template compatibility.
1247- Preserve nested arrays/maps (labels, blockers) so templates can iterate.
1248
1249### 12.3 Retry/Continuation Semantics
1250
1251`attempt` should be passed to the template because the workflow prompt may provide different
1252instructions for:
1253
1254- first run (`attempt` null or absent)
1255- continuation run after a successful prior session
1256- retry after error/timeout/stall
1257
1258### 12.4 Failure Semantics
1259
1260If prompt rendering fails:
1261
1262- Fail the run attempt immediately.
1263- Let the orchestrator treat it like any other worker failure and decide retry behavior.
1264
1265## 13. Logging, Status, and Observability
1266
1267### 13.1 Logging Conventions
1268
1269Required context fields for issue-related logs:
1270
1271- `issue_id`
1272- `issue_identifier`
1273
1274Required context for coding-agent session lifecycle logs:
1275
1276- `session_id`
1277
1278Message formatting requirements:
1279
1280- Use stable `key=value` phrasing.
1281- Include action outcome (`completed`, `failed`, `retrying`, etc.).
1282- Include concise failure reason when present.
1283- Avoid logging large raw payloads unless necessary.
1284
1285### 13.2 Logging Outputs and Sinks
1286
1287The spec does not prescribe where logs must go (stderr, file, remote sink, etc.).
1288
1289Requirements:
1290
1291- Operators must be able to see startup/validation/dispatch failures without attaching a debugger.
1292- Implementations may write to one or more sinks.
1293- If a configured log sink fails, the service should continue running when possible and emit an
1294  operator-visible warning through any remaining sink.
1295
1296### 13.3 Runtime Snapshot / Monitoring Interface (Optional but Recommended)
1297
1298If the implementation exposes a synchronous runtime snapshot (for dashboards or monitoring), it
1299should return:
1300
1301- `running` (list of running session rows)
1302- each running row should include `turn_count`
1303- `retrying` (list of retry queue rows)
1304- `codex_totals`
1305  - `input_tokens`
1306  - `output_tokens`
1307  - `total_tokens`
1308  - `seconds_running` (aggregate runtime seconds as of snapshot time, including active sessions)
1309- `rate_limits` (latest coding-agent rate limit payload, if available)
1310
1311Recommended snapshot error modes:
1312
1313- `timeout`
1314- `unavailable`
1315
1316### 13.4 Optional Human-Readable Status Surface
1317
1318A human-readable status surface (terminal output, dashboard, etc.) is optional and
1319implementation-defined.
1320
1321If present, it should draw from orchestrator state/metrics only and must not be required for
1322correctness.
1323
1324### 13.5 Session Metrics and Token Accounting
1325
1326Token accounting rules:
1327
1328- Agent events may include token counts in multiple payload shapes.
1329- Prefer absolute thread totals when available, such as:
1330  - `thread/tokenUsage/updated` payloads
1331  - `total_token_usage` within token-count wrapper events
1332- Ignore delta-style payloads such as `last_token_usage` for dashboard/API totals.
1333- Extract input/output/total token counts leniently from common field names within the selected
1334  payload.
1335- For absolute totals, track deltas relative to last reported totals to avoid double-counting.
1336- Do not treat generic `usage` maps as cumulative totals unless the event type defines them that
1337  way.
1338- Accumulate aggregate totals in orchestrator state.
1339
1340Runtime accounting:
1341
1342- Runtime should be reported as a live aggregate at snapshot/render time.
1343- Implementations may maintain a cumulative counter for ended sessions and add active-session
1344  elapsed time derived from `running` entries (for example `started_at`) when producing a
1345  snapshot/status view.
1346- Add run duration seconds to the cumulative ended-session runtime when a session ends (normal exit
1347  or cancellation/termination).
1348- Continuous background ticking of runtime totals is not required.
1349
1350Rate-limit tracking:
1351
1352- Track the latest rate-limit payload seen in any agent update.
1353- Any human-readable presentation of rate-limit data is implementation-defined.
1354
1355### 13.6 Humanized Agent Event Summaries (Optional)
1356
1357Humanized summaries of raw agent protocol events are optional.
1358
1359If implemented:
1360
1361- Treat them as observability-only output.
1362- Do not make orchestrator logic depend on humanized strings.
1363

റഫറൻസ് ഇംപ്ലിമെന്റേഷൻ Elixir-ലാണ് എഴുതിയിരിക്കുന്നത്—കോഡിംഗിന് പ്രായോഗികമായി ചിലവ് ഇല്ലാതാകുമ്പോൾ, ഓരോ ഭാഷയുടെയും പ്രത്യേക കഴിവുകൾ, ഉദാഹരണത്തിന് Elixir-ലെ കോൺകറൻസി നോക്കി. നമുക്ക് അവ തിരഞ്ഞെടുക്കാം—എന്നാൽ ഇതിന്റെ പ്രധാന ആശയം ലളിതമായ ഒരു Markdown ഡോക്യുമെന്റിലൂടെയും അവതരിപ്പിക്കാൻ സാധിക്കും. നിങ്ങളുടെ ഇഷ്ടപ്പെട്ട കോഡിംഗ് ഏജന്റിനെ spec-ലേക്ക് നൽകി അതിന്റെ പുതിയൊരു പതിപ്പ് വികസിപ്പിച്ചെടുക്കാൻ ഞങ്ങൾ നിങ്ങളെ പ്രോത്സാഹിപ്പിക്കുന്നു.

Symphonyയുടെ ആദ്യ വേർഷൻ tmux-ൽ പ്രവർത്തിക്കുന്ന ഒരു Codex സെഷൻ മാത്രമായിരുന്നു; ഇത് Linear-ലെ വിവരങ്ങൾ പരിശോധിക്കുകയും പുതിയ ജോലികൾക്കായി sub-agent-കളെ സൃഷ്ടിക്കുകയും ചെയ്തിരുന്നു. അത് പ്രവർത്തിച്ചിരുന്നെങ്കിലും അത്ര വിശ്വസനീയമായിരുന്നില്ല. എന്നാൽ രണ്ടാമത്തെ പതിപ്പ് ഞങ്ങളുടെ പ്രധാന പ്രോജക്ട് റിപ്പോസിറ്ററിക്കുള്ളിലാണ് സജ്ജീകരിച്ചിരിക്കുന്നത്, അത് ഏജന്റുകളുടെ പ്രവർത്തനം മുൻകൂട്ടി കണ്ടുകൊണ്ടാണ് ഇത് നിർമ്മിച്ചിരിക്കുന്നത്. ഈ റിപ്പോസിറ്ററിയിൽ മികച്ച രീതിയിൽ പ്രവർത്തിക്കാനാവശ്യമായ നൈപുണ്യങ്ങളും സാഹചര്യങ്ങളും ഏജന്റുകൾക്ക് നൽകുന്നതിനായി ഞങ്ങൾ നേരത്തെ തന്നെ ഒരു 'ഏജന്റ് ഹാർനെസ്സ്' തയ്യാറാക്കിയിരുന്നു; Symphony ഇവയെ തമ്മിൽ ബന്ധിപ്പിക്കുക മാത്രമാണ് ചെയ്യുന്നത്.

അടിസ്ഥാന പ്രവർത്തനക്ഷമത കൈവരിച്ചതോടെ, Symphony ഉപയോഗിച്ച് തന്നെ ഞങ്ങൾ Symphony നിർമ്മിച്ചു.

ടാസ്ക്കുകൾ കൈകാര്യം ചെയ്യുന്നതും അവയുടെ proof-of-work വീഡിയോകൾ അറ്റാച്ച് ചെയ്യുന്നതുമായ ഈ സിസ്റ്റം ഞങ്ങൾ കമ്പനിക്കുള്ളിൽ അവതരിപ്പിച്ചപ്പോൾ വലിയ സ്വീകാര്യതയാണ് ലഭിച്ചത്: ഞങ്ങളുടെ Symphony പ്രോജക്ട് ചാനലിലെ അംഗങ്ങളുടെ എണ്ണം വർദ്ധിക്കുകയും, ഓർഗനൈസേഷനിലെ വിവിധ ടീമുകൾ സ്വാഭാവികമായി തന്നെ ഇത് ഉപയോഗിക്കാൻ തുടങ്ങുകയും ചെയ്തു. ഒരു ഉൽപ്പന്നം പുറത്തിറക്കുന്നതിന് മുൻപ്, അത് കമ്പനിക്കുള്ളിൽ എത്രത്തോളം പ്രായോഗികമാണെന്ന് ഉറപ്പുവരുത്തേണ്ടത് OpenAI-യിൽ അത്യാവശ്യമാണ്. OpenAI-ജീവനക്കാർക്കിടയിൽ ഇതിനു ലഭിച്ച വലിയ പിന്തുണ കണ്ടപ്പോൾ, Symphony കമ്പനിക്ക് പുറത്തുള്ളവരുമായും പങ്കുവെക്കേണ്ട സമയമായെന്ന് ഞങ്ങൾക്ക് ബോധ്യപ്പെട്ടു..

അതിനാൽ ഈ ആശയം ഒരു സ്വതന്ത്ര SPEC.md-ലേക്ക് ഞങ്ങൾ മാറ്റുകയും അത് ഇംപ്ലിമെന്റ് ചെയ്യാൻ Codex-നോട് ആവശ്യപ്പെടുകയും ചെയ്തു. ഇതിന്റെ റെഫറൻസ് ഇംപ്ലിമെന്റേഷനായി ഞങ്ങൾ തിരഞ്ഞെടുത്തത് Elixir ആണ്. കോൺകറന്റ് പ്രോസസ്സുകളെ നിയന്ത്രിക്കാനും മേൽനോട്ടം വഹിക്കാനും മികച്ച സംവിധാനങ്ങളുള്ള, എന്നാൽ അധികം ആളുകൾ ഉപയോഗിക്കാത്ത ഒരു ഭാഷയാണിത്. Codex വൺ-ഷോട്ടിൽ Elixir ഇംപ്ലിമെന്റേഷൻ തയ്യാറാക്കി; അവിടെ നിന്നങ്ങോട്ട് സ്പെസിഫിക്കേഷനിലും ഇംപ്ലിമെന്റേഷനിലും ഞങ്ങൾ മാറ്റങ്ങൾ വരുത്തിക്കൊണ്ടിരുന്നു. സ്പെസിഫിക്കേഷൻ കൂടുതൽ കൃത്യമാക്കുന്നതിനായി —TypeScript, Go, Rust, Java, Python— തുടങ്ങി വിവിധ ഭാഷകളിൽ ഇത് നിർമ്മിക്കാൻ ഞങ്ങൾ Codex-നോട് ആവശ്യപ്പെട്ടു. ഇതിലൂടെ സിസ്റ്റത്തിലെ അവ്യക്തതകൾ കണ്ടെത്താനും അത് ലളിതമാക്കാനും ഞങ്ങൾക്ക് സാധിച്ചു. എല്ലാ ഭാഷകളിലും ഇത് വിജയകരമായി പൂർത്തിയാക്കാൻ കഴിഞ്ഞു.

Codex നിർമ്മിക്കുന്ന പ്രക്രിയയിലൂടെ, പ്രത്യേക റിപ്പോസിറ്ററികളെയോ Linear MCP-യെയോ ആശ്രയിക്കുന്നത് പോലുള്ള അനാവശ്യ സങ്കീർണ്ണതകൾ ഞങ്ങൾ ഒഴിവാക്കി. Symphony ഇപ്പോൾ ഞങ്ങളുടെ ആന്തരിക റിപ്പോസിറ്ററികളെയോ പ്രവർത്തനരീതികളെയോ ആശ്രയിക്കുന്നില്ല. ഇതിന്റെ അടിസ്ഥാന സമീപനം ഇപ്പോൾ ലളിതമായി മാറി:

തീർപ്പുകല്പിക്കാത്ത ഓരോ ടാസ്ക്കിനും ഒരു ഏജന്റ് അതിന്റെ സ്വന്തം വർക്ക്സ്പേസിൽ പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പുവരുത്തുക.

നിലവിലുള്ള ജോലികളിൽ സഹായിക്കുന്നതിന് പുറമെ ഡെവലപ്മെന്റ് വർക്ക്ഫ്ലോ ഇപ്പോൾ ഏജന്റുകൾക്ക് അറിയാവുന്നതും അവർ പിന്തുടരുന്നതുമായ ഒന്നായി മാറിയിരിക്കുന്നു. —ഒരു ഇഷ്യുവിൽ പ്രവർത്തിക്കുക, റിപ്പോ എടുക്കുക, PM ന് അറിയാനായി അത് ഇൻ പ്രോഗ്രസ്സ് ആയി മാറ്റുക, Pull Request ചേർക്കുക, റിവ്യൂ സ്റ്റാറ്റസിലേക്ക് മാറ്റുക, വീഡിയോകൾ ഉൾപ്പെടുത്തുക— തുടങ്ങിയ ഡെവലപ്മെന്റ് വർക്ക്ഫ്ലോയുമായി ബന്ധപ്പെട്ട കാര്യങ്ങളെല്ലാം ഇപ്പോൾ ലളിതമായ ഒരു WORKFLOW.md ഫയലിൽ രേഖപ്പെടുത്തിയിട്ടുണ്ട്. ഇതെല്ലാം മനുഷ്യർ പിന്തുടർന്നിരുന്ന ഒരു പ്രക്രിയയായിരുന്നുവെങ്കിലും അവയൊന്നും ഒരിടത്തും കൃത്യമായി ഡോക്യുമെന്റ് ചെയ്തിരുന്നില്ല.വ്യക്തമായി രേഖപ്പെടുത്താത്ത ഇത്തരം ഘട്ടങ്ങളെ ആശ്രയിക്കുന്നതിന് പകരം ഞങ്ങൾ ഇപ്പോൾ അവ കൃത്യമായി ഡോക്യുമെന്റ് ചെയ്യുന്നു. കൂടാതെ ഏജന്റുകൾ അത് പിന്തുടരുന്നുണ്ടെന്ന് Symphony ഉറപ്പാക്കുകയും ചെയ്യുന്നു. ഞങ്ങളോടൊപ്പം ചേർന്ന് പ്രവർത്തിക്കാൻ കഴിയുന്ന ഏജന്റുകളെ സൃഷ്ടിക്കാൻ ഇത് ഞങ്ങളെ സഹായിക്കുന്നു. പൂർത്തിയാക്കിയ ജോലികൾക്കൊപ്പം ഏജന്റുകൾ സെൽഫ് റിഫ്ലെക്ഷൻ കൂടി ഉൾപ്പെടുത്തണമെന്ന് ഞങ്ങൾ തീരുമാനിക്കുകയാണെങ്കിൽ, അത് WORKFLOW.md ഫയലിലേക്ക് ചേർത്താൽ മതിയാകും. ആ പുതിയ ഘട്ടത്തിലേക്ക് ഏജന്റുകളെ നയിക്കാൻ Symphony സഹായിക്കും.

Codex-ന്റെ ഭാഗമായുള്ള ഒരു ഹെഡ്‌ലെസ്സ് മോഡ് ആയ ആപ്പ് സെർവർ മോഡിൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) Codex ഉപയോഗിക്കാനും ഞങ്ങൾക്ക് സാധിച്ചു. ഒരു ത്രെഡ് ആരംഭിക്കുക അല്ലെങ്കിൽ ടേണുകളോട് പ്രതികരിക്കുക തുടങ്ങിയ കാര്യങ്ങൾക്കായി വ്യക്തമായി ഡോക്യുമെന്റ് ചെയ്തിട്ടുള്ള JSON-RPC API വഴി Codex പ്രവർത്തിപ്പിക്കാനും പ്രോഗ്രാമാറ്റിക് ആയി അതിനോട് ആശയവിനിമയം നടത്താനും ഈ മോഡ് ഞങ്ങളെ സഹായിച്ചു. CLI അല്ലെങ്കിൽ ലൈവ് tmux സെഷനുകൾ വഴി Codex-മായി ആശയവിനിമയം നടത്താൻ ശ്രമിക്കുന്നതിനേക്കാൾ വളരെ സൗകര്യപ്രദവും കൂടുതൽ വിപുലീകരിക്കാൻ കഴിയുന്നതുമായ ഒരു രീതിയാണിത്.

ഞങ്ങളുടെ ആവശ്യങ്ങൾക്ക് Codex App Server തികച്ചും അനുയോജ്യമായിരുന്നു: Codex നൽകുന്ന സംവിധാനങ്ങൾ പ്രയോജനപ്പെടുത്തുന്നതിനൊപ്പം തന്നെ, അതിൽ ആവശ്യമായ മാറ്റങ്ങൾ വരുത്താനും കൂട്ടിച്ചേർക്കലുകൾ നടത്താനുമുള്ള സൗകര്യവും ഇതിലൂടെ ഞങ്ങൾക്ക് ലഭിക്കുന്നു. ഉദാഹരണത്തിന്, സബ് ഏജന്റുകൾക്ക് Linear ആക്സസ് ടോക്കൺ വെളിപ്പെടുത്താതിരിക്കാൻ, Linear-ലേക്ക് ആവശ്യമായ റിക്വസ്റ്റുകൾ അയക്കുന്ന റോ linear_graphql ഫംഗ്ഷൻ ലഭ്യമാക്കുന്നതിനായി ഞങ്ങൾ ഡൈനാമിക് ടൂൾ കോളുകൾ ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)ഉപയോഗിക്കുന്നു. ഇതിനായി MCP-യെ ആശ്രയിക്കുകയോ കണ്ടെയ്‌നറുകൾക്ക് ആക്സസ് ടോക്കൺ നൽകുകയോ ചെയ്യേണ്ടതില്ല.

അടുത്തത് എന്ത്

Symphony ബോധപൂർവം വളരെ ലളിതമായി രൂപകൽപ്പന ചെയ്തിട്ടുള്ള ഒരു ഓർക്കസ്ട്രേഷൻ ലെയറാണ്. Linear പോലെയുള്ള വ്യത്യസ്ത വർക്ക്ഫ്ലോ ടൂളുകളുമായി ചേർന്ന് പ്രവർത്തിക്കുമ്പോൾ Codex App Server-ന്റെ കരുത്ത് എത്രത്തോളമുണ്ടെന്ന് വ്യക്തമാക്കാനാണ് ഞങ്ങൾ ഇതിനെ ഓപ്പൺ സോഴ്സ് ആക്കുന്നത്. അതിനാൽ തന്നെ, Symphony-യെ ഒരു സ്വതന്ത്ര ഉൽപ്പന്നമായി നിലനിർത്താൻ ഞങ്ങൾ ഉദ്ദേശിക്കുന്നില്ല. ഇതിനെ ഒരു റഫറൻസ് ഇംപ്ലിമെന്റേഷൻ ആയി മാത്രം കണക്കാക്കുക.സ്വന്തം റെപ്പോസിറ്ററികൾക്ക് രൂപം നൽകാൻ പല ഡെവലപ്പർമാരും ഹാർനെസ്സ് എഞ്ചിനീയറിംഗ് പോസ്റ്റിന്റെ സഹായത്തോടെ തങ്ങളുടെ കോഡിംഗ് ഏജന്റുകളെ ഉപയോഗിച്ചതുപോലെ, നിങ്ങളുടെ പരിതസ്ഥിതികൾക്ക് അനുയോജ്യമായ സ്വന്തം പതിപ്പുകൾ നിർമ്മിക്കുന്നതിനായി Symphony സ്പെക്കിലേക്കും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) റിപ്പോസിറ്ററിയിലേക്കും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) നിങ്ങളുടെ പ്രിയപ്പെട്ട കോഡിംഗ് ഏജന്റിനെ നിങ്ങൾ ഉപയോഗപ്പെടുത്തുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

Codex-ൽ നിന്നും അതിന്റെ ആപ്പ് സെർവറിൽ നിന്നുമാണ് ഇതിന് കരുത്ത് ലഭിക്കുന്നത്. വർക്ക് മാനേജ്മെന്റുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ പരിഹരിക്കാനായി, ഞങ്ങൾ ഇതിനകം തന്നെ ഉപയോഗിച്ചിരുന്ന Codex, Linear എന്നിവയെ തമ്മിൽ ബന്ധിപ്പിക്കുന്നതിനുള്ള ഒരു മാർഗമായിരുന്നു Symphony. കാര്യങ്ങൾ റീസണിംഗ് ആയി മനസ്സിലാക്കുന്നതിലും നിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിലും കോഡിംഗ് ഏജന്റുകൾ കൂടുതൽ മികച്ചതായി മാറുന്നതിനനുസരിച്ച്, മറ്റ് കമ്പനികളിലെ പ്രധാന തടസ്സങ്ങൾ കോഡ് എഴുതുന്നതിൽ നിന്ന് ഏജന്റുകളുടെ പ്രവർത്തനങ്ങൾ നിയന്ത്രിക്കുന്നതിലേക്ക് മാറുമെന്ന് ഞങ്ങൾ കരുതുന്നു. ഇത്തരം കോഡിംഗ് ഏജന്റ് സിസ്റ്റങ്ങൾ പരീക്ഷിക്കുന്നതിനുള്ള തടസ്സങ്ങൾ ഇപ്പോൾ വളരെ കുറഞ്ഞിരിക്കുന്നു എന്നതാണ് ഇതിലെ ഏറ്റവും ആവേശകരമായ കാര്യം. നിങ്ങൾക്ക് Codex ഉപയോഗിച്ച് കാര്യങ്ങൾ എളുപ്പത്തിൽ നിർമ്മിക്കാൻ സാധിക്കും.

കമ്മ്യൂണിറ്റി അഭിനന്ദനങ്ങൾ

പുറത്തിറങ്ങി ആഴ്ചകൾക്കുള്ളിൽ തന്നെ എൻജിനീയറിങ് കമ്മ്യൂണിറ്റി Symphony ഏറ്റെടുത്തതിൽ ഞങ്ങൾക്ക് വലിയ സന്തോഷമുണ്ട്. ഏപ്രിൽ 23 വരെയുള്ള കണക്കനുസരിച്ച് 1GitHub-ൽ 15,000-ലധികം സ്റ്റാറുകൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) നേടാൻ ഇതിന് സാധിച്ചു.