Makale, yazılım projelerinde docs dizinlerinin ortaya çıkışını ve zamanla karşılaşılan sorunları ele alıyor. Başlangıçta CLAUDE.md veya ARCHITECTURE.md gibi mütevazı dosyalarla başlayan bu dizinler, zamanla büyük spesifikasyonlar ve özellikler içeren devasa bir bilgi deposuna dönüşüyor. Bu süreç genellikle stratejik bir plandan ziyade, artan bağlam ihtiyacına doğal bir yanıt olarak ortaya çıkıyor. Hatta OpenAI gibi büyük şirketlerin bile dahili olarak bu yaklaşımı kullandığı belirtiliyor. Ancak yazar, bu docs dizinlerinin geçici bir çözüm olduğunu ve uzun vadede sürdürülemez olduğunu vurguluyor.
docs dizinleri büyüdükçe ve kod değiştikçe, ince tutarsızlıklar birikmeye başlıyor. Bu durum, özellikle büyük dil modellerinin (LLM) kod üretmek için ihtiyaç duyduğu bağlamın kalitesini düşürüyor ve gözlemlenebilirlik eksikliği yaratıyor. Makale, büyüyen Markdown tabanlı docs dizinlerinin karşılaştığı başlıca sorunları sıralıyor: keşfedilebilirlik (LLM'in doğru belgeyi nasıl bulacağı), sahiplik ve alan uzmanlığı (belgeleri kimin yazıp sürdüreceği), belge çürümesi (zamanla oluşan hatalar ve tutarsızlıklar), hız uyumsuzluğu (kod ve dokümantasyon değişim hızlarının farklılığı), hiyerarşi eksikliği (belgeler arasında doğal bir yapı olmaması) ve özel belge yapısı (herkesin kendi yöntemini kullanması).
Bu sorunlar, özellikle büyük şirketler için bile çözümü zorlu meseleler olarak öne çıkıyor. Yazar, bir sonraki büyük dil modelinin bu sorunları sihirli bir şekilde çözebileceği yanılgısına düşülmemesi gerektiğini belirtiyor. Mevcut dokümantasyon yaklaşımlarının, özellikle yapay zeka destekli geliştirme süreçlerinde, yetersiz kaldığı ve daha yapılandırılmış, yönetilebilir çözümlere ihtiyaç duyulduğu mesajı veriliyor.
Mevcut dokümantasyon dizini yaklaşımları, özellikle büyük dil modelleriyle entegre geliştirme süreçlerinde, sürdürülemez hale gelerek ciddi keşfedilebilirlik, tutarlılık ve yönetim sorunları yaratıyor.