I Built an Enterprise-Scale App With AI. Here’s What It Got Right – and Wrong

මෘදුකාංග සංවර්ධනය ජීවිත කාලගුණය (SDLC) මත AI හි බලපෑම පිළිබඳ පළමු අත්දැකීම් ලබා ගැනීම සඳහා, මම අත්හදා බැලීමට තීරණය කරමි.මම AI භාවිතා කිරීමෙන් මුල සිට සාපේක්ෂව සංකීර්ණ පද්ධතියක් ලිවීමට උත්සාහ කිරීමට කැමැත්තෙමි.මම "Hello World" හෝ වෙනත් "To Do" යෙදුම අවශ්ය නැහැ; මම ව්යාපාර ලෝකයේ අපි ගොඩනඟා ගන්නා ආකාරයට ප්රමාණවත් ලෙස භාවිතා කළ හැකි යමක් අවශ්ය විය. ප් රතිඵලය වන්නේ - මගේ තාක්ෂණය හා සුරතල් ජීවිතය සඳහා මගේ ආශාව එක්වන විනෝද ව්යාපෘතිය. Under The Hedge මෙම අත්හදා බැලීම ප්රධාන ප්රතිඵල කිහිපයක් ලබා දුන් අතර, පුළුල් කර්මාන්තයේ ප්රවේශයන් වෙත ප්රායෝගික සංකේතයක් සහ එකතු කිරීම: AI සංවර්ධකයින් වඩාත් වේගයෙන් හෝ වඩාත් නරක කරයිද? ස්ථාවරත්වය වැටුප්: අධිවේගී AI කේත නිෂ්පාදනය පිළිබඳ සැඟවුණු වියදම සොයා ගන්න සහ එය තාක්ෂණික ණය උල්ලංඝනය කරන්නේ ඇයි. Vibe Coding is Dead: ස්වාභාවික භාෂා ප්රවේශයන් හරහා කේතය නිර්මාණය කිරීම, එය අඩු කිරීමක් නොව, සංවර්ධකයාගේ මානසිකත්වය සඳහා බන්ධනාගාරය ඉහළ නැංවීමේ හේතු සොයා ගන්න. විශ්වාසය අර්බුදයක්: ඇයි 90% ක් සංවර්ධකයින් AI භාවිතා කරන්නේ, නමුත් 30% ක් එය ලියන කේත රේඛාව විශ්වාස කරන්නේ නැහැ. The Bricklayer vs. The Site Foreman: AI යුගයේ සංවර්ධකයාගේ කාර්යය සඳහා නව ආකෘතිය. The Project: Under The Hedge ව් යාපෘතිය: Under the Hedge මම සත්තු හමුවීම් බෙදා ගැනීම සහ සොයා ගැනීම සඳහා සමාජ ප්රදේශයක් ගොඩනඟා ගැනීමට පටන් ගත්තේ - මූලික වශයෙන් සත්තු සඳහා Instagram / Strava. මෙම ව්යාපෘතියේ ප්රමාණය පිළිබඳ ඔබට දැනුමක් ලබා දීමට, එය ඇතුළත් වේ: AI-Powered Analysis: පරිශීලකයින් ඡායාරූපය උඩුගත කරයි, සහ පද්ධතිය ස්වයංක්රීයව වර්ග හඳුනා ගැනීම, හැසිරීම් විස්තර කිරීම, සහ ඡායාරූපයේ සිදුවන දේ පිළිබඳ අවබෝධය මත පදනම්ව "අනන්දනය ප්රවේශ ප්රතිඵල" ලබා දෙයි. සංකීර්ණ භූගෝලීය දත්ත: Interactive maps, geohashing for location following, and precise coordinate extraction from EXIF data. High-Performance Data Layer: AWS DynamoDB හි සංශෝධනය කළ හැකි සහ වේගවත් single-table සැලසුම, sub-millisecond latency සමඟ සංකීර්ණ දත්ත ප්රවේශ ආකෘති කටයුතු කිරීම සඳහා. Scalable Media Infrastructure: AWS CloudFront භාවිතා කරන ශක්තිමත් මාධ්ය අංගයක්, ලොව පුරා පරිශීලකයින්ට උසස් resolutions ඡායාරූප සහ වීඩියෝ ක්ෂණිකව cache කිරීම සහ සේවා කිරීම සඳහා. සමාජ ග්රැෆි: සම්පූර්ණ අනුගමනය පද්ධතිය (විශේෂයන්, වර්ග, ස්ථාන හෝ Hashtags), threaded comments, and activity feeds. Gamification: දේශීය ජනතාවට සම්බන්ධ කිරීම සඳහා leaderboards ස්ථාපනය කරන්න. ව්යාපාරික ආරක්ෂාව: AWS Cognito, පෞද්ගලිකත්වය පාලන, සහ මැදිරීම් මෙවලම් හරහා ආරක්ෂිත auth. ඔබ එය මෙහි පරීක්ෂා කළ හැකිය: https://www.underthehedge.com The Industry Context කර්මාන්තය kontekst Under The Hedge සංවර්ධනය කරන විට මම සොයාගත් දේ බෙදා හැරීමට පෙර, පසුගිය වසර කිහිපය තුළ සිදු වූ අධ්යයන මත පදනම්ව කර්මාන්තයේ ඉතිරි කොටස පවසන දේ අවධානය යොමු කළ යුතුය. 2025 අවසානය වන විට, AI උපකාරී සංවර්ධනය පිළිබඳ සංචාරය සරල "ගැලපෙන වේගය" සිට වඩාත් අළුත් යථාර්ථයට වර්ධනය වී ඇත. 2025 දී DORA (DevOps Research and Assessment) වාර්තාව මෙම යුගයට එක් ශක්තිමත් අදහසක් සහිතව සකසයි: AI ශක්තිමත් කිරීමකි. එය ස්වයංක්රීයව බිඳ වැටෙන ක්රියාවලියන්ට නිවැරදි කිරීමක් නොවේ; ඒ වෙනුවට, එය ඉහළ ප්රතිඵලදායිතා කණ්ඩායම්වල පවතින ශක්තිය සහ සටන් කරන කණ්ඩායම්වල dysfunctions වැඩි කරයි. Throughput vs. Stability 2025 දත්ත පෙර වසරට වඩා ප්රධාන වෙනසක් පෙන්නුම් කරයි. 2024 දී, මුල් දත්ත පෙන්වා දෙයි AI සැබවින්ම ප්රතිදානය කළ හැකි බව. කෙසේ වෙතත්, 2025 DORA වාර්තාව තහවුරු කරයි කණ්ඩායම් අනුකූල කර ඇත: AI අනුකූල කිරීම දැන් ප්රතිදානය ප්රමාණවත් වේගයෙන් වැඩි වේගයෙන් සකස් කර ඇත. නමුත් මෙම වේගය "විශීලීත්වය වැටුප්" සමඟ පැමිණෙනු ඇත. වාර්තාවේ ප්රවේශය වර්ධනය වන විට, ප්රතිසංස්කරණ ස්ථාවරත්වය දිගටම අඩු වන බව තහවුරු කරයි. කේතය නිෂ්පාදනය කිරීමේ ආකර්ෂණය සමීපයට අඩු වී ඇති අතර, කේතය ප්රමාණය වර්ධනය වන අතර, පහළ ක්රියාවලියන් පරීක්ෂණ හා සමාලෝචන ක්රියාවලියන්ට ප්රමාණවත් වේ. Vibe Coding Bug Spike 2024 දී Uplevel විසින් සිදු කරන ලද පර්යේෂණවලින් මෙම අස්ථාවරතාවය තහවුරු කර ඇත. සංවර්ධකයින් වඩාත් නිෂ්පාදනශීලී බව දැනෙන අතර, AI-assisted pull requests වල bug rate 41% කින් ඉහළ ගොස් ඇත.This aligns with the "vibe coding" phenomenon—generating code via natural language prompts without a deep understanding of the underlying syntax. The Trust Paradox වර්තමානයේ පරිගණකයින් 90% ක් AI මෙවලම් භාවිතා කර ඇති අතර, “Trust Paradox” ප් රමාණවත්ය.The 2025 DORA Report highlights that 30% of professionals still have little to no trust in the code AI generates. අපි මෙවලම් භාවිතා කරමු, නමුත් අපි ඒවා ගැන අවධානය යොමු කරමු - ස්ථාවර අධීක්ෂණය අවශ්ය "ජුනිටර් පුහුණුකරු" ලෙස AI ප්රතිකාර. Code Churn and Technical Debt "DRY" (Don't Repeat Yourself) මරණය (DYY) කේතය ගුණාත්මක කිරීම පිළිබඳ වඩාත් දරුණු සාක්ෂි GitClear ගේ 2025 AI Copilot කේත ගුණාත්මක වාර්තාවෙන් ලැබී ඇත. 211 මිලියන කේත රේඛා විශ්ලේෂණය කිරීමෙන්, ඔවුන් 2024 දී "හරි සැකකාරී ප්රතිශතයක්" හඳුනා ගත්තේය: වාර්තාගතව පළමු වතාවට, "කැපි / පැස්ටඩ්" රේඛා (12.3%) ප්රමාණයෙන් "එළිදරව්" හෝ ප්රවර්ග රේඛා (9.5%). මෙම වාර්තාව දෙගුණක කේත බ්ලැක්ස් වල 8 ගුණයක් වැඩිවීම සහ "churn" කේතයේ දැඩි වර්ධනය වන අතර, මෙම කේතය ලියාපදිංචි වී පසුව සති දෙකක් ඇතුළත විවෘත කර හෝ ඉවත් කරනු ලැබේ.මේක පෙන්වා දෙන්නේ AI විසින් "පියාපදිංචි කිරීම පමණක්" සංස්කෘතියක් සකස් කර ඇති අතර, සංවර්ධකයින් නව, නැවත නැවත නැවත වරක් කේත බ්ලැක්ස් නිර්මාණය කිරීම වඩාත් පහසුය. Security Risks Veracode ගේ 2025 විශ්ලේෂණය පෙන්වා දුන්නේ AI-generated code samples වල 45% ක් අසා ආරක්ෂිත අතුරුදහන්තා ඇති බව, Java වැනි භාෂා 29% දක්වා අඩු ආරක්ෂිත Pass rates දකින බවය. So what do these studies tell us? දත්ත පැහැදිලි ඡායාරූපයක් සකස් කරයි: AI multiplier ලෙස ක්රියා කරයි.It amplifies speed, but if not managed correctly, it also amplifies bugs, technical debt, and security flaws. What my Experiment Taught Me මගේ අත්හදා බැලීම මට උගන්වපු දේ මගේ තෝරාගත් මෙවලම් ආකෘතිය / සැලැස්ම සඳහා Gemini සහ ක්රෙසර්ර් විය. ගොඩනැගිල්ල මෙම පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු පුහුණු. Under The Hedge The Velocity Multiplier වේගය Multiplier මම දැඩි වේලාව ලියාපදිංචි කළ නොහැකි වුවද, මම මෙම සම්පූර්ණ පද්ධතිය - සාපේක්ෂව සංකීර්ණ, ව්යාපාරික ප්රමාණයේ වේදිකාවක් - සම්පූර්ණ කාලීන වැඩ මාසයක් තුළ (සහ සතියකට දින 9-5 ක් පමණ) ක්රියාත්මක කළ හැකි බව මම ගණනය කරමි. මා සඳහා විශාලතම පෞද්ගලික බලපෑම, නිශ්චිත වේගය වඩා උනන්දුව ගැන කතා කරන, නිශ්චිත ප්රතිපත්තිය ලෝහය විය. අතීත පෞද්ගලික ව්යාපෘතිවලදී, මම බොහෝ විට කුඩා, සංකීර්ණ විස්තර, බිඳ වැටීමට හේතු වනු ඇත. මෙම මෙවලම් භාවිතා කිරීමෙන්, මම සම්පූර්ණ, සංකීර්ණ ක්රියාකාරීත්වය - සම්පූර්ණ සමාජ feed පද්ධතිය වැනි - මගේ පුතාගේ නාන ක්රියාත්මක කිරීමට අවශ්ය කාලය තුළ ක්රියාත්මක කළ හැකිය. The "Stability Tax" in Practice සැබෑවටම ‘ආරක්ෂණය බදු’ මගේ අත්දැකීමත් "ආරක්ෂණය වැටුප්" ගැන කර්මාන්තයේ වර්ධනය වන ප්රශ්න සනාථ කර ඇත - කේත ප්රමාණය වැඩි වීම නිසා ප්රතිදාන ස්ථාවරත්වය අඩු වීම.මම සොයා ගත්තේ AI නිශ්චිත, තනි කාර්යයන් අතිශයින් හොඳින් ක්රියා කරයි; සංකීර්ණ කාඩ් කොටස් හෝ සංකීර්ණ මාධ්ය UI ගොඩනැගීම තත්පර කිහිපයකින් සිදු විය, කාර්යයන් මට සාමාන්යයෙන් දින හෝ සති කිහිපයක් ගත වනු ඇත. Bloat and Duplication: AI නිශ්චිතව වේගවත්ම විසඳුම, හොඳම විසඳුම නොවේ, පැහැදිලිව අනෙකාට නියෝග නොලැබේ නම්. මෙය අසාමාන්ය, ආබාධිත කේතයක් ඇති කර ඇත. අමාරු ප්රශ්නයක් විසඳන විට, එය බොහෝ විට විසඳුම "විරුද්ධ බලයක්" ඇති කරයි, ප්රශ්නය විසඳා ගැනීමට බලාපොරොත්තු වීමේදී ප්රමාණවත් කේත මාර්ගය ක්රියාත්මක කරයි. "DRY" මරණය තහවුරු: මම බොහෝ විට නැවත භාවිතා කළ හැකි අමුද්රව්ය හෝ උපකාරී ක්රම නිර්මාණය කිරීම වෙනුවට සම්මත කේත කොටස් සම්ප්රදායික කිරීම අනුගමනය කළෙමි.This is direct evidence of the "write-only" culture highlighted in the GitClear report, fueling the rise in copied/pasteed lines and code churn.If I changed a simple data contract (e.g., renaming a database property), the AI would often try to maintain backward compatibility by handling both the old and new scenarios, leading to unnecessary code bloat. අවසාන වශයෙන්, මම හොඳම ක්රියාකාරකම් ක්රියාත්මක කිරීම සහතික කිරීම සඳහා පද්ධති පිළිබඳ ගැඹුරු අවබෝධයක් පවත්වා තබා ගත යුතු අතර, සංවර්ධකයින් AI ක්රියාත්මක කිරීම සඳහා සෑම විටම අධීක්ෂණය අවශ්ය තරුණ පුහුණුකරුවෙකු ලෙස සැලකිලිමත් වන "ප්රසාද අසාමාන්යතාවය" තහවුරු කළ යුතුය. Security and Knowledge Gaps ආරක් ෂාව සහ දැනුම ආරක්ෂක අවදානම අවදානම AI නිශ්චිතවම ආරක්ෂාව ප්රමුඛතාවය ලබා දුන්නේ නැත; මම විශේෂයෙන් ආරක්ෂාව වැඩි දියුණු කිරීම ගැන සැලකිලිමත් කිරීමට සහ ක්රියාත්මක කිරීමට එය ආරාධනා කළෙමි. Veracode මීට අමතරව, AI දත්ත වලට එය ප්රවේශ විය හැකි තරම් පමණක් හොඳය.මම ඉතා නව Cognito Hosted UI ඇතුළත් කිරීමට උත්සාහ කළ විට, ආකෘතිය ප්රමාණවත් ලෙස සටන් කර ඇති අතර, වර්තමානයේ පුහුණු දත්ත නොමැති නිසා නැවත වරක් වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය වෘත්තීය ව අමුද්රව්ය එකිනෙකාට ගැලපෙන බව පෙනේ, මම ඉක්මනින් නිවැරදි විසඳුම වෙත AI මාර්ගෝපදේශ කළ හැකි අතර, ගැඹුරු අර්ථකථන අවබෝධය තවමත් ප්රධාන වේ. කොහොමද AI as a "Coaching Tool" “coaching tool” ලෙස එහි දුර්වලතා에도 불구하고, AI ඉගෙනීම සඳහා විශිෂ්ට මෙවලමක් බවට පත් විය. Next.js සහ AWS Amplify වෙත නවකතාවක් ලෙස, ක්රියාකාරී ප්රොටොටොටොපිස් ලබා ගැනීමට හැකියාව ඉක්මනින් මා උනන්දුවක් ලබා දී ඇත. මම තේරුම් නොගත්ත ක්රියාකාරීත්වයට මුහුණ දුන් විට, මම පුහුණුකරුවෙකු ලෙස AI භාවිතා කර, සංකල්ප පැහැදිලි කිරීම සඳහා ඇණවුම් කරමි. මම හොඳම ක්රියාකාරීත්වයට අනුකූල වීමට සහතික කිරීම සඳහා නිල ලේඛන සමඟ නිර්මාණය කරන කේතය හසුරුවා. ක්රියාකාරීව තේරුම් ගැනීමට සහ පසුව වඩාත් හොඳ විසඳුම් සඳහා AI මාර්ගෝපදේශ කිරීම මගින්, මම මගේ ඉගෙනීම විශාල වශයෙන් වේගවත් කිරීමට හැකි විය. How to Help AI Be a Better Code Companion AI වඩා හොඳ කේත සමාගමක් වීමට උදව් කරන්නේ කෙසේද ස්ථාවරත්වය බදු සීමා කිරීම සහ AI වේගය උපරිම කිරීම සඳහා, ප්රවේශවත්, විධිමත් ප්රවේශය අත් යවශ් ය වේ: Detailed Pre-Planning is Key: Gemini වැනි මෙවලම් භාවිතා කිරීම (ඔහුගේ ගැඹුරු පර්යේෂණ ක්රියාකාරිත්වය භාවිතා කිරීම) ස්ථාපනය කිරීම ආරම්භ කිරීමට පෙර විස්තරාත්මක විශේෂාංග, ආකෘති ප්රදර්ශන සහ සැලසුම් ලේඛන නිර්මාණය කිරීම සඳහා.This "specification first" approach provides the AI with a clearer target, leading to more predictable and robust output. Instead of relying on the AI to spontaneously generate quality code, we must proactively instruct it to maintain standards. This includes designing regular, specific prompts focused on: Explicitly Enforce Quality Gates: Identifying security improvements. Identifying performance issues or potential optimisations. Identifying duplicated or redundant code. ගුණාත්මක සහතිකය සඳහා AI භාවිතා කිරීම: නිෂ්පාදනය කරන ලද කේතය පසුපසින් විශ්ලේෂණය කිරීමට සහ refactoring හෝ වැඩි දියුණු කිරීම සඳහා ප්රදේශ හඳුනා ගැනීම සඳහා AI භාවිතා කිරීම, මිනිස් පරිගණකයට වඩා වේගවත් කාර්යයක්. සම්පූර්ණ SDLC සඳහා AI භාවිතය: අපි ලක්ෂණ සැලසුම් ලේඛන, epics සහ පෞද්ගලික කාර්යයන් ලිවීමට සහ ස්වයං විනිශ්චය කිරීමට AI භාවිතා කළ යුතු අතර, "vibe coding" සමඟ සම්බන්ධ සංකීර්ණ සංකීර්ණ පරීක්ෂණ සැලසුම් සහ ස්වයං විනිශ්චය පරීක්ෂණ ලිවීමට ඉතා වැදගත්ය. Conclusion: The End of "Vibe Coding" ඒ නිසා, අපි මෘදුකාංග සංවර්ධනය සඳහා AI භාවිතා කිරීම නතර කළ යුතුද? දැන් AI වෙතින් ඉවත් වීම යනු අප දශක ගණනාවක් තිස්සේ දැක ඇති ඉංජිනේරු නිෂ්පාදකත්වය සඳහා විශාලතම ප්රමාණය නොසලකා හැරීමයි. මෙම මෙවලම් සමඟ ආයුධයක් ඇති එකම සංවර්ධකයා ඔවුන්ගේ බර පන්තියේ වඩා හොඳින් තල්ලු කළ හැකි බව මට ඔප්පු කර ඇති අතර, කාලයක් කොටසක් තුළ ව්යාපාරික මට්ටමේ ආකෘතිය සපයයි. Absolutely not. Under The Hedge සරල කේතය නිෂ්පාදනය කිරීම සඳහා "සැක්සර් හුවමාරු" අවසන් වී ඇත, සහ "විශීලීත්වය බදු" අවසන් වී ඇත. දත්ත සහ මගේ පෞද්ගලික අත්දැකීම් එක් එක්, අනවශ් ය සත් යය මත සමීප වේ: AI lowers the barrier to entry, but it raises the bar for mastery. ඒ නිසා මනුෂ් ය සංවර්ධකයා සෑම විටම වඩා වැදගත් වන්නේ මනුෂ් ය සංවර්ධකයා නිසා මනුෂ් ය සංවර්ධකයාට මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය සංවර්ධකයාට වඩා මනුෂ් ය අපේ වටිනාකම සම්පූර්ණයෙන්ම වෙනස් වෙනවා. අපි වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙහෙස වෙමු සයිටම් අර්ථකථන, ආකෘතිය, සහ ගුණාත්මක පාලනය අපි පදනම තාක්ෂණය තේරුම් ගැනීමට අපට අවශ්යතාවය නොලැබෙන මැජික් සඟරාවක් ලෙස AI ලෙස සැලකිලිමත් නම්, අපි තාක්ෂණික ණය, "හරිසැකී" copy-paste ආකෘති, සහ ආරක්ෂක දුර්වලතා මුහුදට වැළකී වනු ඇත.ඒත්, අපි ඉංජිනේරු ඉංජිනේරු පුහුණුකරු ලෙස සැලකිලිමත් නම්, විශිෂ්ට, නමුත් සමහර අවස්ථාවලදී නොසැලකිලිමත් තරුණ පුහුණුකරු ලෙස සැලකිලිමත් වනු ඇත - දැඩි විශේෂාංග අවශ්ය, ස්ථාවර කේත සමාලෝචන සහ අර්බුදික මාර්ගෝපදේශය - අපි පුදුම දේවල් සාර්ථක කළ හැකිය. ඉදිරියට යන මාර්ගය මෙවලම් භාවිතා කිරීම නතර කිරීම නොවේ.එය "vibe coding" නතර කිරීම සහ ආරම්භ කිරීමයි. අපි AI භාවිතා කළ යුතු වන්නේ කේතය ලිවීමට පමණක් නොව, එය අභියෝග කිරීමට, පරීක්ෂා කිරීමට සහ පරිපූර්ණ කිරීමටය. ඉංජිනේරු අනාගතය වේගය සීමා කළ හැකි අයට අයිති.මගේ අත්හදා බැලීම නිසා මට සෑහෙන්න මුදල් ලැබෙන දෙයක් ගොඩනඟා ගැනීමට මට අවශ් ය වනු ඇත! 😂 ස්තුතියි කියවීමේ, කරුණාකර මගේ අනෙකුත් අදහස් බලන්න denoise.digital.