Foyzul's Academy

A few days ago I wrote about moving completed feature artifacts out of the repository and into GitHub Wiki. The same pattern works with .

Atlassian's Teamwork Graph CLI is built agent-first — coding agents like Claude Code can create and update Confluence pages directly from Markdown. So requirements, architecture notes, meeting minutes, and review docs etc can live in the repo while a feature is active, then get archived to the right Confluence space once the work is done.

I built this into my own workflow with a skill that gives Claude Code the whole lifecycle: for each task (e.g. ABC-123) it creates a page under a Confluence space, pushes the local artifacts up as child pages, verifies them, then deletes the working files from the repo. One command, and the decisions behind the implementation move out of the repo and into a place that's easier to find later.

The workflow stays the same:
Feature completed → publish artifacts → verify the pages → remove the working files from the repo.

GitHub Wiki is still a good repo-adjacent option. But teams already on the Atlassian ecosystem may prefer Confluence when engineering docs need to sit next to the wider organisation's knowledge base.

The point was never the destination. It's giving agents a consistent lifecycle for retiring working context — without losing the decisions behind the implementation.

Agentic software engineering has a side effect: artifact sprawl.

Every phase of work leaves behind documents — requirements, architecture notes, review docs — and those documents carry the rationale behind every decision made along the way. Keep them in the repo and they pile up fast, filling context before you've even started the next task.

So I went looking for somewhere to offload these feature-based artifacts outside the repo — somewhere that keeps context lean but still makes them easy to pull up when you need to check a decision. GitHub wiki turned out to be the right fit.

I built a Claude Code skill that does this automatically: once an issue merges, it moves the working artifacts into the wiki and clears them out of the repo.

Skill description: Retire a closed issue's working artifacts out of specs/ into the GitHub wiki — use when the user asks to archive a finished issue, empty out specs/ for a done task, or move an issue's requirements/architecture/review docs to the wiki.

Skill link: https://github.com/foyzulkarim/claude-lens/blob/main/.claude/skills/archive-issue/SKILL.md

---------------------------------------------------

Watch me building a full project from scratch following agentic software engineering principles and patterns:

Claude Lens GitHub: https://github.com/foyzulkarim/claude-lens

---------------------------------------------------

Anthropic Usage rank এ বাংলাদেশ ১১৬ তম, ১২১ টা দেশের মধ্যে। অবস্থান ভালো না। আমার দৃঢ় বিশ্বাস বাংলাদেশের এতো কম ইউজ হওয়ার পিছনে জাতি হিসেবে জ্ঞান এর প্রতি আমাদের সামগ্রিক অনীহার পাশাপাশি ডলার সংকট এবং কোম্পানি গুলোর মালিক গুলোর কিপটামি দায়ী।

সেই সাথে, আগ্রহী কেউ যে নিজের মেশিনে ভালো একটা মডেল রান করে LLM এর বিভিন্ন ব্যাপারে স্কিল বাড়াবে সেটাও সম্ভব না ট্যাক্স এবং হার্ডওয়ার এর আকাশচুম্বী দামের কারণে।

তবে কোন বিজনেস ম্যাগনেট যদি আসলেও টোকেন বিজনেস এ নাম তাহলে তার ব্রেকইভেন এ যাইতে বেশি দিন লাগার কথা না। আফসোস টাকা নাই বলে এই ব্যাবসাটাও করতে পারলাম না 😇

https://www.anthropic.com/economic-index -usage

Getting started with Claude Code is easier than people think. Three rules I suggest:

1. Watch your cache hit rate — keep it above 50%. Long, focused sessions beat constantly restarting.

2. If it can be done via CLI, ask Claude Code to do it. Git, Docker, gh, aws, kubectl, jq, ffmpeg — whatever. The terminal is its home turf.

3. Turn your repeated bash into skills. Commit, PR, deploy — wrap it once, then "create a PR" just works.

That's it. The rest you pick up as you go.

Agentic project management is a thing? YES. I did full project breakdown in 48 tickets, using & , and little bit of Sonnet.

I gave Claude Code the plan, architecture and we break the project down into implementation-ready issues as local file — each one with scope, acceptance criteria, dependencies, and a DoD checklist.

Then using `gh` CLI I published the tickets to GitHub issues. Simple, yet effective.

Then as a testing I asked it to embed the mockup image inside of the ticket and it did.

Example: https://github.com/foyzulkarim/claude-lens/issues/34

Full board: https://github.com/foyzulkarim/claude-lens/issues

If your ticket write-ups look better than these, please let me know where did I lack.

Now, the question is, whether these 48 well-written tickets actually turn into a shipped project is a separate question. I will be working on it over the next few days — watch the repo if you want to see how it goes.

Fork it, share it, just don't send PRs. This one's mine to experiment with.

GitHub: https://github.com/foyzulkarim/claude-lens

একটা prompt আমরা সার্ভারে পাঠালাম — তারপর ওই মেশিনের ভেতরে আসলে কী ঘটে?

Server কী করে? LLM কীভাবে output বানায়? Cache hit হলে ওই অংশের cost যে মাত্র ~10%-এ নেমে আসে — কেন, কখনো ভেবে দেখেছি? Cache শুনলেই মনে হয় কোথাও Redis আছে — আসলে কিন্তু নাই 😅

প্রতিদিন আমরা ঠিক এই node গুলোর ভেতর দিয়েই কাজ করি — Claude Code, agent, যা-ই চালাই। কিন্তু আসলে কতটুকু জানি?

আমি নিজেও পুরোপুরি জানতাম না। তাই Module 4: Under the hood-এ এই প্রশ্নগুলোর উত্তর গুছিয়ে দেওয়ার চেষ্টা করেছি। আর পুরোটা শুধু থিওরি দিয়ে না — একটা real local model-এ (oMLX + Gemma / Qwen / Ornith) live চালিয়ে, number সহ prefill আর decode-এর স্টেপগুলো দেখানোর চেষ্টা করেছি।

Module 4-ও পুরোটা free।

দেখুন: courses.foyzul.com

প্রথমে ভেবেছিলাম traditional way তেই যাবো — টপিক্স গুলার একটা quick glimpse দিয়ে next module এ চলে যাবো।

কিন্তু তারপর বুঝলাম, যেসব জিনিস আমি ভাবতাম বেশ solid ভাবেই বুঝি, সেখানেই আমার নিজেরই কিছু confusion রয়ে গেছে।

ব্যাপারটা আমাকে curious করে তুললো। তাই video বানানো pause করে আবার শেখা শুরু করলাম। তাই মাঝখানে বেশ কয়েক সপ্তাহের গ্যাপ।

অনেক শেখা, অনেক testing, tweaking, আর হাজারটা জিনিস run করা। যখন সত্যিই মনে হলো এবার share করার মতো ready হয়েছি, কেবল তখনই কি বলবো সেগুলার পয়েন্টার গুলোর draft টা multiple large language model এর কাছে fact-check এর জন্য দিলাম — আর এরপরেই video produce করা শুরু করলাম।

উপরের কথাগুলো marketing হিসেবে নেবেন না। আমাকে চিনলে আপনি জানেন — sales pitch এর চেয়ে honesty আর শেয়ারিং টা আমার কাছে অনেক বেশি জরুরি।

সময় পেলে Module 4 টা একটু দেখুন, আর জানান সত্যিই কিছু জিনিস demystify করতে পারলো কিনা — even আপনি agentic coding এ already experienced হলেও। তাহলেই আমার কষ্ট সার্থক আর পরের মডিউল এর জন্য অনুপ্রেরণা পাবো।

Enjoy. 👉 courses.foyzul.com

"it" কাকে বোঝাচ্ছে — cat না mat?

AI grammar মুখস্থ করে না, প্রতিটা শব্দকে শুধু একটা score দেয় (cat ৮৫%, mat ১০%) আর মিশিয়ে ফেলে। এটাই attention। 👇

A tool that plays the role of the listening teacher in hifz (Quran memorization): you recite a chosen range of ayahs, it transcribes you on the server, and it tells you — at the level of the individual word — whether you recited correctly or exactly where you slipped.

Next.js + TypeScript on the front, a Quran-fine-tuned Whisper model on the back. Nothing leaves your machine at inference time.

It is focused on one thing done well: word-level correctness with precise pinpointing. It does not grade tajweed, and it works in record-then-review mode (recite the whole range, then get feedback), not live interruption.

Try live demo: hifz.foyzul.com

GitHub: https://github.com/foyzulkarim/hifz-tester