نگاهی به شیوه استفاده یک مهندس هوش مصنوعی از ابزارهای هوش مصنوعی در سال ۲۰۲۶

مقدمه و تغییرات زمینه کاری

در دنیای سریع فناوری، شیوه‌های استفاده از مدل‌های زبان بزرگ (LLMs) طی یک سال به‌شدت تغییر کرده است. نویسنده که پیش‌تر مهندس تیم هوش مصنوعی ویندوز در Microsoft بود، اکنون به عنوان مهندس تحقیق در Salesforce AI Research فعالیت می‌کند. او ماهانه حدود ۳۰۰۰ دلار صرف خرید توکن می‌کند و زندگی روزمره‌اش با ابزارهای هوش مصنوعی عجین شده است. با این حال، او امسال تصمیم گرفت یک «سیاست شخصی هوش مصنوعی» تدوین کند تا مرزی میان زندگی واقعی و وابستگی بیش از حد به ماشین‌ها ایجاد کند؛ چرا که بسیاری از افراد در حال واگذار کردن تفکر خود به مدل‌ها هستند.

دگرگونی برنامه‌نویسی: از اتوکامپلیت تا ایجنت‌ها

اگر در سال گذشته ابزارهایی مثل GitHub Copilot و خطوط کم‌رنگ اتوکامپلیت انقلابی به نظر می‌رسیدند، اکنون برنامه‌نویسی مبتنی بر ایجنت (Agentic Coding) آن‌ها را تا حد زیادی منسوخ کرده است.

روز کاری نویسنده اکنون شامل مدیریت همزمان ۵ تا ۶ ایجنت مانند Claude Code یا ابزارهای مشابه است:

• ایجاد ایجنت‌ها: هر ایجنت کپی مخصوص به خودش از کد را در یک Git worktree دریافت می‌کند.
• اجرای وظایف: تسک‌ها شامل پیاده‌سازی ویژگی‌ها، بازتولید باگ‌ها، اجرای تست‌ها و حتی ایجاد و بازبینی Pull Requestها هستند.
• سرعت و شکست سریع: ساخت پروتوتایپ‌ها حدود ۲۰ دقیقه زمان می‌برد. این سرعت به تیم‌ها اجازه می‌دهد ایده‌های دیوانه‌وار را امتحان کرده و کدهای معیوب را به‌سرعت دور بیندازند.

با این حال، مهندسی نرم‌افزار حل نشده است. اگر ایجنت‌ها به حال خود رها شوند، کدهایی پر از لایه‌های اضافی، پیچیده و غیرقابل‌خوانایی تولید می‌کنند که به سلیقه و تجربه انسانی نیاز دارد.

چالش‌های مدیریت ایجنت‌ها

مدیریت همزمان چندین ربات خسته‌کننده و بیش‌ازحد تحریک‌کننده است. از دست رفتن حس لذت و هنرِ کدنویسی دستی (که نویسنده آن را مشابه از دست رفتن صنعتگری سنتی می‌داند) از دیگر پیامدهای این شیوه است.

همچنین فرآیند کدریویو (Code Review) نیز تغییر کرده است. نویسنده به جای بررسی خط‌به‌خط، روی الگوهای کلان، معماری و نوشتن قوانین برای ایجنت‌ها (مانند فایل CLAUDE.md) تمرکز می‌کند تا ربات‌ها خودشان مشکلات را حل کنند.

جستجو، تحقیق و آموزش

ابزارهای مولد به گزینه پیش‌فرض برای جستجو و تحقیق تبدیل شده‌اند. خلاصه‌های هوش مصنوعی گوگل و ابزارهای مشابه جایگزین جستجوی سنتی شده‌اند، هرچند که در مواردی همچنان با خطاهایی مواجه هستند.

یکی از جذاب‌ترین کاربردهای LLMها، استفاده از آن‌ها به عنوان معلم خصوصی است:

• آموزش گام‌به‌گام و صبورانه مفاهیم پیچیده
• تمرین و کوئیز گرفتن از کدهای نوشته شده توسط ایجنت‌ها برای اطمینان از درک کامل توسعه‌دهنده

دیدگاه کاربران هکرنیوز

در بحث‌های Hacker News، برخی کاربران به این نکته اشاره کردند که سرعت پیشرفت به‌قدری بالاست که هرکسی فکر می‌کند از دیگران جلوتر است. برخی دیگر تأکید داشتند که خواندن خط‌به‌خط کد همچنان ضروری است؛ زیرا ایجنت‌ها و تست‌ها اغلب فرض‌های اشتباهی را در سیستم‌های پیچیده پنهان می‌کنند که تنها با بررسی دقیق انسانی کشف می‌شوند.