اگر فکر میکنید عاملهای هوش مصنوعی (Agent) — تشبیه روزمره: مثل کارمندی که نه تنها میداند چه بگوید، بلکه میتواند ابزارها را برای انجام کار به کار بگیرد — شما به دلیل محدودیتهای مدل شکست میخورند، احتمالاً در اشتباهید. باید بدانید که بسیاری از این خطاها نه از نقص حافظه، بلکه از نامگذاریهای قدیمی و مبهم در کدهای شما نشأت میگیرد.
به نقل از رنه زاندر (Rene Zander) در گزارشی که در ۱۲ مه ۲۰۲۶ منتشر شد، گلوگاه فعلی در توسعه، چیزی نیست جز «مهندسی بافتار» که در واقع همان شکست در رعایت قراردادهای سادهی نامگذاری است. همانطور که در تحلیلهای پیشین ما دربارهی بهینهسازی پنجره متنی اشاره کردیم، مدلها برای درک محیط نیاز به نشانگرهای دقیق دارند.
عاملهای خودکار در واقع «خوانندههای احتمالی» هستند که از طریق لایههای تولید بازیابیافزا (RAG) — تشبیه روزمره: مثل دانشآموزی که قبل از جواب دادن، اول کتاب درسی را باز میکند و از آن نقل میآورد — در codebase جستوجو میکنند. این فرآیند شبیه به یک نسخهی پیشرفته از دستور grep است که فایلها را بر اساس میزان تطابق نامشان با هدفِ задание استخراج میکند. وقتی نام فایل مبهم باشد، نتیجهی استنتاج (Inference) — تشبیه روزمره: لحظهای که مدل واقعاً جواب تولید میکند — مثل خودِ آشپزی، نه دورهی آموزش آشپز — نیز مبهم خواهد بود.
زاندر در یک مخزن کد عملیاتی، ۱۱ مورد از فایلهای utils.py را شناسایی کرد که باعث میشد عامل، فایلهای کمکی اشتباهی را بارگذاری کند. برای حل این مشکل، سه تغییر استراتژیک اعمال شد:
- تغییر نام
api.pyبهpayment-webhook-handler.pyبرای جلوگیری از فعال شدن این فایل در پرسوجوهای غیرمرتبط با پرداخت. - حذف کامل پوشهی
utils/و انتقال فایلهایی مانندformat-currency.pyوredact-pii.pyبه نزدیکی کدهایی که آنها را فراخوانی میکنند. - تقسیم یک فایل ۶۰۰ خطی به نام
process.pyبه چهار فایل مجزا، از جملهvalidate-input.pyوenrich-from-cache.py.
این تغییر نشان میدهد که «بدهی فنی» در نامگذاری، در عصر هوش مصنوعی به یک مانع حیاتی تبدیل شده است. وقتی یک مدل زبانی بزرگ (LLM) — تشبیه روزمره: مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — مجبور باشد هدف تابعی با نام handle() را حدس بزند، توسعهدهندگان مجبور میشوند برای جبران این نقص، پرامپتهای طولانیتر و پیچیدهتری بنویسند. حل این مشکل در زمان نامگذاری، بسیار بهینهتر از تلاش برای حل آن در زمان بازیابی از طریق جستوجوی بردار معنایی (Embedding) است.
گام بعدی شما
- مخزن کدهای خود را برای عبارات کلی مانند
manager/یاservices/یاexecute()بازبینی کنید. - نام فایلها را بر اساس «آنچه انجام میدهند» تغییر دهید، نه «آنچه هستند».
- فایلهای حجیم و چندمنظوره را به واحدهای کوچکتر با نامهای توصیفی تقسیم کنید.
اما این بهینهسازیهای کوچک تنها بخشی از ماجراست؛ برای درک تأثیر معماری داده بر عملکرد مدلها، تحلیل ما دربارهی گرافهای دانش را بخوانید.
گفتگو