تصور کنید یک برنامهنویس ارشد در تیم شما باشد که هر شب تمام کدهای قدیمی و خستهکننده را بدون دستور شما پاک میکند و صبحها فقط لیست تغییرات را برای تأیید میگذارد. این دقیقاً همان اتفاقی است که اکنون در قلب زیرساختهای آنتروپیک رخ میدهد.
طبق اعلام این شرکت، ۴۶٪ از اصلاحات خودکار کد اکنون در سیستمهای آنها ادغام میشود. این عدد نشاندهنده تغییری بنیادین در نحوه مدیریت «بدهی فنی» (Technical Debt) در آنتروپیک است. این فرآیند از اوت ۲۰۲۶ آغاز شد و هدف آن مدیریت نگهداری روزانه در پلتفرمهای iOS، اندروید، دسکتاپ، وب و SDKهای عامل است.
این رویکرد بخشی از یک موج بزرگتر برای ادغام هوش مصنوعی در جریان کاری توسعهدهندگان است. همانطور که در تحلیل قبلی ما دربارهی استفادهی CMS Brew از Claude Code برای توزیع محصول اشاره کردیم، آنتروپیک حالا از اتوماسیون تکالیف خاص به سمت نگهداری سیستماتیک و روزانه حرکت کرده است. این سیستم شبیه به یک نظافتچی دیجیتال است که فقط گرد و خاک را پیدا نمیکند، بلکه هر شب کف زمین را میسابد. این تحول در بهرهوری، در کنار بهینهسازیهای اخیر در کاهش هزینههای API از طریق فشردهسازی توکنها، نشاندهنده تلاش آنتروپیک برای تجاریسازی گستردهتر ابزارهای توسعه است.
به نقل از بوریس چرنی (Boris Cherny)، مهندس آنتروپیک و خالق این ابزار، سیستم از طریق یک کانال اختصاصی در اسلک به نام proj-claude-maintains-apps مدیریت میشود. Claude Code برای پاکسازی کدها از ۱۲ روتین تخصصی استفاده میکند که مهمترین آنها عبارتاند از:
- Crash Fuzzer: ایجاد کرشهای تصادفی در شبیهسازها برای یافتن و رفع علت ریشهای خطاها.
- Dead-Code Remover: حذف کدهای دستنیافتنی یا افزودن لاگ برای تأیید عدم استفاده از کد.
- Dup Unifier: ادغام انتزاعهای مشابه اما متفاوت.
- Flaky-Test Fixer: تحلیل و تثبیت تستهای ناسازگار در CI.
- Abstraction Police: اصلاح تخلفات در لایههای معماری.
چرنی تأکید میکند که این سیستم نیازی به مهندسی پرامپت (Prompt Engineering) — که مثل هنر سؤال درست پرسیدن از یک مشاور باتجربه است — ندارد. او از زبان ساده در اسلک برای واگذاری وظایف استفاده میکند؛ مثلاً دستور میدهد که مدل کرشها را در اپلیکیشنهای واقعی (بدون استفاده از Mock) تحریک کرده و برای اصلاح آنها درخواست تغییر (Pull Request) ایجاد کند. این رویکرد خودکارسازی، یادآور استفاده از پنلهای چندعاملی برای کاهش نرخ خطای شناسایی آسیبهای امنیتی است که در آن همکاری چندین عامل هوش مصنوعی منجر به دقت بالاتر در تحلیلهای پیچیده میشود.
بر اساس مستندات این آزمایش، از شروع پروژه تا ۱۴ اوت ۲۰۲۶، مدل ۳۸۸ درخواست تغییر ایجاد کرد که ۱۸۰ مورد آنها پس از بازبینی انسانی و ماشینی ادغام شدند. اگرچه نرخ موفقیت ۴۶ درصدی نشان میدهد که مدل هنوز در بیش از نیمی از تلاشهایش شکست میخورد، اما چرنی این نتایج را «نشانههای اولیه حیات» برای نگهداری خودکار میداند.
برای یک توسعهدهنده معمولی، این یعنی آیندهای که در آن کدنویسی «مکانیکی» — یعنی همان کارهای خستهکننده مثل پاک کردن فلگهای قدیمی و اصلاح تستهای ناپایدار — حذف میشود. در این دنیا، ارزش مهندس انسان از «نوشتن اصلاحیه» به «بازبینی منطق هوش مصنوعی» و تنظیم روتینهای روزانه تغییر میکند. این تغییر در پارادایم کاری، مشابه ادغام Claude Cowork در مرورگر کروم است که ابزارهای هوش مصنوعی را از یک محیط مجزا به بخشی جدانشدنی از جریان کاری لحظهای تبدیل میکند.
آنتروپیک اکنون روی افزایش سرعت ادغام این تغییرات مکانیکی تمرکز کرده است. هدف بعدی این است که نرخ ادغام بدون افزایش فشار بر بازبینهای انسانی، به بالای ۵۰ درصد برسد.
گام بعدی شما
- اگر مدیر فنی هستید، فهرستی از «کارهای مکانیکی» تکراری تیم خود را بنویسید تا ببینید کدامیک قابلیت تبدیل به روتینهای خودکار هستند.
- ابزارهای Agentic را برای مدیریت تستهای ناپایدار (Flaky Tests) در خط لوله CI/CD خود بررسی کنید.
- روی مهارت «بازبینی کد» (Code Review) متمرکز شوید، زیرا در عصر اتوماسیون، قدرت شما در تأیید منطق است، نه تایپ کردن کد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو