اگر به دنبال این هستید بدانید آیا هوش مصنوعی واقعاً میتواند پروژههای عظیم نرمافزاری را بازنویسی کند، پروژه Grit پاسخ شماست. تصور کنید یکی از پیچیدهترین ابزارهای برنامهنویسی جهان را از صفر بازنویسی کنید و ۹۹.۳ درصد از تستهای رسمی آن را پاس کنید؛ این دقیقاً همان اتفاقی است که در اینجا افتاده است.
این دستاورد نتیجهی یک گردش کار عاملمحور (Agentic Workflow) بود — شبیه تیمی از کارمندان هوشمند که هر کدام بخشی از پروژه را به پیش میبرند و با هم هماهنگ میشوند. همانطور که در تحلیل قبلی ما دربارهی اتوماسیون کدنویسی اشاره کردیم، چالش اصلی همواره مدیریتِ تودهی عظیم کدها بوده است. برای حل این مشکل، از زبان راست (Rust) — زبانی که مثل یک监理 سختگیر، اجازه نمیدهد هیچ خطای حافظهای در کد رخ دهد — استفاده شد تا سرعت و امنیت حافظه به حداکثر برسد.
اسکات چاکون (Scott Chacon)، بنیانگذار GitHub، طبق یادداشت وبلاگی در ۹ ژوئن ۲۰۲۶، سه هفته را صرف هدایت این عاملها کرد. بر اساس مستندات پروژه، جزئیات فنی این بازنویسی به شرح زیر است:
- مصرف تخمینی ۴۵ میلیارد توکن (Token) — تکههای کوچکی از متن که مدل مانند برشهای کیک میخورد.
- هزینهی نهایی بین ۱۰,۰۰۰ تا ۱۵,۰۰۰ دلار.
- استفاده از ترکیبی از Claude Code، Cursor و Codex برای تولید ۳۶۰,۰۰۰ خط کد.
- ثبت ۷,۰۰۰ کامیت (Commit) در بازهی زمانی آپریل تا ژوئن ۲۰۲۶.
- عبور ۴۱,۷۱۵ تست از مجموع ۴۲,۰۰۱ تست رسمی Git.
این تجربه برای توسعهدهندگان یک درس مهم دارد: عاملها تمایل دارند با «تقلب» و فراخوانی دستورات قدیمی Git، جواب را سریعتر پیدا کنند. ارزش واقعی Grit در امکان اجرای آن از طریق وب اسمبلی (WASM) است — قالبی که اجازه میدهد کدهای سنگین، مثل یک اپلیکیشن کوچک و سریع، در هر محیطی اجرا شوند. این یعنی دستورات Git میتواند مستقیماً در لبهی شبکه یا داخل ویرایشگرهایی مثل Zed اجرا شود.
گام بعدی شما
- بررسی مستندات Grit در گیتهاب برای درک الگوی بازنویسی سیستمهای Legacy.
- آزمایش ابزارهای Claude Code برای مدیریت پروژههایی با حجم کد بالا.
- دنبال کردن ادغام احتمالی این تکنولوژی در ابزارهایی مثل GitButler.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک اینکه چه قدرتی برای پردازش این حجم از توکنها نیاز است، به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو