اگر امروز در حال توسعه نرمافزارهای سازمانی با هوش مصنوعی هستید، احتمالاً با متدهای خیالی یا پیوندهای شکسته در رابط کاربری دستوپنجه نرم کردهاید. این مشکل دقیقاً همان جایی است که WaveMaker با معرفی یک معماری ماژولار در ۲۸ اوت ۲۰۲۶، قصد دارد بازی را تغییر دهد.
بسیاری از مدلهای هوش مصنوعی زاینده (Generative AI) — مثل نویسندهای که با اعتمادبهنفس کامل، واقعیتها را با تخیلاتش ترکیب میکند — در تولید خروجیهای استاندارد چارچوبهای برنامهنویسی شکست میخورند. طبق گزارش این شرکت، تولید مستقیم کد توسط AI شبیه ساختن آسمانخراشی است که نقشههایش در حین ساختوساز بهطور تصادفی تغییر میکنند. همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، تکیه بر خروجیهای غیرقطعی در محیطهای عملیاتی ریسک بالایی دارد.
برای حل این بحران، WaveMaker یک لایه میانی ساختاریافته ایجاد کرده است که مانند یک نقشه مهندسی صلب عمل میکند.
سازوکار سنتز دو مرحلهای
به نقل از گزارش dev.to، این سامانه در دو فاز مجزا عمل میکند:
- مرحله اول (تبدیل قصد به WML): عاملهای هوش مصنوعی ورودیهای بصری (مثل فایلهای Figma) یا زبان طبیعی را به زبان نشانهگذاری WaveMaker (WML) تبدیل میکنند. این لایه، چیدمان و متغیرها را در قالبی قطعی ثبت میکند.
- مرحله دوم (تبدیل WML به کد بومی): مولدهای استاندارد، فایل WML را تحلیل کرده و بستههای آماده برای تولید در React، Angular، React Native یا Spring Boot صادر میکنند.
علاوه بر تولید کد، این معماری از عاملهای آگاه به دامنه برای ارکستراسیون API استفاده میکند. این عاملها با وارد کردن مستندات Swagger/OpenAPI، نقاط انتهایی REST بکاند را مستقیماً به اجزای رابط کاربری متصل میکنند. همچنین برای حفظ ماژولار بودن منطق کسبوکار، میکروسرویسهای جاوا آماده برای کانتینر تولید میشوند.
این رویکرد نقش برنامهنویس را از یک کدنویس دستی به یک ارکستراتور سطح بالا تغییر میدهد. با جداسازی قوانین استایل از منطق از طریق توکنهای Material Design، تیمها میتوانند بدون بازنویسی CSS برای هر ویژگی جدید، یکپارچگی بصری را در سازمانهای بزرگ حفظ کنند.
برای توسعهدهندگان حرفهای، این یعنی پایان تجربه «جعبه سیاه» در هوش مصنوعی. از آنجایی که سیستم مخازن مستقل Git تولید میکند و از خط لولههای Maven/Gradle پشتیبانی میکند، مهندسان میتوانند مستقیماً فایلهای Java یا TypeScript را تغییر دهند و این تغییرات با استودیوی بصری همگام شوند.
این معماری این فرض رایج را میشکند که خروجیهای AI باید برای خطاهای نحوی ساده بازبینی دستی شوند. با انتقال «هوش» به لایه مشخصات و «اجرا» به یک موتور قطعی، مسیری پیشبینیپذیر برای اپلیکیشنهای سازمانی ایجاد شده است.
گام بعدی شما
- بررسی کنید که آیا گردشکارهای فعلی شما میتواند از یک لایه میانی (Intermediate Layer) برای کاهش نرخ توهمات بهره ببرد یا خیر.
- مستندات OpenAPI پروژههای خود را بهروز کنید تا برای اتصال به عاملهای ارکستراتور آماده باشید.
- عملکرد این روش را با کامپایلرهای LLM-native که بر پایه محاسبات زمان تست (Test-time compute) هستند، مقایسه کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو