اگر تصور میکنید با چند پرامپت ساده میتوانید جایگزین یک برنامهنویس ارشد شوید، بهزودی به یک دیوار فنی برخورد خواهید کرد. این درس اصلی گزارش بازبینی پروژه Vibrisse Agent است که در ۸ ژوئن ۲۰۲۶ منتشر شد.
بسیاری از کاربران اکنون با «وایبکدینگ» (Vibe Coding) پیش میروند؛ یعنی کدنویسی بدون ساختار و تکیه بر حدسهای مدل. این روش مثل تفاوت بین کشیدن طرح اولیه یک خانه و ریختن فونداسیون بتنی آن است. همانطور که در تحلیلهای قبلی ما دربارهی ابزارهای خودکارسازی کدنویس اشاره کردیم، تکیه بر حس، در مقیاس کوچک جواب میدهد اما در پروژههای واقعی فرو میپاشد. این در حالی است که استفادهی هدفمند و ساختاریافته از عاملهای هوش مصنوعی توانسته است سهم چشمگیری در تولید کدهای عملیاتی شرکتهایی مانند Anthropic داشته باشد، اما تفاوت اصلی در همان انضباط معماری است که در این گزارش بررسی شده است.
به نقل از گزارش منتشرشده در dev.to، این پروژه برای عبور از این بنبست، از یک معماری ترکیبی استفاده میکند. عامل (Agent) — شبیه به یک کارمند دیجیتال که میتواند بهتنهایی تصمیم بگیرد و ابزارها را اجرا کند — در این سیستم بهصورت محلی روی Ollama، vLLM یا oMLX اجرا میشود و کارهای پیچیده را به Groq یا OpenRouter میسپارد.
بر اساس مستندات این پروژه، ویژگیهای کلیدی آن عبارتاند از:
- پروتکل متن مدل (Model Context Protocol - MCP): متصل کردن عامل به گیتهاب، SQLite و وب.
- Gemma 4: استفاده از قابلیتهای چندوجهی (Multimodal) — یعنی مدلی که مثل انسان هم متن و هم عکس را میفهمد — برای تحلیل رابط کاربری.
- Ghost Mode: هدایت عامل از طریق کامنتهای داخل کد.
- Interactive Artifacts: حالتی که در آن عامل قبل از تغییر فایلها، برای تأیید انسانی توقف میکند.
یک واقعیت تلخ برای توسعهدهندگان این است که مدلهای زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — ذاتاً «تنبل» هستند. طبق گزارشهای فنی، مدلها بدون محدودیتهای سختگیرانه، کد کامل را نمینویسند و بهجای آن عبارتهایی مثل «...بقیه کد اینجا قرار میگیرد» را درج میکنند. این یعنی ارزش برنامهنویس امروز در تایپ سریع نیست، بلکه در مدیریت معماری است.
تنها راه نجات از تبدیل شدن پروژه به یک فایل درهمریختهی ۳۰۰۰ خطی، انضباط مهندسی است؛ مثلاً maintaining یک فایل ROADMAP.md برای حفظ وضعیت پروژه. در نهایت، انسان باید «وتوی معماری» را در دست داشته باشد و اجازه ندهد مدل بهتنهایی تصمیم بگیرد.
گام بعدی شما
- برای کاهش وابستگی به ابر، ابزارهای اجرای محلی مثل Ollama را تست کنید.
- در پروژههای AI-driven، یک فایل نقشهراه (Roadmap) متنی برای مدل تعریف کنید تا از «فراموشی» مدل جلوگیری شود.
- نقاط توقف (Checkpoints) انسانی را در گردش کار عاملهای خود بگنجانید.
اما داستان هزینههای استنتاج در این معماریهای ترکیبی حتی پیچیدهتر است — به تحلیل ما دربارهی بهینهسازی هزینههای GPU مراجعه کنید.
گفتگو