تصور کنید برنامهنویسی هستید که هر روز بخشی از پروژه را به هوش مصنوعی میسپارد، اما پس از دو ماه متوجه میشود که هر بخش از اپلیکیشن با منطق متفاوتی نوشته شده است. این وضعیت دقیقاً همان نقطهای است که کدپایههای تولیدشده توسط هوش مصنوعی، بدون داشتن یک «کف معماری» (Architectural Floor)، به اتاقی تاریک پر از هیولاهای نامرئی تبدیل میشوند.
به نقل از تحلیل عمیقی که در ۲۱ اوت ۲۰۲۶ توسط dev.to منتشر شد، اجازه دادن به هوش مصنوعی برای نوشتن برنامهها بهصورت آزاد (Freehand)، باعث میشود کدها با هر پرامپت جدید به سمت معماریهای متفاوتی تغییر مسیر دهند. همانطور که در پوشش پیشین ما دربارهی نادیده گرفتن دستورات پیچیده توسط عاملها دیدیم، این ناپایداری یک الگوی تکرار شونده است. این هرجومرج ساختاری دقیقاً همان دلیلی است که تبدیل ایدههای اولیه به محصولات تجاری را دشوار میکند؛ موضوعی که در بررسی ۵ لایه ضروری برای تبدیل دموهای Vibecoding به محصول عملیاتی به تفصیل به آن پرداختیم.
در ابتدا، ساخت یک فرم ورود شاید تنها ۴ دقیقه زمان ببرد، اما طبق این گزارش، تا روز شصتم توسعه، برنامهنویسان با ۶ پیادهسازی مختلف از مودالها و اعتبارسنجیهای شکسته در موبایل مواجه میشوند. دلیل این اتفاق، نبود یک بستر معماری ثابت است که باعث ایجاد الگوهای هرجومرج در مدیریت وضعیت (State) و فراموشی ارائهدهندههای زمینه (Context Providers) میشود. علاوه بر نقصهای ساختاری، این رویکرد توسعهی بدون نظارت، ریسکهای امنیتی شدیدی ایجاد میکند؛ چنانکه گزارش شده بسیاری از اپلیکیشنهای ساختهشده با هوش مصنوعی دارای حفرههای امنیتی هستند.
برای حل این بحران، این تحلیل سه مدل تحویل مؤلفههای هوش مصنوعی را با هم مقایسه میکند:
- Toolcrib: از مانیفستهای ماشینخوان استفاده میکند و کد منبع React را مستقیماً در مخزن مینویسد تا شفافیت کامل برقرار باشد.
- shadcn/ui: بیشترین اشباع را در دادههای آموزشی دارد، اما فاقد ابزار بررسی انحراف (Drift-checking) است که در ابزار doctor متعلق به Toolcrib دیده میشود.
- @nexcraft/forge: یک درس عبرت است؛ استفاده از وبکامپوننتهای بسته و فشردهشده، یک «جعبه سیاه» ۴۶۷ کیلوبایتی ایجاد کرد که پس از توقف پشتیبانی، هیچ عاملی قادر به بازبینی یا اصلاح آن نبود.
این تغییر رویکرد نشان میدهد که عصر «پرامپت بزن و دعا کن» به بنبست رسیده است. برای متخصصان، این یعنی هزینه رفع باگها در آینده، بسیار بیشتر از پرداخت یک «مالیات پنجره متنی» (Context-window Tax) — شبیه پرداخت هزینه پیشخدمت برای چیدمان میز قبل از غذا — در ابتدای پروژه برای ایجاد یک کف سخت معماری است. با وارد کردن کد منبع (Vendoring)، توسعهدهندگان تخصص خود را با تخصص نویسندگان ارشد مؤلفهها جایگزین میکنند و استانداردهای ARIA و مدیریت Race-condition را بهطور خودکار در کد میگذارانند.
گام بعدی شما
- بررسی کنید که آیا عاملهای هوش مصنوعی شما با پکیجهای پیشکامپایلشده npm کار میکنند یا با کد منبع خوانا.
- وابستگیهای پروژه خود را ممیزی کنید تا مطمئن شوید هوش مصنوعی واقعاً قادر به تعمیر کدی است که مسئول نگهداریاش شده است.
- برای مؤلفههای تکرار شونده، یک مانیفست ساختاری تعریف کنید تا مدل از انحراف معماری جلوگیری کند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو