چگونه عامل‌های هوش مصنوعی ۸۰ درصد کد تولیدی Anthropic را به دست گرفتند؟

اگر امروز مهندس نرم‌افزار هستید، نقش شما از «کدنویسی» به «مدیریت صفِ کارکنان هوش مصنوعی» تغییر می‌کند. در می ۲۰۲۶، شرکت آنتروپیک (Anthropic) داده‌های داخلی خود را منتشر کرد که نشان می‌دهد بیش از ۸۰٪ از تمام کدهایی که در مخزن عملیاتی این شرکت ادغام شده‌اند، توسط کلود (Claude) نوشته شده‌اند. این دیگر یک «کدنویسی با کمک هوش مصنوعی» نیست؛ بلکه نویسندگی خودگردان است. در این مدل، هوش مصنوعی پیاده‌سازی خام را بر عهده می‌گیرد و انسان‌ها تنها نظارت معماری را انجام می‌دهند.

این گذار در حالی رخ می‌دهد که صنعت از رابط‌های ساده‌ی چت به سمت گردش‌های کاری عامل‌محور (Agentic Workflows) حرکت می‌کند. سال‌ها بود که توسعه‌دهندگان از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای پیشنهاد تکه‌های کوچک کد استفاده می‌کردند. اکنون گلوگاه تغییر کرده است. انسان دیگر مانع تولید نیست، بلکه به سیستمی برای مدیریت صف و تأیید خروجی‌های موازیِ عامل‌های هوش مصنوعی تبدیل شده است.

این تغییر در جامعه‌ی برنامه‌نویسان نیز دیده می‌شود؛ یک رشته‌بحث در Hacker News با عنوان «Ask HN: What was your 'oh shit' moment with GenAI?» با ۹۶۴ نظر و ۵۷۲ رای مثبت مواجه شد. در این گفتگوها، مهندسان داستان‌هایی از توانایی کلود در دکامپایل کردن فایل‌های APK اندروید و استخراج کلیدهای رمزنگاری‌شده در حالی که آن‌ها خواب بودند، تعریف می‌کردند. لحن این گفتگوها هایپ نیست، بلکه پذیرشی آرام و نگران‌کننده از این است که یک تغییر بنیادین، سریع‌تر از پیش‌بینی‌ها رخ داده است.

معیارهای انقلاب ۸۰ درصدی

به نقل از گزارش آنتروپیک، بهره‌وری حاصل شده خطی نیست، بلکه پله‌ای است. دو نقطه‌ی عطف اصلی رخ داد:

• فوریه ۲۰۲۵: زمانی که کلود به‌جای پیشنهاد کد، شروع به اجرای آن کرد. این امکان را به مهندسان داد تا هوش مصنوعی را برای اجرا، تست و تکرار به کار بگیرند، به‌جای اینکه پیشنهادات را به‌صورت دستی کپی-پیست کنند.
• اوایل ۲۰۲۶: زمانی که مدل‌ها توانستند به‌طور خودگردان روی بازه‌های زمانی طولانی (تسک‌های چندساعته) کار کنند. عامل‌ها اکنون می‌توانند در صورت شکست، بدون دخالت انسان، اشکال‌زدایی کنند و تا رسیدن به نتیجه پیش بروند.

یک مثال خیره‌کننده در آوریل ۲۰۲۶ دیده شد؛ کلود بیش از ۸۰۰ اصلاحیه را ارسال کرد که یک دسته‌ی خاص از خطاهای API را تا ۱۰۰۰ برابر کاهش داد. یک مهندس ناظر تخمین زد که یک انسان برای انجام همین حجم از کار به چهار سال زمان نیاز داشت. تا می ۲۰۲۶، نرخ موفقیت کلود در تسک‌های باز — جایی که مهندس از جواب مطمئن نیست — به ۷۶٪ رسید؛ یعنی ۵۰ درصد افزایش تنها در ۶ ماه.

برای درک این مقیاس، مهندسان اکنون «افق تسک» (Task Horizon) را رصد می‌کنند. این معیار که توسط METR (Model Evaluation & Threat Research) رصد می‌شود، نشان می‌دهد یک عامل AI با ۵۰٪ قابلیت اطمینان، تسکی با چه مدت زمان (به ساعت-انسان) را می‌تواند به پایان برساند. رشد این معیار نمایی است:

• مارس ۲۰۲۴: مدل Claude Opus 3 تسک‌های ۴ دقیقه‌ای را مدیریت می‌کرد.
• مارس ۲۰۲۵: مدل Claude Sonnet 3.7 تسک‌های ۹۰ دقیقه‌ای را مدیریت می‌کرد.
• ژوئن ۲۰۲۶: مدل Claude Opus 4.6 تسک‌های ۱۲ ساعته را مدیریت می‌کند.

داده‌های METR نشان می‌دهد دوره‌ی دوبرابر شدن این افق از هر ۷ ماه به هر ۴ ماه کاهش یافته است. اگر این روند ادامه یابد، تسک‌های خودگردانِ چندروزه تا پایان ۲۰۲۶ و پروژه‌های مهندسی یک‌هفته‌ای تا سال ۲۰۲۷ ممکن خواهد بود. این عددی است که مهندسان باید رصد کنند، بسیار بیشتر از نمرات بنچمارک یا Perplexity، زیرا تعیین می‌کند که عامل‌ها چه زمانی می‌توانند در سطوح مختلف چارت سازمانی مهندسی عمل کنند.

درون معماری عامل‌محور

عامل‌های کدنویسی خودگردان بر اساس یک حلقه‌ی «مشاهده $
ightarrow$ تفکر $
ightarrow$ اقدام» عمل می‌کنند. این‌ها جادو نیستند، بلکه یک الگوی معماری خاص روی LLMها هستند. در هسته‌ی این سیستم، عامل با ابزارها محیط را مشاهده می‌کند، از طریق مدل استدلال می‌کند، ابزاری را فراخوانی می‌کند و حافظه خود را بر اساس نتیجه به‌روز می‌کند.

آن‌ها از مجموعه‌ای از ابزارها برای تعامل با محیط استفاده می‌کنند، که معمولاً شامل موارد زیر است:

• read_file: برای خواندن محتویات از سیستم فایل محلی.
• write_file: برای ایجاد یا به‌روزرسانی فایل‌ها، شامل ایجاد دایرکتوری‌های والد در صورت نیاز.
• run_command: برای اجرای دستورات شل و بازگرداندن stdout، stderr و کدهای خروجی (exit codes).
• list_directory: برای گشت‌وگذار در ساختار کدبیس از طریق لیست کردن فایل‌ها و زیرپوشه‌ها.

این ساختار به عامل اجازه می‌دهد کد را کاوش کند، تغییرات را اعمال کند و تست‌ها را به‌صورت تکرارپذیر اجرا کند تا هدف محقق شود. یک اجرای صنعتی نیاز به تاریخچه‌ی پیام‌های پایدار دارد تا عامل آگاهی خود از تلاش‌های قبلی را حفظ کند. همچنین محدودیت‌های ایمنی صریح (مثل max_iterations) برای جلوگیری از مصرف بی‌رویه توکن‌ها حیاتی است. نتایج غنی از ابزارها که شامل کدهای خطا برای خود-تشخیصی (self-diagnosis) باشد نیز ضروری است. محدودیت‌های پرامپت سیستم (System Prompt) برای جلوگیری از حالت‌های شکست رایج، مانند حلقه‌های اصلاح بی‌نهایت یا ویرایش‌های غیرضروری در فایل‌های تست، حیاتی هستند.

برای چرخه‌های پیچیده‌ی توسعه نرم‌افزار (SDLC)، یک عامل تنها کافی نیست. مقاله‌ی سال ۲۰۲۶ با عنوان «توکنومیکس: کمی‌سازی محل مصرف توکن‌ها در مهندسی نرم‌افزار عامل‌محور» (arXiv:2601.14470) چارچوب ChatDev را در ۳۰ تسک تحلیل کرد. یافته‌ها نشان می‌دهد مصرف توکن‌ها به مراحل متمایز زیر نگاشت می‌شود:

• طراحی (Design)
• کدنویسی (Coding)
• تکمیل کد (Code Completion)
• بازبینی کد (Code Review)
• تست (Testing)
• مستندسازی (Documentation)

درک این تفکیک برای ساخت خط‌لوله‌های به‌صرفه ضروری است، زیرا عامل‌های متخصص در هر مرحله، پروفایل‌های مصرف توکن کاملاً متفاوتی دارند و این به تیم‌ها اجازه می‌دهد مدل‌های خود را متناسب با هر مرحله اندازه گیری کنند.

اقتصاد توکن در بازبینی کد

بسیاری از توسعه‌دهندگان تصور می‌کنند هزینه اصلی در تولید کد اولیه است. اما تحقیقات نشان می‌دهد مرحله‌ی بازبینی کد به‌تنهایی ۵۹.۴٪ از کل توکن‌ها را در یک اجرای چند-عاملی مصرف می‌کند. دلیل آن «پرگویی» (Chattiness) بازبینی‌های تکراری است: یک عامل بازبین باید کل فایل یا بخش‌های بزرگی از آن را در پنجره متنی بارگذاری کند و بازخوردهای دقیق تولید کند؛ سپس عامل اجراکننده دوباره فایل را به همراه بازخوردها بارگذاری می‌کند تا مشکل را حل کند؛ و این چرخه تکرار می‌شود.

توکن‌های ورودی ۵۳.۹٪ از کل مصرف را تشکیل می‌دهند (در مقایسه با توکن‌های خروجی و استدلالی)، به این معنی که هزینه غالب، «بارگذاری زمینه» است، نه «تولید متن». این امر یک حلقه انباشت ترکیبی ایجاد می‌کند که در آن هر چرخه «بازبینی-اصلاح-بازبینی مجدد»، بار توکنی را افزایش می‌دهد.

برای مقابله با این هزینه، گردش‌های کاری صنعتی در حال پذیرش چندین الگوی کارآمدی هستند:

• کشینگ فایل بر اساس هش: استفاده از هش‌های MD5 برای جلوگیری از بارگذاری مجدد فایل‌های تغییرنیافته در چرخه‌های تکراری بازبینی، که می‌تواند هزاران توکن در هر فراخوانی ذخیره کند.
• بهینه‌سازی مدل (Right-sizing): استفاده از مدل‌های کوچک‌تر و سریع‌تر (مثل claude-haiku-4-5) برای تسک‌های خروجی ساختاریافته JSON و رزرو مدل‌های استدلالی گران‌قیمت برای تسک‌های باز.
• سقف توکن خروجی: محدود کردن خروجی به حداقل نیاز برای یک پاسخ JSON (مثلاً ۱۰۲۴ توکن) برای جلوگیری از اتلاف منابع زمانی که پاسخ کوتاه مورد انتظار است.
• بودجه‌های توکن مشترک: پیاده‌سازی یک AgentContext مشترک برای جلوگیری از اینکه یک مرحله از SDLC منابع مراحل دیگر را مصرف کند، همراه با توقف‌های خودکار هنگام رسیدن به آستانه‌ها (مثلاً ۸۰٪).

استقرار گردش‌های کاری خودگردان

پذیرش عملی اکنون به سمت ابزارهای خط فرمان (CLI) مثل Claude Code می‌رود. این ابزار به صورت CLI و همچنین افزونه‌های VS Code و JetBrains عرضه می‌شود. این ابزار از جستجوی عامل‌محور برای ساخت خودکار نقشه‌ی مخزن کد، درک سیستم بیلد و اعمال ویرایش‌های هماهنگ در چندین فایل استفاده می‌کند، بدون اینکه کاربر نیاز داشته باشد زمینه را به‌صورت دستی وارد کند. این رویکرد اساساً با استفاده سنتی از LLMها (پرامپت-پاسخ) متفاوت است.

تیم‌های پیشرو اکنون این عامل‌ها را مستقیماً از طریق GitHub Actions به خط‌لوله‌های CI/CD متصل می‌کنند. یک گردش کار آماده برای اصلاح خودکار تست‌های شکست‌خورده شامل این مراحل است:

۱. تشخیص شکست: اجرای تست‌ها (مثل pytest) و ثبت خروجی JSON ساختاریافته از شکست‌ها، که برای کنترل هزینه توکن‌های ورودی، به ۱۰ شکست اول محدود شده است.
۲. اصلاح خودگردان: ارجاع خلاصه شکست به Claude Code در حالت --no-interactive. در اینجا به عامل دسترسی‌های ابزاری محدودی داده می‌شود (مثلاً فقط اجازه Read ،Write ،Edit و دستورات خاص Bash مانند python -m pytest* یا git diff*) تا ایمنی تضمین شود.
۳. تأیید: اجرای مجدد مجموعه تست‌ها برای تأیید اصلاحیه. اگر کد خروجی ۰ بود، عامل اصلاحیه را با پیامی مانند fix: autonomous agent resolved failing tests [skip ci] کامیت می‌کند.
۴. گزارش‌دهی: ارسال یک کامنت نتیجه در PR با استفاده از github-script برای اطلاع دادن به بازبین انسانی در مورد اینکه آیا AI مشکل را حل کرده یا نیاز به دخالت دستی است.

نظم جدید مهندسی

این تغییر، پروفایل مهارتی جدیدی می‌سازد. بهره‌ورترین مهندسان سال ۲۰۲۶ کسانی نیستند که بهترین دانش سینتکس را دارند، بلکه کسانی هستند که در «مشخص‌سازی دقیق» و «بازبینی سریع خروجی» استادند. یکی از بنیان‌گذاران Notion اشاره کرد که بخش بزرگی از شغل او اکنون صرفاً مشغول نگه داشتن بیشترین تعداد ممکن از نمونه‌های Claude Code است. انسان از گلوگاه تولید به سیستم مدیریت صف برای کارکنان موازی AI تبدیل شده است.

الگوهای نوظهور عبارت‌اند از:

• انسان به عنوان کارگردان: تغییر تمرکز به کیفیت مشخصات (Specification) و قضاوت معماری. تسک‌های مبهم، کد خراب تولید می‌کنند؛ اما مشخصات دقیق با معیارهای تست‌پذیر، پیاده‌سازی‌های تأییدشده می‌سازند. مهندسی که نمی‌تواند کد تولید شده را بازبینی کند، اکنون یک نقطه ضعف (Liability) محسوب می‌شود.
• بازبینی AI توسط AI: تحلیل آنتروپیک نشان داد بازبینی‌های خودکار کلود از تاریخچه کامیت‌های آن‌ها می‌توانست حدود یک‌سوم از تمام باگ‌های عملیاتی را که بازبین‌های انسانی از دست داده بودند، شناسایی کند. این امر بازبینی AI را به یک مرحله ضروری در CI برای هر تیمی که از کد تولید شده توسط AI استفاده می‌کند، تبدیل می‌کند.
• موازی‌سازی: پخش تسک‌ها از طریق یک ارکستراتور بین چندین عامل (مثلاً عامل A روی تست‌های واحد، عامل B روی لایه‌ی API و عامل C روی مستندات) و ادغام برنامه‌ریزی‌شده‌ی آن‌ها. این روش به آنتروپیک اجازه داد تا ۸۰۰ باگ API را در یک ماه تنها از طریق یک ناوگان موازی از عامل‌ها اصلاح کند.

در حالی که عامل‌ها به سمت بهبود خودکار بازگشتی (Recursive Self-Improvement یا RSI) — یعنی توانایی یک سیستم برای طراحی و توسعه خودگردان جانشین خود — حرکت می‌کنند، شکاف در «انتخاب هدف» در حال بسته شدن است. کلود در حال حاضر می‌تواند اهداف را با ۷۶٪ موفقیت در تسک‌های باز اجرا کند و در انتخاب گام بعدی ۶۴٪ بهتر از انسان عمل می‌کند (که نسبت به ۵۱٪ در نوامبر ۲۰۲۵ افزایش یافته است). با این حال، تصمیم‌گیری درباره اینکه «کدام مشکل ارزش حل شدن دارد» هنوز مزیت انسانی است؛ هرچند این شکاف نیز با همان نرخ نماییِ افق تسک در حال بسته شدن است.

برای مهندسان، مهارت‌های ماندگار اکنون قضاوت معماری، دانش دامنه و طراحی سیستم است. مدل اقتصادی نرم‌افزار در حال تغییر است؛ وقتی ۸۰٪ کد توسط AI نوشته می‌شود، تعداد نفرات تیم ممکن است کاهش یابد اما خروجی رشد کند. ارزش از «عمل نوشتن» به «عمل هدایت کردن» منتقل می‌شود، که نیازمند پوشش‌های ایمنی جدید، ردپاهای حسابرسی (Audit Trails) و محدودیت‌های دسترسی صریح برای مدیریت حلقه‌های خودگردان در محیط عملیاتی است. حداقل پوشش ایمنی پذیرفتنی اکنون شامل دسترسی‌های ابزاری محدود و تأیید اجباری تست‌ها قبل از هر کامیت است.

گام بعدی شما

• ابزارهایی مثل Claude Code را در محیط توسعه خود تست کنید و سعی کنید تسک‌ها را به جای «کدنویسی»، به صورت «مشخصات تست‌پذیر» تعریف کنید.
• یک خط‌لوله ساده در GitHub Actions برای اصلاح خودکار خطاهای سینتکسی یا تست‌های ساده طراحی کنید تا با مفهوم Agentic Workflow آشنا شوید.
• روی مهارت‌های طراحی سیستم و معماری تمرکز کنید، زیرا در دنیای AI-authored، توانایی تشخیص «کد درست» از «کد بهینه» تنها مزیت رقابتی شماست.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.