اگر تصور می‌کنید به‌زودی می‌توانید با یک پرامپت ساده، سیستم‌های پیچیده نرم‌افزاری را به تولید برسانید، باید در محاسبات خود تجدیدنظر کنید. وابستگی مطلق به تولید خودکار کد در پروژه‌هایی که از الگوهای رایج فاصله می‌گیرند، ریسک شکست‌های بحرانی را به‌شدت افزایش می‌دهد.
این هشدار، نتیجه مطالعه‌ای تجربی است که در ۲۱ اوت ۲۰۲۶ توسط پژوهشگران مارسکا، روسی و ماریانی منتشر شد. این تحقیق در حالی منتشر می‌شود که ابزارهایی مانند گیت‌هاب کوپایلت (GitHub Copilot)، کِرسور (Cursor) و ویندسرف (Windsurf) از حالت تکمیل خودکار ساده به حالت‌های عامل‌محور (Agentic) — یعنی مدل‌هایی که می‌توانند به‌طور مستقل برنامه‌ریزی و اجرا کنند — تغییر مسیر داده‌اند. این تحول در واقع بخشی از گذار مدل‌های زبانی به سوی اتوماسیون پیچیده است که مرز بین تولید متن و اجرای عملیات را جابه‌جا کرده است.
همان‌طور که در بحث‌های گذشته ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اتکای بیش از حد به خروجی‌های مدل بدون نظارت انسانی، همواره نقاط ضعفی دارد. در این مطالعه (arXiv:2608.20903)، پژوهشگران از این سه IDE خواستند تا ۵ اپلیکیشن وب کامل را از صفر بسازند. طبق گزارش این تحقیق، نتایج یک شکاف عمیق در توانمندی‌ها را نشان داد:
- تسلط بالا: عامل‌ها در پیاده‌سازی الگوهای تثبیت‌شده، به‌ویژه عملیات CRUD (ایجاد، خواندن، به‌روزرسانی و حذف) و قابلیت‌های احراز هویت، کاملاً موفق بودند.
- شکست‌های گسترده: نرخ خطا زمانی به‌شدت افزایش یافت که عامل‌ها با معماری‌های کمتر رایج، مانند اپلیکیشن‌هایی که به صف انتظار وظایف (Task Queue) نیاز داشتند، مواجه شدند.
بر اساس مستندات این پژوهش، هرچه یک مسئله از الگوهای تکرارشونده فاصله بگیرد، نیاز به مداخله انسانی بیشتر می‌شود. این بدان معناست که نقش توسعه‌دهنده حذف نمی‌شود، بلکه به سه محور جدید منتقل می‌شود: تعریف دقیق نیازمندی‌ها با زبان طبیعی، اصلاح تکرارشونده خروجی عامل‌ها و مدیریت کل فرآیند ساخت.
در عمل، IDEهای عامل‌محور بخش‌های پیش‌بینی‌پذیر سیستم را شتاب می‌بخشند، اما در تصمیمات معماری همچنان وابسته به هدایت انسان هستند. کیفیت محصول نهایی اکنون به توانایی برنامه‌نویس در ارائه دستورالعمل‌های شفاف و انجام بازبینی‌های فنی سخت‌گیرانه گره خورده است. در همین راستا، استفاده از قراردادهای سخت‌گیرانه در پرامپت ثابت کرده است که دقت در دستورالعمل‌ها می‌تواند حتی حفره‌های امنیتی پیچیده را در کدهای باز شناسایی کند.
برای جامعه فنی، این یافته معیار «برنامه‌نویس آماده برای عصر AI» را تغییر می‌دهد. ارزش مهندس نرم‌افزار دیگر در تسلط بر سینتکس زبان‌ها نیست، بلکه در توانایی بازرسی کد تولید شده و مدیریت ادغام ماژول‌های AI در یک سیستم منسجم است. توسعه‌دهندگان باید بر مهارت‌های «مهندسی نرم‌افزار به کمک AI» — به‌ویژه مهندسی نیازمندی‌ها و تفویض فنی — تمرکز کنند تا از انباشت بدهی فنی (Technical Debt) جلوگیری کنند. این رویکرد در حوزه‌های دیگر نیز موفق بوده است، به‌طوری که عامل‌های هوش مصنوعی توانسته‌اند هزینه نگهداری تست‌های نرم‌افزاری را تا ۶۰٪ کاهش دهند و بهره‌وری عملیاتی را ارتقا بخشند.
گام بعدی شما
- در پروژه‌های بعدی، عامل‌های AI را روی بخش‌های CRUD رها کنید اما معماری‌های غیرمتعارف را شخصاً طراحی و نظارت کنید.
- مهارت‌های بازرسی کد (Code Review) را ارتقا دهید تا بتوانید خطاهای منطقی پنهان در کدهای تولید شده توسط AI را شناسایی کنید.
- یاد بگیرید چگونه نیازمندی‌های سیستم را به‌گونه‌ای به زبان طبیعی بنویسید که ابهام برای عامل‌های AI به حداقل برسد.
اما تست واقعی استدلال معماری این مدل‌ها در مواجهه با کدهای قدیمی است؛ در گزارش بعدی بررسی خواهیم کرد که این عامل‌ها در مهاجرت کدهای Legacy چگونه عمل می‌کنند.
گفتگو